基于视频图像处理技术的车流量检测系统的设计与研究



基于视频图像处理技术的车流量检测系统的设计与研究

主要研究模式识别与图像处理。

马怀志

(枣庄学院信息科学与工程学院，山东 枣庄 277160)

摘要：交通车流量参数检测作为智能交通系统的重要研究内容之一，其能够精准并迅速地统计车流量，这对智能交通系统的控制提供了一定的参考与保证。以视频图像处理方式为基础，测量了车流量，研究了统计算法，通过运用k-均值聚类建模的车辆目标检测算法，即使在背景条件不断变换的情况下，也可以达到对背景图像进行实时更新的目的，快速准确地对其中的运动目标进行分割。最后采用了VC++开发工具和OpenCV图像开发包进行检测系统设计，通过对拍摄的交通视频文件进行测试，证明效果显著。

关键词：车流量检测；视频检测技术；目标检测；检测系统设计

社会经济发展速度迅猛，随着城市人口的快速增加，机动车的数量也随之大幅度增加，因此，导致了交通流量的不断增加。对于目前的交通路网，其管理设施与车辆的通行能力已经远远跟不上车辆的增加速度。智能交通系统可以对城市交通所存在的问题进行科学合理的解决，该系统综合应用了多门学科技术，其中包括：检测、自动控制、通信以及电子信息等技术，由于优势显著，所以智能交通系统得到了快速发展。该系统可以实时检测道路的交通流量信息，根据相应时间段内的交通流量，调配与之对应的信号灯方案，这对于缓解交通堵塞，增加道路空间，减少交通事故发生次数是有利的。成功应用该系统，可以实现智能交通。文章以视频图像处理方式为基础，深入研究了检测道路交通流量的相关技术，使用该系统，可以对道路的流量信息进行实时检测，对于了解与控制道路的交通运行情况具有实际意义。

1车辆目标的检测和提取

抑制噪声过程中，在录制的视频中对运动目标的成分进行准确提取，并且对运动目标所具有的特征进行详细表述，这便是视频序列车辆目标检测的目的。运动目标所具有的特征指的是输出的数据信息。运动目标的特征输出过程如图1所示。

图1　车辆目标检测系统的基本流程　　基于视频条件交通车辆的检测，车辆信息包含如下特征：1)图像序列中车辆一直处于运动状态，其位置也不停地发生变化；2)和背景的色彩、亮度相比较，车辆本身的色彩、亮度有一定不同；3)有一些车辆图像相较于路面背景的部分图像，其具有了较好的边缘信息。

1.1k-均值聚类的背景构建

k-均值聚类是聚类算法的一种，随机选择的k个对象是聚类中心，其他应按照和各聚类中心的不同距离进行相应的划分，并分配至相似程度最高的的聚类当中，对某一个评价聚类结果质量的准则函数进行相应的确定，并对不同聚类的新中心进行计算，最终，采用迭代算法，对准则函数取极值最佳的聚类结果进行确定，以准则函数收敛作为终点。本文选择k-均值聚类算法进行背景建模，从而能够准确地更新与提取图像序列背景。该背景建模算法的主要设计思路如下：

1)对群集个数k进行确定。第一个凝聚点可选择数据流中所有数据的平均值，其余的凝聚点可根据不同特殊位置的像素点再进行选择。

2)按照距离最近的准则进行归类，对新群集的凝聚点进行相应计算，当准则函数开始收敛时，停止计算。

3)高斯建模。聚类结果分类工作完成之后，开始进行高斯建模，建模的目的是对均值和方差进行计算。

4)图像重构。聚类结果可选择图像重构的方式，对背景模型进行相应的输出。均值聚类算法背景建模流程图如图2所示。

图2　k-均值聚类算法背景建模流程图

1.2车辆目标检测

完成背景重构后，就可以检测车辆目标。此时获取的图像存在较大的缺陷，图像中不仅含有运动目标，在录制过程中也夹杂着其他图像噪点，这是因为光线缓变影响形成的椒盐噪声背景干扰运动形成的伪运动，另一个原因就是运动目标产生空洞现象。上述不利因素严重影响了车辆目标检测的处理。基于此，本文采用如下方法进行处理：1)对图像进行去噪处理，选择邻域平均法，效果显著；2)选择数学形态学的方法处理图像，进而得到较为理想的结果。

将背景独立点的灰度值近似认为是高斯分布，当背景模型构建完成，应该实时检测运动目标。因此，通过高斯概率分布的相关公式可知，l群集背景模型下，当前像素值Xt的概率为：

