摘  要： 針對(duì)傳統(tǒng)視頻車(chē)流量檢測(cè)中虛擬檢測(cè)區(qū)域人為設(shè)置，使得系統(tǒng)不能自動(dòng)適應(yīng)不同的車(chē)道環(huán)境，靈活性低的問(wèn)題，提出了自動(dòng)提取虛擬檢測(cè)區(qū)域的算法。利用均值法獲得粗糙背景，再通過(guò)概率Hough變換和車(chē)道線特征排除各種干擾線段，獲取車(chē)道線并自動(dòng)提取虛擬檢測(cè)區(qū)域。實(shí)驗(yàn)表明，該算法準(zhǔn)確度達(dá)到90%以上，實(shí)時(shí)性較好、魯棒性高，對(duì)后續(xù)實(shí)時(shí)車(chē)流量檢測(cè)及車(chē)速計(jì)算等具有較好的應(yīng)用價(jià)值。
關(guān)鍵詞： 車(chē)流量檢測(cè)；虛擬檢測(cè)區(qū)域；概率Hough變換；車(chē)道線

　道路監(jiān)控系統(tǒng)[1-2]是智能交通系統(tǒng)（ITS）的重要組成部分，通過(guò)采集車(chē)道和車(chē)輛信息獲取各項(xiàng)交通流參數(shù)，對(duì)車(chē)流量統(tǒng)計(jì)及車(chē)速計(jì)算等ITS的應(yīng)用具有重要意義。目前，車(chē)輛信息檢測(cè)方法主要有環(huán)形線圈檢測(cè)、紅外線檢測(cè)、超聲波檢測(cè)和視頻監(jiān)控檢測(cè)方法等。其中，視頻監(jiān)控檢測(cè)[3]具有成本低廉、安裝和維護(hù)簡(jiǎn)便、獲取信息量大以及靈活等優(yōu)點(diǎn)，因而得以廣泛使用。
　視頻車(chē)流量檢測(cè)中，由于視頻幀圖像中通常存在大量非車(chē)輛區(qū)域，全局掃描會(huì)有過(guò)多的冗余計(jì)算，因此通常通過(guò)截取一定寬度和高度的包含判別所需的足夠信息的虛擬檢測(cè)區(qū)域，再對(duì)檢測(cè)區(qū)域中的像素點(diǎn)進(jìn)行處理，以統(tǒng)計(jì)車(chē)流量。而傳統(tǒng)虛擬檢測(cè)區(qū)域大多人為固定設(shè)置或人為判斷設(shè)置[4-6]，當(dāng)車(chē)道環(huán)境參數(shù)改變或更新后，需要重新設(shè)置虛擬檢測(cè)區(qū)域，靈活性差，且存在部分冗余計(jì)算，不利于實(shí)時(shí)車(chē)輛信息檢測(cè)和車(chē)流量統(tǒng)計(jì)。因此，根據(jù)不同車(chē)道環(huán)境中視頻監(jiān)控圖像本身自動(dòng)獲取車(chē)輛信息的虛擬檢測(cè)區(qū)域，成為實(shí)時(shí)視頻車(chē)流量檢測(cè)和計(jì)數(shù)中急需解決的問(wèn)題。本文提出了基于概率Hough變換和根據(jù)車(chē)道線特征提取車(chē)道線，并自動(dòng)獲取虛擬檢測(cè)區(qū)域的算法。該算法能有效去除圖像幀中的冗余信息，提取的虛擬檢測(cè)區(qū)域僅覆蓋所有要進(jìn)行車(chē)流量檢測(cè)的車(chē)道，節(jié)省了內(nèi)存，提高了算法效率，并能根據(jù)車(chē)道環(huán)境參數(shù)的變化自適應(yīng)獲取虛擬檢測(cè)區(qū)域，魯棒性好。
1 算法原理
　通常，監(jiān)控?cái)z像機(jī)安裝在路旁的支架上或天橋底部，從路旁或道路正中央以俯視的角度拍攝，在拍攝的圖像中越靠近圖像底部，車(chē)輛之間的間隔越大，在一定程度上可以減少車(chē)輛遮擋的問(wèn)題，減少漏檢。根據(jù)此特點(diǎn)，常規(guī)的車(chē)輛檢測(cè)區(qū)域通常設(shè)置在靠近圖像底部的位置。本文算法選取位于圖像下方1/3的圖像進(jìn)行背景提取和處理，能準(zhǔn)確定位和獲取需要的虛擬檢測(cè)區(qū)域，大大減少了計(jì)算量，并快速、自動(dòng)生成虛擬檢測(cè)區(qū)域。
　算法主要包括4部分：（1）粗糙背景圖像提取。首先對(duì)圖像預(yù)處理，采用均值法提取圖像背景，以便檢測(cè)車(chē)道線；（2）利用概率Hough變換檢測(cè)粗糙背景圖像中的直線段，包括車(chē)道線和各種干擾直線段；（3）自動(dòng)生成虛擬檢測(cè)區(qū)域，根據(jù)Hough變換檢測(cè)到的直線段，結(jié)合車(chē)道線自身的特征（如長(zhǎng)度、位置和角度信息），提取真實(shí)的車(chē)道線環(huán)境，確定虛擬檢測(cè)區(qū)域的寬度和高度；（4）標(biāo)記虛擬檢測(cè)區(qū)域。
　算法框圖如圖1所示。針對(duì)道路交通視頻，首先選取前N幀圖像，對(duì)圖像灰度化，初始化背景，提取粗糙背景圖；然后利用概率Hough變化對(duì)經(jīng)過(guò)平滑濾波、邊緣檢測(cè)和二值化后的粗糙背景圖檢測(cè)各種直線；再利用車(chē)道線的角度、長(zhǎng)度和位置等特征排除各種干擾直線，提取車(chē)道線，確定車(chē)道線長(zhǎng)度和位置，自動(dòng)獲取虛擬檢測(cè)區(qū)域；最后標(biāo)記虛擬檢測(cè)區(qū)域。

