纪玉臣，何军平，姜永栎，虞永方

(1.宁波市杭州湾大桥发展有限公司技术养护部，浙江 宁波 315327;2.杭州湾跨海大桥管理局技术与养护管理处，浙江 宁波 315033;3.宁波海视智能系统有限公司研发部，浙江 宁波 315040)

杭州湾跨海大桥作为特大型桥梁，因其处于海面上的地理位置关系，使得其天气条件变化较多，而且表现不规律。而在普通的视频监控中，使得监控画面受环境因素的影响严重，主要表现的恶劣天气如下:海面大风导致画面抖动;夜晚对向车道灯光对射到摄像头;雨水导致的路面积水;雾天引起的能见度过低。

海面大风导致画面抖动。由于是跨海大桥，桥面海风风力较大，使得架设在桥面上的摄像机晃动，从而导致画面的抖动。普通的智能监控所涉及的画面往往是静止的画面，然后检测画面中运动物体，而整个画面的抖动，使得检测抖动画面中的运动物体难度增加。

夜晚对向车道灯光对射到摄像头。在夜晚高速行驶过程中，车辆用的都是光线强烈的远光灯，对向车道的车辆照射出来的灯光往往使得画面出现大片灯光，由于灯光也是运动物体，所以容易形成误报，而且由于灯光占据了较大部分的视频画面，也导致了在灯光经过时，会使发生的交通事件检测不到［1－4］。

雨水导致路面积水。雨天对于生处海面上的杭州湾大桥，是寻常的事，由于雨水会引起桥面积水，车辆在行驶过程中影射到桥面形成倒影，给检测带来难度。而如果下雨发生在夜间，桥面积水不仅会有车辆行驶过程中的倒影，还由于大桥两侧的灯光照射，会使桥面上的积水形成强烈的反光，影响检测效果。

雾天引起的能见度过低。在雾天，能见度较低，车辆一旦出现停留，容易引起交通事故，但是由于摄像头的分辨率较低，导致视频画面图像模糊不清，这也是智能监控行业中难以实现的障碍。

1 国内外现状

智能交通事件检测系统是目前世界交通运输领域的前沿研究课题，发达国家提出并执行了一系列研究计划，对交通事件的自动检测因其能够有效地预测交通事件的发生，并对已经发生的交通事件作出迅速的反应，基于视频的交通监控技术的研究与应用，随着数字图像技术、计算机技术、模式识别技术的发展越来越被重视，近年来已经成为图像处理、智能交通等研究领域的重点。

图1 恶劣天气的检测情况

20世纪80年代末期以来，随着先进的信息技术、电子传感技术、数据通信传输技术、网络技术和计算机硬件等高新技术的发展，将计算机视觉、图像处理、模式识别、人工智能等技术应用于交通管理的理论与方法成为研究的重点和热点。1984年美国明尼苏达大学的机器视觉与人工智能实验室首次开展了将计算机视觉应用于高级交通管理的研究［5］。1987年美国(Image Sensing Systems，ISS)公司研制出第一台原型机，首次验证了视频检测技术在交通领域的应用［6］。基于视频的交通违章行为检测技术取得了长足的进展，能够对车辆闯红灯、逆行、超速和违章停车等违章行为进行自动检测和记录，出现了成型的商业化产品。1994年，美国休斯飞机公司评测了当时存在的几种检测技术，包括视频检测技术，测评结果指出基于视频图像处理的车辆检测系统已经具备了投入实际使用的潜力。MDOT(明尼苏达运输部)为FHWA(美国联邦公路局)进行了更详尽严格的测评，结果表明视频检测器的检测准确性和可靠性可以达到令人满意的程度［7－8］。同时随着视频车辆检测技术的发展，人们已不满足于仅仅检测出车辆，FHWA进一步利用此技术提取交通参数，如交通流量，十字路口的车辆转向信息等。日本东京大学的 Shunsuke KAMIJO，Katsushi IKEUCHI，Masao SAKAUCHI等人也做了很多深入的改进算法研究。主要的研究方向是如何根据运动估计、基于马尔可夫(Markov)随机场等技术进行运算，以解决运动目标的遮挡问题［9－12］。

