基于视频的车辆检测技术及其在智能交通中的应用

基于视频的车辆检测技术及其在智能交通中的应用
智能交通系统(ITS)，随着信息技术、计算机技术、数据通信传输技术、模式识别技术、图像处理技术等学科的迅猛发展，得到了日益广泛的应用，极大提高了交通管理的智能化、科学化、规范化水平。

特别是计算机视觉技术的发展为提高交通系统智能化程度，提供了有效手段。

一、主要车辆检测技术及性能比较
依据车辆检测触发方式的不同，现有的车辆检测器主要分为以下几类：电磁感应、红外感应、微波感应、超声波、视频检测方式等。

电磁感应线圈（ILD）是一种普遍采用的方式，采用感应线圈应用到车辆检测中，开始于上个世纪70年代。

其基本原理是在路面检测区域敷设感应线圈，当车辆经过线圈上方时，线圈电感量会发生变化，利用这种变换来检测是否有车辆通过。

其优点是：该技术因为比较可靠的检测车辆，技术成熟、易于掌握，计数精确，同时系统稳定，受环境的影响较少。

价格低廉。

缺点是：安装过程对可靠性和寿命影响很大，维修或安装需中断交通，破坏路面，影响路面寿命。

同时线圈易被重型车辆、路面修理等损坏，而且它的维护难度大，不易移植，线圈容易在夏季断路。

红外传感器使用发射、接收器，发射光束并接收反射光束，
通过反射频率的变化进行对所需数据的检测。

优点：同一算法能够适用于昼、夜不同的时段，价格中等。

缺点：为了实现高灵敏度，可能需要很好的红外线焦平面检测器，来提高功率。

微波感应技术是利用雷达线性调频技术原理，对路面发射微波，通过对回波信号进行高速实时的数字化处理分析，实现车辆检测。

优点：能够应用于恶劣气候条件。

缺点：在车流拥堵以及大型车较多、车型分布不均匀的路段，由于遮挡，测量精度会受到比较大的影响，对安装高度要求严格，安装困难，价格也比较昂贵。

超声波检测器的原理是这样的，首先由传感器发射一束能量到检测区，然后接受反射回来的能量束，通过有关的换能装置，将能量转换成所需的数据，依据此数据判别被检测物是否存在或与传感器的位置。

优点：可靠性较高，易于安装。

缺点：性能随环境温度和气流影响而降低，价格较贵。

基于视频的车辆检测技术，通过摄像机实时得到交通场景，运用图像处理和模式识别的知识来检测车辆，得到了广泛的应用。

优点：易于安装调试，提供大量信息，价格适中。

缺点：夜晚及恶劣天气存在较大误差。

二、视频检测技术
（一）系统组成
系统所用的硬件有：摄像机、镜头、图像采集卡，计算机。

摄像机的功能是把光信号转换成电信号。

镜头是成像部件，图像
采集卡将摄像机输出的视频数据输入电脑，并转换成计算机可辨别的数字数据，存储在计算机中，成为可编辑处理的视频数据文件。

计算机则是根据编制的程序，对输入的视频数据进行分析，检测是否有车辆经过。

（二）主要方法及原理
基于视频的车辆检测技术，按照是否建立模型可以分成基于模型的和非模型的两类。

基于模型的方法中应用最广泛的背景减除(Backgr-ound subtraction)技术，即从当前帧和背景帧的差异来检测运动目标，因此运动目标的检测结果和背景好坏有直接关系，生成的背景应当独立于应用场景，对不同环境、光照有一定的适应能力，能够抑止摄像机的微小抖动和场景中微小运动，当场景发生显著变化时，应当能够自适应调整背景模型。

