張煜恒,袁小翔
(東南大學,江蘇南京 210096)
隨著交通量的增加、路幅的增寬、車道的拓展,傳統的交通調查手段已經難以滿足現代交通對于大數據,應對緊急情況的需求。而另一方面,智能交通系統正在蓬勃的發展。
智能交通系統[1]將先進的信息技術、數據通訊傳輸技術、電子傳感技術、電子控制技術以及計算機處理技術等有效地集成運用于整個交通運輸管理體系,而建立起的一種在大范圍內、全方位發揮作用的,實時、準確、高效的綜合運輸和管理系統。其中,先進的交通觀測技術和數據采集技術是智能交通技術的重要組成部分。作為智能交通系統重要的一環,交通信息采集系統正不斷改善著交通調查的速度和效率。
但是,如今大多數的智能檢測設備被局限在路面上,有著設備成本高、數據獲取難度大、獲得的數據精確度不足等缺點。而數據采集過程,為了保證數據的準確性,大多采取了人工采集的方法,耗費大量人力,這與時代要求的智能化相去甚遠。
為了解決上述問題,我們提出并實踐了“基于航?!钡慕煌ㄐ畔⒉杉椒?,并自主研發配套軟件進行數據處理。
我們分硬件系統與軟件系統同時進行開發。硬件系統上主要是通過集成航模飛控等技術設備構建航模交通觀測系統,使其具備航空交通觀測能力。軟件系統上,基于MFC以及OpenCV平臺[2]開發交通目標坐標與軌跡提取軟件,用于提取圖片中車輛的道路坐標、速度、加速度、交通量等數據[3]。并將軟硬件進行協調設計。
我們搭建了以四軸固定翼航模為基礎的視頻采集平臺,可實現交通流視頻采集的功能,為我們的軟件提供一個俯拍視角的視頻素材。航模觀測系統分為機載系統及地面站系統兩部分。機載系統包括四軸飛行器航模搭載攝像機、飛控模塊、接收機、數傳模塊及圖傳模塊;地面站包括電腦、顯示器、遙控器、數傳模塊及圖傳模塊,見圖1。

圖1 硬件系統示意圖
下面將簡單闡述軟件所具備的的功能與簡單原理。
(1)視頻的矯正(預處理)
航模拍攝的視頻大多受風向以及操作的影響存在著不同程度的抖動,而視頻的穩定化處理是又是視頻高效精確處理的前提,所以必須對航模拍攝的視頻進行預處理[4]。
軟件首先對視頻中角點進行識別,由用戶選擇相對于大地靜止的角點(所謂角點,即特征點,是圖像中具有某種特征而易于識別出的點,靜止的角點我們通常選取道路兩旁的建筑物)進行跟蹤。
本算法使用灰度梯度的方法識別角點:對灰度圖像值進行二維求導,灰度梯度的極值點,即是角點。爾后,通過對視頻中的靜止的角點逐幀識別并跟蹤,以這些角點為基準坐標對視頻的坐標進行重新的標定,從而得到穩定化的,處理精確度高的視頻片段。
(2)車輛的自動識別
軟件可以完成自動識別出車輛的功能。識別方面軟件使用高斯混合背景差法,即將穩定化處理后的視頻中的車輛(前景)從道路(背景)中分割出來。軟件運行時,通過前幾秒的背景積累后,便可將移動的交通流從背景中分割出來。將得到運動的前景圖像進行腐蝕與膨脹處理,過濾掉環境噪聲后,便得到只含運動前景(車輛)的二值圖。
(3)車輛軌跡的跟蹤
識別出運動車輛后,軟件可以對其軌跡進行跟蹤。車輛的跟蹤采用L-K算法[5],通過對于前景圖像的角點(車輛與道路的邊界灰度變化率很大,通常為梯度極值而被識別為角點)進行識別與連續跟蹤,從而得到車輛前景圖像坐標信息與運動軌跡。再通過坐標與時間的相對關系,算出每個車輛的速度,加速度等基礎數據。
基于上述各種功能的實現,我們提出了一種基于航模的交叉口交通量的統計方法,并進行了實際驗證。
由于航拍視頻是俯拍,是三維場景在二維平面下的真實還原(略去了在交通量調查中不必考慮的地形因素),所以視頻中所獲取的交叉口交通量的信息即為真實交通量。
最常見的十字交叉口,我們將其四個分支進行編號,分別為 I,II,III,IV,見圖2。