在产品的实际应用方面，比较著名的有法国的Citilog，美国ISS公司的Autoscope系统、比利时路畅公司的Traficon系统和美国艾特锐视(Iteris)公司的Vantage系统，等。Autoscope系统在全球各种复杂道路、交叉路口进行控制，是交通数据采集以及事件检测方面的佼佼者，它是现在交通管理系统最先进的解决方案;比利时的Traficon系统己在法国FOIX隧道、美国华盛顿州Lynnwood、美国华盛顿州塔科马港市、瑞士、意大利、卢森保、挪威奥斯陆、比利时、安特卫普、北京四环路，杭州解放路隧道等地安装使用;Vantage视频车辆检测器在全球已有3万个系统的应用业绩，已成为全球在用业绩最多、最受用户欢迎的车辆检测产品之一［13－15］。除此之外，世界发达国家已开发出各种性能优越的区域交通控制管理软件，例如:日本的Utms，英国道路和运输研究所的 Scoot系统，法国的Prudyn系统，意大利的Utopia系统等。

与此同时国内研究机构也涉足此领域的研究，哈尔滨工业大学的张泽旭、李金宗、李宁宁等做过基于光流矢量和Canny边缘检测算子来进行运动目标的检测和分割算法理论研究［16－17］。电子科技大学的魏波做过基于统计模式方法的运动目标检测算法，首先利用较简单的算法对运动场进行了粗略的估计，然后根据马尔可夫(Markov)随机场理论构造出运动场的间断点分布模型，利用此模型来检测运动场间的断点，以此来实现运动目标的检测，但未能实现跟踪，也有单位对帧差算法进行了优化和改进，如模糊聚类算法、遗传算法聚类等，但都只停留在理论算法的研究基础上［18］。国内企业对基于视频的高速交通事件检测技术的应用大多处于研发和生产的初级阶段，多数为“鱼龙混杂”，没有较成熟商用的系统。现国家对道路安全要求越来越高，单纯的依靠人工监控方式已不能满足现实的需求，有效的智能事件检测系统成为道路监控的必然发展趋势［19－20］。

2 项目研究组成部分

对于目前大桥存在的安全问题，以及目前已具备的摄像头资源，提出了整体解决方案，主要由4部分组成，前端数据采集、数据编码传输、数据智能分析、自动报警处理。具体组成如图2所示。

图2 项目研究组成

前端数据采集:目前杭州湾大桥上的所有摄像头，都能够通过视频信号直接传输到监控中心。为能够在第一时间检测到安全事件的发生，同时又不影响DVR的正常工作。在采集过程中采用通过视频分配器将视频信号分为两路，一路分配到智能检测设备上，一路分配到原有的DVR中保存视频。

智能数据分析:获取到杭州湾大桥上的视频以后，需要对视频进行处理，在处理过程中分为两个部分。首先是对天气条件的一个算法预处理，主要体现在对海风、下雨、夜晚灯光、雾等引起的客观条件进行处理，得到一个稳定干净的预处理图像，从而能有效地进行后续的判断和识别。得到预处理图像以后，智能设备需要对视频中是否存在需要检测的安全事件进行判断，从而得到安全事件的结果输出。对于输出的结果通过网络发送到自动报警处理的客户端。

数据编码传输:智能数据分析处理完视频后需要通过网络传输到客户端，由于直接将原始视频信号传输存在着数据量过大的问题，需要对获取到的视频进行图像编码操作，以减少数据在传输过程中所占用的网络资源。

自动报警处理:对于前面两个过程，智能数据分析和数据编码传输，处理完以后的结果需要通过网络发送到自动报警处理中，自动报警处理需要对数据进行整合。首先需要对数据编码传输中的编码进行解码操作，其次对于智能数据分析得到结果若是安全事件发生，则发出报警，存储图片和视频并且在实时画面中显示报警位置和报警类型。通过报警联动，将安全信号发送到桥面上，通过大功率喇叭和警示灯提醒过往车辆注意。

