视频交通参数检测技术研究现状及发展趋势

引言

随着经济的发展和人民生活水平的提高，汽车保有量不断增加，我国城市交通问题日益严峻，交通堵塞，交通事故频繁发生。如何通过智能交通系统建设来缓解日益严重的交通问题已成为交通领域的研究热点。对道路交通信息进行实时检测，根据交通流的变化，迅速做出交通诱导控制，可以有效减轻道路拥挤程度，减小车辆行车延误，降低交通事故发生率，保障行车安全，并减少车辆对环境的污染。因此,道路交通信息的实时采集与处理方法的研究无论对城市交通控制、交通管理、交通规划、路网建设，还是对未来智能交通运输系统功能的实现都具有重要的理论意义和实用价值。

交通参数检测技术经过近40年的研究，国内外专家学者提出了多种交通参数提取方法，主要以测速雷达、环形检测线圈、超声波检测器、交通微波探测等设备获取交通参数。实际应用表明，这几种交通参数提取方法存在以下不足：一是检测可靠性不高；二是安装维护不便；三是获取交通信息量少；四是无法获取直观的交通流信息。由于受到检测能力和可靠性方面的限制，上述几种交通参数提取方法已不能满足ITS的要求，研究有更高应用价值的交通参数提取方法显得日益重要。

随着计算机技术、数字图像处理和模式识别等技术的发展，视频检测技术在交通信息检测中占据了越来越重要的地位。相对于以往的交通参数提取技术，通过对视频图像的处理来获取交通流参数信息主要有以下优点：

首先是可实现智能监控，并提供丰富的交通图像信息,能够高效、准确、可靠地完成道路交通的监视和控制工作；同时,安装监控摄像机比较方便、经济，可通过原有的摄像机监控系统升级得到，维护方便，可以节省大量的人力物力;此外,计算机技术、数字图像处理和模式识别等技术的迅速发展和处理器性能的不断提高，能够满足视频交通参数提取的实时性、可靠性要求。

基于视频图像的交通参数检测主要包括车辆检测和交通参数的提取两个部分。其中,车辆检测是交通参数检测的基础,只有判断出目标是要检测的车辆，才能进行下一步参数(如车流量、车速和车道占有率等)的提取。

1车辆检测

车辆的检测是交通流参数提取的基础。一般可利用车辆相对于场景的运动，将车辆从背景中分离出来，从而实现运动车辆的检测。目前，常用的车辆检测方法有四种:光流法、背景减除法、边缘检测法和运动矢量检测法等。

1.1光流法

光流是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧和当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。一般而言，光流法是由于场景中目标本身的移动、相机的运动，或者两者共同运动产生的。利用光流法检测运动车辆的基本原理：给图像中的每一个像素点赋予一个速度矢量，这就形成了一个图像运动场，在某一特定时刻，图像上的点与三维物体上的点一一对应。根据各个像素点的速度矢量特征，可以对图像进行动态分析。如果图像中没有运动目标，则光流矢量在整个图像区域上是连续变化的。当图像中有运动目标时，贝启标和图像背景存在着相对运动，运动目标所形成的速度矢量必然和邻域背景速度矢量不同，从而检测出运动目标及位置。光流法的优点在于光流不仅携带了运动目标的运动信息，还携带了有关景物三维结构的丰富信息，它能够在任何场景下，检测出运动对象。但是，利用光流法进行运动车辆检测时，计算量较大，无法保证实时性和实用性。

1.2背景减除法

背景减除法是目前基于视频检测算法中最常用的一种方法。它是一种利用当前帧图像与背景图像对应像素点的灰度差值来检测车辆的技术。把当前帧F„与背景图像B„灰度值相减，差的绝对值高于判决门限的像素判为前景图像，即运动目标,低于判决门限的像素判为背景。处理后的二值图MPn为:

