摘  要： 針對城市道路交通流量檢測中的實(shí)時(shí)性和準(zhǔn)確性的要求，在背景差分的基礎(chǔ)上提出了一種改進(jìn)的基于虛擬窗口檢測的方法。通過獲取前景目標(biāo)盡量少的幀圖像，快速建立虛擬窗口的初始背景模型，并實(shí)時(shí)更新背景；將Sobel邊緣檢測算法引入前景目標(biāo)檢測，從而快速檢測出前景目標(biāo)變化的完整區(qū)域，提高檢測的準(zhǔn)確率；再使用基于HSV色彩空間直方圖勢函數(shù)去除陰影算法，進(jìn)一步去除前景目標(biāo)中的陰影區(qū)域，有效地保留了真實(shí)的運(yùn)動目標(biāo)區(qū)域；最后統(tǒng)計(jì)交通車流量，可結(jié)合其他信息（如紅綠燈狀態(tài)）做出該路段相應(yīng)的交通流狀況判斷。通過實(shí)驗(yàn)結(jié)果證明，所提出的檢測算法可有效應(yīng)用于視頻交通車流量檢測中。

　　關(guān)鍵詞： 交通檢測；虛擬窗口；背景差分法；去除陰影；Sobel算子

0 引言

　　交通車流量檢測是智能交通（Intelligent Transportation System，ITS）的一個(gè)重要研究課題，是進(jìn)行車流量預(yù)測和當(dāng)前路段車流量狀況判斷的基礎(chǔ)。由于傳統(tǒng)的檢測方法存在維護(hù)不方便、檢測時(shí)間長、獲取信息單一等問題，使其使用范圍受到限制。隨著計(jì)算機(jī)技術(shù)和圖像處理信息檢測技術(shù)的發(fā)展，目標(biāo)檢測在刑偵、ITS、遙感等各方面得到了廣泛的應(yīng)用。當(dāng)前車輛檢測的主要算法有：光流法[1]、圖像差分法（包括幀間差分法[2]、背景差分法[3]）?；诠饬鞣ǖ母櫛O(jiān)測可以精確地檢測出運(yùn)動目標(biāo)，但由于其運(yùn)算時(shí)間長，難以滿足實(shí)時(shí)性的應(yīng)用要求，受噪聲影響較大，從而很少實(shí)際使用。幀間差分法是將視頻序列中的圖像進(jìn)行相鄰幀或多幀間差分運(yùn)算檢測出運(yùn)動前景區(qū)域，對光照強(qiáng)度、天氣變化不敏感，但在大多數(shù)情況下難以獲得完整的運(yùn)動目標(biāo)。背景差分法通過當(dāng)前幀和背景圖像做差的運(yùn)算，可以獲得較為完整的運(yùn)動目標(biāo)，但需要獲取實(shí)時(shí)準(zhǔn)確的背景。在交通監(jiān)控中，攝像頭通常是被固定在道路正前斜上方的支架上，所拍攝到的圖像并不是完全靜止不動的，如數(shù)枝搖晃、大型車輛經(jīng)過時(shí)帶來的明顯震動以及周圍建筑物的影子等，這些都應(yīng)該被歸入到背景當(dāng)中去。

　　針對以上方法的優(yōu)缺點(diǎn)，本文采用背景差分法檢測出運(yùn)動前景區(qū)域，然后與輪廓檢測相結(jié)合獲取完整的目標(biāo)輪廓，再采用陰影去除算法去除目標(biāo)中的陰影部分，最后用自適應(yīng)閾值算法更新背景與判決閾值獲取前景目標(biāo)。本文中的大部分計(jì)算都只對選定的虛擬窗口的圖像進(jìn)行處理，從而實(shí)現(xiàn)快速有效的交通車輛流量檢測。

1 選取虛擬窗口

　　當(dāng)車輛行駛到交通路口時(shí)，每輛車都會選擇各自需要的車道行駛，因此可以在每個(gè)車道上設(shè)置檢測虛擬窗口。根據(jù)攝像機(jī)安裝的位置和角度，以及實(shí)際拍攝視頻圖像的大小范圍，選取位置、大小合適的虛擬窗口，保證選取的區(qū)域方向盡量與車輛行駛方向垂直。一般都把虛擬窗口的位置選在每幀圖像靠近下方位置，車輛在此區(qū)域互相之間的距離相對較大，不會出現(xiàn)車輛遮擋的問題。虛擬窗口的高度一般選5到10個(gè)像素，寬度盡量覆蓋整個(gè)車道，本文每個(gè)車道最下方的第一個(gè)窗口取10個(gè)像素高度，再在每個(gè)車道上方超過一輛車左右的位置選取的第二個(gè)窗口取7個(gè)像素高度。每個(gè)車道上有兩個(gè)虛擬檢測窗口，一方面可以減小檢測誤差、提高檢測準(zhǔn)確率，另一方面也可以結(jié)合紅綠燈的狀態(tài)判斷當(dāng)前該路段的交通擁堵情況。虛擬窗口的選取如圖1所示。

