（交通信息工程及控制专业论文）视频交通分析中背景估计与更新算法研究.pdf

摘要 在视频车辆检测系统中，通常采用背景差分法检测车辆目标，而实现背景差法的关 键是初始背景的获取和背景的动态更新。 本文介绍了常用的背景估计算法，利用现场采集的视频数据，对其效果和存在的缺 点进行了分析，据此提出了新的背景估计算法。该算法是统计直方图法和统计中值法的 结合，它先剔除远景中的异常灰度值后求灰度中值，再在中值灰度周围寻找频数最大的 灰度值，将其作为背景。该算法不仅保留了统计法模型简单、抗噪声抗干扰性好的优点， 而且大大改善了统计法容易把车灯或者车身错误地估计为背景的缺点。 在实际应用中，由于光照环境和场景的变化，背景是动态变化的，要保证系统能够 正常工作，必须对背景进行动态更新。本文针对隧道型场景和公路型场景提出了两种背 景更新算法。其中，用于隧道的算法以初始背景为基础，用相邻帧间对应块的s a d 值 判断是否进入可更新状态，并用相邻稳定状态的二值化结果判断是及时更新还是延迟更 新。用于公路的算法将背景分为有效背景和无效背景，用当前帧与模板图像间对应块的 s a d 值判断是否进入稳定状态，且将差异小的相邻稳定状态相连，然后再判断是否进入 可更新状态。 利用上海复兴路隧道采集的视频数据，对本文提出的背景估计算法和隧道型场景背 景更新算法进行了实验，实验结果表明：在畅通的交通状况下，背景估计算法能够很好 地估计出背景；背景更新算法不仅能及时更新光照的变化，而且在车辆停留时能实现延 迟更新，以满足系统后续处理的需求。利用上海外环采集的视频数据，对公路型场景背 景更新算法进行实验，实验结果表明：即使在车流量很大的情况下，算法也具有令人满 意的结果。本文提出的算法已经在实际的交通检测系统中获得成功应用，初步应用显示， 其可以适应比较复杂的现场交通环境。 关键词：背景估计，背景更新，块，s a d 值，稳定状态 a b s t r a c t b a c k g r o u n ds u b t r a c t i o nm e t h o di su s u a l l ya d o p t e dt od e t e c tv e h i c l et a r g e ti nv i d e ot r a f f i c d e t e c t i o ns y s t e m a n dt h ek e yo fr e a l i z i n gb a c k g r o u n ds u b t r a c t i o nm e t h o di st h ea c q u i s i t i o n o fi n i t i a lb a c k g r o u n di m a g ea n dd y n a m i cu p d a t eo fb a c k g r o u n di m a g e t h i sp a p e ri n t r o d u c e ss o m ec o m m o nb a c k g r o u n de s t i m a t i o na l g o r i t h m s ，a n da n a l y s i s t h e i re f f e c t i v e n e s sa n ds h o r t c o m i n g s 谢mv i d e od a t a sc o l l e c t e df r o ms c e n e ，a n dt h e np r e s e n t s an e wb a c k g r o u n de s t i m a t i o na l g o r i t h m t h i sa l g o r i t h mi sac o m b i n a t i o no fs t a t i s t i ch i s t o g r a m m e t h o da n ds t a t i s t i cm i d v a l u em e t h o d i tf i r s t l yf i n d st h em i d v a l u ea f t e re l i m i n a t i n gt h e a b n o r m a lg r a yi nl o n g - r a n g ev i e w , a n dt h e nf i n d so u tg r a yv a l u ew h i c hh a st h em a x i m u m f r e q u e n ya r o u n dt h em i d - v a l u ea st h ec u r r e n tp i x e lg r a yo f t h eb a c k g r o u n d t h i sa l g o r i t h mn o t o n l yr e t a i n st h ea d v a n t a g e s o fs t a t i s t i cm e t h o ds u c ha ss i m p l em o d e l ，a n t i n o i s e ，a n d a n t i - j