如果当前图像的像素点和背景图像的像素点灰度值差别很大，就认为此像素点有车通过；相反，如果当前图像的像素点和背景图像的像素点灰度值差别较小，在一定的阈值范围内，我们就认为此像素点为背景像素点。背景减除法的关键是背景提取与背景更新，然而它对于动态场景的变化，例如光照的变化和阴影的干扰等特别敏感。因此，选取一个可靠的背景模型进行背景的提取与动态更新以适应环境的变化是必要的。背景提取与更新大致分为非模型法和模型法两种。

在非模型法中，最重要的是灰度选择的假设规则。Gloyer等人假设在训练阶段背景至少在50%的时间内可以被观测到，由此提出了中值法(median)，即将图像序列中处于某个像素点中间的灰度值认为是该点的背景像素灰度值。但如果像素在少于50%的事件内被观测到，中值法就会得到错误结果。曾燕等提出在车辆密度大的情况下，沿时间轴计算每个像素点的灰度直方图分布，取分布值最大的点，即mode值点为背景点并提出一种新的背景提取算法，即mode算法。张运楚等提出了基于C-均值聚类的动态背景生成算法，把连续多帧图像中相应位置处像素的灰度值分别进行聚类，选择样本点最多的聚类中心值作为该像素的背景值。非模型法得到的是灰度图像形式的参考背景，系统每读入一帧新的图像，就将该帧图像每个像素点的灰度值与参考背景图像对应的像素点灰度值相减。若差值大于某个背景阈值T，则该像素点属于运动物体，反之则为背景像素。此类算法对环境变化和光照条件变化等较为敏感，不适合作为室外环境变化较大的视频监控背景提取。

模型法则通过对图像的每个像素点建立对应的像素模型来完成背景的自适应提取和更新。Friedman和Russe将像素的灰度看作是3个高斯分布的加权，这3个高斯分布分别对应于背景、前景和阴影。由于背景往往比较复杂，对其仅用一个高斯分布表示是不够的。之后许多模型法都是在其基础上进行改进的。如H.Kim等对背景建立多个高斯分布的混合模型，并未对前景建立，因此建立了多个前景模型与子相结合,实现了更为有效的运动检测。Elgammal等人提出一种无参数的核密度估计算法，提高了运动检测的灵敏性，但运算量很大。F.ElBaf等人提出了模糊混合高斯模型，用于背景建模和机器视觉等领域。

1.3边缘检测法

边缘检测方法利用车体的不同部件、颜色等提供的边缘信息有效地提取车辆的边缘，能够对静止和运动车辆进行有效检测。相对于背景减除法，由于车辆的表面、形状及颜色的不同，边缘检测法所能提供的信息相对显著。即使车辆与路面的颜色相近，根据路面和车辆对光照的反射不同，车辆仍能被有效检测出来。

车辆的边缘可通过计算图像在空间和时间上的灰度的变化率和变化方向获取。空间上的边缘检测算法可用基于方向导数求卷积的边缘检测算子比如Sobel算子、Roberts算子、Prewitt算子、Robinson算子、Krisch算子、高斯-拉氏算子(LOG)等进行边缘提取，这些算子在算法复杂度以及效果上有很大的差别，应根据实际情况选用适合的算子；而时间上的边缘检测算法是通过计算连续帧之间对应像素点的差获得。但是上述边缘检测算子本质上是高通滤波器，它们在增强边缘的同时也同样扩大了引起边缘劣化的高频噪声。为了克服高频噪声的影响，在传统的边缘检测算法的基础上，先对图像进行平滑滤波减弱噪声影响，再进行边缘提取。Marr和Hildreth提出了先用高斯函数对图像进行平滑滤波，然后采用Laplace算子进行边缘增强的方法，其边缘检测效果有了很大提高。基于滤波的图像边缘提取方法由于抗噪能力和准确率都有较大提高，已成为边缘检测的主要发展方向。

