CN101004860A - 实时采集道路车流量信息的视频方法 - Google Patents

Abstract

本发明属于智能交通管理技术领域，具体为一种实时采集道路车流量信息的视频新方法。该方法采用对比度失真和亮度失真作为道路车流量检测的特征参数。经分析测试表明：以视频的对比度失真作为采集道路车流量信息的检测参数对阴影干扰有着很好的抑制作用，从而可解决传统道路车流量视频检测方法中存在的阴影干扰问题；亮度失真非常适合于实时更新道路背景的视频图像模板，以作为对比度失真参数的补充来提高道路车流量视频检测的准确性；此外，利用这两个参数还可以在很大程度上缓解困扰传统视频检测方法的车距过近问题。大量不同道路、不同车流量和天气情况的实验结果表明，用本方法采集车流量的准确率可以达到97％以上。

Description

实时采集道路车流量信息的视频方法

技术领域

本发明属于智能交通管理技术领域，具体涉及一种采用对比度失真和亮度失真参数作为特征参数的实时采集道路车流量信息的视频新方法

背景技术

交通阻塞已经成为现代社会一个相当严重的问题。在过去的十多年中，人们的注意力已经放在如何进行有效和合理的交通管理上。智能交通系统(ITS)被认为是解决地面交通阻塞的唯一办法，很多文献报道了相关的研究[1-8]。在ITS中为了对地面交通进行有效和合理的管理，需要能够采集多种地面道路交通信息的系统。在大量的道路交通信息采集的研究领域，视频图像的采集方法由于其强大的视觉真实反映能力已经成为了研究主流之一。基于视频的交通监测系统通常利用图像处理技术的帮助进行地面道路交通信息的获取。通过分析获取的地面道路交通信息，交通控制中心就能够为驾驶员提供实时的交通信息，驾驶员使用这些信息来决定到目的地的最优路径。如果将区域内全部的视觉交通监测系统组成网络，那么就可根据该区域的各种交通信息，实现对区域内地面交通进行合理控制和有效管理。基于视觉的交通信息采集系统与传统的技术相比，在机动性、安装和维护的方便性等方面有着显著的优点。此外，基于视觉的交通监测系统能够覆盖非常宽广的观察区域，所以它能够很容易检测非法的交通事件。

目前，基于视觉的交通信息采集系统比较好的是使用熵值作为特征参数的测方法[14]。但该方法的缺点是对摄像机抖动太过敏感，这样可能造成对车辆的误测，从而影响检测量的精确度。

发明内容

本发明的目的在于提供一种对摄像机抖动敏感性较弱，因而可提高测量精确度的实时采集道路车流量信息的视频方法。

本发明提出的实时采集道路车流量信息的视频方法，检测中采用对比度失真和亮度失真作为从视频中提取的进行道路车流量检测的特征参数。

对比度失真和亮度失真的定义为：设两副灰度图像x和y分别为背景图像和视频图像帧中探测区域中的图像，每幅图像有N个像素点，它们的灰度值分别为：

x＝{x_i|i＝1，2，...，N}

y＝{y_i|i＝1，2，...，N}

它们的对比度失真c和亮度失真lum分别定义为所示：

$c=\frac{{2\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_1}{{\mathrm{\σ}}_x^2+{\mathrm{\σ}}_y^2+C_1}---\left(1\right)$

$\mathrm{lum}=\frac{2\stackrel{\‾}{\mathrm{xy}}+C_2}{{\left(\stackrel{\‾}{x}\right)}^2+{\left(\stackrel{\‾}{y}\right)}^2+C_2}---\left(2\right)$

式中 $\stackrel{\‾}{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i,\stackrel{\‾}{y}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i,$ ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2,$ ${\mathrm{\σ}}_y^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2,$ σ_x和σ_y分别表示图像x和y的对比度，而

和

分别表示图像x和y的平均亮度。式中的C₁和C₂分别为两个常数。其中C₁＝(K₁L)²，K₁＜＜1为一个很小的常数，L为像素点灰度值的动态范围(如果是8位的灰度图像，那么L就等于255)；同理C₂＝(K₂L)²[15][16]。一般可以采用K₁＝0.0₃和K₂＝0.0l。通常使用的是分别将两幅图像分成小块进行计算c值和lum值的。实验表明采用8×8小块是合适的。这些小块的c和lum值的平均值：

$c=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{c}_i---\left(3\right)$

$\mathrm{lum}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{lum}}_i---\left(4\right)$

