一种改进的针对车体遮挡的车流量检测方法

周楠皓 朱明旱 张明月 郭言信 张栩华

摘 要：随着社会的发展，人均收入的增加，城市道路中的车辆越来越多。当车流量增多时，车体遮挡问题也随之而来。针对于此问题，本文在传统的针对车体遮挡的车流量检测方法的基础上进行改进。首先通过对视频的分析，提出了利用车体面积法来解决前后车辆的遮挡，对于特例的大型货车、客车利用近景图像检测黄色车牌的方法，其次采用分车道取景框来解决相邻车辆的遮挡。实验结果表明，本文提出的改进方法能更好的识别遮挡车辆，具有较高的实用价值。

关键词：车辆遮挡;车辆车牌识别;车流量

1 概述

近年来，伴随着社会的进步，经济的增长，无论是国外还是国内，交通建设变得尤为重要。随之而来的就是面临城市交通紧张、交通事故频发、交通环境恶化、交通管理混乱等问题，已经成为了当今世界各国面临的共同问题之一。在这样的背景压力之下，大力发展智能交通系统是各国解决道路交通问题的重要任务。车流量的统计是智能交通方面的重要题目之一，是完成交通智能化管理[1]的重要一环，常见的车流量统计方法有基于超声波、红外线[2]和视频检测[3]等方法。车流量的统计中存在着许多问题，例如本文提出的车体遮挡问题。

在道路拥挤时，前后车辆遮挡和左右相邻车辆遮挡都容易造成交通安全事故的发生，所以解决车体遮挡的系统更应该尽快完善起来。为了达到这个目的，车体遮挡的检测方法和算法也在不断地改革和创新中。齐美彬等[4]提出一种车辆遮挡模型的车流量统计算法，利用两轮扫描法提取运动目标完整外部轮廓，但该方法只着重介绍与解决相邻车道的遮挡，而前后遮挡的问题并未提及。侯进辉等[5]提出的一种基于随机遮挡辅助深度表征學习的车辆再辨识的方法，该方法运用随机遮挡，所提出的算法能够在一定程度上模拟实现现实中的遮挡情况，但所列举的算法比较复杂。蔡英凤[6]对于部分遮挡车辆的检测提出一种基于多部件RBM模型的部分遮挡车辆检测，该算法有较高检测率和很低的误检率，但本算法判断结构较为复杂，计算时多个SVM分类器均需进行判断，因此在实时性上仍有不足。金会庆等[7]提出一种利用面积匹配方法来解决车辆前后遮挡问题，采取绘画分车道取景框的办法来解决相邻车道遮挡问题，但当两辆前后紧挨的小车的面积如果与大型客车、货车的面积相同时，那么会使得车流量统计的精度大大降低，那么面积匹配方法不能解决。

对于这些方法中所存在的问题以及未研究过的前后遮挡中存在两辆小车遮挡面积等于大型车，所导致的车流量计数的问题，本文提出一种改进的针对车体遮挡的车流量检测方法。该算法中将大型车单独利用其特征—黄色车牌进行车流量统计。实验结果表明，本文所提出的方法能够准确快速统计遮挡车辆，并且减少了因为车体特征而造成的车流量统计误差，算法较为简单，鲁棒性好，具有较好的实用价值。

2 算法描述

2.1 前后遮挡车辆提取

车辆提取关键在于匹配，也就是说，在不同的帧图像中找到相同的移动物体。由于在十字路口，车辆将停止在等待红灯的时候。长时间不动的车体会被一种以背景提取的算法当成背景，而在下一个绿灯时间段，这部分虚假的背景部分会使得有较长时间的虚假的运动信息。所以不能采用前景背景差分的方法。而其他的运动信息提取的算法，不能满足本文的实时处理的要求。本文采取帧间差分的方法与小块合并相结合的方法，帧间差分的方法对于动态环境有很强的自适用性，处理速度快，有实时性，而且这个方法对同一种颜色的物体没有那么敏感，因此可以很好地解决阴影问题。但是帧间差分的方法往往使得被检测的对象被分为许多小块，而造成运动的信息不完善，所以在帧间差分的方法后加上了一个小块合并的处理。

