车流信息

车流信息（通用7篇）

车流信息 篇1

摘要：城市中的交通拥堵现象也越来越严重的现状, 对我国社会经济的快速发展, 造成了很大影响, 并且严重影响我国的城市化进程。对城市交通流信息监控的最有效的技术浮出水面.目前, 相关技术比较成熟的是:智能交通系统, 其简称为ITS。ITS的应用领域有:机场、客运货运站调度、港口, 交通导航、定位工具以及自动协调监控, 交通信息的交互式服务平台等等。解决城市交通拥堵现象的有效措施其中有扩展城市的道路, 但是, 此方法存在以下缺点:占用土地资源、建设费用巨大以及建设周期长等等。为了克服上述缺点, 增加现有道路的有效利用, 采取措施, 加强道路上的交通流的监控, 对车流进行合理的疏导、分流, 因此RFID的车流信息监控系统就显得十分必要。

关键词：RFID,车流信息,监控系统

1 研究背景及意义

射频识别 (Radio Frequency Identification RFID) 是一种利用无线射频技术实现物体感知, 不需直接接触而可进行信息传递的自动识别技术, 具有无机械磨损、适应于大规模部署, 寿命长、可工作于恶劣环境等特点。RFID技术可以实现全球范围内物体的感知、跟踪与信息的共享, 并最终构成联通万事万物的物联网。RFID技术是实现物联网的关键技术, 已被广泛应用于交通运输、物品跟踪, 生产制造, 公共安全、健康医疗、资产管理等各个领域。

1.1 RFID系统工作原理

RFID系统运行时, 是后端系统、读写器和标签之间的交互。后端系统和读写器之间的互动与传统网络方式类似, 读写器和标签之间的交互是通过读写器的天线与盘绕标签的天线建立的电磁场进行的 (如图1) 。

目前主要采用的RFID标准体系有国际标准化组织ISO/国际电工委员会IEC的ISO/IEC标准、EPC标准和日本UID标准, 下面主要对ISO/IEC标准、EPC标准进行介绍[48-49][120] (如图2) 。

1.2 研究挑战与创新点

资源约束:RFID系统中, RFID标签资源较少, 计算能力较低, 存储空间较少, 难以在其上采用一些目前在传统信息安全领域已经被证明是具有较好安全性, 使用效果也比较好的安全技术。

2 车辆监控技术

对车辆自身的运行状况进行监控:此技术在汽车自动控制方面非常重要, 对于汽车的安全防护也起到非常大的辅助作用, 监控的对象包括:汽车行驶车速、发动机运行参数、气体含量等等。

3 现有监控技术

视频监控技术:在视频监控技术中, 其主要运用的技术有:采集视频技术、处理图像技术, 最主要的是检测图像的算法。视频采集模块主要采集车辆两方面的数据:车辆的静态信息和动态信息。车辆的颜色、车牌号、大小、体积等就是所谓的静态信息;车辆的车速以及运动路线、趋势等就是所谓的动态信息。

4 车流监控系统的工作原理

利用有线网络将道路的监控视频传输到监控中心是我们传统的流量监控方式。通过GPRS将数据信号传输到监控中心, 对于交通拥堵情况进行智能判断。如果判断出拥堵现象, 系统会智能的通知相关工作人员进行及时的调整;与此同时, 系统将出现交通拥堵情况发布到信息交流平台, 让更多的司机及相关人员获得信息, 缓解拥堵情况。

5 结语

伴随着我国城市化进行的加快, 城市交通拥堵现象将会经常出现, 并且将会长久的存在此现象, 这是影响我国城市化进度的重要原因。为了缓解以及解决城市交通拥堵现象, 我们要积极的采用先进技术, 对于现有的交通道路的潜力进行最大限度的挖掘, 尽可能的解决交通拥堵现象。通过对车流量的监控, 以及对车流量进行合理分流、交通线路的优化等, 改善我国城市交通现状。

参考文献

[1]杨兆升.城市交通流诱导系统[M].北京:中国铁道出版社, 2012:5-13.

[2]王广宇.车辆牌照识别技术研究综述[J].郑州轻工业学院学报, 2001, 16, (2) :47-50.

基于视频的车流量检测算法 篇2

传统的车流量检测技术多应用到感应线圈、 微波、 红外光、 超声波、 激光雷达等, 其中感应线圈相关设备技术成熟且原理简单, 但在布置使用过程中会对自身准确性以及使用寿命造成影响。 微波的使用在车辆缓慢行驶或者处于静止的情况下, 多普勒系统将会无效。 运用超声波的相关设备安装便捷、 设备体积较小, 但容易被外界环境所影响。 运用激光雷达的相关设备安装较为复杂, 获得的相关信息不全面。 基于视频的车流量检测是通过处理数字图像的方法来获取相关交通流量信息, 优越性显而易见, 其主要有以下优点:(1) 视频摄像仪器安装便捷, 成本较低, 且摄像仪器损坏率较低。 (2) 可以获得较高质量的图像用以分析, 能够给相关交通部门提供可靠直观的图像。(3) 随着计算机技术和图像处理技术的不断发展, 满足了车流量检测系统的可靠性和实时性。

1视频检测的主要方法

1.1虚拟检测线圈法

虚拟检测线圈法的工作原理类似于地埋式线圈检测器, 用户在图像上定义监测区域的位置, 当车辆经过该区域时, 必然会引起局部区域的视觉信息变化, 系统通过虚拟检测线圈内图像变化的特征来判断车辆经过与否, 进而可以计算车流量。 该方法程序运算量小, 提高了系统的实时性, 但由于未充分利用图像信息, 降低了系统的可靠性。