式中M为分块得到的子块数目，是作为本方法提出视频检测交通参数的图像特征。

假定道路视频信息的采集装置已经安装在需要采集道路交通信息的道路上方，该装置可以实时拍摄道路上一定距离内几条车道内车辆的视频图像。本发明方法的步骤为：

(1)在实时道路视频采集装置工作之前，要求初始化阶段完成在视频采集车流量的车道内，设置一个探测区域：其宽度为车道宽度，长度为一个典型车辆的长度(该长度应该使两辆车不能同时停在该探测区域内)。同时，获取该探测区域内无车辆时的一个视频图像模板，如图1所示。该图像模板称为背景图像。如果图像是彩色的，则通过图像处理的方法将模板变换成灰度图像，以简化后续的处理并使提出的方法可以实时应用。

(2)将视频采集到的当前帧的对应检测区域的灰度图像与背景图像分别利用式(1)至(4)来计算当前帧的对比度失真c和亮度失真lum这两个参数的值；

(3)通过参数值的变化来判断车辆通过情况：当式(3)和(4)的参数值c和lum从大到小经过某个一阈值a时表示车辆进入了检测区域：当参数值从小到大经过某个一阈值b时表示车辆离开了检测区域，每一个从一阈值a到另个一阈值b过程表明一辆车通过探测区域，并计数该过程。此外，从一阈值a到另个一阈值b过程经历的时间表明一车辆存在于检测区域的时间：进入阈值a和离开阈值b由系统自适应选取：

(4)在上述的检测过程中，分别用式(3)的c和式(4)的lum进行车辆检测。若c检测出一辆车，就记数一辆车；若lum检测出一辆车，那么检查lum显示有车辆的这段时间段的c值检测情况。若c值也检测出有车，则说明两个参数检测了同一辆车子；如果c值没有检测出车辆，则需要对该时间段内的c值进行再分析：如果c值的最小值小于上述两个用来判断车辆的阈值的平均值，即(a+b)/2(c值越小说明检测区域里有车的可能性越高)则表明c值发生了漏测，应该把这辆车记录下来；若这段时间段内的c值的最小值大于这个平均值，说明lum是受到了阴影的干扰造成了误测，实际上不存在车辆。

在上述检测车流量的同时，还可对背景图像进行更新。背景图像更新的规则如下：当lum大于某一个阈值x时，且在一定连续帧数y内几乎不变化，则表明这段时间内没有车辆存在于检测区域，从而可以将当前帧的检测区域更新为新的背景图像。在本方法中所取的阈值x可以为0.9-0.999之间一个数，例如为0.99，连续的帧数y取为8-12中一个数，例如取为10帧。连续的帧数取为10帧。若在这10帧图像中lum的值的波动不超过0.0001，则表明lum的值几乎没有变化。通过大量的实验表明，这样的参数选取是合理的。

本发明中，阈值a、b的自适应选取：划分好时间段，对于每个时间段内的参数值进行处理获得两个阈值，以这两个值作为下一个时间段的阈值。自适应获得阈值的方法为：找到该时间段内对比度失真c和亮度失真lum的波峰和波谷，然后分别求得它们的均值，分别取其它们中间的三分之一和三分之二为进入阈值和离开阈值；同时判断，若求得的阈值大于某个值(c以0.9为例，lum以0.98为例)则表示该时间段内没有车辆经过，则阈值不更新。这里进入阈值应当小于离开阈值，从而可以避免邻道车辆干扰的影响。通过大量实验表明，这样的阈值选取策略是合理的。

车头距过近的应对：每次通过c值测出车辆之后都要对这段判为有车辆存在的时间段内的c值进行再检查，分别取该时间段内c值的最小值和第一次判断的进入阈值这两个c值中间的1/3和2/3分别为再判断的进入和离开阈值。如果只判断出一辆车，说明在该时间段内没有出现车距过近的情况，则不更新记录；如果判断出多于一辆车，说明在该时间段内出现了车距过近的现象，那么就更新记录，得到新的车流量记录。

本发明中，对比度失真是对图像进行求方差的运算，所以对阴影干扰有很好的抑制作用，从而可利用它来很好的解决传统道路车流量视频检测方法中存在的阴影干扰问题。亮度失真由于是对图像进行求均值处理，对光线的变化不太敏感，所以很适合进行实时的背景更新，并且作为对比度失真的一个很好的补充。利用这两个参数作为特征参数还可以在很大程度上缓解困扰传统视频检测方法的车距过近问题。这两个参数是处理两幅图像的均值和方差而不是处理两幅图像对应点的关系，所以对摄像机晃动等效应不敏感。大量不同道路，不同车流量和天气情况的实验结果表明，本方法采集车流量的准确率可以达到97％以上。

