虚拟线圈和模板链相结合的车流量视频检测方法研究

王慧斌，孟凡，李庆武，吴学文

0 引言

智能交通系统( ITS)是将先进的信息技术、数据通信传输技术、电子传感技术、电子控制技术及计算机处理技术等，有效地集成，运用于整个交通管理而建立的一种在大范围内、全方位发挥作用的、实时、准确、高效的综合交通运输管理系统[1]。车流量检测是智能交通系统的重要环节，传统车辆检测器如磁感应线圈[2]有着诸多缺点和局限，鉴于这种情况，人们不断提出新的替代方案，如采用雷达、超声波、红外线、微波、声频及视频图像等技术的悬挂式传感器。近年来随着计算机和图像处理技术的不断发展，利用机器视觉检测器来进行车辆检测成为一种特别有潜力的替代方法，有望取代传统检测器成为现代智能交通系统的一个重要组成部分。

车流量视频检测方法包括边缘检测法、帧差法、背景差法和虚拟线圈法等[3-6]。各种方法都有相应的优缺点，其中虚拟线圈法是视频检测方法中相对最成熟、应用最多的方法。但是，在实际的交通环境中，由于道路标识线的存在和光线的变化，使基于虚拟线圈法的车辆检测算法中存在漏检和误检的现象。本文针对此问题，提出了一种基于虚拟线圈法和模板链法相结合的车辆检测新方法，该方法首先对采集的交通图像进行车道划分，排除车道标识线的干扰；再根据虚拟线圈法设定判别准则，检测路面标记区域中像素值变化，同时运用相应的模板对像素均匀区域进行标记，并形成模板链；最后通过检测模板链实现车辆的检测。

1 车辆检测的虚拟线圈法和模板链

1.1 虚拟线圈法

虚拟线圈法[2]就是在待检测图像上的合适位置设置检测线，检测线的作用类似于埋于地下的感应线圈传感器，它的方向与车辆行驶方向垂直，如图1所示。保存位于检测线位置上的参考图像(背景图像或其边缘检测图像)，当车辆经过检测线时，检测线位置上的图像就会由于车辆的覆盖而发生改变，当运动物体覆盖检测线的宽度大于某个阈值时，就认为检测到一辆车辆。检测线法是一种简单有效地检测车辆的方法，在高速公路这样的交通场景可以取得较好的检测结果，但不太适用于行驶行为复杂的场合如十字路口这样的交通场景，能获取的交通参数种类较少。

图1 虚拟线圈法示意图

1.2 模板链

交通摄像机一般安装在道路的上方，视野方向基本平行于公路延伸方向，拍摄斜下方的交通图像，如图2所示。每辆车的图像一般都可分为车的前盖、挡风玻璃和车顶（交通摄像头采集图像中的车后盖和车顶连在一起，故算作一部分）3部分。在没有阴影遮挡的情况下，3部分中的每一部分的灰度值都均匀分布。车顶和车前盖的灰度值接近，而挡风玻璃在进行光的反射的同时还有折射，故与前两部分的灰度值有一定的差距。这样我们只需依次检测3个分布均匀的区域，并用相应的模板对其进行标记，即可形成一个模板链，从而通过检测模板链实现对车辆的检测。

图2 车辆的模板链

1.3 检测区域标定

根据以上分析可知，需要对路面检测区域标定以实现精确检测。首先根据虚拟线圈法对路面标记检测区域，如图3所示。标记区域1和标记区域2即为虚拟线圈法要检测的目标区域，此区域在图像中位置固定，两检测区域之间的距离基本为一个车长。同时针对车辆的两侧，由车道线的位置向中间扫描，检测边缘强度的大小，从而划定车辆两侧的检测范围。

图3 检测区域标定

2 车流量检测算法

2.1 车道划分

实际采集到的交通场景中的图像，按照文献[7]的方法对其进行处理，提取车道标志线，完成车道划分。

具体步骤如下：

（1）采集道路交通图像，以路面灰度值作为阈值进行分割，得到相应的二值图像，对其进行腐蚀处理后，再进行Hough变换，粗略提取位于各车道标志线及其附近的所有亮点像素作为待分类的像素点，构成样本集。

（2）在样本集中选择一个样本点作为聚类中心点。

（3）分别求取各个样本与聚类中心点的连线的特征参数（斜率和截距），组成样本特征集。

（4）按照模糊聚类分析准则判断同一条直线上的样本点，作为一个模糊聚类。对该类本的所有特征参数求算术平均，得到该直线的斜率和截距，就检测出了相应的这条车道标志线。

（5）在剩余的样本中选择一个样本点作为第二个聚类中心点，重复步骤（3）、（4），直到所有的车道标志线都检测到为止。

（6）在图像坐标系中，车辆左边车道线的斜率是负值，右边车道线的斜率是正值，且离开图像中心线越远斜率绝对值越小，按照这一特点将求得的斜率值排序,就可以得到由左向右每一条车道线的对应特征参数。

2.2 背景更新与差分

视频流中的背景是指除去运动物体以外静止物体所组成的图像。背景图像可由人工从拍摄的视频中获取其中的一帧图像来得到，也可以通过序列图像求平均或者统计计算灰度频率来得到。在实际的交通系统中，由于路面情况复杂且系统繁忙，背景的获取只有依靠连续帧的序列图像来获取。本文采用文献[4]中的一种自适应背景更新算法，通过当前帧的图像与前一帧图像的差值来找到物体的运动区域，对运动区域的背景保持不变，而非运动区域的背景则用当前帧进行更新，经过反复迭代便可提取出背景。当前帧图像减去背景图像，即可得到下面要要处理的图像。