通常情况下, 虚拟线圈的设置主要分为两种, 检测线和检测线圈。 如图1所示。

1.2车辆跟踪法

基于目标跟踪方法的车流量统计算法的整体思路是:通过识别出交通场景图像中符合车辆特征的像素, 进行图像分割, 并依据提取出的特征来匹配前后两帧图像中的车辆, 对该目标进行识别和锁定, 得到车辆运动的轨迹, 从而完成对车流量的统计。 主要方法有: 基于模型法、 基于区域法以及基于动态轮廓法, 但基于车辆跟踪法的车流量统计, 实时性有待提高。

2总体思路

采用基于虚拟检测线的的方法来统计车流量, 首先对采集的图像进行预处理, 后利用高斯混合背景模型进行背景建模, 利用背景差分法提取前景目标, 再在前景图像中利用数学形态学检测变化的连通图像块区域的面积及包含连通区域的最小矩阵, 并且对检测出的运动车辆进行框画。 最后根据超过检测线的连通区域图像面积占整个连通区域面积的比值来判断是否有车辆经过, 完成计数。 具体流程图如图2所示。

3车辆检测及计数

3.1图像预处理

(1) 滤波处理: 从视频文件中提取出图像并转化成灰度图, 利用改进的自适应中值滤波法对图像噪声进行去除。

(2) 对比度增强处理: 图像内各像素的灰度值是图像的重要数据, 但是受到输入设备及环境的影响, 往往得不到图像的理想灰度值, 或会产生图像细节不清、 画面模糊、 灰度变化不明显等问题, 因此, 需要对图像的每一灰度级进行变换, 扩大图像的灰度范围, 从而增强图像的清晰度。 故将采用直方图均衡法增强对比度。

3.2背景建模

混合高斯背景模型是一种直观的概率密度模型, 反映了某段时间内图像运动的统计特征, 混合高斯背景模型通过多个高斯概率密度函数的加权平均来平滑的近似任意形状的密度分布函数, 使用均值和标准差来描述目标特征, 然后利用统计差分进行目标像素判断, 混合高斯模型使用K (基本为3到5个) 个高斯模型来表征图像中各个像素点的特征, 在新一帧图像获得后更新混合高斯模型, 用当前图像中的每个像素点与混合高斯模型匹配, 如果成功则判定该点为背景点, 否则为前景点。

在实际情况下, 背景会随着光线变化又或者新背景的加入而发生变化, 因此在交通视频系统中, 基本采用自适应的方法来建立背景模型。 而混合高斯背景模型在背景较为复杂, 光线有变化的情况下, 可以很好地重建背景, 且能实现背景的实时更新, 是研究运动目标检测最有效方法之一。

3.3车流量统计的图像识别算法

车流量统计的图像识别算法的具体步骤为: 首先确定检测线在图像中的位置, 进行图像分割, 后对分割图像中的每个连通区域进行分析, 若在感兴趣的区域内连通图像块的面积占整个连通区域面积的40%以上时, 便认为是车辆, 进而进行计数。 具体流程图如图3所示。

对经过预处理之后的图像首先进行连通区域的标记, 运用了一种二值图像连通区域标记的算法[6], 算法综合了线标记法和区域增长法的优点, 把连通区域的目标段作为区域增长的 “种子段” , 充分利用区域的邻域信息, 对图像只需要进行一次扫描就可以标记出所有连通区域。 完成连通区域标记后, 利用数学形态学提取二进制图像的面积和包含连通区域的最小矩阵, 并且对检测出的运动车辆进行框画。

检测线设置在图片坐标Y轴22到23距离内, 车辆超过检测线的部分设置为感兴趣区域, 当车辆经过检测线后, 计算感兴趣区域内的连通区域图像面积占整个连通区域的比值, 当比值超过40%时认为有车辆经过, 并且计数。 高速公路现场获取的车辆图像, 偶尔会存在异常噪声的干扰, 如动物、 垃圾等, 为了提高计数统计的精度, 可以确定一个基本面积n1, 当提取的连通区域面积小于基本面积n1时, 视其为噪声, 不参与计数。

4实验结果

实验所用视频图像分辨率为160*120, 帧速为15帧/秒, 选取图像坐标Y轴22到23区间作为检测线。 利用Mat- lab2014a进行仿真分析。 实验结果如图4所示。 图4a表示汽车通过时的原图, 图4b表示前景提取图, 图4c表示对车辆计数结果显示。

5结语

提出基于图像连通区域的车流量检测算法, 运用高斯混合模型的优势进行背景建模, 通过背景差分法提取运动目标, 利用数学形态学检测变化的连通图像块区域的面积及包含连通区域的最小矩阵, 并且对检测出的运动车辆进行框画。 最后根据超过检测线的连通区域图像面积占整个连通区域的比值来判断是否有车辆经过, 完成计数。

摘要：实现了一种基于虚拟检测线的道路车流量检测算法。利用高斯混合背景模型进行背景建模,检测出包含运动目标的图像块,系统根据超过检测线的连通区域图像面积占整个连通区域面积的比值来判断是否有车辆经过,进而实现车流量统计。