附图说明

图1为背景模板的选取图示。其中，(a)为道路状况，(b)为选取的背景模板。

具体实施方式

本实验在不同的天气状况下对不同的地点采集了很多的录像片段。采集这些录像的地点或者位于轻轨站附近或者是风很大的开阔地，所以在实验中摄像机的抖动是不可避免的。另外与本方法对比的方法为参考文献[14]提到的使用熵值作为特征参数的检测方法。选择文献[14]方法与本文方法进行对比的原因是：在文献[14]中，已将已知的文献上报道的方法与其进行了对比，并证明了熵值作为特征参数的检测方法优于已知的方法。但该方法有着很大的缺点，就是对摄像机抖动太过敏感。在本实验中，图像划分为8×8的小块进行计算。在实验中K₁取0.03，K₂取0.01，1取255，得到如下结果：

表一：在不同天气下车辆数和车流量的检测以及对比结果

编号	天气状况	时间(秒)	实际车辆数(辆)	实际车流量(辆/分钟)	本方法测得车辆数(辆)	测得车流量(辆/分钟)	熵值检测的车辆数(辆)
								1	晴朗	87	13	9	13	9	15
2	晴朗	68	12	10.6	12	10.6	28
								3	晴朗	91	18	11.9	17	11.2	17
4	晴朗	82	13	9.5	12	8.8	40
								5	阴天	100	38	22.8	38	22.8	41
6	阴天	92	35	22.8	34	22.2	45
								7	阴天	35	12	20.6	13	22.3	13
8	阴天	94	27	17.2	26	16.6	34
								9	阴天	62	15	14.5	15	14.5	12

从表一中可以看到：在1、2、5、9四项中测得的结果是准确；在3、4、6、8四项中出现了漏测现象；在第7项中出现了误测的现象。第3、4、8项中出现漏测是由于拍摄的高度不够，使得高大的车辆对其后的小型车辆近乎完全的遮挡；第6项出现漏测是因为录像没有记录到最后一辆车没有驶出检测区域录像就已经停止，同时最后一辆车又与前一辆车发生了车距过近的现象，导致车距过近的应对方法不能够完全发挥作用；第7项出现误测是由于波形出现了比较大的毛刺造成的，而这个误差可以通过合理地设置阈值来克服。可以看到，以熵值作为特征参数的检测结果分别在1、2、4、5、6、8项中由于摄像机晃动造成了大量的车辆误测；而在第9项中由于车距过近而漏测了数辆车辆。

参考文献

[1]Fathy，M.，and Siyal，M.Y：‘A window-based image processing technique forquantitative andqualitative analysis of road traffic parameters’，IEEE Trans.Veh.Technol.，1998，47，(4)，pp.1342-1349

[2]Coifman，B.，Beymer，D.，McLauchlan，P.，and Malik，J.：‘A real-time computer visionsystem for vehicle tracking and traffic surveillance’，Transp.Res.Rec.C，1998，6，pp.271-28810

[3]Dailey，D.J.，Cathey，F.W.，and Pumrin，S.：‘An algorithm to estimate mean traffie speedusinguncalibrated cameras’，IEEE Trans.Intell.Transp.Syst.，2000，1，(2)，pp.98-107

[4]Iwasaki，Y.：‘An image processing system to measure vehicular queues and an adaptive trafficsignal control by using the information of the queues’.Proc.IEEE Int.Conf.onIntelligent Transportation Systems，1998，PP.310-313

[5]Fathy，M.，and Siyal，M.Y.：‘A neural-vision based approach to measure traffic queueparameters in real-time’，Pattern Recognit.Lett.，1999，20，pp.761-770

[6]Viarani，E.：‘Extraction of traffic information from images at DEIS’.Proc.Int.Conf.onImage Analysis and Processing，1999，pp.1073-1076

[7]Iwasaki，Y.：‘A measurement method of pedestrian traffic flows by use of image processingand its application to a pedestrian traffic signal control’.Proc.IEEE Int.Conf.on IntelligentTransportation Systems，1999，pp.310-313

[8]Koller，D.，Daniilidis，K.，and Hagel，H.H.：‘Model-based object tracking in monocular imagesequences of road traffic scenes’，Int.J.Comput.Vis.，1993，10，pp.257-281

[9]Prati，A.，Mikic，I.，Trivedi，M.M.，and Cucchiara，R.：‘Detecting moving shadows：algorithms and evaluation’，IEEE Trans.Pattern Anal.Mach.Intell.，2003，25，(7)，pp.918-923

[10]Prati，A.，Cucchiara，R.，Mikic，I.，and Trivedi，M.M.：‘Analysis and detection of shadows invideo streams：a comparative evaluation’.Proc.IEEE Int.Conf.on Computer Vision and PatternRecognition，Kauai，HI，USA，2001

