叶先生
摘要：车流量、车速、车道占有率等交通参数是智能交通发挥作用的前提和基础，也是智能交通系统的关键所在，视频交通参数检测可为其提供丰富的交通信息。文章首先介绍了车辆检测的方法，并对基于虚拟检测器和基于目标提取和跟踪的交通参数提取技术进行了分析，同时介绍了近年来提出的一些基于视频的交通参数提取的算法和步骤，最后分析了视频交通参数检测技术的研究方向、存在问题及发展展望。
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、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。
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。
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。
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。
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。
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。
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。
基于虚拟传感器的交通参数提取方法中，fman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。
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。
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。
竞博电竞首页