基于机器视觉的车流量检测算法 篇3

实时准确的车流量检测技术是智能交通系统中的重要组成部分,是进行交通监控、道路管理调度的基础。传统的车流量检测方法如地感线圈法、超声检测和红外检测法,存在安装不便、设备价格昂贵、易受干扰等各方面的问题。而随着计算机和图像处理技术的飞速发展,基于机器视觉和图像处理技术的车流量检测技术,因具有安装维护简便、应用范围广等优点,越来越受到国内外学者的关注[1,2],已成为该领域研究的热点。2007年张永丽等在交通流检测中运用自适应背景初始化算法,根据车流情况自动确定所需要的帧数,同时采用窗口截取方式只对窗口内图像进行计算,取得了较好的效果[3]。2007年陈望等提出了一种道路背景提取新方法,且利用车辆中心的连续匹配来确定车辆数目,获得较高的准确率[4]。2007年罗东华等提出基于边缘信息的背景差车流量检测方法,采用动态开窗的方式进行车辆计数[5]。2010年郭怡文等通过背景差分方法实现图像分割,使用虚拟检测线实现车流量的检测[6]。2010年李宇成等针对图像容易受光线变化及相邻车辆阴影影响的问题提出基于车辆图像能量差分的车流量检测方法[7]。这些方法需要在图像上设置一检测线或一检测区域,以用来对车辆进行计数,而检测区域的位置和大小若设置不合理将会造成车辆漏检或重复计数,从而影响车辆计数的准确度。为此,提出不需设置检测区域,将车流图片处理后通过神经网络的方法进行车流量检测的方法。

1 车流量检测算法

基于机器视觉的车流量检测,是通过安装在道路旁边或者天桥支架上的摄像机和图像采集设备将实时的图像信息采入,经过对图像处理分析得出车流量的信息。本文通过图像处理和神经网络相结合的方法进行车流量检测。

目前,对获取的车流图像进行处理的方法很多,包括帧差法、背景差法、光流法和边缘检测法等,其中背景差法是较常用的车流量检测方法。背景差法的基本原理是利用两幅图像之间的差来判断物体的出现和运动,即计算当前图像与一个固定的静止参考图像(背景图像)的差值,从而得到图中的车辆数。同时,许多学者针对背景差法存在的局限及不足也进行了很多改进和完善[3,4,6]。在背景图像准确可靠的条件下,背景差法往往具有处理速度快和精度高的优点。为此本文采用基于背景差的方法进行车流图像的处理。首先将当前获取图像与背景图像进行差值计算,判断图中是否有车辆。若图中有车辆,则对图像进一步进行滤波、开运算、转化为灰度图、增强对比度等处理后,将图像转化为二值图,从而把车辆从图片中提取出来,最后通过统计图中连通区域个数来得到图中车辆总数。车流图像处理的结果如图1所示。

基于神经网络具有的非线性拟合能力及在预测领域的广泛使用,这里采用BP网络进行车流量的估测。在获得图片中车辆数目后,将某一时段内拍摄得到的每幅图片的车辆数作为网络的输入,该时段内图中的车辆总数作为网络输出,最终车流量即为网络的输出与检测时间的比值。通过对已知样本数据的学习,确定隐层的神经元个数与相应的网络连接权值,可最终建立基于背景差法的车流量检测的神经网络模型。

2 实验结果与分析

实验通过在天桥上拍摄某车道上的图像进行车流量检测。对每次车流量检测采用图像四连拍的方式,时长1.2 s,共采集了25组四连拍数据。所得到的25组图片中每幅图中实际的车辆数如表1所示,同时将每张图片进行上述基于背景差法处理后,得到经图像处理获得的车辆数,如表1所示。表中总车辆数为在四连拍时间段内实际通过的总车辆数。

通过构建神经网络进行车流量估测。将四连拍得到的四幅图像的车辆数作为网络输入,四连拍时间段内通过的总车辆数作为输出,构建4×10×1的BP网络结构。将数据归一化处理后,用前19组四连拍数据作为训练样本,后6组数据作为测试样本,最终建立车流量检测的神经网络模型。利用建立好的模型对后6组测试样本车流量进行估测,结果如表2所示。

从表2中可看出,有3组样本测试准确率达到100%,有两组准确率在85%以上,只有第3组测试样本误差较大,原因除了图像处理中的误差和BP网络的误差外,主要由于总车辆数值较小时,一辆车的误差也会大大影响准确率值。当检测的时长增加时,准确率将进一步提高。

3 小结

针对基于机器视觉的车流量的检测,提出了将背景差法和神经网络相结合的检测方法。通过将当前图片与背景图片差值计算及图像二值化处理得到图片中的车辆数,再利用神经网络估测得到当前的车流量。实验结果表明,提出的方法用于车流量的检测是有效可行的。

摘要：准确的车流量检测是实现智能交通管理的基础。提出了一种将背景差法和神经网络相结合的车流量检测算法。首先计算当前图像与背景图像的差值,判断图中是否有车,并在此基础上得到车辆数目,然后通过神经网络实现对一个时段内通过车辆数目进行估测,进而得到该时段内的车流量。实验结果表明,提出的方法用于车流量的检测是有效可行的。

关键词：车流量检测,背景差,图像处理

参考文献

[1]STAUFFER C,GRIMSON W.Adaptive background mixture modelsfor real-time tracking[J].IEEE Computer Society Conference on Computer Vision and Pattern Recognition,1999(4):246-252.