2 窗口背景初始化及更新

　　2.1 背景模型初始化

　　背景差分法的背景模型有人為給出、基于統(tǒng)計(jì)建立模型[4]等方式。手動給出要求在人觀測到?jīng)]有前景車輛經(jīng)過時(shí)獲取當(dāng)前圖像為背景。這種方式不但會帶來成本投入增加，而且在大多數(shù)時(shí)間很難準(zhǔn)確觀測到直接的背景。而基于統(tǒng)計(jì)建立背景模型的方式就顯得更具方便、快捷的優(yōu)勢。在實(shí)際監(jiān)控中，每個(gè)前景目標(biāo)只能在監(jiān)控畫面中存在有限的時(shí)間，在視頻序列幀圖像中造成差異較大的像素點(diǎn)主要是由運(yùn)動目標(biāo)引起的。因而在利用統(tǒng)計(jì)平均模型法簡單、計(jì)算速度快的優(yōu)點(diǎn)之上，盡量選取無運(yùn)動目標(biāo)的窗口圖像建立背景模型，不僅計(jì)算時(shí)間短，而且初始化背景質(zhì)量高，與真實(shí)的背景差異小。虛擬窗口背景模型初始化的步驟如下：

　　（1）選取視頻序列前面一定幀數(shù)量n（一般不小于100）對應(yīng)虛擬窗口圖像進(jìn)行背景建模。

　?。?）先對每幀圖像進(jìn)行預(yù)處理[5]，再進(jìn)行Sobel[6]輪廓提取并優(yōu)化處理。

　　（3）如果包含輪廓的最小矩形大于整個(gè)虛擬窗口的1/8，則認(rèn)為該幀圖像無前景目標(biāo)，標(biāo)記為1，否則為0。

　　flagi=1  Sobeli>T0  Sobeli≤T   （0<i≤n）（1）

　　其中，flagi是第i幀圖像的標(biāo)記；Sobeli是第i幀圖像的輪廓圖最小矩形大小，是虛擬窗口大小的1/8。

　?。?）當(dāng)式（1）中i取到n時(shí)，如果標(biāo)記為0的幀數(shù)不小于n/3，對所有標(biāo)記為0的圖像求均值作為初始化的背景模型，否則對所有n幀圖像求平均作為初始化的背景模型。

　　其中，B0（x，y）是初始化的背景模型，Pi（x，y）是第i幀圖像在點(diǎn)（x，y）處的像素值，N0是標(biāo)記為0的總幀數(shù)。

　　2.2 背景模型更新

　　由于受到外界天氣、光線等因素的影響，背景圖像是不斷緩慢變化的，有時(shí)還會出現(xiàn)例如經(jīng)過灑水車造成的突變，所以需要背景模型能夠?qū)崟r(shí)更新，提供可靠的背景圖像。本文采用改進(jìn)的遞歸算法更新背景，遞歸算法的計(jì)算公式為：

　　其中，Bi（x，y）是當(dāng)前背景，Bi-1（x，y）是上一幀背景，Ii是當(dāng)前幀圖像，是學(xué)習(xí)率。當(dāng)?琢取值過大會使更新速率過快，部分前景也會被誤判為背景；當(dāng)取值過小會導(dǎo)致更新速率太慢，不能提供有效的實(shí)時(shí)背景圖像。由此可見，如果取值不合適就會嚴(yán)重影響車輛檢測的準(zhǔn)確度，通過多次試驗(yàn)取得最佳經(jīng)驗(yàn)值為0.05~0.1。

　　改進(jìn)新算法的基本思想是：當(dāng)檢測到車輛經(jīng)過時(shí)，仍然使用上一幀的背景，在沒有檢測車輛時(shí)一直更新背景，同時(shí)更新背景的學(xué)習(xí)率和有車輛經(jīng)過時(shí)前景判斷閾值。具體步驟如下：

　?。?）初始化各個(gè)參數(shù)，獲取當(dāng)前（i）幀和上一（i-1）幀窗口圖像，并進(jìn)行預(yù)處理。

　?。?）計(jì)算當(dāng)前幀和上一幀圖像的均值currMean、LastMean，并取它們差值的絕對值abs（currMean-LastMean）。

　?。?）學(xué)習(xí)率更新0.05+abs（currMean-LastMean）/1000.0，這樣就有效地縮小了建模背景與真實(shí)背景之間的差距。

　　（4）當(dāng)檢測到車輛而背景沒有更新時(shí)，為了判別出更高質(zhì)量的前景目標(biāo)，相應(yīng)的閾值調(diào)整為大律法[7]（Ostu）閾值。

