基于固定视频图像的高速公路交通流参数检测研究

曹鑫胜，韩一德

(1.山西省交通信息通信公司，山西 太原 030006；2.青海省高等级公路建设管理局，青海 西宁 810008)

1 研究背景与研究现状

2015年，全国高速公路里程快速增长，总里程已经达到11.7万公里，位居世界第一。经过两年的快速发展，全国高速公路每年新增5000多公里的里程，到2017年我国高速公路总程突破13万公里。在高速建设取得喜人成绩的同时，中国的汽车和驾驶员的数量也在突飞猛进。2015年，小型载客汽车达1.36亿辆，较2014年增长18%，私家车数据也逐年递增，到2017年底，全国拥有私家车的家庭数量已达到4亿多户，相当于每三个家庭中就有一个家庭拥有一辆私家汽车，与此同时驾驶员人数也在快速增长。高速公路里程和机动车驾驶人员的迅速增长，在给人们生活带来方便的同时，也激发了高速公路管理方的管理需求，如果对高速公路上的交通流量进行很好地监测，从而为人们提供很好的交通信息，正在成为高速公路管理方越来越关心的问题。

交通状况的分析其中很重要的一项内容是对交通流参数的检测，通过检测交通流量，不仅可以为高速公路管理方日常运营管理提供支持，也是交通流理论研究、交通管理政策制定的重要依据。只有快速地采集、传输、利用交通信息，了解道路交通的运行状况，才能根据不同状况，迅速采取应对措施。交通流参数检测技术主要包括环形线圈检测、超声波检测、视频检测等。相比之下，视频检测具有明显优势，易于安装、维护方便、费用低、检测范围广、信号能用多种方式传输、可以综合分析不同区域的信息，且满足实时要求。

国内外有很多关于通过视频来检测交通流的研究，比如美国的教授Kofler，采用基于轮廓的方法来描述运动中的汽车，而Beymer教授则采用提取出角点特征来描述运动中的物体[1，2]，上海交通大学的专家们则将摄像机标定技术应用于交通流参数等。除此之外，基于视频的检测方法主要包括均值法、中值法、帧间差分法、单高斯模型、混合高斯模型、自适应混合高斯模型等等。

但部分算法存在一定的问题，如复杂度高，不适于实时交通流检测；标定过程复杂，不适用于多个外场摄像机；精确度不够高等，具体情况如表1[3,4]。

表1 前景检测算法比较

从表1 可以看出，混合高斯模型与自适应混合高斯模型的精确度要远高于其他算法。尤其值得一提的是，由于混合高斯模型对于微小重复运动的场景特别有效，比如树叶的摇动、风扇在旋转、光线反射等情况，使得该模型可以广泛应用在复杂的视频背景下建模。另外，基于像素的混合高斯模型能适应背景的微小变化，比如光线的逐渐改变，且算法的计算速度较快，因此在工程应用中有很好的适应性。

2 混合高斯模型介绍

2.1 交通流参数检测中相关概念

2.1.1 背景与前景

交通流参数检测，就是对高速公路中正在行驶的汽车或其他运动物体的检测，因此统称对运动物体的目标检测。对运动目标参数提取的过程中，最重要的就是将背景和运动的目标进行区别，同时识别出运动目标。而交通流参数检测模型构建的过程，是背景目标提取的一个重要环节。前景是指在假设背景为静止的情况下，任何有意义的运动物体即为前景。

由于高速公路交通流参数检测时，背景的特征在一段时间内变化不大，因此可认为在短时间内，背景的像素点服从高斯分布。当然，在工程应用中，背景也会发生微小的变化，比如光线反射、树叶的摇动、风扇在旋转，因此背景像素点不会呈现纯高斯分布的现象，而是出现双峰或多峰，因此必须采用混合高速分布的方式来建模，从而降低干扰。

2.1.2 运动物体检测

在进行运动物体检测时，根据摄像机是否固定分成两种情况，一是摄像机固定时的检测，另一个是摄像机移动时的检测。根据行业内通用的处理方案，摄像机移动时，使用光流法能很好地解决运动物体检测的问题。光流法是指通过一个图像序列中的图像亮度模式来捕捉运动目标，即空间物体表面上的点的运动速度在视觉传感器的成像平面上的表达[5]。

对于摄像机固定的运动物体检测，也可以采用光流法，但由于该方法计算比较复杂，因此很难满足工程中实时性的要求。大量的研究表明，使用混合高斯模型，可以有效地适应摄像机固定的运动物体检测情况。因为在摄像机固定时，背景的变化是缓慢的，而且大多都是一些光线反射、微风吹过等微小的变化，这种场景特别适合使用混合高斯模型来建模，从而在图像序列中快速地分离出背景和前景，从而达到运动物体检测的目的。