1.4运动矢量检测法

运动矢量检测法是对前后连续两帧图像进行模块跟踪匹配，用当前图像的某一宏块在下一帧范围内捜索最优匹配，计算出两帧间各个宏块的平均运动矢量，根据运动矢量的大小进而判别有无车辆。设t帧第i个MN的宏块为s(x,y,t)采用基于宏块的全局搜索算法，利用最小平均绝对差分值(MAD)准则，则第t+1帧相应宏块移动的位移(％，妃为min(MAD(d,,dj)，该宏块从t帧到t+1帧的运动矢量为：

通过宏块运动矢量可得到宏块运动的大小(Iu|)及运动方向(/V)若zv与车道方向夹角足够小，且mi足够大，则判定该宏块有车，否则无车。

2基于视频图像的交通参数提取方法

从具体处理对象来看，基于视频图像的交通参数提取方法大致可分为两大类：基于虚拟传感器(虚拟点、虚拟线、虚拟线圈)的交通参数提取方法以及基于目标提取和跟踪的交通参数提取方法。

2.1基于虚拟传感器的交通参数提取方法

基于虚拟传感器的交通参数提取方法中，B.Coifman等提出了一种基于虚拟线的交通参数提取方法，该方法主要根据车道位置在垂直于车道的方向上设置的虚拟检测线组，并利用车道间的距离和检测线两边的像素值变化来提取车流量和车速等参数。D.Beymer等提出了基于虚拟线圈的交通参数提取方法，该方法通过检测虚拟线圈上的像素强度变化来检测车辆，它可以根据实际情况自动调整虚拟线圈的尺寸,以提高所提取的交通参数的可靠性。X.Hao等利用自适应背景更新和虚拟线圈相结合的方法，即当虚拟线圈中的像素达到一定阈值时更新背景并对车辆进行检测。L.Yu等提出结合虚拟检测线和轮廓特征的实时参数提取方法，该方法在图像上方设置虚拟检测线，根据检测线两边的灰度变化和提取的轮廓特征对车辆进行检测和参数提取。图1所示是一般车辆检测模块的处理流程图。

图1  车辆检测模块处理流程图

基于虚拟传感器的交通参数提取方法仅通过检测指定区域内移动的像素群，不需要理解像素群的具体含义。该技术实现简单，通常是在车道上设置一些虚拟传感器(虚拟点、虚拟线或虚拟线圈)，当车辆经过传感器时，引起图像中局部区域内容的变化，处理该变化信号，可以提取所需信息。为提高检测的可靠性和稳定性，学者们提出用虚拟线替代虚拟点来测量交通参数，该方法通过检测虚拟线上的像素强度变化来检测过往车辆；同时通过在道路垂直方向设置多条平行的检测线来检测车辆的通过速度。在此基础上，利用虚拟检测线组,实现多车道车流量和车速等参数的提取。

在虚拟线圈内根据前景分割的掩模做出虚拟线圈当前是否被车辆覆盖，在虚拟线圈内部通过数字形态学处理前景掩模的面积为A，虚拟线圈的面积为A，则使用简单的阈值方法来做出虚拟线圈是否被车辆覆盖的判断。

当m=0时，代表当前没有车辆覆盖线圈，m=1则代表当前有车辆覆盖线圈，T为可设置的阈值。

车辆速度的测量方法主要分为单线圈模式和多线圈模式两种。g因子方法是一个典型的算法，但是g因子方法预设参数的给定是比较困难的。根据速度的定义提出了一种简单的多线圈模式的车速测定算法，称为双线圈车道平均速度算法(Dual-LoopsAverageVelocityAlgorithm，DLAVA)。该算法主要关注车道的平均速度，在获得车道平均速度的基础上给出车辆的地点速度。该算法实现简单，并对实际的交通场景中可能出现的各种情况进行较为全面的分析。

DLAV算法需要在车道的车流方向上设置两个线圈，称为流方向上的第一个线圈为主线圈，第二个线圈为副线圈，两个线圈之间的距离L应该接近平均车长。图2所示是DLAV算法示意图。