a m m i n g ，b u ta l s og r e a t l yi m p r o v e st h ed i s a d v a n t a g eo fs t a t i c t i sa l g o r i t h mw h i c hi se a s y t ow r o n g l ye s t i m a t et h eg r a yv a l u eo ft h el i g h ta n dt h eb o d yo ft h ec a ra s t h eb a c k g r o u n dg r a y i np r a c t i c a la p p l i c a t i o n ，d u et oc h a n g e si nl i g h t i n gc o n d i t i o n sa n ds c e n e s ，t h eb a c k g r o u n d i sd y n a m i c i fw a n t st oe n s u r et h es y s t e mc a nw o r kn o r m a l l yi ns u c hc h a n g e s ，t h eb a c k g r o u n d m u s tb eu p d a t e di nr e a l t i m e i nt h i sp a p e r , t w ob a c k g r o u n du p d a t i n ga l g o r i t h m sa r ep r e s e n t e d f o rt u n n e l - t y p es c e n ea n dt h er o a d - t y p es c e n e a m o n gt h e m ，t h ea l g o r i t h mu s e df o rt h et u n n e l i sb a s e do nt h ei n i t i a lb a c k g r o u n d ，a n da c c o r d i n gt ot h es a dv a l u eo fc o r r e s p o n d i n gb l o c k b e t w e e na d j a c e n tf r a m e st od e t e r m i n ew h e t h e ra c c e s st or e n e w a b l es t a t e ，a n du e so f b i n a f i z a t i o nr e s u l t s 、析t l la d j a c e n ts t a b l es t a t e st od e t e r m i n ew h e t h e rt i m e l yu p d a t eo rd e l a y e d u p d a t e t h ea l g o r i t h mu s e df o rt h er o a dd i v i d st h eb a c k g r o u n di n t oe f f e c t i v eb a c k g r o u n da n d i n v a l i db a c k g r o u n d ，a n du s e st h es a do fc o r r e s p o n d i n gb l o c kb e t w e e nt h ec u r r e n tf r a m ea n d t e m p l a t ei m a g et oj u d g ew h e t h e rt u r ni n t os t a b l es t a t e ，a n dc o n n e c t sa d j a c e n ts t a b l es t a t e s w h i c hh a v es m a l ld i f f e r e n c e s ，a n dt h e nd e t e r m i n ew h e t h e rc a nt u r ni n t or e n e w a b l es t a t e t e s tt h eb a c k g r o u n de s t i m a t i o na l g o r i t h ma n db a c k g r o u n du p d a t i n ga l g o r i t h mf o r t u n n e l t y p es c e n ep r e s e n t e di nt h i sp a p e rw i t lv i d e od a t a sc o l l e c t e df r o ms h a n g h a if u x i n g r o a d ，t h er e s u l t ss h o wt h a t ：t h eb a c k g r o u n de s t i m a t i o na l g o r i t h mc a nc o m m e m d a