试论高速公路交通事件视频车辆的检测技术

2012-10-17谭国贤

黑龙江交通科技 2012年9期

谭国贤

(广东省交通集团)

随着社会经济的发展，高速公路成为了交通事业的主要运输线路。受到多方面因素的影响，我国的交通意外事故发生率在不断上升，给人们的生命财产造成的巨大的损失。对高速公路运营状况实时监测，可及时发现交通事故且发出报警信号，为事故处理、人员抢修工作创造了条件，自动检测技术的运用在这方面的作用尤为显著。

1 交通事件自动检测技术

交通事件自动检测(AID)技术是一种智能化的操控技术，对高速公路的日常运行状况有监测的功能。一般交通事件自动检测技术包括间接检测、直接检测等两种形式。

间接检测技术是目前常用的形式，其是参照交通车辆的实际情况对检测工作加以控制，保证了数据信号传输的有序进行，防止外界因素对检测信号造成不利的影响。交通检测器的使用满足了诸多检测功能的要求，其以动态采集各路段的交通数据，再通过数据分析后判断交通时间的发生情况。一般在安装交通检测器时将其布置在车道下面，但对于该装置需要定期检查以免出现受损问题。从长期使用结构看，检测器在判断交通事故中发挥自动检测作用的同时，也具有较高的误报率高，对于低流量交通路线不适合运用。

直接检测采用了图像处理技术对车辆行驶异常进行检测。该技术本质上属于对已发生事件的经济处理，并没有采取综合性的检测技术判断故障发生的状态，缺乏检测环节增大了交通事故造成的不利影响，破坏了交通运输线路的稳定进行。另外，“间接检测方法”仅限于判断交通事故的发生与否，并不能进一步分析事件发生的时间、类型、影响等，这些都需要作出进一步的鉴别判定。“直接检测方法”的运用不仅能判断分析交通事故的类型，也可以根据相应的数据信息分析处理事故的有效方法。

“直接检测方法”最具代表的技术则是视频车辆检测技术，此项技术结合了数字化的监控系统，并利用计算机建立数据处理平台，在收集诸多数据信息之后完成了自动化操作处理。这种状态下，各种意外事件发生的过程均有明确的记录，交通事故处理部门只需调用视频则可判断事故发生的情况，对涉及事件的人员实施处罚。

2 视频车辆检测的运行流程

科学技术发展对交通事件检测产生了促进作用，传统车辆检测模块的功能得到了进一步优化。对于视频车辆检测工作来说，其不仅采用了先进的数字信息技术，在视频信息的获取中也引入其他方式，保证了图像处理的准确度。比较常见的处理方式:滤波除噪、图像锐化、对比度增强等，经过处理后的图像信息不会受到噪声因素的干扰。此外，对目标图像的特点进一步分析，从而判断交通事故的类别、时间;结合有关的计算方式掌握事件车辆的相关信息，最终建立自动性的数字处理平台，满足了视频车辆检测的实际要求。具体流程如图1所示。

图1 视频车辆检测完整流程

3 运动车辆具体的检测技术

3.1 运动目标检测算法

国内现有的交通事故检测系统的构成较为复杂，其中最为核心的组成则是运动车辆检测算法，其对于整个车辆检测功能具有良好的调控作用。从实际运用情况来看，运动目标检测的方式包括:光流法、帧间差分法、背景差分法、不变矩阵特征检测法。结合本次研究的实际需要，此次选择了背景差分法。

背景差分法在基于视频检测算法中运用较为普遍，也是测量精度较高的一种。背景差分对车辆进行检测时，主要采用了当前帧图像、背景图像的像素点灰度差值完成检测。若图像的像素点和背景图像的像素点灰度值相差偏大，则判断此像素点有车通过;若图像的像素点和背景图像的像素点灰度值相差偏小，则此像素点属于背景像素点。背景差分法的本质是先创建背景像素，再把待检测图像与背景图像逐像素相减，最终实现相应的操作目标。如图2所示。

图2 背景差分法的原理

背景差分法在具体运行中体现出来的优点十分明显，如:计算简单、速度较快、数据精准等。但该算法结果的正确与否受到背景因素的影响，而交通场景会随着周围环境的变化而变化，如:日光照射、刮风下雨、冰霜雪冻等，这些对于检测数据的处理均会造成不利影响，给车辆检测造成了很大的难度。可通过背景模拟或多次计算的方式，提高自动检测数据的准确性。

3.2 背景模型

创建背景模型可以为数据分析提供综合性的平台，保证了数据传输的稳定性，防止各类信息在传递处理中的错误，提高了整体系统的运行效率。结合目前现有的技术水平归纳，常见的建模方式有:基于计算机平台的背景处理，利用计算机及其辅助技术创建多元化的数据平台，为用户提供更多的数据处理模块，适应不同形式信息的操作要求。在背景模型建立过程中要注意功能操作的要求，防止其他因素对背景模型产生不利影响。

当背景模型运用于高速公路监控时，则需要把图像信息设置在规定的区域，以满足不同用户的具体操作要求，可以很清楚地反映出图像需要表达的内容。此外，这种背景的每个背景点上的颜色分部相对集中，在分析时可利用先进的统计学背景模型进行处理，即“序列均值法”。

本文采用如下公式进行背景建模

其中c=R，G，B。虽然路面上有车辆通过，但是只要统计的时间足够长总能得到比较好的背景模型。一般来说，背景图像提取过程中，训练帧数需适中，一般200～300帧即可。

3.3 背景及目标的改善

背景在背景差分方法中是参考帧，背景的状态对检测结果有决定性作用，影响了检测数据的准确性。对于普通的背景差分方法而言，其背景基本上保持不变。而对于实际运行状态下，背景则会随着时间、环境的变化而出现变动，如:光照引起的变化、背景物体移入移出等。若在环境变动的情况下依旧维持背景模型不变，则会导致算法中产生很大的误差，容易把背景点误检为前景点。考虑到维持数据结果的准确性，则需要对背景模型定期更新调整。Pfinder系统在背景调整时用到的公式

公式中α为更新速率，从此公式的运算情况看，其最大的特点在于:无论是背景的信息或者前景的信息，均用在了更新背景模型上。这是由于前景区域并非背景的构成，若强行将其用在更新背景模型中会造成一系列的错误，这就要求使用更科学的背景模型进行更新处理。完成背景的创建之后，需选择当前帧图像与前一背景图像直接差分后二值化，最终可得到差分后的运动目标图像。