主线圈的工作流程是在主线圈车辆进入时，即在车辆检测信号的上升沿，发出一个通知信号给与之对应的副线圈。

副线圈有空闲状态和计时状态两种工作状态。当副线圈接收到主线圈发来的通知时，无论副线圈处于哪种状态，副线圈都进入计时状态，并将计时器的起点to设置为当前时间。当副线圈检测到车辆进入时，如果副线圈当前处在空闲状态，则不作任何操作；而如果副线圈原来处于计时状态，则转为空闲状态，并估计车辆的该地点速度为：

其中，为当前时间。

2.2基于目标提取和跟踪的交通参数提取方法

基于目标提取和跟踪的交通参数提取方法中，C.Hsu-Yung等提出了一种带自检能力的智能参数提取方法，检测光照变化情况并自动选择检测算法；N.Kanhere等提出基于车辆前部特征跟踪的交通参数提取方法，该方法提取出车辆的二值化图像，通过对车辆前部特征跟踪提取出车流量、车速以及车型等参数。随后在2008年提出一种在低角度拍摄实时分割跟踪特征不变量的参数提取方法，利用低角度跟踪车辆的特征不变量，从一定角度上解决了复杂遮挡、抑制车辆阴影等问题。C.C.C.Pang等对交通参数检测问题进行了研究,并提出一种先用Sobel算子对差分图像进行边缘提取而获取运动车辆的约束框，再对约束框进行重心跟踪而获取车长和平均速度的参数提取方法。K.Robert等长期致力于交通图像处理的研究，提出了一种能够在白天和晚上对交通参数进行提取的方法，解决了白天和夜晚检测切换的问题。G.Zhang等提出了一种利用非标定摄像的交通参数提取方法，通过对图像拉伸和压缩变换得到简化车辆模型，利用基于Kalman滤波的跟踪方法进行目标跟踪获取交通参数的过程中，考虑车辆合并与分离等复杂情况，因此提高了参数的可靠性。

该方法是基于背景差分的视频分割基础上，对运动目标在跟踪区域内进行跟踪，最后在目标跟踪的基础上提取交通参数。

2.2.1目标跟踪

车辆目标的跟踪是将被分割的车辆进行合并，粘在一起的车辆分割，并对每辆车建立跟踪轨迹。涉及到对二值图像进行连通区域标识及用最小外接矩形法矩形提取等。车辆跟踪方法有基于特征的跟踪、基于3D的跟踪、基于动态轮廓的跟踪和基于区域的跟踪。

基于特征的跟踪方法是通过提取目标的局部特征，对特征进行匹配，而不需要对整个目标区域进行匹配，如提取目标的某个或一组特征一一点、线、形状、子区域、灰度分布等。该方法操作简单，受目标相互遮挡问题影响较小，是常用的方法之一。基于3D的跟踪也称基于模型的跟踪，是将几何形状的三维模型投影成图像，再根据图像中的目标位置的变化来实现跟踪，常用Kalman滤波器对模型进行更新，包括目标区域特征提取、Kalman模型预测、目标的匹配捜索、Kalman滤波器更新。将相邻图像间进行轮廓匹配，跟踪并实时修改轮廓特征是基于动态轮廓的跟踪方法。基于区域的跟踪是跟踪运动目标构成的连通区域中共有的特征信息。

2.2.2参数提取

车流量

车流量(辆/时间)表示单位时间(根据使用需求不同，交通量的单位可以为10min、30min、1h等)内通过检测区域的车辆总数。即对某段内经过的车辆在跟踪区域内进行多步跟踪，完成车辆数量的可靠统计，从而获得车流量参数。

车辆速度与平均速度

视频图像是一种二维图像，要获取车辆的实际速度，必须将二维位置信息转化到三维世界坐标中。由于公路近似平面,摄像机与地面相对位置可以提前获知，同时标定检测区域的坐标位置信息，再根据对目标的跟踪得出车辆在区域内的运动时间，从而计算出车辆速度vi，即：

