基于视频的低照度一体式电子警察系统的研究与应用

唐晓东， 　何　明

(1.杭州市公安局交通警察支队科研所， 浙江杭州　310014； 2.浙江省公安厅高速总队， 浙江杭州　310020)



基于视频的低照度一体式电子警察系统的研究与应用

唐晓东1， 何明2

(1.杭州市公安局交通警察支队科研所， 浙江杭州310014； 2.浙江省公安厅高速总队， 浙江杭州310020)

摘要电子警察系统是智能交通系统中的重要组成部分，并广泛用于城市的非现场执法。现有的电子警察系统包括闪光灯和高清摄像机。但是，闪光灯的使用容易造成司机的瞬时致盲，并产生大量的城市光污染。利用一种集成了夜间违法行为检测功能，且无需照明支持的低照度一体式电子警察系统，可以有效解决上述问题。该系统集成度更高，安装和使用更加方便。

关键词低照度摄像机； 一体式电子警察系统； 视频检测

0引言

随着城市道路的扩展，针对城市智能交通系统的信息化需求越来越多，对功能和集成度的要求越来越细化。为了降低警力的现场部署，同时又不减少针对城市机动车辆行为的管理，国内几乎所有城市都部署了非现场执法平台。此类平台集成了前端采集、中间存储、后台处理以及违法信息发送等所有流程，在现代智能交通系统中应用极为广泛。其中，前端采集系统由俗称电子警察的高清摄像机及配套设施组成，主要用于采集违法行为凭证(包括图像和视频)，是整个非现场执法平台的最前端，也是最重要的组成部分。

早期的电子警察系统主要用于机动车闯红灯行为的抓拍，采集设备通常采用模拟摄像机，利用地感线圈触发。随着硬件设备的更新换代，低分辨率的模拟摄像机逐渐被高分辨率的高清摄像机取代。现在城市道路上安装的摄像机大多是主流的200万、500万甚至600万像素高清摄像机，能同时监控3~4个车道。同时，利用视频处理直接触发采集设备抓拍的方式[1-4]，也逐渐取代传统的地感线圈触发方式，这大大降低了路面施工和维护工作。而且，现在一套采集系统能同时抓拍包括闯红灯、实线变道、逆行、压双黄线等多种违法行为，系统集成度不断提高。目前，在不少一线城市，已经部署了无需前端存储系统的一体机。只需要一个高清摄像机，就能检测多种违法行为，并能直接将违法取证数据传回交警中心服务器。

但是，现有的电子警察系统，均需要额外的照明设备(频闪灯)，才能在夜间获得有效的图像数据。而照明设备造成的瞬间高亮往往会使得驾驶员瞬时致盲，看不清道路情况，从而导致交通事故。本文提出了一种无需额外照明设备的星光级低照度一体式电子警察系统，不但消除了针对驾驶员的干扰，而且在夜间同样能获得有效的图像数据。

1系统设计

1.1　系统架构设计

如图1所示，普通电子警察架构中，前端设备包括频闪灯、高清摄像机和处理单元。大多数情况下，处理单元是一台包含存储与数据处理的工业控制机。而中间的一体式电子警察架构则无需前端处理单元的支持，高清摄像机不但集成了处理单元的数据处理能力，而且可以通过FTP等网络协议将数据直接传回中心服务器。最下面的低照度一体式电子警察架构的集成度进一步提高，高清摄像机不但集成了前端处理单元的功能，而且具有低照度下成像功能，无需前端照明设备的支持，这种系统简洁，维护方便，大大增加了电子警察系统的整体稳定性，而且消除了频闪灯对驾驶员的影响。

图1　普通的、一体式的和低照度一体式的　电子警察架构图

1.2　系统功能模块

如图2所示，整个低照度一体式电子警察系统主要包括两大模块：参数配置，数据获取、处理和传输模块。其中，参数配置模块主要包括：

图2　系统功能模块

摄像机参数配置：用于配置摄像机的IP、端口等参数。

交通信息参数配置：用于配置路口的车道线、停车线、红绿灯区域等交通信息。

系统功能参数配置：用于配置各种违法检测功能开关，以及数据传输协议等参数。

数据获取、处理和传输模块的重点是摄像机中嵌入的图像数据处理部分，即图2中的违法行为检测。整个低照度一体机可以检测包括机动车闯红灯、未按导向行驶、实线变道等在内的多种违法行为。鉴于低照度摄像机的特殊性，这部分内容又分为白天的检测算法和夜间的检测算法两类。

1.3　违法行为检测

要实时检测各种不同违法行为，需要设计目标检测、识别和跟踪算法。考虑系统在各种环境下的稳定性，采用训练- 识别方法检测目标。这种模式识别领域常用的方法包括特征提取和分类器设计两部分。典型的特征包括二值化后提取连通区域BLOB、Hough特征[5-6]、SIFT特征[7]、HOG特征[8]等等。分类器设计方法包括支持向量机(SVM)[9]、KNN分类器、Adaboost分类器、神经网络等等。本文在特征提取时采用HOG+LBP(局部二值模式)的组合特征，采用Adaboost分类器。对于实线变道、逆向行驶以及未按导向行驶的违法行为检测，以整车作为正例训练样本。

