基于視頻的高速公路違章停車實時檢測算法

張貝貝，武奇生

(長安大學電子與控制工程學院，陜西西安 710064)

隨著我國高速公路的快速發展和機動車擁有量的不斷增加，因高速公路違章停車所導致的交通事故也呈上升趨勢。由于高速公路行車速度快等特點，發生違章停車后，如不及時處理，極易導致車輛碰撞事故或引發交通擁堵，嚴重影響高速公路的正常運營。因此，實時遏制高速公路上隨意停車顯得尤為重要。采用交通事件自動檢測系統對違章停車進行快速準確地檢測，及時發現違章車輛，并采取措施及時疏導交通，排除事故，能夠減少、避免交通擁堵，有效地預防二次交通事故的發生[1-3]。在交通事件自動檢測算法中，基于視頻的檢測算法是最直接有效的。

近年來，國內外專家致力于研究各種交通事件檢測算法。如光流法、形態學邊緣檢測法。其中光流法的優點是當運動物體重疊時，利用其光流場的分布，可以進行檢測。但大多數光流計算方法相當復雜，實時性差，如果沒有特別的硬件裝置則不能被應用于全幀視頻流的實時處理。形態學邊緣檢測算法有著過于明顯的缺陷，例如算法時間長，復雜度高[4-5]。背景差分算法既能檢測運動車輛又能檢測靜止車輛，對于實時判斷是否出現違章停車是一種十分有效的車輛檢測算法，大大提高了算法的準確性。

為滿足算法的實時性要求，提出一種基于視頻的區間背景差分和OTSU閾值分割算法，該方法集合數據采集技術和算法檢測技術的優勢，既能保證全面性，又能保證檢測的準確性和實時性。實驗數據驗證表明，該方法檢測總數、識別率、漏檢率、檢測所需時間都比較理想。

1 常見交通檢測器性能比較

視頻檢測器，主要通過攝像機等視頻采集設備獲取交通流的實時視頻信息，然后通過視頻和圖像處理的方法完成交通流檢測或者對目標進行跟蹤和識別。

以下是幾種常見的交通檢測器的性能優缺點比較:

表1 交通檢測器性能比較

采用多目標識別與跟蹤技術的視頻檢測車輛有其獨特的優越性，主要體現在以下幾個方面:(1)施工和日常維護無需切割路面，不干擾正常交通，同時也無需因道路改建、維修而中斷交通檢測。(2)全畫面檢測:只要在攝像機的圖像畫面范圍內，發生的交通事件和事故，系統都能檢測到。(3)全天候檢測功能:在晝、夜、雨、雪、霧及各種氣候條件下，即使在道路沒有照明的情況下，只要車輛有正常的前燈、尾燈照明，均可有效檢測事件、事故。(4)系統自動記錄事件、事故發生之前和之后的圖像，前后≥3 min[6-8]，所記錄的視頻序列標記與報警信息相關。

由于視頻檢測具有以上的特性，且通過表1的比較可得到，視頻檢測技術與超聲波檢測技術、微波檢測技術、聲學等檢測技術、感應線圈檢測技術相比在高速公路實時監控方面具有較大優勢，作為新的檢測技術將越來越多地應用于高速公路交通事件檢測系統、高速公路監控系統、高速公路管理系統等領域。

2 基于視頻的違章停車自動檢測系統組成

基于視頻的違章車輛檢測技術是近年來在視頻圖像處理交通檢測技術基礎上逐步發展起來的一種新型車輛檢測技術，它具有無線、可一次檢測多參數和檢測范圍較大的特點。與其它傳統方法相比，基于視頻的違章停車檢測技術結構簡單、靈活性好、同時提供多張違章照片，更具有說服力，減少了處罰過程中所產生的爭執。結構如圖1所示，采用工業攝像機和工業控制計算機構成系統。

圖1 基于視頻的違章停車自動檢測系統

整個過程不用感應線圈檢測車輛，而是通過道路上所安裝的CCD攝像機對監控區域進行實時監控，對得到的視頻圖像進行分析處理來判斷是否有車輛違章停車。它將工業攝像機拍到的圖像數字化后直接存入控制計算機硬盤，硬盤數據通過光端機光纖收發器ModemGPRS等通訊方式傳回數據管理中心，無需人工取盤。此外利用動態調整低照度攝像機，夜間僅利用路燈、車尾燈就可以進行實時抓拍。

3 基于視頻技術的違章停車檢測算法

3.1 檢測原理

目標檢測實質是通過對攝像機拍攝到的圖像序列進行分析，檢測場景中的運動目標并進行目標提取與檢測，進一步對目標的運動參數進行估計。從而判別是否有事件發生，如果無事件發生，則繼續進行實時檢測;若有事件發生，則將事件視頻圖像及報警區域圖像切換到主監控畫面，同時實施報警、調度警力和實施救援等。檢測流程圖2所示。

圖2 檢測流程

3.2 基于視頻技術的高速公路違章停車檢測算法

3.2.1 背景差分算法及OSTU閾值分割法

背景差分這種方法基本工作原理是系統首先保存一張背景圖像，然后與實時輸入的圖像幀進行相應點的像素值比較，以d(i，j)和閥值Th表示圖像當前輸入幀的檢測區域是否與背景幀圖像中的限定區域圖像信息一致，可用式(1)描述

其中，f1(i，j)參照圖像或背景圖像幀坐標為f2(i，j)處的像素值，為輸入圖像幀坐標為(i，j)處的像素值。如果輸入圖像中對應區域不含車輛，則和參照圖像相同，此時差值為0;相反如果輸入圖像限定區域中包含車輛，則和參照圖像不同，此時差值為一個＞0的數。當該值＞閥值Th時，認為可能是有物體在運動，若＞Th的像素數目多于某個值時，可判斷有車輛進入。為了減少計算量，圖像背景差僅在圖像特定區域上進行。

