基于機器視覺的車流量檢測算法

黃 玲，黎杰能，林春蘭，胡 波

（1.廣西工學院 電子信息與控制工程系，廣西 柳州 545006；2.廣西柳州鋼鐵集團公司，廣西 柳州 545002）

0 引言

實時準確的車流量檢測技術是智能交通系統中的重要組成部分，是進行交通監控、道路管理調度的基礎。傳統的車流量檢測方法如地感線圈法、超聲檢測和紅外檢測法，存在安裝不便、設備價格昂貴、易受干擾等各方面的問題。而隨著計算機和圖像處理技術的飛速發展，基于機器視覺和圖像處理技術的車流量檢測技術，因具有安裝維護簡便、應用范圍廣等優點，越來越受到國內外學者的關注[1-2]，已成為該領域研究的熱點。2007年張永麗等在交通流檢測中運用自適應背景初始化算法，根據車流情況自動確定所需要的幀數，同時采用窗口截取方式只對窗口內圖像進行計算，取得了較好的效果[3]。2007年陳望等提出了一種道路背景提取新方法，且利用車輛中心的連續匹配來確定車輛數目，獲得較高的準確率[4]。2007年羅東華等提出基于邊緣信息的背景差車流量檢測方法，采用動態開窗的方式進行車輛計數[5]。2010年郭怡文等通過背景差分方法實現圖像分割，使用虛擬檢測線實現車流量的檢測[6]。2010年李宇成等針對圖像容易受光線變化及相鄰車輛陰影影響的問題提出基于車輛圖像能量差分的車流量檢測方法[7]。這些方法需要在圖像上設置一檢測線或一檢測區域，以用來對車輛進行計數，而檢測區域的位置和大小若設置不合理將會造成車輛漏檢或重復計數，從而影響車輛計數的準確度。為此，提出不需設置檢測區域，將車流圖片處理后通過神經網絡的方法進行車流量檢測的方法。

1 車流量檢測算法

基于機器視覺的車流量檢測，是通過安裝在道路旁邊或者天橋支架上的攝像機和圖像采集設備將實時的圖像信息采入，經過對圖像處理分析得出車流量的信息。本文通過圖像處理和神經網絡相結合的方法進行車流量檢測。

目前，對獲取的車流圖像進行處理的方法很多，包括幀差法、背景差法、光流法和邊緣檢測法等，其中背景差法是較常用的車流量檢測方法。背景差法的基本原理是利用兩幅圖像之間的差來判斷物體的出現和運動，即計算當前圖像與一個固定的靜止參考圖像(背景圖像)的差值，從而得到圖中的車輛數。同時，許多學者針對背景差法存在的局限及不足也進行了很多改進和完善[3-4，6]。在背景圖像準確可靠的條件下，背景差法往往具有處理速度快和精度高的優點。為此本文采用基于背景差的方法進行車流圖像的處理。首先將當前獲取圖像與背景圖像進行差值計算，判斷圖中是否有車輛。若圖中有車輛，則對圖像進一步進行濾波、開運算、轉化為灰度圖、增強對比度等處理后，將圖像轉化為二值圖，從而把車輛從圖片中提取出來，最后通過統計圖中連通區域個數來得到圖中車輛總數。車流圖像處理的結果如圖1所示。

基于神經網絡具有的非線性擬合能力及在預測領域的廣泛使用，這里采用BP網絡進行車流量的估測。在獲得圖片中車輛數目后，將某一時段內拍攝得到的每幅圖片的車輛數作為網絡的輸入，該時段內圖中的車輛總數作為網絡輸出，最終車流量即為網絡的輸出與檢測時間的比值。通過對已知樣本數據的學習，確定隱層的神經元個數與相應的網絡連接權值，可最終建立基于背景差法的車流量檢測的神經網絡模型。

2 實驗結果與分析

實驗通過在天橋上拍攝某車道上的圖像進行車流量檢測。對每次車流量檢測采用圖像四連拍的方式，時長1.2 s，共采集了25組四連拍數據。所得到的25組圖片中每幅圖中實際的車輛數如表1所示，同時將每張圖片進行上述基于背景差法處理后，得到經圖像處理獲得的車輛數，如表1所示。表中總車輛數為在四連拍時間段內實際通過的總車輛數。

通過構建神經網絡進行車流量估測。將四連拍得到的四幅圖像的車輛數作為網絡輸入，四連拍時間段內通過的總車輛數作為輸出，構建4×10×1的BP網絡結構。將數據歸一化處理后，用前19組四連拍數據作為訓練樣本，后6組數據作為測試樣本，最終建立車流量檢測的神經網絡模型。利用建立好的模型對后6組測試樣本車流量進行估測，結果如表2所示。

從表2中可看出，有3組樣本測試準確率達到100%，有兩組準確率在85%以上，只有第3組測試樣本誤差較大，原因除了圖像處理中的誤差和BP網絡的誤差外，主要由于總車輛數值較小時，一輛車的誤差也會大大影響準確率值。當檢測的時長增加時，準確率將進一步提高。

表1 圖像中的車輛數

表2 車流量檢測結果

3 小結

針對基于機器視覺的車流量的檢測，提出了將背景差法和神經網絡相結合的檢測方法。通過將當前圖片與背景圖片差值計算及圖像二值化處理得到圖片中的車輛數，再利用神經網絡估測得到當前的車流量。實驗結果表明，提出的方法用于車流量的檢測是有效可行的。

[1]STAUFFER C，GRIMSON W.Adaptive background mixture models for real-time tracking[J].IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1999（4）：246-252.

[2]TSENG B L，LIN C Y，SMITH J R.Real-time video surveillance for traffic monitoring using virtual line analysis[C]//Proceedings of 2002 IEEE International Conference on Multimedia and Expo.[S.l.]：IEEE Press，2002，2：541-544.

[3]張永麗，張太鎰，畢建民.基于自適應背景初始化的車流量檢測算法[J].微電子學與計算機，2007，24（5）：138-140.

[4]陳望，陳兵旗.基于圖像處理的公路車流量統計方法的研究[J].計算機工程與應用，2007，43（6）：236-239.

[5]羅東華，余志，李熙瑩，等.基于邊緣的背景差法在車流量檢測中的應用[J].光電工程，2007，34（11）：70-73.

[6]郭怡文，袁飛虎.基于背景差分的多車道車流量檢測系統[J].電光與控制，2010，17（9）：90-93.

[7]李宇成，李雷，王目樹.多車道的車流量統計[J].自動化儀表，2010，31（10）：57-60.