一種改進的針對車體遮擋的車流量檢測方法

周楠皓 朱明旱 張明月 郭言信 張栩華

摘 要：隨著社會的發展，人均收入的增加，城市道路中的車輛越來越多。當車流量增多時，車體遮擋問題也隨之而來。針對于此問題，本文在傳統的針對車體遮擋的車流量檢測方法的基礎上進行改進。首先通過對視頻的分析，提出了利用車體面積法來解決前后車輛的遮擋，對于特例的大型貨車、客車利用近景圖像檢測黃色車牌的方法，其次采用分車道取景框來解決相鄰車輛的遮擋。實驗結果表明，本文提出的改進方法能更好的識別遮擋車輛，具有較高的實用價值。

關鍵詞：車輛遮擋;車輛車牌識別;車流量

1 概述

近年來，伴隨著社會的進步，經濟的增長，無論是國外還是國內，交通建設變得尤為重要。隨之而來的就是面臨城市交通緊張、交通事故頻發、交通環境惡化、交通管理混亂等問題，已經成為了當今世界各國面臨的共同問題之一。在這樣的背景壓力之下，大力發展智能交通系統是各國解決道路交通問題的重要任務。車流量的統計是智能交通方面的重要題目之一，是完成交通智能化管理[1]的重要一環，常見的車流量統計方法有基于超聲波、紅外線[2]和視頻檢測[3]等方法。車流量的統計中存在著許多問題，例如本文提出的車體遮擋問題。

在道路擁擠時，前后車輛遮擋和左右相鄰車輛遮擋都容易造成交通安全事故的發生，所以解決車體遮擋的系統更應該盡快完善起來。為了達到這個目的，車體遮擋的檢測方法和算法也在不斷地改革和創新中。齊美彬等[4]提出一種車輛遮擋模型的車流量統計算法，利用兩輪掃描法提取運動目標完整外部輪廓，但該方法只著重介紹與解決相鄰車道的遮擋，而前后遮擋的問題并未提及。侯進輝等[5]提出的一種基于隨機遮擋輔助深度表征學習的車輛再辨識的方法，該方法運用隨機遮擋，所提出的算法能夠在一定程度上模擬實現現實中的遮擋情況，但所列舉的算法比較復雜。蔡英鳳[6]對于部分遮擋車輛的檢測提出一種基于多部件RBM模型的部分遮擋車輛檢測，該算法有較高檢測率和很低的誤檢率，但本算法判斷結構較為復雜，計算時多個SVM分類器均需進行判斷，因此在實時性上仍有不足。金會慶等[7]提出一種利用面積匹配方法來解決車輛前后遮擋問題，采取繪畫分車道取景框的辦法來解決相鄰車道遮擋問題，但當兩輛前后緊挨的小車的面積如果與大型客車、貨車的面積相同時，那么會使得車流量統計的精度大大降低，那么面積匹配方法不能解決。

對于這些方法中所存在的問題以及未研究過的前后遮擋中存在兩輛小車遮擋面積等于大型車，所導致的車流量計數的問題，本文提出一種改進的針對車體遮擋的車流量檢測方法。該算法中將大型車單獨利用其特征—黃色車牌進行車流量統計。實驗結果表明，本文所提出的方法能夠準確快速統計遮擋車輛，并且減少了因為車體特征而造成的車流量統計誤差，算法較為簡單，魯棒性好，具有較好的實用價值。

2 算法描述

2.1 前后遮擋車輛提取

車輛提取關鍵在于匹配，也就是說，在不同的幀圖像中找到相同的移動物體。由于在十字路口，車輛將停止在等待紅燈的時候。長時間不動的車體會被一種以背景提取的算法當成背景，而在下一個綠燈時間段，這部分虛假的背景部分會使得有較長時間的虛假的運動信息。所以不能采用前景背景差分的方法。而其他的運動信息提取的算法，不能滿足本文的實時處理的要求。本文采取幀間差分的方法與小塊合并相結合的方法，幀間差分的方法對于動態環境有很強的自適用性，處理速度快，有實時性，而且這個方法對同一種顏色的物體沒有那么敏感，因此可以很好地解決陰影問題。但是幀間差分的方法往往使得被檢測的對象被分為許多小塊，而造成運動的信息不完善，所以在幀間差分的方法后加上了一個小塊合并的處理。