由OTSU閾值分割法，對一幅圖像，記t為前景與背景的分割閾值，前景點數占圖像比例為w0，平均灰度為u0;背景點數占圖像比例為w1，平均灰度為u1。圖像的總平均灰度為

從最小灰度值到最大灰度值遍歷t，使得值

最大時t即為分割的最佳閾值。式類間方差值，閾值t分割出的前景和背景兩部分構成了整幅圖像，而前景取值 u0，概率為 w0，背景取值 u1，概率為w1，總均值為u，根據方差的定義即得該式。

3.2.2 違章停車的檢測

在文中為達到實時性的要求，采用基于區間的檢測方法判斷是否有車輛違章。

第一步:利用所采集的視頻，提取出背景圖像，如圖2(a)所示。

第二步:將當前圖像灰度化后與背景圖像進行背景差分，并對背景差分后的圖像進行OTSU閾值分割，通過背景差分判斷區間內是否有車輛通過，如圖2(b)所示。若無車輛通過則結束檢測，若有車輛通過則進行下一步。

第三步:在連通區域進行標記，并計算每個區域的特性，找出面積較大的輪廓區域，如圖2(c)，圖2(d)所示，在不同位置有車輛通過，則用紅色矩形框進行標識。

第四步:如連續500幀內車輛未發生明顯的移動，則判斷該車輛處于靜止狀態，如圖2(e)和圖2(f)所示，說明有違章車輛經過，給出車輛違章停車信號，啟動數碼相機進行抓拍，或啟動報警系統，同時將當前全景視頻圖像進行保存。否則，車輛處于運動狀態，停止檢測則報警。

圖2 實驗結果

3.2.3 實驗結果分析及對比

對交通違章檢測算法進行優劣評價時，需要設定一定的評價指標。通常衡量關于違章停車檢測算法有3個指標[9-10]:識別率、漏檢率和檢測所需時間、檢測的總車數。如式(4)和式(5)所示

其中，實際違章總數是在所采集的視頻中，由人工計算所得到的車輛違章總數;算法檢測違章總數是在所采集的視頻中，由算法檢測所得的車輛違章總數。

由于以上幾個評價交通事件檢測算法的指標存在著相互依賴的關系，所以一個算法必須權衡這幾個方面，沒有一個必然的最佳選擇，一般在評價交通事件檢測算法時，將漏檢率限制在一個可接受的范圍內，盡量改善識別率和檢測時間。經過實驗分析，得出關于違章停車的背景差分與OTSU閾值分割法與其他算法的性能比較如表2所示。

表2 算法性能比較

由表2可見，同組數據用3種不同的檢測算法，背景差分與OTSU閾值分割算法檢測總數最高，漏檢率也是3種算法中較小為5.50，其檢測所需時間雖高于形態學邊緣檢測法為26 ms，但檢測總數、識別率與漏檢率、所需時間這4個指標并非彼此孤立，如果增加算法的檢測時間，那么該算法能夠分析更多的數據，從而提高檢測總數并降低漏檢率，但增加檢測時間將會降低事件檢測算法的實時性，延誤對交通事件的處理;如果降低檢測所需時間將會使得檢測率降低和誤報率上升。權衡4個指標，得出背景差分與OTSU閾值分割算法是這4種算法中的最佳算法，用其檢測交通事件效果良好。

4 結束語

提出一種基于視頻技術的高速公路違章停車檢測算法，視頻技術由于具有檢測全面、使用方便、實時性強，因此將會成為未來交通事件檢測的主要趨勢。在確定的檢測區間內利用背景差分與OTSU閾值分割算法來檢測是否有違章停車，背景差分法對檢測靜止車輛檢測率高、漏檢率和檢測時間也比較理想。

[1]PANKAJ K，SURENDRA R，HUANG Weimin，et al.Framework for real-time behavior interpretation from traffic video[J].IEEE Transactions on Intelligent Transportation Systems，2005，6(1):43-53.

[2]JIN Xin，SRINIVASAN D，CHEU R L.Classification of freeway traffic patterns for detection using constructive probabilistic neural networks[J].IEEE Transactions on Neural Networks，2001，12(5):1173-1187.

[3]沈志熙，楊欣，黃席樾.均值漂移算法中的目標模型更新方法研究[J].自動化學報，2009，35(5):478-483.

[4]代科學，李國輝，涂丹，等.監控視頻運動目標檢測減背景技術的研究現狀和展望[J].中國圖象圖形學報，2006，11(7):919-927.

[5]肖麗君，于哲舟，周栩，等.基于對稱差分算法的視頻運動目標分割[J].吉林大學學報，2008，46(4):691-696.

[6]KIM K，CHALIDABHONGSE T H，HARWOOD D，et al.Background modeling and by codebook construction[C].Singapore:Proceedings of IEEE International Conference on Image Processing，2004:3061-3064.

[7]劉惟錦，章毓晉.基于Kalman濾波和邊緣直方圖的實時目標跟蹤[J].清華大學學報，2008，48(7):1104-1107.

[8]姜紫峰，劉小坤.基于神經網絡的交通事件檢測算法[J].西安公路交通大學學報，2000，20(3):67-73.

[9]湯淑明，王坤峰，李元濤.基于視頻的交通事件自動檢測技術綜述[J].公路交通科技，2006，23(8):116-121.

[10]HARITAOGLU I，HARWOOD D，DAVIS L.W4:Real2time surveillance of people and their activities[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8):809-830.