摘 要： 針對(duì)智能交通系統(tǒng)提出的夜間車流檢測(cè)問(wèn)題，提出了一種基于視頻虛擬線圈的檢測(cè)方法。該方法主要包括車燈配對(duì)和車輛檢測(cè)兩個(gè)部分。車燈配對(duì)是根據(jù)同一車輛的兩個(gè)車燈大小和相對(duì)位置等特性對(duì)車燈進(jìn)行配對(duì)；車輛檢測(cè)是根據(jù)車燈配對(duì)情況輸出車流量。結(jié)果表明，該算法取得了良好的檢測(cè)效果，具備較好的魯棒性，并且能滿足實(shí)時(shí)性的要求。
關(guān)鍵詞： 智能交通；虛擬線圈；車輛檢測(cè)；車燈匹配
車流檢測(cè)是智能交通系統(tǒng)的重要組成部分。車流檢測(cè)環(huán)境包括白天和夜晚兩大部分，在對(duì)白天車流的檢測(cè)工作上，國(guó)內(nèi)外已經(jīng)做了大量研究；針對(duì)夜晚光照強(qiáng)度低、路面反光等復(fù)雜的車輛通行環(huán)境，目前還沒(méi)有完善的車流檢測(cè)研究成果。由于夜間車輛是開燈行駛，容易識(shí)別車輛的元素只有車燈，因此夜間車流檢測(cè)目前一般使用車燈信息對(duì)車輛進(jìn)行識(shí)別。本文主要研究基于虛擬線圈的夜晚車流檢測(cè)技術(shù)[1]。
1 夜晚車流檢測(cè)原理
夜晚，車燈是車輛被識(shí)別的最顯著元素，本文以車燈為特征對(duì)車流進(jìn)行統(tǒng)計(jì)[2]。在車燈被識(shí)別之前，需要在視屏中設(shè)置一個(gè)虛擬檢測(cè)線圈作為感興趣區(qū)域（ROI）[3]。以車燈作為研究對(duì)象，一輛車被識(shí)別有4個(gè)階段，如圖1所示。
?。?）如圖1（a）所示，車輛車燈第一次進(jìn)入矩形框區(qū)域，由于是部分而非完全進(jìn)入，因此沒(méi)有被識(shí)別為車燈元素，故將其刪除。
?。?）如圖1（b）所示，當(dāng)車燈完全進(jìn)入矩形框區(qū)域后，其被識(shí)別為車燈元素，當(dāng)與其他車燈匹配成功，則對(duì)車燈對(duì)進(jìn)行計(jì)數(shù)，車輛數(shù)加1，并對(duì)此對(duì)車燈進(jìn)行跟蹤，以避免在其他幀中重復(fù)對(duì)此車進(jìn)行計(jì)數(shù)。
（3）如圖1（c）所示，這對(duì)車燈元素仍然會(huì)出現(xiàn)在其他幀中，但是因?yàn)橐呀?jīng)對(duì)其進(jìn)行了跟蹤，不作為新的車輛進(jìn)行計(jì)數(shù)。
?。?）如圖1（d）所示，車燈離開矩形框區(qū)域，結(jié)束對(duì)這對(duì)車燈對(duì)的跟蹤。
特別說(shuō)明，當(dāng)車燈對(duì)第一次匹配成功時(shí)便進(jìn)行計(jì)數(shù)，是為了避免車輛突然轉(zhuǎn)彎而在計(jì)數(shù)上有所減少。車輛的突然轉(zhuǎn)彎和設(shè)置虛擬線圈的一些情況如圖2所示。其中，圖2（a）所示為汽車車燈完全進(jìn)入了虛擬線圈，但是沒(méi)有經(jīng)過(guò)線圈的最下方（即圖1（d）所示的情形），因此仍進(jìn)行計(jì)數(shù)。
車流統(tǒng)計(jì)的完整流程圖如圖3所示。
2 夜晚車流檢測(cè)的設(shè)計(jì)實(shí)現(xiàn)
在夜間車流量圖像中，亮度最高的區(qū)域是車燈區(qū)域，其次是車燈在路面形成的反光區(qū)域。一般情況下，每輛車對(duì)應(yīng)一對(duì)車燈，如果能夠正確地進(jìn)行車燈檢測(cè)，就能夠正確地檢測(cè)到車輛數(shù)量。正常情況下，車燈區(qū)域亮度明顯高于其他區(qū)域，夜間車流圖像在使用了合理的閾值進(jìn)行二值化后，得到的是車燈的連通域[4]。為了簡(jiǎn)化車燈提取過(guò)程，本文設(shè)置了一個(gè)虛擬線圈來(lái)減少噪聲的影響。提取車燈后，進(jìn)行車燈配對(duì)及車輛計(jì)數(shù)等后續(xù)過(guò)程，來(lái)完成車流量檢測(cè)的整個(gè)過(guò)程。
2.2 虛擬線圈設(shè)置及更新
由圖4可知，經(jīng)過(guò)二值化和預(yù)處理以后，仍然有一些很難處理的噪聲，如路燈以及路面反光所形成的連通區(qū)域，這些噪聲給識(shí)別帶來(lái)了麻煩。為簡(jiǎn)化過(guò)程，本文設(shè)置一個(gè)檢測(cè)窗口，檢測(cè)窗口只檢測(cè)窗口內(nèi)的車燈優(yōu)化過(guò)程。由于檢測(cè)窗口的選取對(duì)最后的結(jié)果有很大的影響，因此檢測(cè)窗口中不能出現(xiàn)路燈的干擾[4]。
