基于视频的公路交通事件检测算法研究

摘  要：本文针对当前公路交通事件检测算法，在识别交通事故时，对移动车辆图像纹理特征提取的稳定性较低的问题，设计了一种新的基于视频的公路交通事件智能图像检测算法，首先对公路摄像头采集的动态车辆视频图像进行预处理，利用环形线圈传感器与视频识别系统进行车辆图像数据采集，对数据视频图像进行数据处理以及灰度幅值特征、直方图统计特征的提取，通过稳态基本特征差异大小的判断，实现基于视频的公路交通事件检测算法，并通过实验验证了该算法的有效性。

关键词：智能图像;公路交通事件;检测算法;人工智能

中图分类号：TP391.41;TP272         文献标识码：A 文章编号：2096-4706（2019）07-0061-03

Abstract：Regarding the problem that the current highway traffic incident detection algorithm shows a low stability when extracting image texture features of a moving vehicle for identifying a traffic incident，a new video-based intelligent image detection algorithm for highway traffic incidents is designed. According to the detection algorithm，the dynamic vehicle video image collected by highway cameras is preprocessed at first. The image data of the vehicle is captured by the loop coil sensor and the video recognition system. The data processing is performed on the data video image，and the gray amplitude feature and the histogram statistical feature are extracted. The video-based highway traffic incident detection algorithm is realized by the judgment on the difference of basic features of steady state. The effectiveness of the algorithm is verified by experiments.

Keywords：intelligent image;traffic incident;detection algorithm;artificial intelligence

0  引  言

道路交通事件，包括車辆抛锚、货物散落，以及交通事故等，是公路发生偶发性交通拥挤的重要成因[1]。交通事件的发生会导致出现大规模的交通延误现象，还会造成公路安全性下降、环境污染等问题。为了降低交通事件对公路造成的负面影响，很多发达国家都已经建立了现代化的公路智能视觉监控系统，并且提出了一些公路交通事件检测算法，达到了对异常交通状态及时进行应急处理的目的。然而我国由于公路上布设的交通检测器数量较少，与发达国家布设交通检测器的平均间距相比有较大差距，因此一直难以形成高效的公路交通信息采集系统，无法对公路的运行状态进行可靠、高效的监控。并且由于缺乏动态、实时的交通信息处理技术以及交通动态信息获取的不足，我国现有的公路交通监控系统仍然以人工观看视频的形式运行着，这种运行形式工作效率较低并且劳动强度较大，很难完全发挥实时监控功能，对我国公路路况的监控效果产生了很大影响。文献[1]中提出的交通事件自动判别算法与文献[2]中提出的基于信息熵的城市实时交通事件检测聚类算法均存在图像纹理均衡性较低的问题。因此，本文针对这一问题提出了基于视频的公路交通事件检测算法。

1  公路交通事件检测算法设计

1.1  动态车辆图像灰度特征的采集

公路摄像头采集与监测的信号都是以视频图像的形式表现出来的，而数字信号通常是通过对模拟信号进行编码以及量化而产生的。在公路交通事件检测算法中，由于在模拟信号向数字信号转换的过程中会产生一定的失真而对运算结果产生一定的影响，因此在对视频图像进行算法处理之前首先要对视频图像进行一定的预处理，即改善图像的质量，从而实现算法精确度的提升[2]。现代公路摄像头所采集到的车辆视频图像多为彩色图像，而灰度图像能够提升公路交通事件检测算法的处理速度，因此需要对摄像头采集到的彩色图像进行灰度处理[3]。

随着视频识别技术的不断发展，在动态图像数据采集的过程中，可以利用视频识别系统来弥补环形线圈传感器的不足之处，为公路交通事件检测的达成提供了便利条件。视频识别系统主要利用计算机视觉技术、模式识别技术以及数字图像处理技术等，可以实现车辆的跟踪与自动识别，并能够对车辆行为进行分析，其优点包括判定可靠、算法优化可靠、效率较高、成本低廉等，当前在智能交通系统中的应用已经较为普遍。

在数据采集完成后，需要对数据视频图像进行处理，提取相关可识别的特征，包括灰度转换与灰度图像的二值化[4]。灰度转换就是把视频图像的蓝、绿、红这三个分量进行等值处理的过程，将视频图像进行灰度转换后，图像会被灰度化，由之前的三维表现特征变为一维表现特征，并且还会失去部分图像信息。当前较为常用的图像灰度转换方法包括加权平均值法、平均值法以及最大值法。将这三种算法整合为均值加权处理算法对视频图像进行灰度转换往往会产生不同的结果。利用以下公式对视频图像进行灰度特征转换处理可以大大提升图像的合理性：