1.1 粗糙背景提取
　通常，背景初始化方法有單分布高斯背景模型、混合高斯背景模型、平均值法和序列眾數(shù)法等。基于高斯背景模型計(jì)算量大，而平均值法和序列眾數(shù)法相對(duì)簡(jiǎn)單，更適合實(shí)時(shí)檢測(cè)應(yīng)用。因此，本文采用平均值法對(duì)幀圖像提取粗糙背景，計(jì)算簡(jiǎn)單，利于實(shí)時(shí)獲取虛擬檢測(cè)區(qū)域。
　攝像機(jī)拍攝的視頻一般是連續(xù)RGB彩色圖像序列，為了提高車(chē)輛實(shí)時(shí)檢測(cè)的效率，需將彩色圖像轉(zhuǎn)換成灰度圖像。RGB彩色圖像灰度轉(zhuǎn)換公式為：
　Gray=R×0.299+G×0.587+B×0.114　　　　　　　　　　?。?）
　其中，Gray為灰度圖像的灰度值，R、G、B分別為彩色圖像紅色、綠色、藍(lán)色通道的值。
將連續(xù)N幀灰度圖像的同一像素點(diǎn)灰度值累加，將累加值取平均作為該對(duì)應(yīng)像素點(diǎn)的灰度值。遍歷整幅圖像的像素，獲取粗糙背景圖像：

　概率Hough變換的檢測(cè)結(jié)果如圖4所示。由圖4可知，檢測(cè)到的所有直線中包含車(chē)道線C、D和E、F以及干擾直線A、B、G、H、I、J、K、L。其中，C和D是同一車(chē)道的左右邊緣，E和F是同一車(chē)道的左右邊緣，C和D、E和F屬于同類(lèi)直線需要合并，分別只用其中的一條線表示車(chē)道線。干擾直線A、B、K、L是由車(chē)道兩邊的籬笆欄造成的，G、H、J是由地面上的字造成的，I是由前景目標(biāo)造成的，根據(jù)是否符合車(chē)道線傾角、長(zhǎng)度和位置等特征排除干擾直線。具體步驟如下：

?。?）比較直線的傾角大小。由于攝像機(jī)一般安裝在路旁的支架上或天橋底部，因此視頻幀圖像中的車(chē)道線的傾角一般在45°~90°范圍內(nèi)。
?。?）合并同類(lèi)直線。直線相近且角度相差30°范圍內(nèi)的直線合并成一條直線。
?。?）根據(jù)車(chē)道線的長(zhǎng)度、橫坐標(biāo)值和縱坐標(biāo)值大小等特征，排除干擾直線，確定車(chē)道線。
?。?）根據(jù)車(chē)道線的位置和寬度獲取虛擬檢測(cè)區(qū)域。