　?。?）最終的背景更新算法計(jì)算公式為：

　　Bi（x，y）=Bi-1（x，y）         

　?。?）如果程序沒有結(jié)束，i自增1，返回到步驟（1）繼續(xù)執(zhí)行直到結(jié)束。

3 前景目標(biāo)檢測

　　3.1 邊緣算法比較

　　為了獲得較為完整的前景目標(biāo)，可以利用邊緣檢測算法來獲取目標(biāo)輪廓。不同的邊緣檢測算法處理后的結(jié)果有很大的差異，常用的邊緣檢測算法有Sobel算法、Robert算法、Laplace算法、Prewitt算法等[8-10]。本文采用Sobel算法，其基本原理是：邊緣的灰度函數(shù)是一個(gè)一次函數(shù)y=kx，對該函數(shù)求一階導(dǎo)數(shù)得到的斜率k是一個(gè)常數(shù)，而非邊緣的一階導(dǎo)數(shù)則為零，這樣通過求一階導(dǎo)數(shù)就可以判斷圖像的邊緣了。但是，由于實(shí)際應(yīng)用到圖像中沒一個(gè)準(zhǔn)確的函數(shù)可以求導(dǎo)，就采用一個(gè)3×3的窗口來對中間像素點(diǎn)進(jìn)行近似求導(dǎo)。Sobel算子有兩個(gè)，一個(gè)是水平邊緣檢測，另一個(gè)是垂直邊緣檢測。兩個(gè)算子如下所示：

　　其中，Gx表示水平方向上的梯度，Gy表示水垂直向上的梯度。

　　在虛擬窗口檢測的方法中，窗口與車輛運(yùn)動方向垂直，而且車體本身的邊緣主要在相對水平和垂直方向上，因此可以較好地檢測出前景目標(biāo)。將原始圖像與4種檢測結(jié)果進(jìn)行對比，如圖2所示，通過觀察可以發(fā)現(xiàn)Sobel算法能夠較好地檢測出前景目標(biāo)的邊緣信息。

　　3.2 HSV色彩空間直方圖去除陰影

　　陰影是由于物體遮擋住了光線傳播，不能穿過不透明的物體而形成亮度較暗的區(qū)域，也就是人們常說的影子。這種現(xiàn)象尤其在天氣較好的早晨和傍晚會造成物體旁邊出現(xiàn)較大的陰影區(qū)域。在目標(biāo)檢測領(lǐng)域，陰影常常會被誤判為運(yùn)動目標(biāo)，因此消除陰影是必須要面臨的一個(gè)問題。在總結(jié)前人研究成果的基礎(chǔ)上，本文發(fā)現(xiàn)可利用HSV色彩空間[11]飽和度在陰影區(qū)和非陰影區(qū)變化微小的特點(diǎn)，結(jié)合直方圖勢函數(shù)[12]獲取無陰影的前景目標(biāo)。算法具體步驟如下：

　?。?）獲取當(dāng)前幀圖像并轉(zhuǎn)化到HSV色彩空間，取出飽和度分量，計(jì)算其直方圖函數(shù)。

　　去除陰影的前景目標(biāo)如圖3所示。

　　3.3 交通流量檢測

　　每個(gè)車道上的檢測窗口都在同一水平線上，每輛車只能通過一個(gè)檢測窗口，如果同時(shí)通過兩個(gè)窗口，則在一般情況下是一個(gè)窗口檢測到得多，另一個(gè)檢測到得少，只有檢測到多的窗口才計(jì)數(shù)，另一個(gè)窗口忽略計(jì)數(shù)。每個(gè)窗口會出現(xiàn)兩種檢測結(jié)果：（1）檢測到車輛；（2）沒檢測到車輛。將前一幀檢測結(jié)果與當(dāng)前幀檢測結(jié)果進(jìn)行比較得到以下幾種結(jié)論：從（1）到（2）表示車輛進(jìn)入檢測區(qū)；從（2）到（2）表示車輛還沒離開檢測區(qū)；從（2）到（1）表示車輛離開檢測區(qū)；從（1）到（1）表示無車輛進(jìn)入檢測區(qū)。每個(gè)虛擬窗口的檢測流程如圖4所示。

　　結(jié)合紅綠燈的狀態(tài)和每個(gè)車道上的第二個(gè)檢測窗口的檢測結(jié)果，可以做出相應(yīng)的判斷：當(dāng)綠燈亮?xí)r，每個(gè)車道上的兩個(gè)檢測窗口檢測到車輛，并且在一定時(shí)間內(nèi)沒有計(jì)數(shù)的窗口超過一定數(shù)量就可判斷該路段現(xiàn)在處于擁堵狀態(tài)；或者將檢測計(jì)數(shù)結(jié)果與該路段的吞吐量相比較也可做出相應(yīng)的交通狀況判別。