利用幀間差分法與小塊合并法將車輛的圖像提取出來，再根據面積匹配來進行車輛配對。

圖1給出了匹配原理圖。用下面二要素的方法來進行匹配對：

（1）面積匹配：a面積必須在b面積的0.8-1.2的范圍內，才能認為a，b的面積相匹配。

（2）車道號碼匹配：必須是同一車道的車輛。

面積匹配法。前后遮擋問題很普遍，處理這種遮擋也是智能交通的一個重點和難點。如圖2所示整個區域內的遮擋十分嚴重，挑選一個遮擋很少的部分來做檢驗，可以把從下到上的車輛統計得很清楚。

對于取景框內的遮擋，可以采用面積配對的方法來解決。

2.2 大型運動目標的車牌識別法

當大型車經過時，我們的面積法有可能會將其當作前后遮擋問題。一輛小車在圖像中的面積匹配范圍在0.8-1.2，當兩輛車前后遮擋時，在該圖像的面積匹配范圍大約在1.6-2.4。當面積匹配范圍超過2.4時，那么就可以認為該遮擋目標不為兩輛車前后遮擋，而是大型車輛。

對于大型車輛的識別，本文根據其特征，利用其特有的黃色車牌進行識別。

黃色車牌提取。本文利用matlab技術提取黃色車牌[8]讀入原始黃色車牌圖像，如圖3。

進行灰度處理，如圖4。

進行圖像邊緣檢測和腐蝕，膨脹和平滑圖像輪廓，最后去除小對象，如圖5。

在水平和豎直方向確認車牌的位置并切割，如圖6。

確認好車牌區域后進行角度矯正，方便之后的讀取和文字定位，如圖7。

最后進行二值化和色素堆積，如圖8，圖9。

2.3 分車道畫框取景法

相鄰車道之間的遮擋是由于車輛之間并排行駛造成的，可以使用畫框劃分的方法解決這個問題。如圖10所示的三個取景框，分別標記為a，b，c，每個取景框又分成上下兩部分。分別標記為a1，a2，b1，b2，c1，c2。

經過長期的試驗觀察得出，b車道內的車輛在與它的相鄰a、c車道中的運動信息，總是局限在a、c車道的下方部分內，即局限在a2或者是c2內。在a、c車道中，該車沒有產生明顯的，從下方進入、從上方離開的現象，因此不會當作a、c車道中的車體。采取該方法既可以解決相鄰車道的車輛遮擋問題，又可以免得一車多次計算。

3 實驗結果分析

本文拍攝了多組實驗數據，結果如下表：

正確檢測率=檢測車輛數實際車輛數

通過實驗結果易得出，本文提出的方法對處于遮擋情況的運動車輛能正確的識別處理，車流量統計精度相對傳統視頻參數的統計算法有所提高，整個車流量統計算法準確率保持在95%以上，具有較高的準確率。

4 結論

針對前后車輛遮擋的問題，前面提出了面積法，但不適用于大型車輛。本文從面積法的不足之處出發，提出大型車輛車牌識別法，解決了大型車輛無法識別問題。提高了前后車輛遮擋的車流量統計的精度，并且算法簡單，具有很高的魯棒性。

參考文獻：

[1]張勇，孫洪斌.城市道路交通智能控制技術研究[J].智能建筑與智慧城市，2018（10）：137-138.

[2]周彬.紅外線在道路測試中的應用[J].交通科技與經濟，2013（3）：45-48.

[3]肖國宴.基于視頻的車輛檢測與分割算法研究[D].南昌：南昌大學，2018：1-64.

[4]齊美彬，鮮柯，等.一種基于車輛遮擋模型的車流量統計算法[J].儀器儀表學報，2010（6）：1335-1341.

[5]侯進輝，曾煥強，等.基于隨機遮擋輔助深度表征學習的車輛再辨識[J].控制理論與應用，2018（12）：1725-1730.

[6]蔡英鳳，王海，等.基于多部件RBM模型的部分遮擋車輛檢測[C].2014第九屆中國智能交通年會，2014：344-349.

[7]金會慶，徐雪，等.基于視頻的復雜路口車流量檢測方法[C].第三屆中國智能交通年會會議論文，2012：634-638.

[8]許新華，薛迪杰.基于MATLAB的車牌識別系統的研究設計[J].科技風，2019（10）：7.

作者簡介：周楠皓（1997-），男，漢族，湖南湘潭人，本科，研究方向：圖像處理。