基于雪天的車流量檢測算法

于洋 黃新

摘要

目前傳統的車流量檢測方法容易受到惡劣天氣等外界因素的影響，造成了誤檢率較高、實時性較差等問題，因此精確地檢測出雪天下的汽車流量對于城市的智能交通具有重要的意義。本文首先采用的是改進的幀間差分法降低雪花對車流量檢測的影響，然后以車輛的背景信息作為檢測特征，利用改進的背景幀差和相部幀差法降低車輛區域內的空洞對車輛檢測造成的影響，保證車輛區域的完整性。最后統計駛入虛擬區域的車輛數目進行車輛計數，從而得到車流量信息，實現視頻中該路段的車流量計算。經過大量實驗表明本文提出的車流量算法提高了檢測的準確性和實時性要求。

【關鍵詞】背景幀差 惡劣天氣 雪花 車流量統計

1 總體設計

首先讀入在雪天采集的車輛視頻圖像，下一步根據車道寬度在圖像的適當位置設置大小合理的虛擬線圈，然后去除圖中的雪花，有利于圖像質量的提高。再對圖像進行增強處理，使經過處理后的圖像更便于后續處理，接下來對背景進行更新，再利用本文中提出的改進的背景幀差和相鄰幀差法對運動車輛進行檢測，最后通過識別車輛是否進入虛擬線圈來統計車流量。總體設計流程圖如圖1所示。

2 獲取視頻圖像

本文所使用的視頻文件是雪天在人行天橋上拍攝的，每秒50幀，每幀圖像的大小為640×480。在保證實驗計算結果不受影響的前提下，還要充分考慮處理圖像實時性的需求，對拍攝的視頻圖像采用每隔三幀抽取的方式，即每秒15幀。

3 雪花的檢測與去除

通過分析運動圖像中雪花點的相關特性，提出了有效檢測與去除視頻中雪花點的算法。一種是運用改進的K-means算法，該算法依據圖像的像素點亮度變化，對圖像中像素點的亮度變化統計結果進行聚類分析，獲得雪花點亮度聚類估計值與背景亮度估計值，而背景的亮度值遠小于雪花點的亮度值，因此用背景亮度值來代替雪花的亮度值的想法來實現消除雪花的目的。另一種是利用雪花圖像的時域特性結合傳統幀間差分法，提出一種改進的幀間差分法。本文采用的是改進的幀間差分法。雪花引起的像素點的亮度變化值波動圖如圖2所示。

從圖像亮度波動圖中可以看出，被雪花點覆蓋部分的像素亮度有較大的波動，而未被雪花點覆蓋部分亮度的波動情況較小。說明由于雪花點的遮擋背景的部分光線強度會出現明顯的亮度變化，即圖像中是否被雪花點覆蓋就可依據背景圖像亮度的變化來判斷。視頻圖像被劃分成不含雪花和包含雪花兩個區域再有效地檢測出了被雪花遮擋的像素之后，用如下算法需把每幀圖像中的雪花去除。首先對第m-2，m-1，m+1m+2這4幀圖像中像素亮度按從小到大進行排序，然后把取出亮度較小的兩幀，計算這兩幀像素亮度的平均值來替代第m幀像素亮度，這樣就獲得第m幀圖像的背景。這樣被雪花污染圖像中絕大部分可以去除。但是，還是可能出現連續多幀圖像中同一個像素被污染的情況，本文采用兩張檢測出未被雪花污染的相鄰像素亮度的平均值來替代這點的像素。經過上述算法對雪天下的車輛視頻圖像進行去雪花處理，處理后的效果圖如圖3所示。

4 車流量統計

在十字交叉路口斑馬線與停車線之間設定為虛擬的車輛檢測區域，該虛擬線圈覆蓋所需檢測的車道。再在該虛擬線圈中，通過高斯混合模型構建背景模型，基于改進的背景幀差法和改進的相鄰幀差法相結合的算法劃分車輛區域，通過俯視投影減小車輛區域內的空洞對車輛檢測造成的影響，降低錯檢率，保證車輛區域的完整性。最后，利用設置的閾值與目標區域寬度進行比較來檢測車輛，并結合幀數對車流量進行統計。

為了克服傳統的背景幀差法差分后的圖像易出現斷層的缺點，本文提出了在應用背景幀差法檢測車輛的同時加入彩色信息，利用色度和灰度信息相融合的方案來解決車輛區域出現斷層的難題。該算法需首先將已有背景圖像和當前圖像的色度和灰度信息提取出來，按色度域和灰度域分別進行背景幀差并閾值化（色度閾值和灰度閾值分別設定為30和40），若像素值小于閾值則設定成黑色像素，若像素值大于閾值則設置成自色像素。再將處理后的色度和灰度圖像相應的像素按照或邏輯運算，其結果使車輛二值圖像內部的斷層會明顯地減少。

在十字路口紅燈轉成綠燈時，車輛往往剛起動車速較慢，相鄰兩幀的像素比較相差不明顯，使用傳統的相鄰幀差法往往很難獲得完整的目標車輛，為后續統計車流量制造困難，因此需要對相鄰幀差法實現了改進。檢測目標車輛應用隔幀差分法，本文分別對間隔3幀圖像、5幀圖像、7幀圖像差分進行了實驗。通過實驗結果表明，每隔3-5幀進行一次差分檢測得到的車輛比較理想，因此本文采用隔三幀差法對車輛進行檢測

假設M_k-1（x，y）和M_k（x，y）分別表示視頻圖像的第k-2幀和第k幀圖像，則差分后圖像可以定義為：

根據預先設定的閾值T就能得到二值化的具有運動車輛目標的圖像D_k（x，y）：

則D_k（x，y）取值為0的像素對應于背景區域，D_k（x，y）取得值為1像素對應于運動目標區域。隔幀差分法的框圖如圖4所示。

在去除雪花后的視頻圖像的基礎上進行隔幀差分法的對比圖如圖5所示。其中，（a）圖、（b）圖、（c）圖、（d）圖分別對應的是相鄰幀差法、隔三幀差法、隔五幀差法、隔七幀差法后的效果圖。從圖中可以看出，利用隔三幀差法和隔五幀差法的檢測結果明顯優于利用相鄰幀差法和隔七幀差法的檢測結果。

通過利用采集到的車輛視頻樣本對算法進行驗證如表1所示，結果表明本文提出的基于機器視覺的雪天情況下的車流量檢測算法是有效的。本文提出的算法和方法在運行過程中沒有作任何優化處理和硬件加速，最快可每秒處理15幀圖像，能夠滿足實時性處理的需要。

5 結論

本文檢測方法與傳統的檢測方法相比可以適應戶外雪景下各種噪聲的干擾，消除背景中微小相對移動等一些自然因素對于雪花檢測的影響，進而達到很好的車流量檢測效果。該算法也可推廣用于雨天等其他天氣領域，并為智能交通控制系統打下基礎。

參考文獻

[1]岡薩雷斯.數字圖像處理（第三版）[M].北京：電子工業出版社，2008.

[2]Tan K，Oakley J P. Physics based，approach to color image enhancementin poor visibility conditions[J].Journal of the Optical Society ofAmerica A，2001，18（10）：2460-2467.

[3]Y.Y Schleicher，S.G Narasimhan and S.KNayar.Instant dehazing of imagesusing polarization.CVPR.2001.

[4]Vittoria B，Domenico V，Zhou Wang.Special issue on human vision andinformation theory[J].Signal，Image and Video Processing.2013，25（no.3）：345-367.