基于计算机视觉的施工现场车辆监管技术研究

刘云波　黄华

摘要：针对大型施工工地对车辆统计和监控的需求，提出一种基于计算机视觉的施工现场车辆监管方法。首先采用高斯背景建模方法得到高精度的监管区域背景；然后运用背景差分结合二值化方法实时提取运动目标，再根据车辆尺寸和形状特征识别车辆运动目标，并通过尺寸和形状滤波等方法对车辆进行分类，识别出工程大车和小型机动车；另外，对车辆速度进行了基于视觉的虚拟检测线法估计，当有车超速的时候予以抓拍和警告，即在路中心位置平行设置两条虚拟检测线，当车辆通过其间时，对车辆测量速度和数目进行统计。实验结果表明，该方法基本达到了大型工地现场对车辆监管的需求。

关键词：计算机视觉；车辆检测；车速估计

中图分类号：TP37 文献标识码：A 文章编号：1009-3044（2015）04-0161-04

Abstract： Aiming at statistics and monitoring the situation for vehicles in the large-scale construction site，this paper proposes a method of monitoring vehicles in the construction site based on computer vision. First， we use Gaussian background modeling to get a high-precision initial background image of the regulatory region. Second， using background subtraction method combines binary to extract real-time moving target， and then to find the vehicle moving target from all the moving targets based on the size and shape characteristics of the vehicle， and filtering the vehicles into big trucks and small carts by size， shape filtering and other methods. Meanwhile， we estimate the speed of the vehicle through virtual detection line method based on computer vision， and the system will issue a warning and capturing when a car speeding. Finally， two horizontal virtual test lines set in the middle of the road. When the vehicle passing through the virtual test lines， the system statistics the number of vehicles and estimated the vehicles speed. Experimental results demonstrate that this method can basically meet the requirements of vehicle supervision of large construction site.

Key words： computer vision； vehicle detection； speed ??estimate

在大型工地施工现场中出入的施工及其他车辆数目众多，施工现场对车辆的管理直接关系到施工现场秩序和安全，比如在施工现场中进入的车辆数目不加以控制会造成施工工地内部拥堵，施工现场有过多非施工车辆进入也会造成一定混乱，诸如此类问题都需要通过对施工现场车辆合理监管来解决。然而，现有的施工现场对车辆的监管还大多依赖于人力，如记录进出的车辆数、车辆种类、车辆是否超速等，这些监管任务目前大都是依靠值班人员人工进行监管，这样不仅耗费人力物力也存在很多安全隐患问题。针对大型工地现场对车辆自动高效监管需求，该文提出一种基于计算机视觉的施工现场车辆监管方法，能够智能的对进出施工工地的车辆进行监管，包括对进出车辆数量的统计、车辆类型的区分、车速的估计和超速抓拍警告等等。

1 基于视觉的大型工地现场车辆自动监管总体方案设计

1.1 需求及其分析

在大型施工工地，由于出入现场的车辆繁多，所以需要对进出施工现场的车辆进行监管。监管的需求主要是两个部分，一个部分是对出入的车辆数目进行监控，即对进出的车辆数目进行统计，并且将大型工程车与小型机动车分类计数；另一个部分就是要控制施工现场车辆的速度，因为在施工现场的车速是严格限制的，因此，要对出入施工现场车辆速度进行测量，并当车辆出现超速行为时对其给予警告和抓拍。

1.2总体方案设计

根据上述大型工地自动高效监管车辆需求，首先采用高斯背景建模方法得到高精度的监管区域背景，然后运用背景差分结合二值化方法实时提取运动目标，再根据车辆的尺寸和形状特征识别车辆运动目标，并通过尺寸和形状滤波等方法对车辆进行分类，识别出工程大车和小型机动车。另外，对车辆速度进行了基于视觉的虚拟检测线法估计，当有车超速的时候予以抓拍和警告，即在路中心位置平行设置两条检测线，当车辆通过其间时，对车辆的数目进行统计并测量其速度。

2 车辆目标自动检测与监管研究

2.1车辆目标检测算法研究

对施工现场车辆进行基于计算机视觉的监管，首先要获取车辆目标，即在摄像头所获取的图像序列中实时地提取出运动目标，并判断其是否为车辆目标，然后才能更好地进行后续处理和监控。在施工现场的安装的固定摄像头监管范围内获得场景中背景相对位置基本保持不变，则背景图像的大小和位置在不同帧中将保持不变，同时背景图像在视频序列中变化不大，于是可以考虑使用背景差分法[1-2]即利用当前帧与当前背景图像相减提取运动目标。