[2]TSENG B L,LIN C Y,SMITH J R.Real-time video surveillance for traffic monitoring using virtual line analysis[C]//Proceedings of2002 IEEE International Conference on Multimedia and Expo.[S.l.]:IEEE Press,2002,2:541-544.

[3]张永丽,张太镒,毕建民.基于自适应背景初始化的车流量检测算法[J].微电子学与计算机,2007,24(5):138-140.

[4]陈望,陈兵旗.基于图像处理的公路车流量统计方法的研究[J].计算机工程与应用,2007,43(6):236-239.

[5]罗东华,余志,李熙莹,等.基于边缘的背景差法在车流量检测中的应用[J].光电工程,2007,34(11):70-73.

[6]郭怡文,袁飞虎.基于背景差分的多车道车流量检测系统[J].电光与控制,2010,17(9):90-93.

一种新型多车道车流量检测算法 篇4

本文提出一种基于现有路面标记的新型自动车辆检测算法, 创新之处在于满足快速准确识别车辆的前提之下, 算法简单、高效, 无需在交通路面做额外的辅助记号, 仅仅借助道路路口等待交通信号灯处的白色停止线, 计算检测带内图像灰度值方差, 即可识别出运动车辆;并且不需要建立复杂的背景模型, 就能够实现多车道车流量检测, 满足车流量检测实时性的要求;此外, 算法不受阴影干扰, 有效地解决了因阴影粘连造成的车辆误检问题, 算法鲁棒性好。

1 检测算法

分析发现, 当路面有车辆通过时, 必然引起视觉信息变化, 只要检测出因运动车辆造成的视觉信息变化特征, 就能够提取运动车辆。据此思路设计检测算法, 整体流程如图1所示。

首先对图像进行预处理, 将彩色空间图像转换成灰度图像, 这样在后面的数字图像处理过程中, 可以大大降低运算复杂度, 接着选定灰度图像中感兴趣区域, 并对其进行对称处理, 将计算感兴趣区域 (检测带内的图像) 的灰度值方差与预先设定好的阈值进行判断比较。如果求得的灰度值方差大于Tmax, 则判断为当前帧含有车辆;如果求得的灰度值方差小于Tmin, 则判断为当前帧没有车辆。最后进行车流量信息统计, 由历史帧信息可以知道, 如果前一帧图像含有车辆, 当前帧没有车辆, 则可以认为车辆刚刚离开感兴趣区域, 从而可以对车辆计数器进行加1;如果前一帧无车辆, 当前帧有车辆, 则认为车辆刚刚进入感兴趣区域, 此时不进行加1。也就是说当车辆离开感兴趣区域时, 车辆计数器进行加1, 处理完之后可以读取下一帧进行处理。

1.1 图像的预处理

为了获取图像灰度值, 首先要将采集来的彩色图像转换为灰度图像。彩色图像是由R (红色) 、G (绿色) 、B (蓝色) 三基色合成, 如果直接处理从摄像机获取的连续彩色图像序列, 其运算量是灰度图像的3倍, 为了减少运算量, 提高车辆检测的实时性, 彩色图像的转换是必需的。RGB彩色图像到灰度图像的转换公式如下

式中:Y为转换后的灰度图像的灰度值, R, G, B代表彩色图像三基色分量的值。

1.2 截取检测带

从检测车流量角度分析, 设置检测带的好处:一方面, 不需要对整幅图像进行处理, 可减少计算量, 因为检测带内包含判别所需的足够信息, 只需对检测带内的像素点进行处理, 即可进行判决;另一方面, 设置含有路面标记的检测带能够方便地解决由路边建筑、树木产生的静态阴影和运动车辆引起的运动阴影。当有车通过检测带时, 车身将会覆盖路面标记, 使路面标记不可见, 从而使检测带内的图像灰度值方差发生明显的变化。否则, 不论检测带内的路面标记是否处于阴影中, 该标记都应该是可见的, 并且图像的灰度值方差在一个很小的范围内波动。

检测带位置的选取应充分考虑摄像头安装的高度和倾角的影响, 首先路面标记应清晰可见, 其次要考虑车辆跨线行驶的问题, 设置的检测带要避免出现1辆车同时通过相邻的2条车道。

检测带的高度要充分考虑车辆的前后间距, 避免出现前车遮挡后车的问题。检测带的高度不能过小, 否则包含的信息量过小, 求得的图像灰度值方差变化不足以用来判断车辆有无通过。另一方面, 检测带的高度也不能过大, 否则前后两车同时出现在带内, 引起误判。通常, 前后两车在图像上大约间隔40~50个像素, 所以检测带的高度不能大于40~50行。

检测带的宽度设置要考虑车辆在行驶过程中出现车辆跨线行驶, 部分车身进入相邻车道, 导致相邻车道误判的问题。为防止该现象造成不良影响, 检测带的矩形区域不可以完全覆盖所要进行车流量检测的车道, 应在车道两边同时留有一定的宽度。

1.3 图像灰度值方差的计算

首先在每个车道感兴趣区域设置检测带, 如图2所示, 并对检测带内的每帧灰度图像从中间做一次对称分割, 分成均等的图像a和b, 如图3所示。平移图像b, 使其左侧与图像a的左侧相对应, 如图4所示。然后求对应像素点的灰度值方差, 最后将各点方差相加, 即得到该帧图像的灰度值方差S。

