基于機器視覺的車流量統(tǒng)計算法應(yīng)用

王墨琦

摘要：智能交通系統(tǒng)（Intelligent Traffic System，ITS）是目前公路運輸信息化、智能化的主流解決方案，其應(yīng)用依賴于車流量檢測數(shù)據(jù)的準確度。精準的車流量信息在通過智能交通系統(tǒng)改進車輛通行情況的過程中發(fā)揮重要作用。文章針對汽車流量檢測情況，提出了基于機器視覺的卡爾曼（Kalman）跟蹤檢測方法，收集車輛運行中的相關(guān)信息，并對數(shù)據(jù)信息進行歸類整理，通過車流量信息特征數(shù)據(jù)分析，對汽車通行情況進行有效分析，改進原有車流量計算中的錯檢以及誤檢問題，從而降低了車流計數(shù)的漏檢率。

關(guān)鍵詞：機器視覺；車流量統(tǒng)計；卡爾曼檢測方法；交通狀態(tài)檢測

中圖分類號：TP391.4文獻標志碼：A0引言車流量檢測是智能交通系統(tǒng)［1］中重要的研究課題之一，常見的檢測方法包括感應(yīng)線圈、紅外線、超聲波以及視頻檢測方法［2］。在解決道路交通擁擠方面，基于機器視覺的檢測分析方法與統(tǒng)計算法具有重要的應(yīng)用價值，經(jīng)過大量的實例驗證，基于機器視覺的交通流量檢測和分析能夠有效解決車輛通行數(shù)據(jù)采集問題，并據(jù)此統(tǒng)計車輛通行中的相關(guān)信息，包括車牌、車流量、車輛速度等，并在實踐中較好地發(fā)揮了智能交通系統(tǒng)的作用。本文針對車輛通行情況構(gòu)建了相應(yīng)的檢測分析算法，該算法可以準確地對車輛目標進行跟蹤、定位與分析，在車流量統(tǒng)計方面具有顯著的應(yīng)用效果。

1車輛通行及跟蹤相關(guān)問題分析在能見度較低的情況下對車流量統(tǒng)計時，若采用傳統(tǒng)的視頻分析方式難度較大，在檢測分析過程中容易出現(xiàn)算法精度低、檢測穩(wěn)定性差、車輛信息統(tǒng)計不準確等現(xiàn)象。因此，為了準確檢測車輛運行信息，本文基于機器視覺技術(shù)構(gòu)建了相應(yīng)的檢測分析方法，跟蹤統(tǒng)計車輛的質(zhì)心坐標、位置信息、運動區(qū)域等，并在監(jiān)測過程中進行降噪處理，保證各項檢測信息的準確性與全面性。

2基于Kalman濾波的車輛跟蹤數(shù)據(jù)采集2.1構(gòu)建Kalman濾波模型Kalman濾波算法通過不斷更新目標的狀態(tài)來跟蹤目標或協(xié)助跟蹤過程，可有效改善基于外觀特征的目標跟蹤質(zhì)量，降低物體邊界跟蹤誤差，縮小候選跟蹤區(qū)域范圍［3］。當前在對車輛行駛情況的分析中，研究人員廣泛應(yīng)用了Kalman濾波算法，針對車輛運行情況構(gòu)建了一種視覺跟蹤分析方式，對目標車輛的實際運行情況進行分析，在檢測運用之后能夠縮小汽車的匹配范圍，從而在運行中顯著地提升檢測速度，縮短各項信息的匹配時間。視覺跟蹤分析方式的構(gòu)建包括q維動態(tài)系統(tǒng)與r維動態(tài)系統(tǒng)的離散動態(tài)系統(tǒng)。

用于觀測的q維動態(tài)系統(tǒng)為：

x+1=Ax+ω（1）

目標觀測方程為：

y=Hx+υ（2）

其中，x是系統(tǒng)中的狀態(tài)向量，y是系統(tǒng)中的測量向量，ω和υ分別為系統(tǒng)噪聲和測量噪聲，A和H矩陣為系統(tǒng)的狀態(tài)矩陣和測量矩陣，是系統(tǒng)的參數(shù)。