式中，V,表示第，辆车通过所测路段的速度；S为所测路段的长度；为第，辆车经过所测路段所用的时间。

平均速度是在某一段时间内，处在所测路段长度范围内的所有车辆行驶速度的平均值，若以vs表示，则：

式中，n表示处在所测路段长度范围内的车辆总数；vi表示第i辆车的行驶速度；vs表示平均空间车速。

(3)车道占有率

车道占有率表示在某一瞬间，一定的观察路段长度内行驶的车辆总长度占该观察路段长度的百分比，用R表示为：

式中，Rs为车道占有率；为空间平均速度；为车辆的平均长度；Q(T)为时间T内通过检测区域的车辆总数。

3交通参数提取的发展趋势

3.1智能化

智能化是视频交通参数提取的重要发展趋势，视频交通参数检测技术经过多年的发展，检测精确度和稳定性等指标都有很大的提高，但系统的智能化程度仍十分有限，距离“人脑”的判断能力还很远。因此，不断提高系统的智能化程度是该技术后续研究的重要内容。

3.2采用立体视觉方法

现有的视觉监控中，几乎所有的研究都是基于单目影像对运动物体的监测与跟踪，所得到的运动信息存在一个深度尺度因子，要想得到绝对移动量，需要一个附加条件。立体视觉研究的是由多目视频图像获取物体三维几何信息的方法，直接模拟人类视觉处理景物的方式，从两个或多个视点观察同一目标，以获取在不同视角下的感知图像，通过图像融合和匹配获得图像的深度信息。它符合人们观察物体的习惯，也能获得三维物体的景深信息。该方法能够克服单一视角下由于遮挡或深度影响而容易产生的歧义，能够有效解决遮挡问题，提高交通参数提取的有效性和准确性。

3.3多传感器检测

多传感器信息融合检测，则可以有效地克服单一传感器可靠性低、有效监控范围小的缺点，可以获取更全面可靠的交通信息。例如，视频传感器(摄像机)与激光雷达结合可以解决图像模糊问题；视频传感器与红外传感器结合可以增强目标识别的可靠性，尤其是黑天光照条件不好的情况下作用更加明显。对于多传感器检测,信息如何融合是一个关键的问题。通用的做法是神经网络方法，该方法是将各种传感器获得的信息作为神经网络的输入，用基于推理的算法将上述信息进行融合处理，从而实现对车辆的检测。从长远看，多传感器融合检测也将受到越来越多的重视，成为基于视频的交通参数提取的另一研究热点。

3.4人工神经网络等方法的应用

人工神经网络是一个超大规模非线性连续时间自适应信息处理系统。近年来，基于人工神经网络的目标检测方法得到了极大的发展。基于人工神经网目标检测方法的基本思路是将每帧图像分割为mXn个图像块，预处理后将这些图像块投影到一个线性滤波器组，得到不同的图像模式，然后把这些不同的图像模式根据预先计算得到的聚类原形进行分类；最后用训练得到的神经网络分类器来判断图像模式是否包含目标。神经网络技术的发展，必将推动交通流参数检测技术的发展。4结语

基于视频图像的交通参数检测不仅能够有效检测出车流量、车速、车道占有率，还能识别车辆类型和车辆运动轨迹,可以提供交通监控图像，实用性远远超过环形线圈、超声波检测器等传统检测方法。本文的研究对于提高我国道路交通运营管理水平和效率，对建立实时、准确、高效的综合运输和管理系统具有重要作用。虽然基于视频图像的交通参数提取方法的研究取得了一定的成果，但由于问题的复杂性，该方法还有待继续完善，今后要进一步加强对检测算法的优化和改进研究，以提高检测算法的速度、准确度、自适应性，保证图像处理的实时性和有效性。

随着图像处理技术的进步和微电子技术的发展，检测功能的扩展和系统成本将会降低，视频交通参数检测技术在ITS中必将得到不断的提高和应用。视频交通参数检测技术正朝着智能化、网络化、集成化、实时性、视觉检测立体化等方向发展。可以预言，视频交通参数检测技术将会是21世纪智能交通系统的主流交通检测技术之一。

20211019_616e4facc1ef8__视频交通参数检测技术研究现状及发展趋势