对检测带内灰度图像各点像素值用矩阵A表示

矩阵AL和AR分别表示对称分割后的图像a和b

a和b图像对应像素点的灰度值相减可用矩阵δ表示

求得检测带内图像的灰度值方差S

由于图像是对称分割的, 理想条件下, 无车通过时矩阵AL和AR对称相等, 那么灰度值方差S趋近0;有车辆通过时, 会引起检测带内图像灰度值发生显著变化, 在矩阵AL和AR中会出现部分元素不相等的现象, 那么灰度值方差S会远远大于0。

1.4 统计车流量

首先根据判决条件来判断有无车辆通过检测带, 判决条件如下

式中:Tmin表示无车辆通过时灰度值方差的最大值, Tmax表示有车辆通过时灰度方差的最小值。

现实条件下, 无车通过时, 图像像素值不是完全对称相等的, 所以S趋近于一个很小的值Tmin;当车辆通过检测带时, 图像的灰度值会发生很大变化, 使得S远远大于Tmin。通过图像灰度值方差S与阈值Tmin和Tmax比较, 如果S小于Tmin, 则表示当前帧无车辆存在, 判断当前帧为“0”;如果S大于Tmax, 表示当前帧有车辆存在, 即判断当前帧为“1”;如果S大于等于Tmin且小于等于Tmax, 则标记为前一帧的判断结果, 即状态保持不变。若前一帧为状态“1”, 而当前帧为状态“0”时, 则计数加1。

分析发现, 阈值Tmin和Tmax的恰当选择是影响系统检测性能的关键因素。为此, 任取一定帧视频图像样本 (此处取5 000帧) 做灰度值方差统计, 结果如图5所示。

由图5可知, 无车辆通过检测带时, 图像的灰度值方差趋近于0;当有车辆通过检测带时, 图像灰度值方差的变化十分显著, 形成一个很高的窄脉冲, 其数值远远大于0。而无车辆通过时, 检测带内灰度值方差出现微小波动, 是由阴影、光线变化或噪声所引起, 对判决阈值的选取不会产生干扰。经过反复实验, 本文设置阈值Tmin=0.03, Tmax=0.1。

2 实验结果与分析

为了验证算法的可行性, 对交通路口车流量视频进行了大量实验。本文在Visual Studio 2008平台下, 利用Open CV库编程实现, 并且设计了友好的人机交互界面, 如图6所示。其中读入视频的帧率为25 f/s (帧/秒) , 现取2段不同天气、不同路口的车辆视频为代表来进行说明, 如表1所示。多车道车流量检测结果如表2和表3所示。表4给出了不同车辆检测算法的检测正确率对比。

对基于视频图像的车流量检测来说, 摄像机的安装位置以及采集的视频图像质量是影响其检测准确性的关键性因素。本文中所选用的视频图像, 由于摄像机不是在垂直于车辆停止线的位置拍摄, 使得图像中两车之间的跟车距离比垂直角度拍摄所得到的图像中两车之间的距离要小;此外, 个别车辆跟车距离过小, 会导致前车未完全驶出检测带, 而后车驶进检测带, 即两车同时在检测带内存在的情况, 造成车辆漏检。视频1中车辆漏检正是由于前后车距过小, 被算法误认为同一车辆, 从而造成漏检;而车辆重复计数是由于车体过大, 车顶变化较大, 车速又过慢, 可能造成程序的重复计数。视频2中车辆多检是由于车辆行驶在相邻两条车道中间, 即车身同时进入两条车道的检测带内, 造成相邻车道车辆的重复计数。

由实验结果可知, 本文采用计算图像灰度值方差的方法进行车流量检测, 能够排除车辆阴影的干扰, 不受光线变化、阴影的影响, 对环境光线的变化具有很好的鲁棒性。同时, 该算法简单, 具有较高的准确率。由表4可以看出, 本文提出的算法检测车辆准确率明显高于其他算法。

算法在Intel CPU 3.4 GHz, 内存2 Gbyte的计算机上运行, 处理一帧图像只需25 ms, 即每秒可处理40帧 (视频帧率25 f/s) 。且算法复杂度低, 运算量小, 对i行×j列的检测带, 只需做i×j次减法, i× (j-1) 次加法, i×j次乘法。

3 总结

本文利用图像的对称性, 通过计算图像灰度值方差的方法来识别运动车辆, 通过为每个车道设置独立的检测带, 每个车道可以独立完成本车道车辆检测, 实现多个车道并行处理。该方法简单有效, 与传统基于路面标记的车辆检测算法相比, 不需要对路面做额外的辅助标记, 对正常的交通控制管理不会产生不利影响;另一方面, 该方法无需建立高效的背景模型, 算法简单, 计算量小, 易于实现, 检测车辆的准确性高, 鲁棒性好, 为智能交通灯控制系统提供有效的参数。

摘要：为了实时有效地检测道路路口车流量信息, 并为交通控制和管理提供准确的交通流数据, 提出了一种新型的车流量检测算法。通过利用现有的路面标记进行图像对称分割并计算图像灰度值方差, 来判断有无车辆通过, 进而实现车流量计算。仿真结果表明, 该算法不仅简单, 易于实现, 而且检测准确率高, 实时性好, 能够有效地为智能交通灯控制提供信息数据。