背景差法准确检测运动目标前景的关键在于背景图像是否准确，如果背景图像较为准确，那么背景差法的精度就较高，因此在系统正式开始检测前，首先要得到一张精度较高的初始背景。考虑到高斯背景建模方法获取背景的方法精度较高，首先使用该方法获取第一张初始背景。

为了减少图像中冗余信息的干扰，减小计算量，首先将获得摄像机图片做灰度化处理，这样每个像素点处图片的信息即为其灰度值一个值，大大提高了效率。对于一个固定的场景，光照变化较为缓慢，可以认为场景中各个像素的灰度值是符合一个随机概率分布的。高斯分布是以某一均值为基线， 在其附近有不超过一定偏差的随机振荡[4]。对场景中每个像素点建立高斯模型， 对依次进入的帧进行高斯模型的拟合来提取背景图像。即对每一个像素利用高斯模板建模， 每一像素点都认为服从均值为μ和标准方差为σ的分布， 且每一点的高斯分布是独立的[5]。将背景中的每个像素按照高斯分布模型建模， 通过一段时间的训练获得其参数并不断更新其分布参数， 据此来获取初始背景。

如此得到的二值图像，运动目标体现在二值图上为一块块白色区域，这些区域就为运动目标潜在区域，其中可能存在车辆目标。然而由于噪声的影响，白色区域也有可能是噪声点造成的，因此还要对得到的二值图像进行一些处理，首先对其进行3×3窗口的中值滤波[8]消除椒盐噪声，然后对其进行先腐蚀再膨胀的处理以得到更完整的前景运动目标。经过上述步骤得到的运动目标的二值图像如图2中（b）的大型白色前景块所示，图2中（a）为当前帧图像。得到二值化前景后，再对它进行轮廓搜索并且进行尺寸滤波滤除尺寸太小不可能为运动目标的前景轮廓[9]，找出初步确定的运动目标在前景二值图中的轮廓，并划出它的外接矩形，图2（c）为找到的运动目标及划出其外接矩形表示。

2.2车辆分类识别和数目统计算法研究

得到的前景目标轮廓即为含有车辆目标的潜在区域，对这些前景目标进行一些处理以便找到其中车辆目标。为了更好地确定前景轮廓中运动目标的位置和大小，该文用其外接矩形框来示意运动目标的位置和大小。

对当前所有前景目标轮廓的外接矩形框进行搜索，在其外接矩形框范围内检测其面积大小、前景区域与矩形框区域面积比例、横向距离、纵向距离、竖直积分投影图特性。因为进出施工现场的基本上只有行人和车辆两种目标，如图3所示，其中（a）和（b）是车辆目标而（c）是人目标，可以很明显地看出其中车辆目标的横向和纵向距离远远大于人，同时车辆目标外接矩形的面积也远大于人外接矩形的面积，但是如果出现同时好几个人距离很近的一起行走会造成目标粘连，也就是可能几个行人会被认为是一个运动目标，即几个行人会被算作一个目标框在一个矩形框中，此时该框的横向距离、纵向距离和总面积都比较大，可能会被误判做车辆目标，所以这里还要进行再判断。

由于车辆目标较为方正的形状，分布较为集中，而几个人并排走导致的粘连目标在其外接矩形中是有较大空隙的，分布较为松散。我们用离散度来表征运动目标轮廓的聚散程度，车辆轮廓由于较为集中其离散度是小于行人目标粘连轮廓离散度的。根据目标前轮廓离散度是否达到阈值来判定是否为车。同时由于人的身体的特殊特征，可以发现行人目标的竖直积分投影图中有许多的波峰波谷，然而车目标的竖直积分投影图则较为平坦，所以再根据目标的竖直积分投影图的波峰波谷特征来附加判断该目标是车辆还是人。

判定目标为车辆之后，再根据其面积、其中前景点数、离散度来判断其是工程大车还是小型机动车。小型机动车面积较小、其中前景点数也较少且形状较为规则近似方形，即离散程度较小。而出入施工现场的工程车都多为大型车，如图3中所示，（a）为小型机动车，（b）为工程大车，与小型机动车相比工程大车其不仅面积较大、其中前景点数较多，且因为工程车是体积较大的重型卡车、水泥搅拌车或者是有吊臂等施工器材的施工车辆，导致其形状不规则有凹凸和空洞，那么其在图像中成像前景的离散程度也就大。得到车辆目标及其外接矩形后，根据上述依据判断出车辆的类型，为工程大车还是小型机动车。

