基于视频的车辆流量自动检测方法设计

第３Ｏ卷第１期　２０１２年１月　佛山科学技术学院学报（自然科学版）　Ｊｏｕｒｎａｌ　ｏｆ　Ｆｏｓｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）　Ｖｏ１．３０　Ｎｏ．１　Ｊａｎ．２０１２　文章编号：１００８—０１７１（２０１２）０１—０００１—０５　基于视频的车辆流量自动检测方法设计　吴志伟　，范彦斌　，卢清华。　（１．华南理工大学机械与汽车工程学院，广东广州５１０６４０；２．佛山科学技术学院机电工程系，广东佛山５２８００Ｏ）　摘要：提出了一种基于视频的车流量自动检测方法．首先用高斯平均法对一定数量视频帧图像进行训练得到初　始背景。然后用基于卡尔曼滤波的背景差法提取前景以及背景更新。最后用双虚拟检测线法进行车辆计数。通　过对实际道路车辆视频文件进行试验。检测准确率达到９Ｏ　，满足实际应用要求。　关键词：高斯平均法；卡尔曼滤波；虚拟检测线；车流量检测　中图分类号：Ｕ４９１．１１６　文献标志码：Ａ　车道流量以及车型分类数据是交通运行管理、道路设计和运输规划的重要依据，对于交通部门、公　安部门和环保部门有重要的参考价值。车流量检测是智能交通系统的重要组成部分，然而传统的检测方　法存在着一些无法克服的缺点，如环形感应圈检测虽然精度较高、技术比较成熟，但由于线圈设置于路　面下，不便于安装且寿命较短Ｌ１］。在这种情况下，基于视频的车辆检测方法应运而生，它以安装方便、开　发成本低、检测范围广等优点成为当前研究热点。　视频车流量检测主要包括感兴趣区域（Ｒｅｇｉｏｎ　ｏｆ　Ｉｎｔｅｒｅｓｔｉｎｇ，ＲＯＩ）、车辆检测、车辆计数３个检测　流程　引。车辆检测方法主要有光流法［３］、帧差法［４］、背景差法Ｌ５］、边缘检测法［６］以及这些方法的综合运　用［７　等，这些方法各有其优缺点，如光流法通常实时性较差；帧差法提取运动目标不完全，且不能检测静　止的车辆；背景差法是最常用的检测方法，其检测精度和效率取决于背景的计算和更新。车辆计数方法　可以分为虚拟线圈法和目标跟踪法ＥＴ］，虚拟线圈法以车辆经过虚拟线圈时图像的变化作为特征进行计　数，具有计算量小、实时性好等优点；目标跟踪法用空间差判断相邻帧中的车辆是否为同一辆车，主要有　基于模型的方法、基于区域的方法以及基于动态轮廓的方法【８　等，实时性不如虚拟线圈法好。　本文首先用高斯平均法（Ｒｕｎｎｉｎｇ　Ｇａｕｓｓｉａｎ　Ａｖｅｒａｇｅ，ＲＧＡ）训练一定数量的视频帧获取初始背　景，然后通过基于卡尔曼滤波的背景差法进行车辆检测，并用虚拟检测线法进行车辆的计数，结合　ＨＡＬＣＯＮ１０．０包含的交互式设计接口ＨＤｅｖｅｌｏｐ，实现车辆流量的自动检测。　１　车流量自动检测的实现　ＨＡＬＣＯＮ具有强大的图像处理功能，利用其　提供的交互式设计接口ＨＤｅｖｅｌｏｐ可方便开发机　器视觉系统。以ＨＡＬＣＯＮ为开发环境，本文车辆　自动检测包括设备的连接、背景初始化、车辆提取　与背景更新和车辆计数４个模块，如图１所示。　