车流信息 篇5

古城互通立交为丹东至拉萨国道主干线(古城)-本溪(南芬)高速公路的起点,位于丹东市西北12km的古城村,丹沈高速公路与丹大高速公路的接点附近,为单喇叭B型方案,此立交已于2002年建成通车。在古城互通立交东南方向600m附近为拟建的古城子互通式立交(为区分上述古城互通立交下称古城枢纽立交),此立交隶属于拟建的鹤大高速公路桓仁新开岭(辽吉界)至丹东古城子段高速公路项目。此立交为鹤大高速与丹大、丹沈高速交通流相互转换的枢纽互通,交通量较大,但交通量分布不均,根据互通的预测转向交通量、互通区内地形、地物的干扰,综合利用已建成古城子互通预留加宽的金场右幅大桥,结合地形、地物条件,拟设立交采用单喇叭B型方案。根据拟建的鹤大高速公路桓仁新开岭(辽吉界)至丹东古城子段主要控制点与基本走向,同时受地形、地物限制,决定了拟建的古城枢纽互通立交与已建成的古城互通立交间距较小,特别是拟建古城枢纽立交通化至沈阳方向匝道入口与已建成古城互通立交大连至丹东方向匝道出口距离严重不足,仅能满足《公路路线设计规范JTJ011-94》中规定的加速车道及渐变段长度要求,因此将古城枢纽立交通化至沈阳方向匝道不设置渐变段,与已建成古城互通立交大连至丹东方向减速匝道之间设辅助车道,长度约60m,将两互通立交连接在一起构成复合立交。如此设计造成了通化至沈阳、丹东方向的转弯车流与大连至沈阳、丹东方向车流的交织,干扰到主线车流的通畅,留下了交通安全隐患。

立交形状及存在问题如图1所示。

为了解决高速公路上车辆交织的问题,并且本着尽量减少对原古城互通立交影响的原则,提出以下三个方案,通过各个方案的优缺点比较最终确定合理的设计方案。

2 方案一(匝道绕行方案)

将古城枢纽立交通化至沈阳方向匝道分成两条匝道进行分流,第一条匝道是将此匝道上通化至沈阳方向的交通流分流后汇入原古城互通立交丹东至沈阳方向匝道,然后一同进入丹沈高速。第二条匝道是为通化至丹东方向的交通流单独设置,经原古城立交匝道桥边孔后汇入大连至丹东方向的内环匝道。通过把通化方向汇入丹沈高速的交通流分流到两条新增设的匝道上,来消除与主线上车流的交织,解决原方案中由于交织段长度较小存在的安全隐患。

方案一如图2所示。

此方案的优点是解决了高速公路上的车辆交织问题,且对原有古城立交匝道的影响较小,最大限度的利用了原有匝道;另外在施工期间对古城互通立交的交通影响较小。缺点是由于增设的外环匝道导致占地、拆迁等工程数量增加,需要新建桥梁100m,增加土方30858m3,增加占地4.1亩,拆迁房屋96 m2。另外丹通高速通化至沈阳方向的交通流需要多绕行300多米才能汇入到丹沈高速,丹通高速通化至丹东方向的交通流与丹大高速大连至丹东方向的交通流在古城互通立交的内环匝道(R=55m)汇流。施工期间对原古城立交匝道上的交通会有所影响。

3 方案二(集散车道方案)

根据《公路路线设计规范》(JTG D20-2006)11.5.5中的第二、三条规定:当不能保证主线出入口间的应有距离或遇转弯车流的紧迫交织干扰主线车流时,应采用与主线相分离的集散车道将出入口串联起来。集散车道由行车道、硬路肩组成(集散道断面见图3(b)),集散道与主线间应设边分割带。此方案就是通过设置符合现行路线规范要求的集散车道来解决车辆的交织问题。在丹大高速公路上设置通过原古城互通立交匝道桥边孔的减速车道形成标准的集散车道,将丹大高速大连至丹东方向、丹通高速通化至丹东和沈阳方向的车流汇集到集散车道上来避免与主线车流的交织。此方案中减速车道长217m,满足《公路路线设计规范》(JTG D20-2006)表11.3.7-3变速车道长及相关参数中的长度要求。匝道上相邻入口的距离为126.053m,不满足《公路路线设计规范》(JTG D20-2006)表11.5.5中匝道上相邻入口间的长度要求。此方案集散车道最终汇流至古城互通立交丹东至沈阳方向的双车道匝道,此匝道加速车道部分利用现有匝道(此部分已于2002年建成通车),所以该匝道的设计满足当时采用的《公路路线设计规范JTJ011-94》中规定的加速车道及渐变段长度要求。集散车道交织段长259.331m,能满足行车安全的要求。

方案二如图3所示。

此方案的优点是通过在丹大高速公路上设置集散车道同样解决了原古城互通立交中主线上的车流交织问题,并且部分技术指标能满足规范的要求;同时对原古城互通立交影响较小,除内环匝道需要拆除改造外,其余的各条匝道都可以利用。缺点是为了减少对原古城立交的影响,降低了立交区的部分指标。由于集散车道从原古城互通立交匝道桥的边孔通过,挤压了主线到外环间的距离,导致改造后的内环半径由原来55m降低到50m,仅仅能达到匝道设计速度40km/h的圆曲线最小半径的极限值。此方案虽不需要额外征地,但由于集散车道的设置和内环匝道的改造,增加土方82230m3,比方案一多增加路面3950m2,拆除原内环匝道也需要一部分的费用。另外施工期间会影响大连至丹东方向的内环匝道交通。

4 方案三(集散车道方案)