对捕捉到的车辆目标进行跟踪，并且在车辆目标第一次出现时建立其属性列表，包括其行进方向、面积大小、车辆类型、初始位置等等信息，并在后续跟踪过程中将属性列表传递和完善，其中很重要的一点是根据其当前位置与初始位置的坐标关系来分析其行进方向是进入还是出去，并进入其属性列表中。在固定摄像机视场正对施工现场出入口得到的摄像机图像靠近中间部分划取两条平行的水平检测虚拟线用以计数，当非重检车辆目标外接矩形的中心到达两条检测线中间时对其进行计数，并根据其属性列表中方向信息来区分其计入进入车辆数还是出去车辆数，并将数据录入系统统计日志中，实时显示。

2.3车辆速度测量算法研究

在施工现场车辆的速度是被限制的，一般不能超过20-30km/h，速度过快会造成许多安全隐患，在施工现场是不被允许的。在视频监控现场车辆数目的同时，也可以通过得到的视频初步估计车辆的速度，以监控车辆的速度。

由于路面的颜色是几乎单一的，呈现一种暗灰色，为路面的像素点的灰度值之间相差很小，当检测线上的像素均为路面元素时，整条检测线的像素灰度值方差是很小的，然而有车辆通过时由于车辆的横向距离较大且与地面灰度值存在较大差异，所以检测线上像素中除了路面元素还有许多车辆元素，其灰度值方差将会明显增大。这样我们可以考察两条检测线上像素灰度值的方差大小，当其灰度值方差大于设定经验阈值时认为有车辆到达检测线，计算其时间差，使用前述实际测得的两条检测线间距离除以该时间差，得到车辆的速度值。当车辆速度值超过规定速度时，系统保存车辆图片，并实时显示在前端屏幕予以警告。

3 实验结果与分析

对施工现场实拍的一段视频来检测本文算法，结果如表1所示。

该文算法的检测正确率达到百分之88%以上，该方法可以达到检测施工现场出入车辆数目情况的目的，并且算法简单有效，尤其针对单个通过的大型工程车和较为规则的小型机动车有良好的检测效果。但与此同时，在表格中可以发现小型机动车有时会多检，是由于实际施工现场中有一些骑着三轮车的人与小型机动车在大小和形状上难以区分，使得骑着三轮车的人被误检做小型机动车；还有些时候是由于路面有水而车辆轧过的车辙众多导致前景出现大量干扰造成误检测，这还有待以后深入研究和解决。

4 结束语

本文提出了一种基于计算机视觉的施工现场车辆监管方法，可以比较准确地实现对施工现场车辆运动目标的检测与跟踪以及其数量及速度的检测和统计。从整体效果来看，基本满足应用要求。

参考文献：

[1] 李玉萍.基于视觉的车辆检测技术现状[J].国外电子测量技术，2007（26）：10.

[2] 张文溥.视频车辆检测技术及发展趋势[J].中国人民公安大学学报，2010（1）.

[3] 张晖，董育宁.基于视频的车辆检测算法综述[J].南京邮电大学学报，2007（27）：3.

[4] 康晓晶，吴谨.基于高斯背景建模的目标检测技术[J].液晶与显示，2010（25）：3.

[5] 朱齐丹，李科，张智，等.改进的混合高斯自适应背景模型[J].哈尔滨工程大学学报，2010，31（10）：1348-1353.

[6] Ming Han， LIU Jiao-min， Yi Sun. A background modeling algorithm based on improved adaptive Mixture Gaussian[J].Journal of Computers， 2013， 8（9）： 2239-2244.

[7] Xiaopeng Ji，Zhiqiang Wei，Yewei Feng. Effective vehicle detection technique for traffic surveillance systems[J].Journal of Visual Communication and Image Representation，2006，17（3）：647-658.

[8] 郭磊，李克强，王建强，连小珉.一种基于特征的车辆检测方法[J].汽车工程，2006（28）：11.

[9] 赵文哲，秦世引.视频运动目标检测方法的对比分析[J].科技导报，2009（10）.

[10] Stauffer C，Grimson W E L. Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2000，22（8）：747-757.

[11] 姚敏.数字图像处理[M].北京：机械工业出版社，2006.