收稿日期：２０１１－１１—１８　图１车流量检测流程　基金项目：广东省自然科学基金资助项目（８４５２８００００１００００２３）；佛山市科技发展专项资金资助项目（２００９０１１）　作者简介：吴志伟（１９８６一），男，湖南常德人，华南理工大学与佛山科学技术学院联合培养硕士研究生。　＊通讯作者：范彦斌（１９６２一），男，辽宁大连人，佛山科学技术学院教授，博士。　２　佛山科学技术学院学报（自然科学版）　第３０卷　１．１视频设备的连接　一套完整的车流量自动检测系统包括在线检测和离线检测两部分。对于在线检测，ＨＡＬＣＯＮ提供　了大部分相机的接口，用户可以根据自己的相机类型选择不同的接口，对于少部分未支持的相机，用户　可以利用ＨＡＬＣＯＮ开放性的架构，自行编写ＤＬＬ文件进行连接。对于离线检测，视频文件（通常为．ａｖｉ　文件）在ＨＡＬＣＯＮ中被当作虚拟设备，其相应接口为”ＤｉｒｅｃｔＦｉｌｅ”，通过ＨＡＬＣＯＮ中相应的函数就可　以进行设备的连接或视频文件的读入，然后依次抓取每帧图像进行后续处理。　１．２初始背景的获取　初始背景是指一幅完全没有运动车辆的道路图像，由于道路上一般总是存在着运动车辆，所以初始　背景很难直接通过相机拍摄得到，为此，通过对一定数量的视频帧进行训练得到初始背景。常用的方法　有均值法、中值法和模型法［ｇ］。　均值法是最简单的背景生成方法，即对一定数量帧的图像求平均值作为背景，该方法的增量形式为　１　一１　ＢＪ（　，　）一专　ＪＪ　（ｚ，　）＋　Ｊ　Ｂ　一１（　，　），　（１）　式（１）中，Ｂ　（　，　）表示第　帧背景，　Ｊ（　，ｊ，）表示第　帧图像，Ｂ一（　，＇ｙ）表示第　一１帧背景。　由式（１）可以看出，均值法有利于工程实现，但是随着帧数的增加，当前帧的权重１／ｊ变小。一种改　进的方法为高斯平均法，其公式为　Ｂ，（　，．ｙ）一　（　，　）＋（１一　）Ｂｒ一１（　，．），），　（２）　式（２）中，　为学习率，可取从０到１的定数，一般根据背景生成的稳定性和对环境变化的适应性之间做　权衡。　中值法，又称时间中值滤波法，是一种被广泛采用的方法。著名的Ｗ４系统在背景初始化阶段采用　了中值法的思想，它选取最近一定数量帧的中值作为背景。但　该方法有一个前提，背景出现的概率大于５０　，否则该方法　会失效，即该方法不能用在车流量很大或交通拥堵的情况下。　模型法的基本思想是建立背景的统计模型并且对该模型　进行实时更新，该方法对背景有比较准确的描述，但为了获得　比较准确的描述，往往使得模型比较复杂。　由于只是用于背景的初始化，所以选择简单实用的高斯　平均法获取初始背景。本文中，当训练帧数取７５０帧，学习率　ａ取０．００５时，对拍摄的一段视频进行试验，得到背景图像如　图２所示。　图２高斯平均背景图像　１．３车辆提取与背景更新　一般来说，图像处理的计算量较大，对于序列图像更是如此，而车流量检测对于实时性的要求较高，　所以为了提高检测的效率，利用ＨＡＬＣＯＮ中的区域函数设置ＲＯＩ，使得整个处理过程都在该区域内进　行，大大地减少了计算量，另外通过图像的缩放也可以达到此目的。　卡尔曼滤波是一个最优化自回归数据处理算法，用它解决一些问题，往往能达到最优而且效率较　高。将其引入到车辆检测中来，能取得较好的效果。