b l ye s t i m a t e t h eb a c k g r o u n dw h e nt r a f f i cc o n d i t i o ni ss m o o t h ，a n dt h eb a c k g r o u n du p d a t i n ga l g o r i t h mn o t o n l yc a nt i m e l yu p d a t et h ec h a n g e so fl i g h t ，b u ta l s oc a na c h i e v ed e l a y e du p d a t ew h e nt a r g e t s s t a y st om e e tt h es y s t e md e m a n df o rf o l l o w - u pt r e a t m e n t t e s tt h eb a c k g r o u n du p d a t i n g a l g o r i t h mf o rr o a d - t y p es c e n ew i t l lv i d e od a t a sc o l l e c t e df r o ms h a n g h a io u t e r 鼬n g ，t h er e s u l t s h o w st h a t ：e v e ni nt h ec a s eo fl a r g et r a f f i cf l o w , t h i sa l g o r i t h ma l s oh a ss a t i s f a c t o r yr e s u l t s 1 1 1 e a l g o r i t h m sp r e s e n t e di n t h i sp a p e rh a v eb e e na p p i e ds u c c e s s f u l l yi na c t u a lt r a f f i c d e t e c t i o ns y s t e m ，a n dp r e l i m i n a r ya p p l i c a t i o ns h o w st h a tt h e yc a na d a p tt om o r ec o m p l e x t r a f f i ce n v i r o n m e n t k e yw o r d s ：b a c k g r o u n de s t i m a t i o n ，b a c k g r o u n du p d a t i n g ，b l o c k ，s a dv a l u e ，s t a b l es t a t e 长安大学硕上学位论文 第一章绪论 近年来，随着社会经济的不断发展和人们生活水平的不断提高，整个社会对交通运 输的需求日益增加，随之而来的城市交通拥堵、事故频发、交通环境恶化等问题成为了 当今世界各国面临的共同问题，对各个国家和地区的经济发展都产生了不同程度的制 约。解决交通问题的传统办法是修建道路或者扩建道路，然而，随着人口的增长，城市 人均居住面积日益减少，可用于修建道路的空间越来越少；同时，交通系统是一个复杂 的综合性系统，若只单独从道路或车辆的角度考虑，都将很难解决交通问题；所以通过 现有的技术手段提高现有道路交通的安全程度、道路的利用率以及道路使用的舒适程度 等成为目前的研究热点。在这种背景下，智能交通系统( i t s ，i n t e l i g e n tt r a n s p o r t a t i o n s y s t e m ) 应运而生，并且已成为有效解决交通拥挤、交通阻塞、交通事故和交通污染等 交通运输领域问题的最佳途径【1 1 。 1 1 车辆检测技术概述 智能交通系统是运用于整个地面交通系统的一种大范围内、全方位发挥作用，且准 确、实时、高效的综合交通运输管理系统，它是先进的信息技术、电子传感技术、数据 通讯传输技术、电子控制技术及计算机处理技术等的有效集成。它是一个能提高道路的 使用效率、节约能源、保护环境、减少塞车、提高车速及降低事故，使交通运输达到人、 车、路三者综合协调的交通系统。车辆检测技术是智能交通中不可或缺的基本组成部分， 其水平的高低直接影响交通检测系统的整体运行效率和管理水平。而车辆检测技术水平 的高低主要体现在车辆检测器的先进程度上，所以车辆检测器的发展状况反映了车辆检 测技术的发展。 车辆检测器主要是通过数据采集和监视等方式，向监控系统的信息处理和信息发布 中心提供各种交通参数。近年来，随着微电子技术、传感器技术和信息处理技术等的发 展，车辆检测器也有较大的发展。车辆检测器的工作原理各异，但从基本功能上可概括 为检测车辆的存在或出现和检测车辆的运动或通过，任何一种车辆检测器应至少具有这 两个基本功能之一。车辆检测器的种类繁多，按检测器的功能进行分类，可以分为存在 型、通过型和两者复合型；按检测器的工作原理进行分类，可分为光电式、电接触式、 电磁感应式、超声波式、红外线式等。 除了按功能和原理对车辆检测器进行分类以外，目前最具有代表性的车辆检测器分 1 第一章绪论 类方式是按检测器的工作方式和工作时电磁波的波长范围进行分类。