基于视频分析的车流量综合检测算法

ｐｉｎｇＴｉｍｅｓ＜ｔ３））
万方数据
２４
交通信息与安全２０１０年第１期第２８卷总１５３期
／／利用背景差和色彩跳变次数双重阈值控制背 景更新
Ｕｐｄａｔｅ Ｂａｃｋｇｒｏｕｎｄ Ｉｍａｇｅ（Ｉｋ，Ｂｋｌｍａｇｅ） Ｅｎｄ ｉｆ Ｅ：ｌｓｅ
Ｆｌａｇｌｋ＝ＭＯＶＩＮＧ—ＴＡＲＧＥＴ／／当前帧属于运动 图像
２综合检测法
通过以上实验可以发现，现有算法虽然在某 些特定环境下可以取得较好的检测效果，但通用 性不强。背景差分法在光线良好的情况下，能够 取得较好的检测效果，但在光线较暗且有车灯等 干扰的傍晚则表现不佳；边缘检测法和色彩跳变
万方数据
基于视频分析的车流量综合检测算法——王 勃 贾克斌 表６基于彩色图像的色彩跳变法实验结果
因此，研究一种可以根据检测环境自动选择 检测算法和区域的视频检测方法具有迫切的现实 意义。 ２．１总体思路
综合检测算法可以自动选择检测算法和检测 区域，在光线较好的情况下以基于选择更新的背 景差分法为核心，并结合色彩跳变检测的方法进 行修正，进行基于检测线的车流量检测；而在傍晚 等光线条件不良的情况下，则在虚拟线圈内采用 基于Ｃａｎｎｙ算子的边缘检测法，总体流程如图５ 所示。程序初始阶段默认光线条件良好，然后统 计此条件下提取的检测区域内像素的平均灰度 值，以此判断当前光线条件，若光线良好，则继续 按照基于检测线修正的背景差分法进行检测；若 光线条件不好，则设置检测区域为虚拟线圈，更改 初始化设置，改为进行基于Ｃａｎｎｙ算子的边缘检 测。这样就在大大不增加复杂度的情况下，自动 选择了检测算法及检测区域，改善了检测效果。 ２．２修正的背景差分法
表２基于选择更新的背景差分法实验结果
１．２．２ 帧羞法 对帧差法的实验是在虚拟线圈内进行的。帧
差法将２帧（或多帧）连续图像逐像素相减，以去 除静止或移动缓慢的物体及背景∞］。本文采用２ 帧差分法进行车辆的检测，这种方法简单易行但 很难提取出准确的车辆轮廓，在检测静止或车速 过慢的车辆以及纹理不明显的车辆时容易漏检。 如图３所示，图３（ａ）原始车辆色彩鲜明，纹理清 晰，有较好的检测效果，而图３（ｂ）原始车辆纹理 简单，与路面色差不大，且车速较慢，检测效果便 不好。
ｌ常见的车流量检测算法
为了提出１种通用性更强的车流量检测算 法，首先对现有算法进行了实验和分析，测试界面 如图１所示。实验中利用２００９年１月在北京市 蒲黄榆路、赵公口桥东、刘家窑桥北等处，分别在 早晨、中午、傍晚等不同时段（如图２所示），用 Ｓｏｎｙ ＨＤＲ—ＳＲｌ２Ｅ数码摄像机按照７２０ｐｉｘ× ５７ ６ ｐｉｘ，２ ５帧／Ｓ，１ ０ ｍｉｎ左右为１组，采集的交
新。这种方法并不是利用每１帧图像都更新背 景，而是先进行判断，如果一定时间内检测区域像 素灰度值未发生明显变化，则认为当前帧属于背 景图像，利用其更新背景；反之，认为当前帧不属 于背景图像，即属于运动图像，则在背景更新部分 跳过此帧，不进行背景更新。
提取背景后计算车流量的方法与前文所述相 似。实验结果如表２所列，这种背景更新算法比 多帧平均法正确率要高，在光线良好的情况下有 着不错的检测效果，但有时会出现对大型车辆重 复检测的问题。
通流视频作为素材。在Ｗｉｎｄｏｗｓ ＸＰ ＳＰ２操作系 统下，以５１２ ＭＢ内存，１．７ ＧＨｚ的Ｉｎｔｅｌ Ｐｅｎｔｉｕｍ Ｍ处理器为主要配置的笔记本进行实验，并利用 人工计数结果作为标准，衡量各算法检测的准确 度。