此方案也是通过设置符合现行路线规范要求的集散车道来解决交织问题,与方案二相比此方案对原古城互通立交的改造更大、更彻底。使其各方面完全满足现行《公路路线设计规范》(JTG D20-2006)的标准要求。此方案中减速车道长218m,满足《公路路线设计规范》(JTG D20-2006)表11.3.7-3变速车道长及相关参数中的长度要求。匝道上相邻入口的距离为187.548m,满足《公路路线设计规范》(JTG D20-2006)表11.5.5中160m的长度要求。此方案集散车道也汇流至古城互通立交丹东至沈阳方向的双车道匝道,此匝道加速车道部分改造后长352.823m,满足现行的《公路路线设计规范》(JTG D20-2006)表11.3.7-3变速车道长及相关参数中的长度要求。集散车道交织段落长296.69m,能满足行车安全的要求。

方案三如图4所示。

此方案优点明显缺点也突出。优点是设置集散车道同样解决了原古城互通立交中主线上的车流交织问题,并且各项技术指标均能满足现行规范的要求,完全消除了拟建的古城枢纽立交匝道对原古城互通立交的影响,提高了原古城互通立交的设计标准,对安全行车更为有利。缺点是需要对原古城立交的三条匝道进行改造,导致在施工期间对立交区的交通影响很大,需要部分时段封闭交通,造成交通断流。另外由于三条匝道的改造造成此方案工程量最大,需要新增占地12.3亩,增加土方204230m3,增加路面16420m2,拆除原古城互通立交匝道也需一笔费用。

5 方案最终选择

综上所述,方案二中改造后内环匝道半径要取用匝道圆曲线半径的极限值,安全隐患较大,并且施工期间内环方向的交通流要受到较大影响,故此方案被排除掉。方案三对原古城互通立交改动过大,工程造价过高,并造成施工期间部分交通封闭断流,交通组织无法进行,故此被排除掉。方案一虽然也有一定的缺点,但考虑到2031年互通立交的预测转向交通量较小以及施工期的交通组织等各方面因素,最终选择方案一。

参考文献

[1]JTG D20-2006,公路路线设计规范[S].

[2]张雨化.道路勘测设计[M].北京:人民交通出版社,1997.

车流信息 篇6

关键词：智能交通系统,车流量,视频检测

0 引 言

随着经济的高速发展,城市交通逐渐成为社会普遍关注的热点和难点,智能交通系统(intelligent traffic system, ITS)便应运而生。其中车流量检测是该领域的关键。

车流量检测的基础是车辆的检测,目前已有很多机构对基于视频分析的车辆检测算法进行了研究,常用算法主要有:灰度比较法、背景差分法[2]、帧差法[3]、边缘检测法[4]。灰度比较法算法简单,对环境光线的变化十分敏感,在实际系统中应用较少。而其他几种检测算法虽然在特定的环境中可以取得不错的检测效果,但通用性较差,很难适应复杂多变的现实环境。为此,提出1种修正的背景差分法,并在此基础上实现了1种综合检测法。

1 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-SR12E数码摄像机按照720pix×576 pix ,25 帧/s,10 min左右为1组,采集的交通流视频作为素材。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。

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[6]或虚拟检测线[7]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1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像头的位置[8]。

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。

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。

$B{}_{i,j}(n+1)=\alpha B{}_{i,j}(n)+(1-\alpha ){\rm I}{}_{i,j}(n)(1)$

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[11](selective updating)进行背景更新。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。

1.2.2 帧差法

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[3]。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。

检测到差分图像后,同样要经过二值化处理,统计帧间变化量的多少,并以此为依据对车辆进行计数,实验结果见表3。帧差法的处理速率较快,不易受光线影响,但平均准确率不高。

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[12],Sobel算子检测法[13]和Canny算子检测法[14],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,与Sobel算子相比,Canny算子检测的正确率较高,但检测速率较慢。总体观之,边缘检测法不易受光线条件变化影响,但运行速率较慢,且容易受邻道车辆及道路固有标志的阴影等纹理干扰。

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[5]。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。

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。

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

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。

算法1。修正的背景差分法。

2.3 实验结果

综合检测法结合了背景差分法、边缘检测法和色彩跳变法三者优点,依据环境自动选择检测算法和检测区域,在光线良好的情况下会按照修正的背景差分法以虚拟检测线为检测区域进行检测,处理效果如图6(a)所示;在光线不好的情况下,会以虚拟线圈为检测区域,进行基于Canny算子的边缘检测,处理效果如图6(b)所示,最终实验结果见表7。

由于传统算法的通用性较差,其平均准确率往往不高,如表8所示,综合检测法的平均准确率较传统算法提高了3.6%～12.6%,但检测速率并未大幅下降。可见,综合检测法在兼顾检测速率的情况下,提高了正确率,更加适应复杂多变的实际检测环境。

3 结 论

本文研究基于视频图像处理的车流量检测方案,在对现有算法进行实验分析的基础上,提出了一种修正的背景差分法,并在此基础上实现了一种融合多种检测算法、可自动选择检测算法和检测区域的综合检测法。实验表明,综合检测法较传统算法具有更高的平均正确率,更加适应复杂多变的实际环境。

车流信息 篇7

随着科技的发展,智能视频监控技术越来越多的应用于城市道路交通,交通监控包括对车速的监控、车流量和道路状况的监控、车辆异常行驶报警、车型判断、车牌识别等内容,其中车流量统计可以对多车道进行车辆计数和拥塞分析,它能为交通管理者提供大量的有效信息,实现道路智能化调度,减少拥塞,提高路面的资源利用率。