按这种方式车辆检 测器可分为以下三大类： 1 ) 磁频车辆检测器 磁频车辆检测器是基于电磁感应原理的车辆检测器，它可细分为以下几种类型： 感应线圈检测器，该类检测器具有安装方便、成本低、受气候影响小以及灵敏 度高的优点；但在实际应用中，线圈会因道路施工、路面变形等因素的影响而 具有较高的损坏率，且在更换安装和维护时会影响交通运输，造成成本升高、 维护工作量大的缺点； 磁性检测器，该类检测器具有设计简单及不受路表问题影响的优点，但是它仅 可检测车辆的通过且对车速的测量有一个底限，另外，它无法检测静态车辆， 所以在当今具有交叉口检测的许多应用中都受到限制； 地磁检测器，该类检测器属于通过型检测器，仅适用于测量来往车流量的场合， 而不适用于其他交通参数的检测； 微型线圈检测器，该类检测器的优点是每条通道可以安装的传感器比地磁检测 器多，但是它同样属于通过型检测器，无法检测静态车辆； 磁成像检测器，该类检测器不仅能将小车和卡车分开，而且可以检测出车辆的 构造、车型以及车速。 2 ) 波频车辆检测器 波频车辆检测器是以微波、超声波和红外线等对车辆发射电磁波而产生感应的检测 器，它可细分为以下几种类型： 雷达( 微波) 检测器，该类检测器具有多检测区域的特点，可检测车流量、车 速及占有率等多项交通参数，目前在交通检测方面具有很大的优势，但与视频 检测相比，它存在着无法提供视觉监视能力、记录通行车辆或交通路况可视特 征等缺点； 红外线检测器，该类检测器具有快速准确、轮廓清晰的检测能力，但是它很容 易受到工作现场的灰尘及冰雾等因素的影响。 超声波检测器。 3 ) 视频车辆检测器 视频车辆检测器系统是基于传统的电视监控系统发展起来的，是以车辆检测技术、 摄像机和计算机图形处理技术为基础，实现交通事件检测和交通信息采集的高科技设 2 长安大学硕士学位论文 备；它包括前端摄像机和终端视频检测单元两大部分，把前端采集到的数据传送给监控 中心的检测器，由检测器大范围地对车辆进行检测和识别。视频车辆检测器按功能可分 为检测交通突发事件的交通事件视频检测器和采集交通信息的交通参数视频检测器。视 频车辆检测器具有以下优点： 安装简便，无需在车道路面上施工，可安放在现场或指挥中心，监视器的更换 不影响交通，容易调整或移动检测器位置，且维护费用低； 适用于路段、路口、高速公路进出口等各种路况，且在任何气候条件下，系统 都可以正常工作； 视频信号能通过同轴电缆、光纤、双绞线、无线射频或微波等多种方式进行传 输，还可通过网络传输数据； 可用各种曲线图表等方式显示交通信息，可提供现场录像，供专家事后分析： 可进行多车道检测，可以对通过的车辆计数、可统计平均车速、道路占有率等 交通参数； 可靠性强，故障率低。 视频车辆检测器具有其他检测器所没有的优点，但是它也存在着易受现场照明条件 限制、不能检测静止状态车辆且价格高的缺点。 以感应线圈检测器为核心的环形线圈检测技术是最传统的交通车辆检测技术，然 而，由于它所存在的缺点，使得当今的交通管理系统需要寻求一种更为方便且更为经济 的车辆检测技术，以视频车辆检测器为核心的视频车辆检测技术在许多方面都具有更大 的优势，在现有交通控制系统中占有很重要的地位，是未来智能交通系统的基础【2 4 1 。 1 2 视频车辆检测技术 视频车辆检测技术是一种涉及计算机图像处理技术、信号处理、信号融合和模式识 别等多个领域的交通检测技术。它的主要目的是提取视频序列图像中运动的车辆，进行 车辆事件或交通参数检测。近年来，这种基于图像处理技术和计算机视觉的车辆检测技 术正朝着网络化、集成化、智能化、实时性、视觉检测立体化等方向发展，成为了当今 世界的研究主流。 在国外，从2 0 世纪7 0 年代开始研究视频车辆检测技术，并在理论和实践方面都取 得很大研究成果；2 0 世纪9 0 年代起开始进入商业化阶段，具有代表性的产品有美国的 a u t o s c o p e 虚拟线圈交通检测器、法国的c i t i l o g 系列视频交通事件检测产品和比利时 3 第一章绪论 的t r a f f i c o n 视频交通参数和交通事件检测器等。在国内，从2 0 世纪9 0 年代开始研究视 频车辆检测技术，目前还处在初级阶段。 视频车辆检测技术的发展经历了两个阶段【5 1 。初阶段是采用基于p c 平台的检测系 统，主要是基于x 8 6 系统c p u ，外加存储器、扩展板卡以及通信控制电路模块构成的， 视频处理的算法在通用处理器上运行。其主要优点是器件支持厂家多，软硬件扩展性好； 缺点是体积大、不利于安装，功耗高( 一般在1 0 0 w 左右) ，且易受工作环境的影响， 在高温、强灰尘环境下稳定性差。现阶段主要是基于d s p ( 数字信号处理) 嵌入式平台 的检测系统，其主要优点是功耗低，缺点是器件支持厂家少，硬件扩展性差，而且开发 复杂。基于d s p 的视频车辆检测系统目前还处在探索阶段，国内已有高校研究实验室 在做嵌入式交通信息检测系统的开发研制工作，并取得了一定的研究成果，且已进入试 运行阶段。 基于视频的车辆检测方法主要有帧间差分法【6 】、光流场法川、背景差法【6 8 1 等。 