图3　违法行为检测流程图

整个违法行为的检测流程如图3所示。一旦检测到目标，就对目标进行跟踪。常用的目标跟踪方法包括基于灰度的跟踪、基于各类核函数(包括经典的Mean-Shift)的跟踪、基于梯度的差分跟踪、基于特征匹配的跟踪等等。考虑系统的实时性以及稳定性，本文采用基于简化高斯核的跟踪算法。系统整个违法检测流程为：首先运用帧差和运动历史图像，获得运动区域。合理的帧差能较好地表征目标运动区域，并大幅提升检测速度，保证系统的实时性检测。在此基础上利用训练得到的车辆分类器检测目标，确认是车辆后，利用跟踪器集进行目标跟踪。一旦目标的运动轨迹或行为符合违法判别标准，则触发高清摄像机拍照，保存当前的高清图像作为违法凭证。

1.4　夜间检测

虽然低照度摄像机在夜间也能获得有效的视频数据，但是由于低照度摄像机对亮度的敏感性较高，容易产生更多噪声，导致锐度不够，整体夜间成像质量变差。因此，在进行夜间目标检测、跟踪及违法数据保存时，系统增加了线性局部平滑处理，以及锐化增强处理。处理过程如下：

根据交通信息参数配置获得检测区域，仅在检测区域进行3×3高斯平滑处理。

由于夜间车牌的反光特性，针对经过平滑处理的夜间车牌区域进行训练。

对目标进行检测与跟踪。

采用USM锐化算法对保存的违法图像进行锐化处理，增强显示效果。

2实验结果

目前，该系统已经完成了软、硬件的研发，并在某地实施了安装测试。如图4所示，图a为白天的效果图，图b为夜间的效果图。可以看到，白天的效果和一般的一体式电子警察并无显著差别。夜间的图片总体略有模糊，车牌区域由于是特殊材料，反光较为明显。但是红绿灯区域有过曝的现象。

图5展示了夜间在同一个测试地点安装的普通一体式电子警察系统(图a)和低照度一体式电子警察系统(图b)的抓拍图像。在缺乏照明的环境下，普通一体式电子警察系统的抓拍图基本无效，而低照度一体式电子警察系统仍能获得有效的抓拍数据。

实验结果显示，低照度一体式电子警察系统可在无频闪灯的环境下正常工作。该系统无需安装频闪灯，低照度摄像机能在0.1 Lux，甚至0.01 Lux的照度下工作。因此，一般条件下的环境光即可满足要求，大大降低了频闪灯所产生的光污染和可能导致的瞬时致盲现象，也更加便于维护。

图4　实际拍摄效果图

图5　夜间普通电子警察图像与低照度电子警察图像的对比

3总结与展望

作为智能交通系统中的采集终端，电子警察系统在现代城市交通管理中得到广泛使用。随着硬件的不断发展，电子警察系统采集的图像逐渐从标清发展为高清，并进一步从分散式向集成化方向发展。为了降低光污染，节约能源，加大系统集成度，本文设计并实现了一种低照度一体式电子警察系统，无需照明设备的支持，即可全天候检测并跟踪车辆状态，抓拍多种车辆违法行为。实验证明，该系统可取代现有的一体式电子警察系统，并且更加简便节能。

参考文献

[1]龚文凌. 基于视频的电子警察系统的研究[D]. 上海：上海交通大学，2004.

[2]张盈盈，姚丹亚，吕克逊. 实时视频检测技术在城市交通管理规划中的应用[C]∥第四届中国智能交通年会论文集，2008.

[3]彭小军. 视频电子警察系统的设计与实现[D]. 北京：中科院研究生院，2008.

[4]刘永祥. 基于视频检测的电子警察前端系统研究与设计[D].武汉：武汉科技大学，2010.

[5]RAZAVI N,GALL J, KOHLI P, et al . Latent Hough Transform for Object Detection[C]. European Conference on Computer Vision, 2012: 312-325.

[6]BARINOVA O, LEMPITSKY V, KHOLI P. On detection of multiple object instances using Hough transforms[J]. IEEE Trans Pattern Anal Mach Intell, 2012, 34(9):1773-84.

[7]LOWE D G. Object recognition from local scale-invariant features[C]. Proceedings of the International Conference on Computer Vision, 1999(2): 1150-1157.

[8]DALAL N,TRIGGS B. Histograms of Oriented Gradients for Human Detection[C]. Conference on Computer Vision and Pattern Recognition, 2005,1(12):886-893.

[9]BURGES C J C. A tutorial on support vector machines for pattern recognition[J]. Data Mining and Knowledge Discovery, 1998, 2(2):121-167.

(责任编辑于瑞华)

作者简介唐晓东(1970—)， 男， 浙江人， 高级工程师。研究方向为公安交通科技。

中图分类号D035.39