其中，Gray指的是视频图像的像素灰度值，而三个系数则是经过大量的理论推导以及实验之后得出的最佳灰度图像的权值。

1.2  车辆灰度特征的二值化分割

灰度动态车辆图像的特征二值化指的是，在车辆视频图像数据处理过程中，为了减少算法的计算量，通常会将灰度图像转化为二值图像，即只包含白与黑这两个灰度级的图像。二值图像像素的灰度级不是0就是1。将视频图像的灰度图像转化为二值图像主要是将灰度图像分成目标物体以及背景，比较常见的二值图像转化方法是利用阈值的选取将灰度图像分成两个部分，小于该阈值的区域是背景部分，大于该阈值的区域是目标物体部分，如果用f（x，y）来表示输入的灰度图像，那么就可以用g（x，y）表示输出的二值图像，即：

而当视频图像的灰度分布于不相邻的几个区间内时，视频图像的二值化则可以用式（4）来表示：

在式（3）（4）中，A是一个包括各种视频图像组成物体的灰度值的集合。利用阈值运算能否对图像进行高效的分割就取决于背景与物体的对比度，也就是必须确定视频图像的灰度分布[5]。

1.4  基于阙值的交通事件图像识别

通常我们通过车辆图像分割出的特征，再结合基本属性来区分视频图像中发生的交通事件。车辆图像特征为对其进行事件定义的重要数据，也是对不同交通事件进行分辨的依据。作为对车辆视频图像发生的时间进行进一步辨识的基础，较为常用的目标识别特征包括灰度幅值变化特征、直方图统计变化特征等[6]。其中灰度幅值特征是视频图像最基本的特征，对灰度幅值相关参数的阙值特征，是测定可以在视频图像特殊部分的邻域内，或在其像素点中发生事件的依据，或直接在相关区域内进行。以坐标（a，b）为中心，则（2n+1）×（2m+1）邻域内视频图像发生事件的阙值为：

而直方图统计特征包括熵、能量、方差以及均值。

面对公路中噪声较大、复杂多变等特征，通过利用在视频图像中提取的直方图统计特征与灰度幅值特征并利用区域划分方法实现了公路交通事件检测算法。也就是通过对整幅图像进行区域划分，并将划分出来的各个区域作为公路交通事件检测算法的研究区域，在公路交通事件检测的过程中需要对各个区域进行处理，以达到有效判断检测车辆是否经过的目的。

2  实验结果与分析

为保证基于视频的公路交通事件检测方法的有效性，设计以下实验。在实验的过程中，以某公路为实验对象，选取了一段在上班时间拍摄的公路交通视频，对该公路的交通事件进行检测。结果表明运动目标检测准确，在内分辨率低、光照较复杂的情况下，可以准确检测出运动车辆，而且可以达到实时性的要求。使用本文监控方法所得到的图像分割结果如图1所示。

为了保证实验的有效性，使用传统公路交通事件检测算法（基于基础BP神经网络的方法）与基于视频的公路交通事件检测算法进行比较，观察实验结果。利用这两种算法对公路交通事件进行检测，其图像的纹理均衡性对比如图3所示。

通过图3可知，利用数字视频和图像处理技术对灰度视频序列进行分析和计算，得到视频图像的灰度值、纹理值、方差值等基本特征，从这些数字特征中提取出相应的稳态特征，通过对稳态特征进行分析判断来检测交通事件。因此，基于视频的公路交通事件检测算法相比传统BP神经网络检测算法的纹理均衡性更高，即检测结果更加准确。

3  结  论

基于本文的研究与分析可知，基于视频的公路交通事件检测算法能够提升视频图像的纹理均衡性，获得更加准确的交通事件检测结果，并且计算步骤较少，具备一定的实用性。

参考文献：

[1] 金忠富，刘亚玲，谢洪波，等.基于RFID的交通异常事件自动判别方法 [J].公路与汽运，2012，22（25）：168-170.

[2] 李晓峰，杨春山，丁树春.基于信息熵的城市隧道实时交通事件检测聚类 [J].计算机技术与发展，2013，23（10）：212-215.

[3] 王國伟，杜荣华，胡乐秋，等.基于RFID通行卡的隧道交通事件检测系统设计与实现 [J].交通信息与安全，2011，29（5）：112-115.

[4] 严兆斌，方敏.基于序列模式挖掘的公路隧道交通事件检测 [J].计算机应用与软件，2010，27（21）：204-206+249.

[5] 李首才.视频监控、交通事件检测、火灾报警三合一系统概述 [J].科技创业月刊，2016，29（33）：108-110.

[6] 杨平，厉小润.基于视频检测技术的智能隧道交通安全监控系统设计 [J].计算机应用与软件，2012，29（36）：128-130+171.

作者简介：胡永（1980-），男，汉族，甘肃陇南人，副教授，研究方向：计算机科学与技术教学、图形图像算法。