3 系统运行结果

通过以上方式实现的算法在杭州湾大桥中已经应用，结果如图3～图6所示。

4 结束语

视频处理技术已经成为智能交通中的一个重要组成部分，并显示出更广泛的应用前途。针对高速交通桥梁中存在的问题进行研究，分析了各个交通问题，提出了有效的解决方法，并将研究成果应用于杭州湾跨海大桥中通过，通过实际应用检测，该系统具有良好的检测效果。在实际的检测过程中，也存在由于恶劣天气所引起的一些误报和漏报，这有待进一步提高。

［1］ABDOU I E，DUSAUSSOY N J.Survey of image quality measurements［C］.Dallas，Texas:Processings of 1986 ACM Fall Joint Computer Conference，1986:71 －78.

［2］WANG Z，SHEIKH H R，BOVIK A C.Objective video quality assessment.111e handbook of video databases:design and applications［M］.Ultra:CRC Press，2003.

［3］RUSSO F.An image enhancement technique combining sharpening and noise reduction［J］.IEEE Transactions on Instrumentation and Measurement，2002，51(4):824 －828.

［4］ZAPOLO R F，SEARA R.A measure for perceptual image quality assesment［C］.Barcelona，Spain:Proc.OfInt.Conf.on Image Proc，2003:433 －436.

［5］ROSENFELD A，VANDERBURG G.Coarse － fine template matching ［J］.IEEE Trans.Syst.Man.Cyb，1977(7):104－107.

［6］SHEIKH H R，BOVIK A C.Image information and visual quality［J］.IEEE Transactions on Image Processing，2006，15(8):430－444.

［7］MAYACHE A，EUDE T，CHERIFI H.A comparison of image quality models and metrics based on human visual sensitivity［C］.Chicago，Illinois，USA:Proc.of IEEE Int.Conf.on Image Processing，1998:409 －413.

［8］SHEIKH H R，BOVIC A C，CORMACK L.Blind quality assesment of JPEG2000 compressed images using natural scene statistics［C］.Proc.of the Thirty － Seventh Asilomar Conf.on Signals，Systems and Computers，2003:1403 －1407.

［9］PORIKLI F.Achieving real－ time object detection and tracking under extreme conditions［J］.Journal of Real－ time Image Processing，2006，10(1):33 －40.

［10］COMANICIU D，RAMESH V，MEER P.Real－ time tracking of non － rigid objects using mean shift［J］.IEEE Computer Vision and Pattern Recognition，2000(2):142 －149.

［11］詹翔，周焰.一种基于局部方差的雾天图像增强算法［J］.计算机应用，2007，27(2):510 －512.

［12］吴恩华，柳有权.基于图形处理器(GPU)的通用计算［J］.计算机辅助设计与图形学报，2004，16(5):601－612.

［13］丁礼灯，席敏.浅谈智能交通系统在交通管理中的应用［J］.科技创业月刊，2008(4):149 －150.

［14］BRUNELLI R，POGGIO T.Face recognition:features versus templates［J］.IEEE Trans.Pattern Anal.Machine Intell，1993(15):1042－1052.

［15］MAR'EE R，GEURTS P，PIATER J，et al.Random subwindows for robust image classification［C］.San Diego，CA:Proc.IEEE Conf.on Computer Vision and Pattern Recognition，2005(1):34 －40.

［16］TURK M，PENTLAND A.Face recognition using eigenfaces［C］.Maui，HI:Proc.IEEE Conf.on Computer Vision and Pattern Recognition，1991:586 －591.

［17］BLACK M，JEPSON A.Eigentracking:robust matching and tracking of articulated objects using a view－based representation［J］.Intl.J.of Comp，1998(26):63 －84.

［18］MATAS J，CHUM O，URBANA M，et al.Robust widebaseline stereo from maximally stable extremal regions［J］.Image and Vision Computing，2004，22(10):761 －767.

［19］MCILROY P，ROSTEN E，TAYLOR S，et al.Deterministic sample consensus with multiple match hypotheses［C］.Oxford:British Machine Vision Conference，2010.

［20］MIKOLAJCZYK K，SCHMID C.Indexing based on scale invariant interest points［C］.In IEEE International Conference on Computer Vision，2001:525 －531.