Kalman濾波算法運用過程包括預(yù)測階段與校正階段兩個部分。在預(yù)測階段，Kalman濾波算法分析車輛以及檢測系統(tǒng)當前的運行狀態(tài)，分析系統(tǒng)對車輛信息的收集與判斷情況，針對檢測的圖形信息，構(gòu)建誤差協(xié)方差矩陣。在校正階段，Kalman濾波算法對汽車當前行駛情況進行數(shù)據(jù)校正，構(gòu)建Kalman增益矩陣，將收集到的數(shù)據(jù)代入其中，通過計算之后得出協(xié)方差矩陣。

2.2設(shè)置運動估計模型參數(shù)本文構(gòu)建卡爾曼系統(tǒng)模型，設(shè)定運行參數(shù)，包括狀態(tài)向量X、測量向量Y、系統(tǒng)參數(shù)A，針對得出的數(shù)據(jù)進行目標匹配。得出第k+1幀第m個目標車輛的質(zhì)心坐標、外接矩陣長、寬，計算外接矩陣面積，得出質(zhì)心距離公式、矩形面積相似公式、面積相似公式，由此計算第k+1幀上的任何車輛的面積情況，分析該數(shù)據(jù)之下的汽車通行情況。之后及時對跟蹤模型進行更新，分析第k幀檢測目標與第k+1幀檢測目標匹配之后，記錄系統(tǒng)分析中的相關(guān)數(shù)據(jù)，并對數(shù)據(jù)進行整理與歸類總結(jié)，保留分析中的特征數(shù)值，從而總結(jié)出新的車輛信息，及時更新Kalman模型，并保留相關(guān)的數(shù)據(jù)記錄。

筆者將第n個檢測目標與第k+1幀上的檢測目標進行配對，得出其中是否存在匹配目標，若通過數(shù)據(jù)對比沒有得到匹配目標，則顯示當時跟蹤的車輛已經(jīng)消失在視頻流模型之中，失去了進一步統(tǒng)計的意義，此時將標記目標取消。在車輛信息新目標進入視頻流時，則需要建立新的模型進行分析，要求將這些運動特征保留，并結(jié)合收集的相關(guān)數(shù)據(jù)構(gòu)建初始化模型。

3對汽車流量的檢測

3.1汽車目標圖像特征分析筆者利用計算機技術(shù)，提取區(qū)域中的方位信息，并構(gòu)建合理的數(shù)據(jù)分析方式，將方位信息劃分為不同的區(qū)域，按照不同的特征進行數(shù)據(jù)采集與分析。分析方式利用區(qū)域的數(shù)字特征，結(jié)合圖像中的幾何特征表示目標區(qū)域的面積、周長以及外接矩形等［4］。利用數(shù)據(jù)結(jié)構(gòu)分析存儲圖像中的相關(guān)信息，利用每個元素，用線段編碼形式表達數(shù)據(jù)結(jié)構(gòu)。將掃描的信息匯入數(shù)組，通過數(shù)據(jù)分析得出最終的目標區(qū)域。掃描的起始部分為圖像首行，一直掃描至該行首項不為0的點為止，分析像素聯(lián)系為255的段，并標出該部分內(nèi)容的起點、終點坐標，得出區(qū)域幾何參數(shù)信息，掃描汽車通行過程中的全部數(shù)據(jù)，并得出各個區(qū)域的數(shù)據(jù)，將圖像內(nèi)容輸入之后分析該時段內(nèi)是否存在連通區(qū)域，將目標參數(shù)輸入其中進行數(shù)據(jù)信息匯總。

3.2汽車流量檢測根據(jù)所提取的車輛目標特征數(shù)據(jù)參數(shù)，基于機器視覺中的圖像識別技術(shù)以及計算機視覺技術(shù)檢測流量，針對目標汽車運行情況構(gòu)建三維立體模型，通過內(nèi)容匹配得出最終的立體信息。結(jié)合汽車運動過程中方向以及位置的變化情況，得出運動模型中速度、偏轉(zhuǎn)角度、方向等相關(guān)參數(shù)信息，由此實現(xiàn)對目標的精準定位及跟蹤，得出移動狀態(tài)下的相關(guān)參數(shù)。對汽車在真實運動狀態(tài)以及表現(xiàn)運動狀態(tài)下的變動情況進行光流場分析，利用圖像分析汽車在運動狀態(tài)下的運動場，包括運動參數(shù)以及運動目標。精準追蹤汽車運動速度，采用迭代方式進行分析。運用圖像差分的檢測方法，分析汽車運動圖像序列各幀之間的相互關(guān)系，并構(gòu)建針對圖像的相關(guān)處理方式，將圖像序列中每幀與參考幀進行對比。