本文算法就是在Visual C++6.0平台上使用Open CV机器视觉处理库,Open CV集合了目前一些图像处理和机器视觉流行算法的C函数和C++类库,包括图像处理、运动分析、模式识别等方面,可以轻松实现物体轮廓跟踪、图像的几何处理图像特征提取、背景分离等很多操作,能够降低代码编写的复杂度。

2 车辆检测

1)背景获取技术

在背景差分法和高斯建模方法中都有一步是要得到初始背景图像,背景提取的精确与否,直接关系到最终结果的准确性。因为背景通常是不断变化的,所以背景模型不应该在一个较长的时间周期内固定不变。我们要经常性的对背景模型进行更新。

本文采用多高斯背景更新算法,分别研究了初始背景生成、背景实时更新等环节的特点,总结了一些有意义的规律,提出了利用连续三帧视频的差别消除运动区域的方法来构建初始背景,对初始阶段的背景更新采用较大的阀值,以便快速得到稳定干净的背景,后续阶段采用较小的阀值并采用隔多帧背景更新,达到减少计算量的目的。

2)车辆检测

在获得初始背景后,采用背景差分法来实现对车辆的检测,背景差分法是常用的运动目标检测方法,它的基本算法过程如图所示,首先利用公式计算当前帧图像fk与背景图像bk的差,然后再按照公式对差分图像Dk进行二值化处理。

其中,fk(x,y)为当前帧序列图像,fbk(x,y)为背景图像,而Dk(x,y)为两帧图像的帧差。对Dk(x,y)进行二值化处理,然后进行形态学滤波及连通性分析等后续处理,并确定一个阈值,当某一连通域的面积大于给定的阈值时,则将其保留并标识为运动车辆。

这种差分法检测物体的优点是位置精确、速度快,并且由于在背景提取时加入了背景图像实时更新机制,可以有效避免由于外界环境变化所带来的误差。

3 车辆跟踪技术

本文主要采用Cam Shift算法对车辆进行跟踪。它是将Mean Shift算法扩展到连续图像序列(一般都是指视频图像序列)形成的。Cam Shift算法的全称是"Continuously Apaptive Mean-SHIFT",它的基本思想是视频图像的所有帧作Mean Shift运算,并将上一帧的结果(即Search Window的中心和大小)作为下一帧Mean Shift算法的Search Window的初始值,如此迭代下去,就可以实现对车辆的跟踪。

Camshift算法描述:

其中虚线框内就是Camshift算法核心mean shift。Camshift算法计算量小,在简单背景环境中能够取得较好的跟踪效果,但是在跟踪之前必须手动选定待跟踪目标。它在目标移出视频范围时,还会继续跟踪,所以跟踪目标的椭圆会出现不规则放大,并且偏向一边。本系统在此基础上进行了判定,使得当跟踪目标移出视频范围时就不再跟踪。

4 车流量统计

在要统计路段的合适位置画出一个基准矩形框。在之前通过高斯背景更新算法和背景差分算法实现对车辆的检测与识别,然后对车辆进行跟踪,当车辆通过基准框是,上方的计数框自动增加一个数。

通过一个车辆视频测试车流量统计的准确性,在单击车辆统计按钮时,计数框初始为0,每当有车辆通过这个狭长的矩形框时,计数框的值就会加1,并且将当前车辆在右下角的Picture控件上显示出来,如图所示:

我们可以随时查看该路段通过的车辆数。

5 总结

本文采用Open CV技术对车辆跟踪、车流量统计进行了研究,并以车辆通过的视频进行了多次测试,能够实现对进入某一区域内的车辆进行跟踪,以及单车道车流量的统计。此外,该系统还可以进一步优化,实现对多车道车流量的统计,从而更好地为交通疏导管理提供有效数据。

摘要：智能视频监控技术越来越多的应用于交通监控管理。本文基于OpenCV技术从车辆检测和车辆跟踪两方面对车流量的统计算法进行研究。以高斯背景更新算法和背景差分算法实现对车辆的检测与识别,后利用CamShift算法实现对车辆的跟踪,最后采用质心估算法完成对车流量的统计,研究结果表明上述算法可以对车流量进行有效统计,能为交通疏导管理提供有效分析处理数据。

关键词：智能视频监控,高斯背景更新算法,背景差分法,车流量统计

参考文献

[1]刘瑞祯,于仕琪.Open CV教程基础篇[M].北京:航空航天大学出版社,2008.

[2]陈胜勇,刘盛.基于Open CV的计算机视觉技术实现[M].北京:科学出版社,2008.

[3]谢凤英,赵丹培.Visual C++数字图像处理[M].电子工业出版社,

[4]王琳.视频运动目标跟踪中有关问题的研究[D].西北大学,2006.

[5]楼晓艳.智能监控系统若干关键技术的研究和实现[D].浙江:浙江工业大学,2005

[6]常向魁.视频运动目标跟踪算法研究[D].河南大学,2007.

[7]陈磊.视频图像中的运动目标检测算法研究[D].湖南大学,2007.

[8]杨耿.运动目标的图像识别与跟踪研究[D].江苏大学,2005.

[9]孟凤.视频监控系统中运动目标检测与跟踪算法的研究[D].燕山大学,2007.

[10]高浩军.视频图像序列中车辆目标的检测与识别研究[D].扬州大学,2007.