圖2 平面交叉口交通流
當車輛進入圖1矩形區域時,軟件對車輛進行角點識別并跟蹤其軌跡信息,視頻處理結束后,將軌跡信息進行處理
軟件采用角點跟蹤記錄軌跡、前景分割面積作為權重的一種新型交通流統計算法。通過軌跡落入圖中矩形局域的先后順序,從而獲得車輛的轉向信息。正常情況下,軟件能將運動的車輛完整分割(見圖3(a)),但在特殊的光線下中,由于車輛的擋風玻璃的光線反射,或車輛的局部區域與路面顏色相近時,前景分割會出現將一輛車處理為兩輛車的情況(見圖3(b))。所以軟件將前景識別面積作為軌跡的權重,對標準車輛大小進行對比,再進行換算,從而獲得車輛的轉向信息以及準確的分車型的交叉口交通量數據。

圖3 混合高斯背景差法
以南京市江寧區蘇源大道與吉印大道的交叉口進行軟件測試。
其中,東西向的是吉印大道,南北向的是蘇源大道,該交叉口地處南京市江寧區,是蘇源大道和吉印大道的交叉口,位于東南大學九龍湖校區外的西北角。蘇源大道和吉印大道都是按照公路設計標準設計的,越來越多地承擔城市道路功能的道路,設計時速80 km/h,全線限速70 km/h,均為雙向四車道道路,有較為寬闊的中央分隔帶。由于道路的原因,該交叉口區域很大,視域很好,交叉口前有四個車道,分別是非機動車道、直右車道、直行車道、左轉車道,見圖4。

表1 人工統計交通量匯總
我們選擇了秋季某日的晚高峰時期進行了一次調查,從17:15與17:45開始,進行了兩次10 min的交通量統計。
人工統計交通量見表1。
拍攝視頻經軟件處理后的交通量數據見表2。

表1 人工統計交通量匯總

表2 拍攝視頻經軟件處理后的交通量匯總
我們可以認為人工統計的結果是準確的。
則以人工計數為準,誤差分析見表3。

表3 誤差分析表
對于本軟件的誤差,經分析可能有以下原因:
(1)由于算法是根據灰度判別的,和道路顏色相近的某種灰色車輛在視頻中不易被識別,而發生漏記;
(2)拍攝視頻時間與人工統計時間有所出入,可能不是同時開始及結束,導致變量不單一;
(3)非機動車在機動車道行駛時,若目標較大也可能被統計在內,導致誤差形成。
從以上實驗數據可以看出,經軟件處理而得到交通量與人工統計法的結果相比,準確率達到97.94%,誤差率為2.06%,十分可觀。根據我們目前的研究狀況,這一方法操作方便,且本軟件中對于平交口交通量調查的數據較為準確,可以進行后續數據處理,并初步代替人工觀察。
交通智能化是未來的必然趨勢,在這樣的環境下,我們應當多多嘗試去開辟一些新的思路,以智能化的觀點來解決我們的交通問題。我們所研究的航模輔助智能交通系統,操作簡單方便,經實踐證明也具有一定的精確度。該系統將通知識與計算機技術相融合,很好的體現了智能交通的思想,解放了人力物力,精確度也較高。
[1]賈小軍,喻擎蒼.基于開源計算機視覺庫OpenCV的圖像處理[J].計算機應用與軟件,2008,25(4):276-278.
[2]劉慧英,王小波.基于OpenCV的車輛輪廓檢測[J].科學技術與工程,2010(12):2987-2991.
[3]張宏志,張金換,岳卉,等.基于 CamShift的目標跟蹤算法[J].計算機工程與設計,2006,27(11):2012-2014.
[4]劉進才,張王月,池秀靜.數字圖像處理技術在交通調查與分析中的應用研究[J].內蒙古科技與經濟,2005(16):66-67.
[5]明冬萍,駱劍承,沈占鋒,等.高分辨率遙感影像信息提取與目標識別技術研究[J].測繪科學,2005,30(3):18-20.