基于视频的交叉路口车流检测算法

1/4基于视频的交叉路口车流检测算法王洁1020080114摘要利用视频检测技术来获取交通参数已有很多应用，面向交叉路口控制的检测应用较少。本文主要介绍了交叉口车流检测算法，提出了存在的关键问题，并提出了诸如排队、添加、删除车辆策略、车辆历史信息估算、多尺度俯视图、车辆暂停跟踪及抽样mean-shift等解决方案。关键词视频，交叉口，车流检测第1章引言视频检测技术是一种结合视频图像和模式识别技术而应用于交通领域的新兴技术。可分为虚拟线圈式检测系统（TripwireSystems）和跟踪式检测系统（TrackingSystems）两种工作方式[1]。虚拟线圈式检测系统较为简单和成熟，目前这种检测方式。目前相对做的较好的为Citilog系统，但是由于Citilog测的是瞬时速度，所以误差比较大，而且Citilog对计算机的性能要求较高，算法的实时性不是很高。视频检测的主要优点是画面直观，可同时获得常规检测器难以得到的多种交通参数，检测内容可扩充性较强。同时具有违章抓拍、交通事件纪录等附加功能。另外，安装维护方便、无接触检测，不影响交通。但目前视频检测检测精度受软、硬件限制，准确度不够高，实时性不够好，易受恶劣天气、灯光、阴影等环境因素的影响。长时间以来，国内外学者通过建立各种模型来模拟实际的交叉口，通过对模型的分析来优化对实际交叉口控制的优化。用来建立模型的交叉口参数往往有，平均车辆延误，停车数，车头时距、饱和流量、起动损失以及平均车速和车流量等等。利用视频检测技术来获取交通参数已有很多成型的系统，这些视频检测系统多应用于交通流量检测或异常事件检测等领域，面向交叉口控制的检测系统的应用较少。其中平均车辆延误以及停车数这个关键参数现有的检测系统还未能直接检测得到，需要通过其他参数推算得到或者采用人工的方法获取。这就往往带来了较大的误差和庞大的工作量。第2章交叉口车流检测算法要实现交叉口的车流检测，往往需要实现对监控区域的车辆的检测和跟踪，得到每辆车的信息，进而得到整个监控区域车流的信息。2.1交叉口车辆的触发在每一帧图像中，必须对候选车做两种情况的处理：一种是对已经触发过的车辆进行跟踪，而另一种则是对还未触发过的新车进行触发。新车的触发是后续对该车进行跟踪的开始，触发时获取的车辆信息越多越准，则后续的跟踪就越准确。在触发的同时，可以提取车流量和车型这两种车辆信息。2.1.1虚拟线圈触发目前，在城市道路常用地感线圈的方法提取车辆信息，在每个车道上埋地感线圈，当有车辆通过时，就会压地感线圈，然后通过传感器将车辆信息传到信息中心。虚拟线圈触发的思想正是源自用地感线圈提取车辆信息的方法。在图像中的每个车道上，安置一个虚拟线圈（如图2.1），当没有车时，反映到二值图中，虚拟线圈中全是黑色像素点，但当有车经过时，虚拟线圈中就会有2/4白色像素点出现，利用这一特性来触发新车。图2.1虚拟线圈2.1.2检测区域触发检测区域触发是指在图像中划定一个小区域，特地用来获取每辆新车的初始信息。把这个小区域称为检测区域。检测区域的设置（如图2.2）一般有两个约束：1)大小的选定。在城市道路中，选取一个在世界坐标中长为15米，宽为整个路面宽度的区域。区域的长选为15米，有一定的依据：如果长度选的过长，会造成计算量太大，如果长度选的太短，又会造成触发不准确，此外，选择15米作为长度还有利于粗略地区分车型。在高速公路上，区域的长度应适当增大，因为车辆的速度快，如果长度太短，车辆很快就会通过检测区域，而没有完成触发。2)位置的选定。区域的位置不宜选取太靠近车辆出画面的部分，因为在这些区域的车辆斑块质量太差，信息太不准确。图2.2检测区域的设置2.2关键问题利用设置两个检测区域一个跟踪区域，并跟踪监控区域内的所有车辆，关键参数车辆平均延误的计算将不再依赖与人工统计的数据以及利用已有的模型估算，而是可以直接通过视频检测得到的数据得到。