2.2 传统混合高斯模型

根据表1，混合高速模型经常用于进行运动物体的检测，但在工程应用中，该建模方法也存在一些不好解决的问题

1) 当运动物体在当前图像中停止不动，或长时间停止不动时，该模型会失效，而这一点在高速公路领域经常发生，也就是交通拥堵现象；

2) 在高速公路上，经常会有大量的缓慢行驶的车辆，特别是接近市区的时候，而对于这种情况混合高斯模型无法适应，它只能检测到汽车的部分轮廓，无法提取出完整的目标；

3) 当大量缓慢行驶的车辆从慢速转变为运动时，该算法会出现“影子”现象，即将背景区域检测为前景。

2.3 自适应混合高斯模型

基于以上问题我们选择了自适应混合高斯模型算法，它的主要思想是将混合高斯模型中的模型个数改进为自适应的，能满足不同情况下所需要的高斯核。

1) 用第一帧图像对高斯混合模型进行初始化：

(1)

2) 对于t时刻的像素It(x,y)，分别与已经存在的M个高斯模型一次进行匹配：

|It(x,y)-μi,t-1(x-y)|<2.5σi,t-1.

(2)

4) 未匹配模式的均值和方差不变，对匹配模式的第i个高斯模型参数进行更新：

(3)

(4)

6) 继续对It(x,y)与上述各高斯模型进行匹配检验，如果It(x,y)与前B个高斯模型的任意一个匹配，则改像素点为背景点；否则为前景点。

7) 重复步骤2)～6)，直到视频结束。

自适应选择高斯分布的个数是每隔N帧，对高斯分布进行一次扫描。检查所有高斯分布的权重，如果某个高斯分布同时满足下式：

ωi,t<ωinit
(ωi,t/σi,t)<(ωinit/σinit).

(5)

则将该高斯分布判定为多余的高斯分布，并删除该高斯分布。最终得到需要的自适应混合高斯分布模型。

3 交通流参数获取方法

3.1 基于模拟线圈法的高速交通流量获取

完成自适应高斯混合模型构建之后，则需要利用虚拟线圈法来对车辆运动进行检测。

在算法中，是统计虚拟线圈中前景像素的个数来确定车辆是否在虚拟线圈中的。也就是该方法对图像特征描述是利用对图像中的灰度跳变的统计来进行的，其意义是很清晰明了、而且计算起来也不会复杂，可以只对部分统计检测区域即可得到相关的结果，并且取得的实验效果也是相当好的。

把虚拟线圈设置到视频图像当中进行车辆检测与识别技术就是虚拟线圈检测法，其基本实现方法与使用物理线圈的检测方法相类似，具体效果如图1。

3.2 其他交通流参数计算方法介绍

1) 速度：设两个虚拟线圈，并且已知线圈的实际间隔距离，通过经过两个线圈的时间差，即可计算出该车速度。

(6)

2) 占有率：本算法是计算五分钟内的时间占有率，在车量经过虚拟线圈的每个时刻都会记录下来。则占有率可由以下公式得到：

(6)

3) 车头时距：我们定义了车时矩指的是：前车的车尾过虚拟线圈到后车的车头过虚拟线圈所需的时间间隔。因此，相应的在计算车头过虚拟线圈，为防止把噪声认为是车头经过，加了一个阈值，连续两帧都经过，且刚过去的第四帧没有车辆经过，即视为车头经过。

4) 车头间距：由于实际情况我们的镜头是不动的，因此，不一定能捕捉到一辆车和另一辆车的绝对位置的图像。因此，我们假设车辆的速度是稳定的。通过得到的后车与前车的车时距，与前车的速度，得到我们最终大致的车间距。

distance=vlast×Δt.

(8)

图1 虚拟线圈设置演示

4 交通流参数实验结果展示

交通参数算法指标中，我们着重于将指标集中于车流量这一个参数，其余的参数主要和实际情况相符即可，即基本无与实际情况不符数据。我们选择了一个视频进行实验测试算法性能，视频都没有给定的准确车流量以及其他信息，故我们统计了整个视频每3分钟每条车道为一单元的车流量，以此得到每条车道三分钟车流量的准确率。所得到的平均准确率即为算法得到的AA准确率指标。如下面式子所示：

(9)

由此得到的车流量的数值与准确率部分情况如表2。

表2 车流量统计准确率

通过得到的流量结果，按照其他交通流参数计算方法，可以得到其他交通流参数随时间的变化情况，如图2所示。

图2 其他交通流参数变化情况

5 总结与展望

本文介绍了基于固定视频图像的高速公路交通流参数检测研究，包括车辆检测方法以及交通流参数相关计算方法。基于图像处理的视频车辆检测方法与其他车辆检测方法相比，具有直观、可监视范围广、交通参数种类多以及费用低等优点，可广泛使用于高速道路、匝道的交通监控系统之中。