2.3 检测区域运动检测

在标定好的检测区域内进行最优化分割，实现基于虚拟线圈法原理的运动检测，即车辆通过检测。我们可以把该区域看成是一个二维灰度密度函数，它的灰度等级范围为[0,L-1]，对应灰度级i的像素个数为 ni(0≤i≤L-1)，图像尺寸M×N，灰度直方图为 p(i)。且以标记区域中灰度直方图峰值点处的像素值 K作为初始阈值，把所有像素值分为两类Co与C1。其中Co类灰度级范围 [0,L-1]，C1类为[t,L-1]。两类概率分布为：

区域中总的均值Tμ为：

则最大类间方差定义阈值化图像的类间方差为：

对上式求极大值得到的t即为区域中的最佳阈值[8]，由此可得最佳阈值t对应的C0、C1类中的像素数0ω和1ω，则两个区域中的概率分布的熵为S0、S1为：

从而建立匹配函数为：

运动检测可由下式判断：

式中 T1为设定的阈值，V=1表明当前输入图像中有车辆经过路面标记区域。根据该目标物依次进入标记区域 1和2，就可以判定目标车辆是否恰好经过两标记区域之间。但是，若仅凭此判断是否有车辆通过，容易受阴影、光照变化等因素影响造成误判。

2.4 模板链标记

对差分过的图像进行车辆表面均匀区域的模板标记。在标定的检测区域内以所选取的模板行数为基准进行逐行检测，并根据每行像素灰度的直方图峰值建立峰值集合。根据统计方差建立判别函数为：

其中 T2为设定的阈值。检测出符合上述判别要求的xmaxi，那么则认为从xmax1到xmax(i-1)为所要检测的均匀区域1，即模板 1。同样方法检测模板2、模板3，形成模板链。从而通过检测模板链实现了对车辆的检测。

2.5 车辆检测

第一步，在标定好的检测区域内经过基于虚拟线圈法原理的运动检测，可完成通过车辆的初步检测。此时，（7）式中的阈值T可适当选取得小一些，以免漏检。第二步，在虚拟线圈法检测到车辆的基础上，再进行模板链标记检测，可有效提高最终检测结果的准确性。

3 实验结果分析

采用工业一体化摄像机和MV-4000交通专用图像采集卡采集图像，拍摄地点位于江苏省常州市朝阳桥交叉路口和南京市新街口，摄像机架设方式是在路面上方，有倾角。采集的交通视频分别如图4和图5所示。

图4 常州市朝阳桥实验视频序列

图5 南京市新街口实验视频序列

车流量检测实验采用 VC++6.0编程实现，实验结果如表1所示。首先根据检测到的车道线，在车道上标记并建模，其中模型中有两个标记区域，一般车辆都是由远及近，依次经过标记区域1和标记区域2，标记区域1首先检测到有运动物体经过，当标记区域2检测到有运动物体经过时，便对其检测区域采用模板链算法检测，符合模板链标记判定的就认为检测到有车经过，否则判定为无车经过。两个地点虚拟线圈法检测的准确率分别为 95.3%、92.8%，而本文方法的准确率提高到 97.6%、96.2%。出现漏检错误的原因主要是车距太近、车粘连引起的；出现误检的原因主要是光照、阴影等图像灰度变化因素引起的。本文方法由于引入了模板链标记，大大减少了误检率，使检测正确率得到了明显提高。

表1 车流量检测实验结果

4 结论

本文针对虚拟线圈法在检测车辆时存在受环境和光照等因素影响，导致检测不准确的问题，提出了一种基于虚拟线圈法和模板链相结合的车流量检测新方法，该方法通过虚拟线圈技术捕捉到路面上灰度的变化，同时采用模板链的方法检测出车辆信息，具有良好的识别效果，很大程度上避免了虚拟线圈法中阈值过低出现误检、阈值过高又出现漏检的问题，是一种有效、准确的车流量检测方法。

[1]Tomizuka M. Automated Highway Systems: An Intelligent Transportation System for the Next Century[J]. IEEE International Symposium on Industrial Electronics, 1997,(1): 1-4.

[2]Sun C, Ritchie S G, Tsai K. Algorithm development for derivation of section-related measures of traffic system performance using inductive loop detectors [J]. Transportation Research Record: Journal of the Transportation Research Board. 1998, (1643): 171-180.

[3]王圣男,郁梅,蒋刚毅.智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述[J].计算机应用研究,2005(9): 9-14.

[4]史忠科,曹力.交通图像检测与分析[M].北京:科学出版社,2007.

[5]Tseng B L, Lin C Y, Smith J R. Real-time video surveillance for traffic monitoring using virtual line analysis[C]. IEEE international conference, 2002,2:541-544.

[6]郁梅,蒋刚毅,贺赛龙.基于路面标记的车辆检测和计数[J].仪器仪表学报, 2002, 23(4): 386-391.

[7]李庆武,石丹,孟凡,徐立中.基于模糊集理论的车道标志线精确检测[J].交通与计算机. 2007, 25(6): 1-3.

[7]边肇祺,张学工等.模式识别(第二版)[M].北京:清华大学出版社, 2000.