設(shè)置虛擬線圈要注意如下兩個(gè)因素[6-7]。
?。?）虛擬線圈的尺寸
寬度上，計(jì)數(shù)檢測(cè)線應(yīng)該包含整個(gè)車道；高度上，則應(yīng)大于一個(gè)車燈直徑，但并非越大越好，最優(yōu)取值為兩個(gè)車燈直徑。檢測(cè)線過(guò)寬會(huì)增加處理時(shí)間，過(guò)窄會(huì)漏檢，影響實(shí)驗(yàn)數(shù)據(jù)正確性。檢測(cè)線圈過(guò)寬、過(guò)窄和合適的情況分別如圖2（b）、圖2（c）和圖2（d）所示。
?。?）計(jì)數(shù)檢測(cè)線的位置
計(jì)數(shù)檢測(cè)線距離攝像機(jī)越近，圖像所描述的細(xì)節(jié)越清晰。
檢測(cè)完一幀圖像后，將當(dāng)前圖像更新到下一幀繼續(xù)檢測(cè)，以得到整段視頻的車流量。
2.3 車燈匹配及車輛計(jì)數(shù)等后續(xù)處理
檢測(cè)窗口區(qū)域不僅有車燈連通域，有時(shí)也會(huì)出現(xiàn)噪聲連通域。由經(jīng)驗(yàn)可知，同一輛車的兩個(gè)車燈滿足以下3個(gè)基本條件[4，8]。
從表1可以看出，檢測(cè)誤差主要來(lái)自于漏檢，沒(méi)有發(fā)生誤檢。漏檢的原因在于，有些車輛不開燈或者只開一只車燈。此例中漏檢的13輛車中，有10輛沒(méi)有開車燈，另外3輛只開了1個(gè)車燈。
根據(jù)上述實(shí)驗(yàn)數(shù)據(jù)對(duì)比分析可以看出，系統(tǒng)在各種情況下的檢測(cè)精度都取得了較好的效果。除了算法本身對(duì)檢測(cè)精度的決定性影響外，還有兩個(gè)因素對(duì)系統(tǒng)精度有著重要影響，一是檢測(cè)帶位置和尺寸的設(shè)置，二是合理的檢測(cè)線設(shè)置。
本文提出了一種基于虛擬線圈的夜間車流檢測(cè)方法。首先設(shè)置一個(gè)虛擬線圈來(lái)標(biāo)出感興趣區(qū)域，降低車牌識(shí)別的復(fù)雜程度；然后在感興趣區(qū)域內(nèi)通過(guò)車燈識(shí)別和車燈匹配來(lái)統(tǒng)計(jì)車輛數(shù)量。此種算法在實(shí)際測(cè)試中取得了較好的效果，識(shí)別率超過(guò)95%。
參考文獻(xiàn)
[1] KAMINSKI L， ALLEN J， MASAKI I， et al. A sub-pixel stereo vision system for cost-effective intelligent vehicle applications[C]. Proceedings of IEEE Intelligent Vehicle Symposium， 1995：7-12.
[2] 魏武，張起森，王明俊，等.計(jì)算機(jī)視覺(jué)和圖像處理的交通參數(shù)檢測(cè)[J].信息與控制，2001，3（30）：257-261.
[3] 郭怡文，袁飛虎.基于背景差分的多車道車流量檢測(cè)系統(tǒng)[J].電光與控制，2010，17（9）：90-93.
[4] 沈清波.基于線圈的交通參數(shù)檢測(cè)[D].成都：四川大學(xué)，2010.
[5] SAHOO P K， OLTANI S， WONG A K C， et al. A survey of thresholding technique[J]. Computer Vision， Graphics and Image Processing，1988（41）：233-260.
[6] 劉莉，潘曉露，李一民.基于視頻的夜間車流量統(tǒng)計(jì)[J].微處理機(jī)，2012，33（1）：67-70.
[7] 張帥，崔本亮，黃學(xué)達(dá).視頻檢測(cè)技術(shù)在公路車流量檢測(cè)系統(tǒng)中的應(yīng)用[J].實(shí)驗(yàn)室研究與探索，2012，31（10）：６４-６６.
[8] 陳琳.智能交通中視頻車輛檢測(cè)技術(shù)研究[D].武漢：華中科技大學(xué)，2012.
[9] 劉漢艷.基于視頻的車輛檢測(cè)與跟蹤算法的研究與實(shí)現(xiàn)[D].南京：南京郵電大學(xué)，2012.