通過對背景的更新與處理，得出汽車運動過程中的目標參數(shù)，并對圖像進行圖像二值化處理［5］，得到目標圖像與背景圖像。對得出的汽車目標圖像進行去噪處理，構(gòu)建33×33的去噪模板，若黑色像素個數(shù)Sum小于設(shè)定閾值T，則說明該區(qū)域中的內(nèi)容為噪聲點，則將像素灰度值從0變?yōu)?55，并對得到的像素點依次進行處理，從而將運動中的噪聲點去除，得出最終的汽車目標圖像。通過對收集到的圖像特征進行提取與分析，得出汽車流量，分析方法為將灰度變化的圖像與背景圖形進行差分對比，并設(shè)置一個固定的閾值。計算車輛差分圖像特征點個數(shù)，據(jù)此計算車輛面積，并分析此階段內(nèi)是否有車輛路過，從而對車流量進行統(tǒng)計分析。結(jié)合圖像灰度變化設(shè)定既定的閾值，測量得出閾值N，設(shè)定檢測區(qū)域內(nèi)個數(shù)或目標面積，設(shè)定目標面積S，若目標面積S大于灰度的閾值，則顯示該時段內(nèi)有車輛經(jīng)過，否則，則認定沒有車輛路過。對閾值N進行測試與調(diào)整，得出的車流量數(shù)據(jù)如表1所示。

4交通狀態(tài)檢測汽車實際運行情況是重要的檢測內(nèi)容與要求，可以基于機器視覺，聯(lián)合運用計算機技術(shù)與通信技術(shù)進行分析。

提取汽車運行過程中的交通狀態(tài)，并結(jié)合汽車流量的平均特征進行分析，綜合判斷當前汽車行駛狀態(tài)為擁擠或者阻塞。例如：在對一個雙車道進行分析的過程中，假設(shè)1 min內(nèi)平均通過18輛汽車，則一天之內(nèi)該車道平均汽車流量閾為18。利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)智能化判斷汽車通行情況，構(gòu)建一個3層BP神經(jīng)網(wǎng)絡(luò)分級器，提升計算過程中的BP神經(jīng)網(wǎng)絡(luò)學習速度，從而實現(xiàn)對車輛運行情況的精準判斷。結(jié)合汽車流量變動設(shè)置BP神經(jīng)網(wǎng)絡(luò)的閾值與權(quán)值，選擇平均車流量作為輸入層節(jié)點，將汽車經(jīng)過區(qū)域劃分為5個節(jié)點，將汽車通行情況作為輸出層節(jié)點，設(shè)置交通阻塞或者交通暢通兩個節(jié)點。結(jié)合經(jīng)驗數(shù)值，估算結(jié)點個數(shù)，BP神經(jīng)網(wǎng)絡(luò)訓練誤差是0.055，在隱含層節(jié)點數(shù)為10時，能夠達到最佳的運行效果。結(jié)合BP神經(jīng)網(wǎng)絡(luò)實際運行情況分析交通狀態(tài)，利用遺傳算法累計開展8次檢驗，每次檢測結(jié)果識別率均超過96%，如表2所示。

阻塞交通狀態(tài)下BP算法誤差0.103，GA優(yōu)化BP網(wǎng)絡(luò)誤差0.057；暢通交通狀態(tài)下BP算法誤差0.101，GA優(yōu)化BP網(wǎng)絡(luò)誤差0.048。結(jié)果顯示，對車輛交通情況的判斷正確率均超過96%，可以將其運用于對交通狀態(tài)的檢測過程之中，具有實時性檢測的運用效果。