1 ) 帧间差分法 在运动图像序列中，相邻两帧图像间具有强相关性，基于这一点提出了帧间差分的 目标检测方法。帧间差分法是直接比较两帧图像像素点的灰度值，然后设定一个阈值对 目标进行提取。 这种检测方法实现简单，检测速度快，易于实现实时监控；而且该方法对光照变化 不敏感，非常适合于动态变化的环境。但是在实际应用中，它存在以下两个缺点： 该方法分割的区域与目标运动速度相关，当目标静止或运动缓慢时，目标在一 帧内移动的距离很小，使得分割出来的区域远远小于目标的真实大小；当目标 高速运动时，目标在一帧内移动的距离很大，使得分割出来的区域远远大于目 标真实的大小。 如果目标内部的灰度比较均匀，相邻帧相减后在目标重叠的部分可能会形成较 大空洞，信息含量小，不利于进一步的分析与识别。 这两个缺点使得该方法的检测结果精度不高，难以获取运动目标的精确区域。该方 法往往是许多复杂检测算法的基础，通过对算法的改进可以将它与其它算法结合来提高 整体的检测效果。一种改进的方法是利用多帧差分代替两帧差分。 2 ) 光流场法 在空间中，运动可以用运动场描述，而在一个图形平面上，物体的运动往往是通过 图像序列中灰度分布的不同体现的，基于这个基本思路，空间中的运动场转移到图像上 4 长安大学硕士学位论文 就表示为光流场( o p t i c a lf l o wf i e l d ) 。光流场反映了图像上每一点灰度的变化趋势，可 看成是带有灰度的像素点在图像平面上运动而产生的瞬时速度场，也是一种对真实运动 场的近似估计。 光流场法的优点是在摄像机运动且不需要预先知道场景的任何信息时也能检测出 独立的运动目标。然而大多数的光流计算方法相当复杂，算法实时性和抗噪性能差。 3 ) 背景差法 背景差法是先用某一种背景估计算法对一定长度的序列图像进行处理，得到背景图 像，然后把当前帧和背景图像相减，进行背景消去。若背景消去后的灰度值大于阈值， 则判定这些像素位置有运动物体，从而得到运动目标。 背景差法对于复杂背景下的运动目标的检测效果较好，一般能够提供最完整的特征 数据、计算量小、使用价值大。其关键所在是如何获得场景的静态背景。目前常用的背 景估计算法主要有：多帧平均法、统计直方图法、统计中值法和分块法。然而在场景中， 背景往往不是固定的，它会随着光线的移动、天气的变化以及场景中物体的移入或移出 等因素的改变而动态变化，所以应对背景进行实时更新。 1 3 本文主要内容及其安排 基于视频的目标车辆检测有三种常用方法：帧间差分法、光流场法和背景差法。在 实际应用，帧间差分法的精度不高，而光流场法抗噪性能和实时性差，这两种法都难以 满足检测系统的需求。 背景差法的摄像机固定，算法简单易于实现，在背景已知的情况下，能够提供最完 全的特征数据，并能完整地检测出运动目标，这能满足视频车辆检测系统中像计数、测 速或者事件检测等后续处理的需求。背景是背景差法中的关键，为了能够给系统的后续 处理提供更完全的特征数据，本文将对背景估计算法进行研究。同时，由于背景对光照 环境以及突发事件等外部因素的变化极其敏感，所以初始估计的背景将不能一直适用， 若不对背景进行更新或者当背景更新不能很好的适应场景的变化时，无疑将影响到目标 检测的准确率。为了使背景能够不断接近理想状态，以减少场景变化对视频图像检测分 割的影响，本文也将对背景更新算法进行研究。 对背景估计算法和背景更新算法进行研究是本文的主要内容，文中各章的具体安排 为： 第一章是绪论。粗略介绍了车辆检测技术、视频车辆检测技术以及视频检测中常用 气 第一章绪论 的车辆检测方法，并简要说明本文的主要内容及其结构安排。 第二章是基于视频的交通事件与交通参数检测系统。该系统是本文的研究内容的实 验平台，本章主要介绍该系统的构成、主要功能以及系统的软件设计。 第三章是背景估计算法研究。介绍常用的背景估计算法：多帧平均法、统计直方图 法、统计中值法和基于块的二维统计法。对这些常用算法的实验数据进行分析，针对所 存在的问题提出能适用于“基于视频的交通事件和交通参数检测系统的新算法一统 计中值邻域最大值法。 第四章是隧道型场景背景更新算法研究。粗略介绍了常用的背景更新法：多帧平均 法和选择更新法；此外提出了适用于隧道型场景的背景更新算法，用上海复兴路隧道的 数据对其进行检验和分析。 第五章是公路型场景背景更新算法研究。提出了适用于公路型场景的背景更新算 法，并用上海外环场景的数据对算法的效果进行检验。 最后是结论与展望。对本文中所提出的算法及其实验结果进行总结，同时提出算法 中还有待继续深入研究的方面。 6 长安大学硕士学位论文 第二章基于视频的交通事件与交通参数检测系统 基于视频的交通事件与交通参数检测系统运用最新的视频分析技术和图像处理技 术对通过摄像机采集的实时交通视频信息进行及时处理和分析，从而及时地得到车辆滞 留、车辆逆行、车辆跨道、抛落物等交通事件和交通流量、车速、车型、排队长度等交 通参数，并自动统计、记录相关数据以及及时发送相应的处理信息。该系统可以直接利 用已经安装的视频摄像机，不需要新增外场交通参数检测设备，可以大大降低系统成本 和维护代价，同时系统在信息量、检测性能和可靠性方面具有传统的检测技术无法比拟 的优势。