式中Xt为当前图像帧像素点。

扫描图像，若检测到像素为1点，停止扫描，对该已知点进行记录，记作：X0:X0=P。

基于形态学知识，提取和上述已知点连通的区域。

式中Y为原图像，选择迭代运算的方式，当Xk=Xk-1时，算法收敛，此时A就是连通区域，进行标记。

对连通区域面积进行计算的过程中，图像属于二值图像，应采取措施：

对图像进行扫描与搜索，如果搜索到像素值是1的点，便开始反复迭代，直至完成。完成后，将图像进行二值化处理，便会出现目标结果。

本文选用实际交通视频图像序列作为测试序列来验证该算法的有效性并作性能对比，图3是该算法实现的一组实验结果。

图3　本文算法对运动目标的检测过程

2视频的车流量检测系统设计

本系统设计的两大原则如下：第一原则是算法改进；第二原则是便于用户对相应的功能进行添加。视频的车流量检测系统包含了5大模块，具体如图4所示。

图4　系统模块框图

统计车流量的计数过程如下：随机选择其中一辆车，当该辆车的车尾开始经过检测区域线，直至该辆车的车尾消失不见，在4帧内，该辆车会被连续匹配。基于目标匹配准则，获取后续几帧中，每一个独立匹配模板相应的匹配结果，经过反复试验，对车辆开始进入第1条检测线以及离开第2条检测线时的帧号进行详细记录，记录方式选择成员变量，对相邻2帧下检测线的状态进行详细记录，基于不同状态，进行相应的逻辑组合，判断检测车辆开始进入检测线以及离开检测线的时间。具体检测过程如图5所示。

图5　系统检测流程图

视频的车流量检测系统基于面向对象编程技术，采用VC++和OpenCV图像开发包实现了软件的整体设计与实现。图6是系统主界面，图7是视频显示和统计结果界面。

图6　系统主界面

图7　视频显示和统计结果界面

3结语

本文在基于视频图像处理的车流量检测方面进行了大量的实验与设计，对车辆目标进行了检测与提取、阴影去除以及车流量统计，初见成效。系统的设计与实现，对于智能交通的应用与推广具有借鉴意义，但是，该领域综合了多门学科技术，仅仅是现在的研究成果，还无法达到完美的智能交通水平，因此，本文设计的车流量检测系统只是初步研究，旨在为今后其他类似深入的研究提供一定的参考。

参考文献

[1] 王荣.智能交通系统中的一些算法的研究与实现[D].成都：四川大学，2011：7-9.

[2] 宋世军，张之稳，石来德，等．复杂背景下运动目标的智能检测方法[J]．计算机应用与软件，2008，25(1)：213-215.

[3] 孔庆杰，陈宜开，刘允才.基于证据融合的实时交通状态估计[J].上海交通大学学报，2008，42(10)：1682-1686.

[4] 周箴，胡福乔.基于背景建模的动态场景目标检测[J].计算机工程，2008，34(24) ：203-205.

[5] 范涛.复杂环境下运动目标检测的研究[D].太原：太原科技大学，2010.

[6] 杨会峰，曹洁，帅立国.基于改进K-均值聚类算法的背景建模方法[J].电子测量与仪器学报，2010，24(12)：1114-1116.

[7] 郭辉,陈光.基于 OpenCV 的视频图像处理应用研究[J]. 微型机与应用, 2010, 21:15-16.

The study on traffic detection system design based on video image processing technology

MA Huai-zhi

(CollegeofInformationScienceandEngineering,ZaozhuangUniversity,

ZaozhuangShandong277160,China)

Abstract：The traffic flow parameters detection is as one of the important research contents of intelligent transportation system. The precise and quick statistic to traffic flow will provide a certain reference and safeguard to intelligent transportation system control. This article based on video image processing to detect the traffic flow, and study the statistics algorithm. Through the vehicle target in the average clustering algorithm, in spite of the change of the background conditions, the real-time update the background image can also be realized, and the moving targets can be made quick and accurate segmentation. Finally, by using VC 6.0 development tools and Open CV image development kit, the testing system is designed. The video results are good by testingn traffic video files, and with a value for widely spread.

Key words：traffic flow detection; video detection technology; shadow detection; detection system design

文献标志码：A

文章编号：1009-8984(2015)04-0104-04

中图分类号：TP391.41

作者简介：马怀志(1984-)，男(汉)，山东泰安，硕士，讲师

基金项目：普通本科学校应用型人才培养专业发展支持计划项目(33301) 枣庄学院校级科研(1131405)

收稿日期：2015-11-16

doi:10.3969/j.issn.1009-8984.2015.04.026