图１车流量检测算法测试界面
１．１虚拟线圈与虚拟检测线 智能交通系统中对车辆的检测有很高的实时
ＨｏｐｐｉｎｇＴｉｍｅｓ＋＝１／／统计色彩连续跳变次数
ＦｌａｇＰｒｅＨｏｐ＝ＴＲＵＥ Ｅｌｓｅ
ＳｅｔＳｔａｔｕｓ（）； Ｅｎｄ ｉｆ
Ｔｄｉｆｆ＝Ｂａｃｋｇｒｏｕｎｄ Ｄｉｆｆｅｒｅｎｃｅ（Ｉｋ，ＢｋＩｍａｇｅ）／／背景 差分
Ｉｆ（Ｔｄｉｆｆ＜ｔ２） Ｆｌａｇｌｋ－－－－ＢＡＣＫＧＲＯＵＮＤ／／当前帧属于背景图像 Ｉｆ（（ＦｌａｇＩｋ一１＝一ＢＡＣＫＧＲＯＵＮＤ）＆＆（Ｈｏｐ—
收穑日期：２００９－１０—１９
修回日期：２００９—１２—２０
＊国家自然科学基金项目（批准号：３０９７０７８０）资助
作者简介：王勃（１９８５）。硕士研究生．研究方向：交通视频分析与多媒体信息处理．Ｅ—ｍａｉｌ：ｓｉｎｄｙｗｂ＠１３９．ｔｏｍ
万方数据
基于视频分析的车流量综合检测算法——王 勃 贾克斌 像头的位置‘８１。
２１ 表ｌ基于多帧平均的背景差分法实验结果
图２交通流原始图像
１．２传统视频检测算法分析 １．２．１ 背景差分法
背景差分法通过计算当前输入帧与背景图像 的差值来提取车辆，是视频检测中最常用的算法。 这种算法的成功与否很大程度上依赖于背景图像 的可靠性。虽然道路背景相对稳定，但也存在着 光线等环境因素的缓慢变化，因此为了保证检测 的可靠性，就必须实时更新背景［９］。本文对不同 的背景更新算法进行了研究，并分别以虚拟线圈 和虚拟检测线为检测区域实现了２种算法。
如算法１所示，修正的背景差分法的总体框 架仍以背景差分法为基础，并采用具有较好效果 的选择更新法更新背景，在此基础上利用帧间图 像的灰度跳变来进一步控制背景的更新及车辆的 计数。一方面，实际检测过程中背景图像应该为 道路图像，一般情况下该图像仅随光线等因素缓 慢变化，不会出现过多连续的灰度跳变；另一方 面，如前文所述，算法是通过检测像素变化的上升
开始
＝二］二 初始化（默认检测 区域为检测线）
统计检测区域 内平均灰度值
是
２３
选取 检测 区域
法总体表现不错，但在强光的午后受车影等干扰 影响，准确度大大降低；而帧差法的总体表现仍有 待提高。
从检测区域的角度进行分析。基于检测线的 检测在光线条件良好的情况下可以较好地完成检 测任务且实时性好，但是它易受干扰，在光线不好 的条件下，稳定性不高。基于虚拟线圈的检测，处 理区域大，稳定性较高，但检测速率较慢。
２０
交通信息与安全２０１０年第１期、第２８卷总１５３期
基于视频分析的车流量综合检测算法＊
王 勃 贾克斌 （北京工业大学电子信息与控制工程学院北京１００１２４）
摘 要 车流量检测是智能交通系统中的关键技术之一。研究了多种基于视频图像处理的车流量检 测算法，包括基于灰度图像的背景差分法、帧差法、边缘检测法和基于彩色图像的色彩跳变检测法。
１）基于多帧平均法提取背景的背景差分法。 第一种背景差分法是在虚拟线圈内进行检测的。 依据式（１），利用多帧加权平均法［１０］进行背景的 更新。这种方法提取的背景会随着帧数的增多而 日益逼近真实背景。