因此，基于视频的交通事件和交通参数检测系统的研究已成为当前交通领域的 一个研究热点1 9 】。 本章的主要内容是介绍“基于视频的交通事件与交通参数检测系统的系统 的构成、 主要功能以及系统的软件设计。 2 1 系统的构成及其功能 2 1 1 系统的构成 基于视频的交通事件和交通参数检测系统的基本工作流程是通过道路上的监控摄 像机采集交通视频数据，再将数据实时送入计算机进行各种算法的处理，得到交通状况 的各项信息，针对各项信息做相应的处理( 比如对事件进行报警等) 。系统应用示意图 如图2 1 所示： i 一一一，一一一一一一一一一一； 图2 1 系统应用示意图 图2 1 中虚线框内的视频交通事件和交通参数检测器、数据管理服务器和百兆以太 网交换机共同构成检测系统的终端视频检测部分。 7 第二章基于视频的交通事件与交通参数检测系统 视频交通事件和交通参数检测器是整个检测系统的核心部分。它对输入的视频信号 进行处理和分析，并将检测出的交通事件和交通参数等通过百兆以太网上传给数据管理 服务器和监控系统控制台等其他需要该信息的计算机。 数据管理服务器负责统计并管理由视频交通事件与交通参数检测器发来的交通事 件和交通参数，存储交通事件录像，进行数据库管理，且向客户端转发所需数据等等。 视频交通事件和交通参数测器、数据管理服务器和其他管理终端之间通过百兆以太 网进行信息交换。 2 1 2 系统的主要功能 基于视频的交通事件和交通参数检测系统，具有交通事件自动检测，交通参数测量 和交通状况分级等功能，其主要的功能为： 1 ) 交通事件检测：实现分车道事件自动检测并进行报警处理。事件类型包括车辆 滞留、车辆逆行、车道变换、行人、抛落物、慢行车辆、交通事故、交通拥堵、甚至是 火灾检测等。对检测出的事件进行分车道分类自动报警且能够对报警的事件进行优先级 划分以避免对同一事件进行多次报警。 2 ) 交通参数检测：交通参数包括车流量、车速、车型类别、排队长度、道路占用 率、车头时距等瞬时交通参数和平均车速、平均车流量等周期交通参数。 3 ) 交通状况分级：交通状况等级分为畅通、饱和和拥堵。 4 ) 自诊断功能：对视频信号丢失、系统设备故障、网络通讯故障、系统的资源状 况等一系列状态进行故障诊断，并显示、记录及其报警。 5 ) 预处理和存储功能：预处理主要是对视频数据图像的格式和大小进行转换；存 储功能主要是存储异常事件前后片段录像，能进行多通道即时回放；且在通信中断情况 下，能存储一定数量的参数信息，并能在通信恢复后集中传送或通过外部存储设备进行 采集。 6 ) 远程系统参数配置功能等。 2 2 系统的软件设计 系统的软件设计包括交互软件、功能算法模块和基础算法模块三大部分，其中各算 法模块在系统软件中的位置如图2 2 所示。 8 长安大学硕士学位论文 图2 2 系统软件模块流程图 2 2 1 交互软件设计 交互软件主要包括p c 上位机软件和数据管理服务器及客户端。其中p c 上位机软 件主要由可视化的图像显示模块和参数设置功能按钮模块组成，其主要功能是用于实现 系统参数设置( 车道参数设置、检测区域划分、虚拟线圈设置、透视关系取点设置及算 法相关的阈值设置等) 与下发、结果显示等功能。数据管理服务器是接收由d s p 检测 板发送来的处理结果，对其进行统计管理，并写进s q l 数据库，然后再将部分数据转 发给客户端进行显示【砌。 2 2 2 功能算法模块 功能算法模块可分为事件检测与交通参数检测两大模块。 1 ) 事件检测算法 交通事件是指被处理场景中的偶发性事件，交通事故、故障停车、货物散落、逆行 等。这些现象可能会引起交通堵塞甚至是交通事故，该算法模块的目的就是自动识别和 归类这些事件，并发出相应的报警以提醒工作人员注意，以便能及时有效地进行交通事 故救援和处理，有效地缩短交通延误，更重要的是防止二次事故发生，保障道路安全。 目前，世界上已经开发了多种交通事件自动检测算法，如加利福尼亚算法、贝叶斯算法、 时间序列算法、交通流模型算法、低通滤波算法、视频检测算法、人工神经网络算法以 及基于块的累积的事件检测法【l l 】等。 2 ) 交通参数检测算法 交通参数检测算法主要包括车辆计数算法和测速算法等。根据虚拟线圈中的二值化 信息，不仅可以实现车辆计数，还可以计算出时间占有率；在检测出车辆经过线圈时， - 9 第二章基于视频的交通事件与交通参数检测系统 不仅可以计算出车头时距、车辆类型，并可以在车尾位置确定的基础上进行速度测量， 根据车速和时间占有率可以得到交通状况分级。除以上各瞬时交通参数外，交通参数还 包括平均车速、平均车头时距以及各时间段内的各车道的交通流量等周期交通参数 【1 2 ，1 3 1 o 2 2 3 基础算法模块 从图2 2 可以看出基础算法是各功能算法模块的基础，它包括背景估计算法、背景 更新算法和目标区域二值化分割算法。 1 ) 背景估计算法 采用背景差法进行目标检测，关键是得到道路的背景图像，即：没有目标存在的图 像。由于道路交通往往都很繁忙，很难直接手动抓取没有目标的图像，所以只能通过对 一定长度的序列图像进行处理，估计出背景图像。背景估计是系统的关键步骤，是本章 研究的主要内容之一，取得可信度较高的背景图像对系统如二值化和事件检测等后续处 理都有较大的影响。 