利用帧间差分法与小块合并法将车辆的图像提取出来，再根据面积匹配来进行车辆配对。

图1给出了匹配原理图。用下面二要素的方法来进行匹配对：

（1）面积匹配：a面积必须在b面积的0.8-1.2的范围内，才能认为a，b的面积相匹配。

（2）车道号码匹配：必须是同一车道的车辆。

面积匹配法。前后遮挡问题很普遍，处理这种遮挡也是智能交通的一个重点和难点。如图2所示整个区域内的遮挡十分严重，挑选一个遮挡很少的部分来做检验，可以把从下到上的车辆统计得很清楚。

对于取景框内的遮挡，可以采用面积配对的方法来解决。

2.2 大型运动目标的车牌识别法

当大型车经过时，我们的面积法有可能会将其当作前后遮挡问题。一辆小车在图像中的面积匹配范围在0.8-1.2，当两辆车前后遮挡时，在该图像的面积匹配范围大约在1.6-2.4。当面积匹配范围超过2.4时，那么就可以认为该遮挡目标不为两辆车前后遮挡，而是大型车辆。

对于大型车辆的识别，本文根据其特征，利用其特有的黄色车牌进行识别。

黄色车牌提取。本文利用matlab技术提取黄色车牌[8]读入原始黄色车牌图像，如图3。

进行灰度处理，如图4。

进行图像边缘检测和腐蚀，膨胀和平滑图像轮廓，最后去除小对象，如图5。

在水平和竖直方向确认车牌的位置并切割，如图6。

确认好车牌区域后进行角度矫正，方便之后的读取和文字定位，如图7。

最后进行二值化和色素堆积，如图8，图9。

2.3 分车道画框取景法

相邻车道之间的遮挡是由于车辆之间并排行驶造成的，可以使用画框划分的方法解决这个问题。如图10所示的三个取景框，分别标记为a，b，c，每个取景框又分成上下两部分。分别标记为a1，a2，b1，b2，c1，c2。

经过长期的试验观察得出，b车道内的车辆在与它的相邻a、c车道中的运动信息，总是局限在a、c车道的下方部分内，即局限在a2或者是c2内。在a、c车道中，该车没有产生明显的，从下方进入、从上方离开的现象，因此不会当作a、c车道中的车体。采取该方法既可以解决相邻车道的车辆遮挡问题，又可以免得一车多次计算。

3 实验结果分析

本文拍摄了多组实验数据，结果如下表：

正确检测率=检测车辆数实际车辆数

通过实验结果易得出，本文提出的方法对处于遮挡情况的运动车辆能正确的识别处理，车流量统计精度相对传统视频参数的统计算法有所提高，整個车流量统计算法准确率保持在95%以上，具有较高的准确率。

4 结论

针对前后车辆遮挡的问题，前面提出了面积法，但不适用于大型车辆。本文从面积法的不足之处出发，提出大型车辆车牌识别法，解决了大型车辆无法识别问题。提高了前后车辆遮挡的车流量统计的精度，并且算法简单，具有很高的鲁棒性。

参考文献：

[1]张勇，孙洪斌.城市道路交通智能控制技术研究[J].智能建筑与智慧城市，2018（10）：137-138.

[2]周彬.红外线在道路测试中的应用[J].交通科技与经济，2013（3）：45-48.

[3]肖国宴.基于视频的车辆检测与分割算法研究[D].南昌：南昌大学，2018：1-64.

[4]齐美彬，鲜柯，等.一种基于车辆遮挡模型的车流量统计算法[J].仪器仪表学报，2010（6）：1335-1341.

[5]侯进辉，曾焕强，等.基于随机遮挡辅助深度表征学习的车辆再辨识[J].控制理论与应用，2018（12）：1725-1730.

[6]蔡英凤，王海，等.基于多部件RBM模型的部分遮挡车辆检测[C].2014第九届中国智能交通年会，2014：344-349.

[7]金会庆，徐雪，等.基于视频的复杂路口车流量检测方法[C].第三届中国智能交通年会会议论文，2012：634-638.

[8]许新华，薛迪杰.基于MATLAB的车牌识别系统的研究设计[J].科技风，2019（10）：7.

作者简介：周楠皓（1997-），男，汉族，湖南湘潭人，本科，研究方向：图像处理。