[11]Mikic，I.，Cosman，P.，Kogut，G.，and Trivedi，M.M.：‘Moving shadow and object detectionin traffic scenes’.Proc.Int.Conf.on Pattern Recognition，2000，vol.1，pp.321-324

[12]Elgammal，A.，Harwood，D.，and Davis，L.S.：‘Non-parametric model for backgroundsubtraction’.Presented at IEEE ICCV’99 FRAMERATE Workshop，Kerkyra，Greece，1999

[13]Horprasert，T.，Harwood，D.，and Davis，L.：‘A statistical approach for real-time robustbackground subtraction and shadow detection’.Presented at IEEE ICCV’99 FRAME-RATEWorkshop，Kerkyra，Greece，1999

[14]W.-L.Hsu，H.-Y.M.Liao，B.-S.Jeng and K.-C.Fan：‘Real-time traffic parameter extractionusing entropy’.IEE Proc.-Vis.Image Signal Process.，Vol.151，No.3，pp.194-220，June 2004。

[15]Zhou Wang and Alan C.Bovik，‘A universal image quality index’.IEEE SIGNALPROCESSING LETTERS，VOL.9，NO.3，MARCH 2002 。

[16]Z Wang，A C Bovik，H R Sheikh，E P Simoncelli.“Image quality assessment：From errormeasurement to structural similarity”[J].IEEE Trans.Image Process.，Apr.2004，vol.13，no.4：600-612。

Claims (5)

1、一种实时采集道路车流量信息的视频方法，其特征在于应用‘对比度失真’和‘亮度失真’作为从视频中提取的进行道路车流量检测的特征参数。

2、根据权利要求1所述的方法，其特征在于具体步骤如下：

(1)在实时道路视频采集装置工作之前，在初始化阶段，在视频采集车流量的车道内设置一个探测区域：其宽度为车道宽度，长度为一个典型车辆的长度；同时，选取该探测区域内无车辆时的一个视频图像模板；

(2)对视频采集到的当前帧的对应检测区域的灰度图像与背景图像，分别计算当前帧的对比度失真c和亮度失真lum这两个参数的值；

(3)通过参数值的变化来判断车辆通过情况：当参数值c和lum从大到小经过某个一阈值a时表示车辆进入了检测区域；当参数值从小到大经过某个一阈值b时表示车辆离开了检测区域，每一个从一阈值a到另个一阈值b过程作为一辆车通过探测区域，并计数该过程；此外，从一阈值a到另个一阈值b过程经历的时间表明一车辆存在于检测区域的时间；进入阈值a离开阈值b由系统自适应选取；

(4)在上述的检测过程中，分别用参数c和lum进行车辆检测；若c检测出一辆车，就记数一辆车；若lum检测出一辆车，那么检查lum显示有车辆的这段时间段的c值检测情况；若c值也检测出有车，则说明两个参数检测了同一辆车子；如果c值没有检测出车辆，则需要对该时间段内的c值进行再分析：如果c值的最小值小于上述两个用来判断车辆的阈值的平均值，(a+b)/2，则表明c值发生了漏测，把这辆车记录下来；若这段时间段内的c值的最小值大于这个平均值，说明lum是受到了阴影的干扰造成了误测，实际上不存在车辆。

3、根据权利要求2所述的方法，其特征在于所述背景图像更新规划如下：当lum大于某一个阈值x时，且在一定连续帧数内几乎不变化，则表明这段时间内没有车辆存在于检测区域，从而可以将当前帧的检测区域更新为新的背景图像，其中阈值x取为0.9-0.999，连续的帧数取为8-12帧。

4、根据权利要求2所述的方法，其特征在于所述阈值a和b的自适应选取步骤如下：划分好时间段，对于每个时间段内的参数值进行处理，获得两个阈值，以这两个值作为下一个时间段的阈值；自适应获得阈值的方法为：找到该时间段内对比度失真c和亮度失真lum的波峰和波谷，然后分别求得它们的均值，分别取该均值的三分之一和三分之二为进入阈值a和离开阈值b；同时判断，若求得的阈值大于某个值则表示该时间段内没有车辆经过，则阈值不更新。

5、根据权利要求2所述的方法，其特征在于对于车头距过近的情形处理步骤如下：每次通过c值测出车辆之后，都要对这段判为有车辆存在的时间段内的c值进行再检查，分别取该时间段内c值的最小值和第一次判断的进入阈值a；这两个值中间的1/3和2/3分别作为再判断的进入和离开阈值；如果只判断出一辆车，说明在该时间段内没有出现车距过近的情况，则不更新记录；如果判断出多于一辆车，说明在该时间段内出现了车距过近的现象，那么就更新记录，得到新的车流量记录。

Images