为了能更准确地提取出车辆目标，需要根据不同的　应用环境对以下参数进行调整。　（１）卡尔曼系统矩阵。该参数用来根据卡尔曼滤波理论对每个像素建立模型，以表示该像素处灰度　的变化过程。　（２）增益。包括前景增益和背景增益，该参数用来描述前景或背景的自适应率。　（３）阈值。用于背景差分中前景／背景的决策。　（４）统计数。用于计算灰度偏差的帧数。　（５）时间常数。指数函数的时间常数，用来在检测到运动物体的区域按指数函数升高阈值，这样能适　应较大的光照变化。　４　设为２。　佛山科学技术学院学报（自然科学版）　第３０卷　整个车辆计数模块的流程如图６所示。其中ｆｌａｇ为设置的标志，用来表示车辆是否注册，为１则表　示车辆已经注册，为０则没有。通过这个标志来控制检测线的计数，只有经过注册的车辆才能进行计数。　Ｓｔａｔ为虚拟检测线的状态，有车辆为１，无车辆为０。　图６车辆计数流程图　２试验结果及分析　根据文中所述的车流量检测算法，对拍摄的一　田　’　。　。　田…’靠’　＾疆骶　段车辆视频文件（．ａｖｉ格式）进行测试，并将车流　量检测结果（图７所示）和实际车流量检测结果进　行比较，如表１所示。　从表１可以看出，３个车道流量准确率均达到　了９０　以上，产生误差的原因包括车辆改道和车　辆并行的情况。车道１和车道２宽度基本上只容许　单一车辆通行，误检的主要原因包括车辆改道，由　于发生车辆改道次数较少，因此车道１和车道２的　准确率较高。而车道３宽度较宽，车辆并行情况较　图７车流量检测结果　多，因此准确率偏低。　本研究采用双检测线来进行车流量的检测，提　表１车流量检测结果　高了算法的鲁棒性，但是，车辆改道和车辆并行情　况仍然影响检测的准确率，如何通过加强不同车道　间线圈的协作来解决这些问题，是今后需要研究的　课题。　３　小结　本文设计了一种基于视频的多车道车流量自动检测方法，该方法引入卡尔曼滤波进行车辆检测，并　利用虚拟检测线法进行车辆计数，试验表明，该方法准确率达到９０　，基本上能满足工程应用的需求。　参考文献：　［１］ＳＯＨ　Ｊｕｎｇ，ＣＨＵＮ　Ｂｙｕｎｇ　ｔａｅ，ＷＡＮＧ　Ｍｉｎ．Ａｎａｌｙｓｉｓ　ｏｆ　Ｒｏａｄ　Ｉｍａｇｅ　Ｓｅｑｕｅｎｃｅｓ　ｆｏｒ　Ｖｅｈｉｃｌｅ　Ｃｏｕｎｔｉｎｇ［Ｊ］．ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ，１９９５，１：６７９—６８３．　［２］　占建云，张毅，王长君，等．基于ＨＡＬＣＯＮ的视频交通参数检测方法口］．公路交通科技，２００８。２５（９）：１２６—１３０．　［３］　ＪＩ　Ｘｉａｏｐｅｎｇ，ＷＥＩ　Ｚｈｉｑｉａｎｇ，ＦＥＮＧ　Ｙｅｗｅｉ．Ｅｆｆｅｃｔｉｖｅ　ｖｅｈｉｃｌｅ　ｄｅｔｅｃｔｉｏｎ　ｔｅｃｈｎｉｑｕｅ　ｆｏｒ　ｔｒａｆｆｉｃ　ｓｕｒｖｅｉｌｌａｎｃｅ　ｓｙｓｔｅｍｓ　［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｖｉｓｕａｌ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　ａｎｄ　Ｉｍａｇｅ　Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ，２００６，１７（３）：６４７—６５８．　