5Kalman算法實現(xiàn)跟蹤

在運用Kalman跟蹤算法統(tǒng)計車流量信息時，按照以下流程進行。首先計算車輛信息的特征值，與車輛的運動區(qū)域相結(jié)合，對圖像信息進行預(yù)處理，再對圖像進行初始化與二值化，進行膨脹腐蝕與開閉運算，由此通過多種方式處理，進行目標定位，選擇分析特征，計算面積區(qū)域中的跟蹤區(qū)域特征值以及質(zhì)心位置，從而得出車輛信息特征值。隨后將目標數(shù)值代入，構(gòu)建Kalman模型，對參數(shù)進初始化，分析預(yù)測車輛下一時刻所處的位置。將收集到的數(shù)據(jù)值進行匹配，構(gòu)建相似匹配函數(shù)，包括最小外接矩形長與寬、運動車輛質(zhì)心位置、外接區(qū)域面積等，通過計算之后預(yù)判車輛的通行情況，并進行迭代跟蹤，最終計算得出車流量。基于Kalman算法進行機器視覺檢測車流量的整體流程如圖1所示。

6結(jié)語本文系統(tǒng)地闡釋了在基于機器視覺獲得的圖像中進行車流量檢測的方法。檢測系統(tǒng)利用Kalman濾波模型，通過對汽車圖像的目標特征分析，獲取跟蹤目標，從而實現(xiàn)車流量檢測。在對車流量進行分析過程中，有效地結(jié)合汽車面積、質(zhì)心和最小外接矩形等相關(guān)參數(shù)，利用圖像差分法對汽車流量進行檢測，利用數(shù)值構(gòu)建汽車目標圖像，并對圖像信息進行去噪處理，增強圖像信息處理效率，從而精準得出車流量，研究得出檢測識別率不低于90%，符合智能交通系統(tǒng)中實時性檢測的相關(guān)要求。文章基于該車流量檢測，利用BP網(wǎng)絡(luò)分析交通狀態(tài)，完善和優(yōu)化了智能交通系統(tǒng)中車流量檢測的應(yīng)用方式，提高了智能交通系統(tǒng)的應(yīng)用效益。該研究對智能交通系統(tǒng)持續(xù)改進和更新具有重要的意義。

參考文獻

［1］史新宏，蔡伯根，穆建成．智能交通系統(tǒng)的發(fā)展［J］.北方交通大學學報，2002（1）：29-34.

［2］齊美彬，鮮柯，蔣建國.基于對比度失真參數(shù)的車流量統(tǒng)計算法［J］.合肥工業(yè)大學學報（自然科學版），2010（12）：1815-1818，1823.

［3］周云，胡錦楠，趙瑜，等.基于卡爾曼濾波改進壓縮感知算法的車輛目標跟蹤［J］.湖南大學學報（自然科學版），2023（1）：11-21.

［4］呂揚建，李光耀.基于視頻分析的車流量統(tǒng)計算法研究［J］.井岡山大學學報（自然科學版），2013（4）：46-51.

［5］韓錕，韓洪飛.基于區(qū)域級和像素級特征的路面裂縫檢測方法［J］.鐵道科學與工程學報，2018（5）：1178-1186.

［6］尹曉丁，吳陽明，趙喆，等.基于DSP圖像處理的車流量統(tǒng)計算法研究［J］.計算機與數(shù)字工程，2017（6）：1204-1206，1233.

（編輯 王雪芬）

Application of vehicle flow detection based on machine visionWang? Moqi

（Intelligence and Information Engineering College， Tangshan University， Tangshan 063000， China）Abstract： Intelligent transportation system （ITS） is currently the mainstream solution of road transportation informatization and intelligence， and its application depends on the accuracy of traffic flow detection data. Accurate traffic flow information can play an important role in the intelligent transportation system to improve vehicle traffic. In this paper， a machine vision-based Kalman tracking detection method is proposed for the detection of vehicle flow， which collects relevant information in vehicle operation， classifies and sorts out the data information， effectively analyzes the vehicle traffic situation through the analysis of vehicle flow information characteristics， and improves the error detection and false detection problems in the original traffic flow calculation， thereby reducing the missed detection rate of traffic flow counting.

Key words： machine vision; vehicle flow detection; Kalman detection method; traffic state detection