Ｂ一（咒＋１）＝扣“（行）＋（１一口）ｆ“（以）（１） 提取背景后，再将当前帧与背景帧相减，并将 差值进行二值化处理，然后统计发生变化的像素 的数量，当变化超过噪声阈值后便认为有车辆经 过了虚拟线圈。若前１次未检测到车辆，而本次 检测到了车辆，则认为有１辆汽车经过，对其进行 计数（即通过检测像素灰度变化的“上升沿”，来防 止对车辆的重复计数）。实验结果如表１所列，通 过实验可以发现这种背景更新算法在实验初期提 取的背景易受车辆运动画面干扰，准确率受光线 影响较大，运行效果仍待提高。 ２）基于选择更新法提取背景的背景差分法。 第２种背景差分法是在虚拟检测线上进行的。采 用选择更新法Ｌ１妇（ｓｅｌｅｃｔｉｖｅ ｕｐｄａｔｉｎｇ）进行背景更
性要求。因此，在实际应用中很少对提取的整幅 监控图像进行检测，通常都是进行基于感兴趣区 域的局部检测，即基于虚拟线圈［６３或虚拟检测 线吲的检测。虚拟线圈和虚拟检测线的概念是与 传统的物理线圈和检测线相对应的，实际上是指 图像中的ｌ块矩形和线形检测区域。该区域的选 取一般是依道路的结构特征而定的，再结合图 像清晰度等因素，通常会选取在车道中央靠近摄
在分析了以上算法在不同检测环境中适用性差异的基础上，提出了１种修正的背景差分法，并在此基 础上实现了１种通用性更强的综合检测法。综合检测法结合背景差分法，边缘检测法和色彩跳变法
三者优点，可依据光线条件自动选择检测区域和检测算法，适用于多种检测环境，准确率超过９０％。
关键词 智能交通系统；车流量；视频检测
表４基于Ｃａｎｎｙ算子的边缘检测法实验结果
图３帧差法运行效果分析 表３帧差法实验结果
表５基于Ｓｏｂｅｌ算子的边缘检测法实验结果
１．２．３边缘检测法 边缘是图像的基本特征，通过边缘检测的方
法，利用车辆和路面信息纹理特征的区别可以进 行车辆的识别和跟踪。进行边缘检测的方法有许 多种。本文选取了两种较为成熟的边缘检测方 法［”］，Ｓｏｂｅｌ算子检测法［１３３和Ｃａｎｎｙ算子检测 法［１ ４｜，在虚拟线圈内进行了车辆检测，其检测效 果见图４。利用边缘检测算子提取出边缘图像 后，统计检测区域内边缘点的个数，然后依据道路 本身纹理信息不丰富，而有车辆经过检测区域内 时纹理信息会明显增加这一特点即可进行车流量 的检测。利用Ｃａｎｎｙ算子检测的结果见表４， Ｓｏｂｅｌ算子检测结果见表５。通过实验可以发现，
基子检测线的修 正的背景差分法
检 —测—车流１量—一
＿＜■森＞
国 Ｉ整墼童婆Ｉ
图５综合检测法算法流程
沿来对车辆计数的，所以车辆数增长的瞬间也应 属于检测线帧间灰度连续跳变的初期，此时的灰 度跳变次数也不应该很大。因此，对背景的更新 和车辆的计数都应该受帧间灰度跳变数不能过大 这一条件的约束。在原有背景差分检测算法的基 础上再加上帧间灰度跳变次数的限制就进一步增 加了程序的可靠性，大大减少了原有背景差分法 中对大型车辆重复检测的现象，取得了更稳定的 检测效果。
图４边缘检测运行效果图
１．２．４ 基于彩色图像的色彩跳变检测法 彩色图像具有比灰度图像更丰富的信息，但
是其数据量更大，处理复杂度也更高。为此，本文 研究了利用彩色图像的局部颜色跳变来检测车辆 的方法。由于车体本身的颜色分布具有一定的规 律性，因此当车辆经过检测线时，检测线上的色彩 值会发生一系列的跳变，理想情况下，应该可以检 测到检测线上对应色彩信号的８次跳变嘲。但是 由于受摄像机拍摄视角，高度及分辨率等的限制， 有时候在图像中并不能检测到检测线上的每一次 色彩跳变，故实验中将色彩的连续跳变阈值设为 ３，即当检测到检测线上发生连续３次以上的色彩 跳变时认为有车辆经过。如表６所示，这种方法 取得了不错的检测效果，但强光下也容易受阴影 影响。