　實(shí)驗(yàn)結(jié)果表明，晴天的26個(gè)交通視頻片段中，在道路暢通時(shí)，有25個(gè)視頻正確提取了虛擬檢測(cè)區(qū)域，且平均檢測(cè)時(shí)間和準(zhǔn)確率明顯優(yōu)于擁擠狀況。這是由于擁擠狀態(tài)下獲取的粗糙背景中車(chē)道線易被前景車(chē)輛污染?？赏ㄟ^(guò)增加背景初始化的幀數(shù)來(lái)提取完整的車(chē)道線，進(jìn)而提高標(biāo)記虛擬檢測(cè)區(qū)域的正確率。而晴天的檢測(cè)準(zhǔn)確率高于雨天，這是由于地面雨水和天氣影響導(dǎo)致檢測(cè)出的車(chē)道線不完整引起的。實(shí)驗(yàn)自動(dòng)提取的虛擬檢測(cè)區(qū)域靠近圖像的底部，覆蓋整個(gè)車(chē)道路面。由于記錄了車(chē)道線的首尾坐標(biāo)和中點(diǎn)坐標(biāo)，因此可以調(diào)整虛擬檢測(cè)區(qū)域的高度。

　本算法提取道路虛擬檢測(cè)區(qū)域的準(zhǔn)確率達(dá)90％以上，平均檢測(cè)時(shí)間低于0.5 s，相對(duì)于傳統(tǒng)人工設(shè)置檢測(cè)區(qū)域的方法具有較大優(yōu)勢(shì)，能有效提高實(shí)時(shí)車(chē)流量檢測(cè)和統(tǒng)計(jì)的計(jì)算效率。
　本文針對(duì)視頻車(chē)流量檢測(cè)中傳統(tǒng)虛擬檢測(cè)區(qū)域人工設(shè)置的缺陷問(wèn)題，提出了自動(dòng)提取虛擬檢測(cè)區(qū)域算法，利用基于粗糙背景圖和概率Hough變換檢測(cè)直線（包括車(chē)道線和各種干擾直線），根據(jù)車(chē)道線的傾角、長(zhǎng)度和位置等特征提取車(chē)道線，最后由車(chē)道線自動(dòng)獲取虛擬檢測(cè)區(qū)域。實(shí)驗(yàn)證明，提出的算法能夠較準(zhǔn)確地自動(dòng)提取出虛擬檢測(cè)區(qū)域，準(zhǔn)確率達(dá)到90%以上，比人工參與設(shè)置檢測(cè)區(qū)域更加靈活、方便，且能夠自動(dòng)適應(yīng)不同的道路環(huán)境，效率高、魯棒性較好。該算法為后續(xù)車(chē)流量統(tǒng)計(jì)和車(chē)速預(yù)測(cè)等應(yīng)用提供了有效方法。
參考文獻(xiàn)
[1] DICKMANNS E D. Computer vision and highway autom-ation[J]. Vechicle System Dynamics，1999，31（5）：325-344.
[2] TOMIZUKA M. Automated highway systems——an intelligent transportation system for the next century[J]. IEEE International Symposium on Industrial Electronics，1997（1）：1-4.
[3] TSENG B L， LIN C Y， SMITH J R， et al． Real-time video surveillance for traffic monitoring using virtual line analysis[C]. IEEE Intemational Conference，2002：541-544．
[4] 左奇，史忠科.一種新的交通流視頻檢測(cè)方法[J].西安交通大學(xué)學(xué)報(bào)，2004，38（4）：396-399.
[5] 高磊，李超，朱成軍，等.基于邊緣對(duì)稱(chēng)性的視頻車(chē)輛檢測(cè)算法[J].北京航空航天大學(xué)學(xué)報(bào)，2008，34（9）：1113-1116.
[6] 李學(xué)超.基于垂直投影和虛擬檢測(cè)帶的車(chē)輛檢測(cè)[J].信息與電腦，2011（4）：36-37.
[7] 王彩玲，趙春霞.基于Hough譜的任意形狀表示與配準(zhǔn)[J].中國(guó)圖象圖形學(xué)報(bào)，2010，15（5）：764-769.
[8] 胡彬.基于概率霍夫變換的快速車(chē)道線檢測(cè)方法[J].微電子學(xué)與計(jì)算機(jī)，2011，28（10）：177-180.