基于背景模型研究人员提出了不同的方法，
a、时间平均(tineaueragb)是最简单的方法，它对内存要求低，处理速度快。

b、采用最近n帧的中值作为背景模型方法。

以上两种方法对于场景中存在多个运动目标或目标运动缓慢时，前景会污染背景。

c、利用帧间差分(inter-frame differencd)信息来生成背景的方法，该方法能够应用于多个运动目标的场合，但更新率不容易选择。

d、用卡乐曼滤波器对每个像素建立模型来适应场景中的光照变化，其缺点是依赖于阈值的选择。

e、用K个高斯混合分布（Gaussian Mixture Model GMM）对每个像素进行建模方法，它解决了像素的多峰分布和缓慢变化的背景。

该方法假设像素符合高斯分布，实际像素颁布可能不满足该假设。

对于频繁变化的像素，需要多个高斯混合分布才能反映这种变化。

f、利用了图像变化的时间信息和图像空间信息，假设属于背景像素的邻域像素变化应当一致，但是对于存在显著差异的背景边界会引起误检测。

g、在整幅图像上进行特征值分解方法，充分利用空间相关性，它能取得较好效果，但要耗费大量内存，检测精度要低于高斯混合模型。

h、基于内核密度（Kernel Density Estination,KDE）估计的非参数背景模型，该方法能够适应不同的场景，不同于GMM，它充分利用最近的历史帧信息来更新背景模型，能够适应复杂的像素分布密度，因此能够得到较准确的估计，能够克服像素值在短时间内发生的频繁变化。

对于非模型的方法，最简单的是设定一个检测区域，即采用虚拟线圈的视频检测技术。

因为不依赖于特定的模型，因此实时性能好于基于模型的方法。

虚拟线圈的设置非常方便。

不需要切割路面、瑶族设线圈，观测范围大，维护、移植方便。

虚拟线圈
原理是在视频图像中设置检测线或检测区域来模拟感应线圈，当车辆经过检测线时，根据检测线像素的颜色、灰度等特征的变化来检测车辆。

基于虚拟线圈的方法因为其简单、易用、实时性高，因而得到广泛的应用。

此外，图像处理中的其他特征边缘，牌照等特征也可作为是否有车辆经过的依据。

图像边缘特征。

在车辆检测中主要表现在车辆头部的车牌照、通风栅格等存在着丰富的纹理信息，车辆在行驶过程中可以看作是做刚体运动。

因此可以依据边缘的密集程度来检测是否存在车辆。

此外，边缘对于光照变化有很强的鲁棒性。

牌照则是车辆身份的唯一标识，因此也可以把牌照作为车辆通过的依据。

（三）技术难点分析
1、高实时性
考虑高速公路的实际需求，对于车辆的检测不仅仅是统计车流量，还需要更精细的统计，如分车道、分车型、分时段统计车流量，对违章车辆进行抓拍，有的甚至要求只要有车辆通过就要抓拍车辆图片，进行存储，以备需要时查询。

因此，要求视频检测系统应当具有较高的实时性。

但是系统的实时性不仅取决于硬件的性能，也有赖于具体算法的实现。

一般说来，算法的复杂程度和检测的效果成正比。

因此，如果要保证实时性，就需要部分牺牲检测精度。

2、较高的准确度
通过视频车辆检测技术得到的交通流量数据，应当具有较高的可信度。

这部分有赖于算法的性能。

如前所述，精度和实时性是一对矛盾。

提高检测准确率，可能会影响实时性。

3、全天候工作
高速公路全天24小时运营，因此需要视频检测算法能够适应白天和晚上不同的光照条件。

同时算法应该克服白天的光线显著变化、阴影的影响，对晚上车灯的强光干扰应该有一定的鲁棒性。

此外对于恶劣天气如雨、雪、雾等的处理有一定的难度。

4、遮挡问题
无论是微波还是超声波检测技术，当存在车辆遮挡时，出现漏检测情况。

视频检测技术可以依据车辆的轮廓等先验知识部分解决这个问题，但是当视野较宽，小车被大车遮挡时，视频检测技术就无能为力。

为了解决遮挡问题，需要双目视觉来实现。

5、车辆跟随时的检测
感应线圈、微波、超声波、视频检测技术都面临着如何当面前后两辆车距离很近时，怎样把这两辆车区分开的技术难点。

三、视频车辆检测技术的应用
基于视频的车辆检测技术除了能提供传统检测技术的交通参数，如车道占有率、车流量、车辆行驶速度等基本参数，还能够提供分车道、分车型、分行驶方向的更为全面的统计。

更为重要的是能够提供经过车辆的图片。

因此，基于视频的车辆检测技术不仅能够广泛的应用于高速公路、普通路、桥梁、隧道等的交
通参数的实时统计，还可和牌照识别技术配合有效抑止、乃至杜绝高速公路收费中的倒卡作弊行为。

视频检测技术和雷达测速配合使用，对超速车辆进行抓拍，可以提高高速执法力度，减少违章行为，减少事故发生。

总之，基于视频的车辆检测技术在智能交通中应用越来越广泛，在智能交通的发展过程中将起到越来越重要的作用。