当车辆在远端检测区域检测到的时刻，当车辆从近端检测区域离开的时刻，两个时刻获得的时间差减去车辆正常行驶从远端检测区域到通过交叉口的时间可以得到单一车辆延误，统计所有通过监控区域的车辆延误求得平均值，则可以得到此交叉口的车辆平均延误。一般而言，交叉口不同方向车辆通过交叉口的速度不会有明显差距，故在正常车速设置上可以选取某一经验值，从而计算得到车辆正常通过时所花的时间。在文献[1]中，Benekohal首先利用此种方式来计算车辆平均延误，但Benekohal是利用传送给计算机的交叉口监控视频，当有车辆从远端进入时，点击鼠标获取当前时间，当车辆从近端离开时，再次点击鼠标获取当前时间，这样则半自动的获取了时间差，仍然需要大量的人工工作量。第3章解决方案目前国内外对于视频检测的解决方案主要包括：运动目标车辆提取：1)减背景法。利用当前图像和背景图像的差值，获取运动车辆大体位置[2]。需要自适应背景更新算法的支持，如Surendra算法[3]，AMF（Approximatedmedianfilter,自适应中值滤波）算法[4]，以及MoG（MixedofGuassian,混合高斯）算法[5]等。2)帧间运动分析法。利用连续帧之间的变化得到运动车辆的部分信息，从而确定车辆的位置。3)光流法。通过全图的光流场特征获取车辆信息[6]，但是其计算复杂度高。摄像头标定算法：1)传统的标定方法。基于主动视觉的标定方法以及自标定方法。利用已知的景物结构信息进行标定[7]。它可以使用于任意的摄像机模型，标定精度高，不足是标定过程复杂，需要高精度的已知结构信息。3/4２)自标定方法。依靠多幅图像之间的对应关系进行标定，其优点是仅需要建立图像之间的对应，灵活性强，潜在应用范围广。但不足是非线性标定，鲁棒性不高。3)利用透视不变定理，已知摄像机的监控场景线的部分点线信息，从而线性求解，鲁棒性比较高[8]。车辆跟踪算法：1)斑块跟踪，建立斑块的直方图，在临近位置查询匹配的模板。此算法简单，但是对遮挡敏感。2)均值滤波算法（mean-shift），基于区域信息的均值滤波选取合适的核函数，进行样本估计的算法，可以进行实时的跟踪[9]。3)粒子滤波器。它是序列蒙特卡罗(SMC)滤波的基础[10]。这种SMC方法又叫自助滤波。以MC模拟实现递归贝叶斯滤波，关键的思想是利用一组带有相关权值的随机样本，以及基于这些样本的估算来表示后验概率密度。当样本数非常大时，这种概率估算将等同于后验PDF。选用粒子滤波器进行跟踪，跟踪精度能大大提高，但是监控系统将无法达到实时性要求。3.1车辆排队，添加及删除策略为了处理前两个问题中车辆，以及第三个问题中虚车框的影响。本文引入了车辆排队，添加及删除策略。按照位置关系进行车辆排队，靠近停车线的车辆在队列前段，通过车辆按车道排队可以建立车辆前后之间的联系，当在近端检测到车辆时，其历史信息可由其前后车辆的信息估算得到，例如车辆延误及是否停车。同时，低复杂度的跟踪算法可能导致车辆跟踪失败由此造成虚车框，会对背景更新以及车辆延误的计算造成影响，故需根据其位置和速度信息，将虚车框尽早删除。基于排队时，车辆紧密排队这一假设，当车辆停驶后，对车辆间的大空隙(大于5米),补充车辆。上述一系列的处理，均为了达到提高车辆检测率及参数精度的目的。3.2车辆历史信息估算本文完善了车辆的检测机制，通过近端检测区域降低了车辆的漏检率，通过车辆的全程跟踪最大限度的保存了车辆的历史信息。而在近端检测区域新触发检测到的车辆的历史信息为空白。通过车道中一般符合的先进先出原则，以及考虑经验性的车流特点，可以估算车辆的历史信息，从而在平均延误以及是否停车这样的统计信息中，不会因新触发的车辆无历史信息而导致大的误差。3.3多尺度俯视图对于行人的影响。原本摄像头采集到的图像，近端车辆和行人往往可分，而在建立俯视图时，像素间的实际距离是确定的，由于透视关系的影响，会损失近端的图像细节。本文提出了改进的俯视图建立方式，采取三段比例尺来建立俯视图。在原采集到的图像上同样划分三个区域：两个检测区域和一个跟踪区域，分别对应与俯视图上设置的三个区域。