2 ) 背景更新算法 随着时间的推移，光照变化或者云层移动等自然条件的变化会使道路场景中的亮度 发生变化，以及一些不可预测的路面情况等人为因素的改变也会使场景发生较大的变 化，如果一直使用估计的初始背景，随着时间的延续，必然会造成越来越大的误差，使 系统难以正常运行。要保证系统长时间正常运行，需要综合当前的各种因素，及时对背 景进行更新。背景更新算法也是本系统中非常关键的算法，是本章的另一个研究内容。 3 ) 目标区域二值化分割算法 得到背景后，通常都用背景差分法对运动目标进行检测，要在全景与背景的差分图 像中找出目标信息，这需要用差分图像二值化来实现目标与背景的分离。二值化差分图 像是运动目标检测过程中不可或缺的一个重要步骤，它直接影响到目标信息的完整性。 常见的二值化分割方法有o s t u 全局阈值法【1 4 1 ，b e r n s e n 局部阈值法【1 5 1 和基于块的方 法【1 每1 引。二值化分割不属于本文的研究内容，但是在文中用二值化结果来检验背景的质 量。本文所用的二值化分割算法的主要思想是以块为处理单位，计算当前帧与背景图像 对应块的s a d 值和两个块各自的方差，然后对s a d 值和方差都设定阈值，仅当s a d 值和方差都满足阂值条件时才认为该块有目标存在。 1 0 长安大学硕上学位论文 第三章背景估计算法研究 获取高质量的背景图像是用背景差分法检测运动目标的关键。背景图像是指整个场 景的道路上没有任何运动目标的图像，这可以通过人工抓取一帧不含任何运动目标的图 像作为背景；然而，在大部分情况下交通系统都很繁忙，很难直接得到没有任何运动目 标的图像，所以只能利用摄像机采集到的视频图像，用背景估计算法进行处理，从而得 到背景图像。本章的内容便是对背景估计算法的研究，为了便于对各种算法进行描述， 先定义如下变量： 1 ) 设用来估计背景的图像序列的长度为帧，且用来估计背景的帧数从1 开始。 2 ) 设像素g ，j ，) 表示图像中以左下角为原点，第y 行第x 列的像素。 3 ) - 设b ( x ，y ) 表示估计得到的背景图像。 4 ) 设z g ，y ) 表示第f 帧的灰度图像。 以上所定义的变量只适用于本章内容。 3 1 几种常用的背景估计算法 常用的背景估计算法有：多帧平均法【1 9 】，统计直方图法【1 9 1 ，统计中值法和基于 块的二维统计法【2 0 2 1 1 。 3 1 1 几种常用算法的描述 1 多帧平均法 多帧图像平均法，顾名思义就是将像素g ，y ) 在多帧图像中的灰度值的平均值作为 该像素的背景灰度。其表达式为： 6 g ，y ) = 专喜z g ，y ) ( 3 1 ) 从式( 3 1 ) 可以看出该算法的模型很简单。该算法是基于道路上行进车辆的多样性 而提出的。对于具体的某一像素，在理想的情况下，有些车辆经过它时的灰度值比路面 的大一些，而有些车辆经过它时的灰度值比路面的小一些，因此从统计学的角度来看， 车辆行进中引起的灰度变化在长时间内是可以忽略的。也可以说多帧平均法是将运动车 辆的灰度值看作噪声，用累加平均的方法消除噪声。 第三章背景估计算法的研究 2 统计直方图法 考虑到路面上同一像素被相同灰度值的车辆覆盖的可能性很小，所以可统计一段时 间内各个灰度值出现的频数，将频数最大的灰度值视为路面的灰度。 该算法的实现思路是对于图像中的任何一个像素g ，y ) ，求该像素在帧图像中的 任一灰度值的出现频数，再找出频数最大的灰度值，将该灰度值作为背景图像的灰度。 其表达式为： p g ，弘后) = f p p g ( x ，, 弘y , 尼k ) ) + 1i i 7 r f 磊苌：；：；三妻 。3 2 ， m 、k 【o ，2 5 5 】，f 1 9 n 】 6 g ，y ) - - m a x ( p ( x ，y ，七) ) ( 3 3 ) 在上式( 3 2 ) 中p ( x ，y ，后) 表示像素g ，y ) 灰度值为j | 的频数，z g ，y ，聊) 表示第f 帧图 像象素g ，y ) 灰度值为加。式( 3 3 ) 表示像素g ，y ) 在帧序列图像上频数最大的灰度值 为该像素的背景灰度值。从以上两个表达式可以看出该算法在实现过程中需要保存大量 的灰度值信息，所以信息量大、处理速度较慢。 3 统计中值法 考虑到在车辆较少的情况下，连续多帧图像中背景的灰度值占主要部分，这样灰度 值在一段时间内变化缓慢，取其中值便可认为是背景。所以可统计单个像素点在连续多 帧图像中的灰度值，然后对灰度值的大小进行排序，取其中值作为背景的灰度值。 该算法的实现思路是对于图像中的任何一个像素g ，y ) ，记录它在帧图像中每一 帧的灰度值zg ，y ) ，i = 1 , 2 ，n ，对个灰度值进行排序，然后取排序后的中值作为该 像素的背景灰度值。其表达式为： 6 k y ) = m e d ( f , 仗少) ) f = 1 ，2 ，n ( 3 4 ) 在该算法的实现中，若对个灰度值进行排序求中值，特别是在较大时，计算 量大，占用的计算机内存较大，处理速度较慢。 4 基于块的二维统计法 前面介绍的三种算法都是以像素作为处理单位，每个像素被看成是相互独立的随机 变量。然而，单个像素本身所包含的信息太过于单一，只有灰度值一项信息。