［４］唐佳林，李熙莹，罗东华，等．一种基于帧差法的夜间车辆检测方法［Ｊ］．计算机测量与控制，２００８，１６（１２）：１８１１—　１８１３．　［５］郭怡文，袁飞虎．基于背景差分的多车道车流量检测系统［Ｊ］．电光与控制，２０１０．１７（９）：９０—９３．　Ｅ６］罗欣，朱清新．改进的基于边缘检测技术的车流量统计系统口］．计算机工程，２００６，３２（９）：２２８—２３０．　ＥＴ］罗东华，余志，李熙莹，等．基于边缘的背景差法在车流量检测中的应用［Ｊ］．光电工程，２００７，３４（ＩＩ）：７０—７３．　第１期　吴志伟等：基于视频的车辆流量自动检测方法设计　Ｉ－８］ＢＥＮＪＡＭＩＮ　Ｃｏｉｆｍａｎ．ＤＡＶＩＤ　Ｂｅｙｍｅｒ，ＰＨＩＬＩＰ　Ｍｃｌａｕｃｈｌａｎ。ｅｔ　ａ１．Ａ　ｒｅａｌ—ｔｉｍｅ　ｃｏｍｐｕｔｅｒ　ｖｉｓｉｏｎ　ｓｙｓｔｅｍ　ｆｏｒ　ｖｅｈｉｃｌｅ　ｔｒａｃｋｉｎｇ　ａｎｄ　ｔｒａｆｆｉｃ　ｓｕｒｖｅｉｌｌａｎｃｅ［Ｊ］．Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｒｅｓｅａｒｃｈ　Ｐａｒｔ　Ｃ，１９９８，６（４）：２７１—２８８．　［９３万卫兵，霍宏，赵宇明．智能视频监控中目标检测与识别［Ｍ］．上海：上海交通大学出版社。２００９．　［１Ｏ］　ｚＨＡＮＧ　Ｇｕｏｈｕｉ。ＲＹＡＮ　Ｐ　Ａｖｅｒｙ，ＷＡＮＧ　Ｙｉｎｈａｉ．Ａ　Ｖｉｄｅｏ—ｂａｓｅｄ　Ｖｅｈｉｃｌｅ　Ｄｅｔｅｃｔｉｏｎ　ａｎｄ　Ｃｌａｓｓｉｆｉｃａｔｉｏｎ　Ｓｙｓｔｅｍ　ｆｏｒ　Ｒｅａｌ—ｔｉｍｅ　Ｔｒａｆｆｉｃ　Ｄａｔａ　Ｃｏｌｌｅｃｔｉｏｎ　Ｕｓｉｎｇ　Ｕｎｃａｌｉｂｒａｔｅｄ　Ｖｉｄｅｏ　Ｃａｍｅｒａｓ［Ｊ］．　Ｊｏｕｒｎａｌ　ｏｆ　ｔｈｅ　Ｔｒａｎｓｐｏｒｔａｔｉｏｎ　Ｒｅｓｅａｒｃｈ　Ｂｏａｒｄ。２００７，１９９３：１３８—１４７．　’【责任编辑：任小平ｒｅｎｘｐ９０＠１６３．ｃｏｍ］　Ｖｉｄｅｏ－ｂａｓｅｄ　ｄｅｓｉｇｎ　ｏｆ　ｖｅｈｉｃｌｅ　ｆｌｏｗ　ａｕｔｏ－ｄｅｔｅｃｔｉｏｎ　ＷＵ　Ｚｈｉ－ｗｅｉ　～，ＦＡＮ　Ｙａｎ—ｂｉｎ　，ＬＵ　Ｑｉｎｇ－ｈｕａ。　（１．Ｃｏｌｌｅｇｅ　ｏｆ　Ａｕｔｏｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｏｕｔｈ　Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ・Ｇｕａｎｇｚｈｏｕ　５１０６４０，Ｃｈｉｎａ；　２．Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｍｅｃｈａｔｒｏｎｉｃｓ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｆｏｓｈａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｆｏｓｈａｎ　５２８０００，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｖｅｈｉｃｌｅ　ｆｌｏｗ　ｄｅｔｅｃｔｉｏｎ　ｉｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｐａｒｔ　ｏｆ　ＩＴＳ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ｗｅ　ｐｒｏｐｏｓｅｄ　ａ　ｖｉｄｅｏ—ｂａｓｅｄ　ｖｅｈｉｃｌｅ　ｆｌｏｗ　ａｕｔｏ—ｄｅｔｅｃｔｉｏｎ　ｍｅｔｈｏｄ　ｔｈｒｏｕｇｈ　ｅｘｐｅｒｉｍｅｎｔｓ．Ｆｉｒｓｔ，ｗｅ　ｔｏｏｋ　ａｎｄ　ｔｒａｉｎｅｄ　ａ　ｃｅｒｔａｉｎ　ｎｕｍｂｅｒ　ｏｆ　ｖｉｄｅｏ　ｆｒａｍｅ　ｉｍａｇｅｓ　ｔｏ　ｇｅｔ　ｔｈｅ　ｉｎｉｔｉａｌ　ｂａｃｋｇｒｏｕｎｄ　ｂｙ　ＲＧＡ．Ｓｅｃｏｎｄ，ｗｅ　ｄｒｅｗ　ｔｈｅ　ｆｏｒｅｇｒｏｕｎｄ　ａｎｄ　ｕｐｄａｔｅｄ　ｔｈｅ　ｂａｃｋｇｒｏｕｎｄ　ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｂａｃｋｇｒｏｕｎｄ　ｓｕｂｔｒａｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　Ｋａｌｍａｎ　ｆｉｌｔｅｒ．Ｆｉｎａｌｌｙ，ｗｅ　ｃａｌｃｕｌａｔｅｄ　ｔｈｅ　ｖｅｈｉｃｌｅｓ　ｂｙ　ｕｓｉｎｇ　ｄｏｕｂｌｅ　ｖｉｒｔｕａｌ　ｄｅｔｅｃｔｉｏｎ　ｌｉｎｅ．Ｔｈｒｏｕｇｈ　ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔ　ｏｎ　ａｃｔｕａｌ　ｖｅｈｉｃｌｅ　ｖｉｄｅｏ　ｆｉｌｅｓ，ｗｅ　ｆｏｕｎｄ　ｔｈａｔ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｉｓ　ｕｐ　ｔｏ　９Ｏ　，ｗｈｉｃｈ　ｉｓ　ｂｅｌｉｅｖｅｄ　ｔｏ　ｍｅｅｔ　ｔｈｅ　ｐｒａｃｔｉｃａｌ　ａｐｐｌｉｃａｔｉｏｎ．　Ｋｅｙ　ｗｏｒｄｓ：ｒｕｎｎｉｎｇ　ｇａｕｓｓｉａｎ　ａｖｅｒａｇｅ；ｋａｌｍａｎ　ｆｉｌｔｅｒ；ｖｉｒｔｕａｌ　ｄｅｔｅｃｔｉｏｎ　ｌｉｎｅ；ｖｅｈｉｃｌｅ　ｆｌｏｗ　ｄｅｔｅｃｔｉｏｎ　垂　‘‘　恢复生态学＂专栏征稿　人类在利用和改造自然的过程中，伴生着对自然环境的负面影响。长期的工业　和农业污染、大规模的森林采伐以及将大范围的自然环境逐渐转化为农业和工业　景观，产生了以生物多样性降低、生态服务功能丧失为特征的各式各样的退化生态　系统。面对环境污染、植被破坏、水土流失和生物多样性丧失的严峻形势，如何使退　化生态系统得以恢复和重建，受到国际社会的广泛关注。为拓展对退化生态系统恢　复与重建的研究，本刊自２０１０年开辟“恢复生态学”专栏以来，坚持发表相关生态　恢复专题的论文，收到了很好的效果，２０１２年继续开辟该栏目，欢迎国内外相关研　究的专家学者赐稿。聂呈荣教授为本栏目特邀主持人；任小平老师为本栏目责任编　辑。投稿邮箱：ｒｅｎｘｐ９０＠１６３．ｃｏｍ。　佛山科学技术学院学报（自然科学版）