4 實(shí)驗(yàn)結(jié)果與分析

　　為了驗(yàn)證本文算法的有效性，實(shí)驗(yàn)選取了一段有明顯陰影的交通監(jiān)控視頻，分別在有去除陰影算法和沒有去除陰影算法的情況下進(jìn)行檢測對比。以第46、47幀和第366幀圖像左下角虛擬窗口為例進(jìn)行檢測，結(jié)果如圖5所示，檢測結(jié)果的上圖是沒有去除陰影算法的檢測結(jié)果，下圖是本文有去除陰影算法的檢測結(jié)果。

　　對比第46、47幀圖像的檢測結(jié)果，本文算法可以有效地去除陰影區(qū)域。在第366幀圖像的監(jiān)測區(qū)域中，全部檢測區(qū)域被大型車輛的陰影覆蓋，同時(shí)又有小型車輛從陰影區(qū)經(jīng)過，本文算法也能很好地檢測出前景目標(biāo)，并去除了陰影區(qū)，滿足了交通流量對檢測準(zhǔn)確性的要求。不同多車道檢測結(jié)果如表1所示。從表1的結(jié)果可以看出本文檢測算法的準(zhǔn)確率可達(dá)97%以上，能夠滿足檢測系統(tǒng)的準(zhǔn)確性要求。

5 結(jié)論

　　本文采用只對虛擬窗口內(nèi)圖像處理的算法，在具體算法上快速建立背景模型，并實(shí)時(shí)更新后，結(jié)合背景差分法和Sobel邊緣檢測算法提取出前景目標(biāo)，再用去除陰影算法得到的前景與其融合得到更準(zhǔn)確的前景目標(biāo)區(qū)域。而且大多數(shù)運(yùn)算是在灰度圖的基礎(chǔ)上進(jìn)行的，只針對有效的信息進(jìn)行處理，這樣就大大加快了計(jì)算速度，使檢測系統(tǒng)的準(zhǔn)確性和實(shí)時(shí)性都有明顯的改善，在ITS中將會有一定的實(shí)用性。但是陰影去除在虛擬窗口更窄的情況下檢測效果會變得不理想，還需進(jìn)一步研究，有望實(shí)現(xiàn)更復(fù)雜的功能。

參考文獻(xiàn)

　　[1] WIXSON L. Detecting salient motion by accumulating directionally-consistent flow[J]. IEEE ransaction on Pattern Analysis and Machine Intelligence，2000，22（8）：774-780.

　　[2] TSAI D M， LAI S C. Independent component analysis based background subtraction for indoor surveillance[J].IEEE Transactions on Image Processing，2009，18（1）：158-160.

　　[3] 王靜，保文星.一種基于差分算法的視頻運(yùn)動目標(biāo)檢測技術(shù)[J].計(jì)算機(jī)應(yīng)用與軟件，2009，26，（12）：68-70.

　　[4] KATO J， WATANABE T， TOGA S， et al. An HMM/MRF-based stochastic framework for robust vehicle tracking[J]. IEEE Transactions on Intelligent Transportation Systems， 2004， 5（3）：142-154.

　　[5] GONZALEZ R C， WOODS R E. 數(shù)字圖像（第二版）[M].阮秋琦，阮宇智，譯.北京：電子工業(yè)出版社，2007.

　　[6] 付光遠(yuǎn).一種基于Sobel分解算子的圖像邊緣檢測并行算法[J].微電子學(xué)與計(jì)算機(jī)，2006（9）：132-134.

　　[7] Zhu Qidan， Jing Liqiu， Bi Rongsheng. One-dimensional threshold average decomposition for two-dimensional Ostu algorithm[J]. Proceedings of 2010 Chinese Control and Decision Conference， 2010（10）：2783-2788.

　　[8] Zhang Lei， BAO P. Edge detection by scale multiplication in wavelet domain[J]. Pattern Recognition Letters，2002（23）：1771-1784.

　　[9] 鄭瑩，孫燮華.圖像邊緣檢測Laplace算子的改進(jìn)[J].沈陽建筑大學(xué)學(xué)報(bào)（自然科學(xué)版），2005，21（3）：268-271.

　　[10] Zhang Renyan， Zhao Guoling， Su Li. A new edge detectionmethod in image processing[C]. Proceedings of IEEE International Sympo sium on Communications and Information Technology， 2005：445-448.

　　[11] 張麗，李志能.基于陰影檢測的HSV空間自適應(yīng)背景模型的車輛追蹤檢測[J].中國圖象圖形學(xué)報(bào)（A輯），2003，8（7）：778-782.

　　[12] 陳云彪，鄭賢超.運(yùn)動目標(biāo)去除陰影的跟蹤[J].電子世界，2014（6）：252-253.