原本俯视图的纵向比例尺是单一值，现在将远端检测区域的比例尺设置为原图像相应区域比例尺的1.5倍，放大此区域，得到更大的车辆，以便更好的在远端实现车辆的检测；将跟踪区域的比例尺设为原图像相应区域比例尺的0.9倍，略微缩小此区域，以降低在排队期间，多车跟踪的计算量，提高算法的实时性；近端检测区域的比例尺与原图像相应区域比例尺保持一致，不损失图像细节，可以更好的区分头车和行人。当多个行人一起行走被误判为车辆时，由于其往往沿着人行横道线行走，在纵轴方向上的速度为0，可以很容易的在检测到的时候删除此类虚假车辆。3.4车辆暂停跟踪及抽样mean-shift为了提高实时性，当监控多个车道时，为了减少计算量，固定在斑块跟踪和mean-shift跟踪时计算直方图的最大区域，例如大小为25*30的矩形，当车辆区域大于此矩形的尺寸时，首先按照车辆区域的宽和高以及限定矩形的高和宽计算横轴方向和纵轴方向的步长，每个一个步长值在车辆区域中采集一个像素来抽样来实现直方图的计算。利用这种方式，可以保证对每一辆车的跟踪计算量，不会因为大型车辆而导致过大直方图的计算，损失实时性。4/4第4章小结基于视频图像处理技术的交叉口车流检测系统由于其便于安装、检测范围广等特点在智能交通系统中占有重要的地位。但由于算法的不完善，其所能提供的数据信息还不够充分，不能满足实际应用的需要。尤其是在得到交叉口车辆延误，是否停车等对于交叉口设计和控制极为重要的参数方面，仍然要依靠人工统计或者是利用现有的模型来模拟。在交叉口车流检测时的检测和跟踪算法，创新性的提出了两个检测区域和一个跟踪区域的检测设置，并利用斑块跟踪和改进的空间抽样mean-shift算法全程跟踪所有在监控区域内的车辆。分析所有车辆位置信息，提出了车辆排队，添加，删除策略，提高车辆检测和跟踪的鲁棒性。为了降低停车线附近行人的影响，提出了建立多尺度俯视图的理念，多保留近端车道细节，重现远端车道细节，压缩跟踪区域车道细节，降低了多次触发，漏检的概率。利用双检测及全程跟踪提取到的信息，实现了对近端检测区域检测到车辆的历史信息估值，从而直接计算得到车辆平均延误以及是否停车等关键参数。丰富了交叉口车流检测算法的功能。参考文献：1.BenekohalRF，ZhaoWeixiong，YanLu．Real-timedelaymeasurementandintersectionanalysissystem．Microcomputersintransportation[J]，1993，7：285-296．2.吴祖枋，沈宏庆，都思丹．背景提取基础上运动车辆视频检测[J]．交通与计算机，2003，21(6)：18-20．3.SurendraG，OsamaM，MartinR，etal．Detectionandclassificationofvehicles．IEEETransactiononIntelligentTransportationSystem，2002，3：37-47．4.Sen-ChingS，CHEUNGChandrikaKAMATH．Robusttechniquesforbackgroundsubtractioninurbantrafficvide[C]．Proc.SPIE,VideoCommunicationsandImageProcessing，2004：881-892．5.VerbeekJJ，VlassisN，KroseB．GreedyGaussianMixtureLearningforTextureSegmentation[R]．TechnicalReportIAS-UVA-01-10IntelligentAutonomousSystemGroup2001，5．6.HornB，SchunkP，Determingopticalflow[J]。ArtificialIntelligence，1981，17：185-203．7.MasoudO，Pap