在每一帧 图像中，交通图像本身的结构具有相对的稳定性，每一个像素与其相邻的像素间都有一 长安大学硕士学位论文 定的相关性，例如一定大小的区域在路面露出时的方差比其被车辆覆盖时的方差要小得 多，所以若只对单个像素行进研究严重浪费了这些信息。此外，分块研究减少了研究对 象的数目，可以减缓以单个像素作为研究对象时的计算冗余，可以提高系统后续处理的 速度。 1 ) 图像大小及分块的说明 设一帧图像的大小形h ，所分成的块的大小为w h ，其中形为图像的宽度，即 图像在水平方向上有矿个像素，日为图像的高度，即图像在竖直方向上有日个像素，w 为块的宽度，即块在水平方向上有w 个像素，h 为块的高度，即块在竖直方向上有h 个 像素。则图像在水平方向上可以分为堡块，i g or ，在竖直方向上可分为旱块，记为c ， w丹 总块数为t = r c 。 设图像的左下角为坐标原点，则其右上角的像素坐标为缈一1 ，h 一1 ) ，块坐标为 亿一l ，c 一1 ) ，如图3 1 所示。 像素坐标( w - - i ，俨1 ) 或块坐标( 肛1 。p 1 ) 图3 1 图像坐标示意图 此处对于图像大小、图像坐标及分块的说明适用于本文后续的所有内容。 2 ) 二维坐标的说明 此处的二维坐标，横坐标指的是块的灰度均值p ，纵坐标指的是块内的方差仃。这 样每一小块的灰度均值块j l l 和方差仃便组成一个二维平面。在这个二维平面内以三为 步长将其横坐标从0 至2 5 5 分成若干等分( 注意，三必须能把 o ，2 5 5 】分成若干等分， 1 3 第三章背景估计算法的研究 因为每一小块的灰度值的均值必在区间 0 ，2 5 5 】之内) ，以l 为步长对其纵坐标进行划 分，这样二维平面便被划分成若干个大小为l xl 叮的小区域，如图3 2 所示。设方差的 最大值f f ；jo m a x ，则整个二维平面中可分为学粤坠个小区域，记为u 。最大值 ，则整个二维平面中可分为竽穹坠个小区域，记为u 。 l u - 口 图3 2 基于块的二维坐标 3 ) 算法的实现 若用墨m ，刀) 表示当前帧第f 块的灰度数据，那么该算法的具体思想为对于任何一个 小块墨向，刀) ，求它的灰度平均值“和方差仃，这样由“与q 便可形成矢量( “，q ) ， 记为矢量k 。在估计背景的帧图像中，每- d , 块都有个矢量k 。，k ：，根据这 个矢量的均值与方差，计算二维平面上u 个小区域被击中( 这里所谓的“击中指的 是矢量的均值在区域的均值范围内，且矢量的方差在同一区域的方差范围内) 的频数， 进而求得被击中频数最大的区域，由该区域的均值与方差求得矢量口，然后求出 个矢量珞( f 【1 ，n 】) 中到盯距离最小的矢量，则第z 帧的数据k ，刀) 便是背景 图像中的第t 小块的灰度数据。 从卢1 开始，具体的步骤为： 对于任意一小块t ，求其灰度均值和方差，其计算公式为： 心= 丽1 万磊h - i 丕w - i 吒幻，玎) ( 3 5 ) 1 4 长安大学硕士学位论文 c x t i 2 去萎f l - | 薹w - i ( 吒妇，刀) 一心) 3 射 得矢量圪“ 仃。) 。 判断帧数i 是否到达，若不大于，则返回步骤循环执行。 此时任一小块f 的矢量都已求得，为圪0 。，) ，对任一小块f 执行第到第步。 统计二维平面中的每个小区域被矢量圪0 “，) ，i = 1 , 2 ，n 击中的频数。设 统计结果存放在频数累加器c j ( = o ，1 ，2 ，u - 1 ) 中。 找出u 个频数累加器c ，( j = 0 , 1 ，2 ，u 一1 ) 中频数最大的累加器c 一。进而找 到频数最大的区域对应的均值的区间k 肚，三) 与方差的区间陋观，三胡) ，求这两个区间的 中值，即 弘一= 去g 皿+ 三) ( 3 7 ) 仃一= 委忆，k ) ( 3 8 ) 由式( 3 7 ) 和式( 3 8 ) 求得的中值组成频数最大的区域的矢量m 戤0 m 戤，仃m 毅) 。 求矢量圪0 “，) 中与k 一0 一，仃一) 距离最小的矢量。距离的计算公式为： d 眈，k 嗍) = 0 “一卢一) 2 + b “一仃一) 2 ( 3 9 ) 设f = z 时距离最小，若设第，块的背景为以似，甩) ，贝l j b , 似，刀) = 也 ， ) 。 与前三种算法相比，基于块的二维统计法的算法复杂度大得多，占用的内存多得多， 所需的处理时间也长得多。 3 1 2 几种常用算法的实验结果 为了对各种算法的有效性、实用性及其稳定性进行检验和比较，用从现场采集回来 的数据进行实验。采集的视频数据中图像的大小为7 2 0 x5 8 8 ，为了减小算法的处理时间， 对数据进行隔行采样，这样真正处理的图像大小为7 2 0 x 2 8 8 ，即形为7 2 0 ，日为2 8 8 。 真正可靠的实验结果是要对大量的数据进行分析并在现场进行测试才能得到的，但是由 于篇幅所限这里不能对采集回来的所有数据都进行分析，所以只能取不同场景中具有代 表性的数据进行实验。分别取上海复兴路上层隧道和贵阳龙景隧道中的一个场景进行实 1 5 第三章背景估计算法的研究 验，这两个场景的道路都保持畅通( 既没有堵车，停车等现象) ，但是