黄文静 陈小兵 祝辉 徐海潮

（1.连云港市铁路建设办公室 江苏省连云港市 222006 2.华设设计集团股份有限公司 江苏省南京市 210014）

交通是发展国民经济和提高人民生活质量的关键，也是评价一个城市发展程度的重要标志。改革开放以来，随着我国经济水平的快速发展，人民生活水平不断提升，小汽车已走进千家万户。然而，小汽车保有量的快速增长以及交通管理手段的不先进导致了国内众多大城市饱受交通拥堵困扰，而对交通流量进行实时检测并建立交通诱导系统，防止或缓解交通堵塞状况，实现交通流在路网不同路段上合理分配，故对交通流的检测尤为重要。

视频监控系统可直观、有效、实时监管公路，是公路管理的重要组成部分，被誉为公路监管的“眼睛”。当前，我国已开展了智能交通、智慧城市、天网工程、雪亮工程等诸多工程，已布设了超过2000 万个监控视频设备，但目前大部分视频资源仍然用于安防、监控等方面，未进行深入挖掘和分析利用，视频资源的有效利用率普遍较低。鉴于此，本研究在不增加布设传感器设备或视频监控设备条件下，以连云港城市公路试点为契机，开展利用基于现有交通视频资源进行实时、快速、精确的公路交通流量研究分析，提高城市交通管理水平，改善交通拥堵情况。

1 系统流程

本研究所需交通视频资源直接从连云港市公路网管理与应急指挥中心的硬盘录像机开放接口中获取，然后通过图像预处理、获取ROI（Region Of Interest,ROI) 区域、车辆数量检测、路段长度确定等流程，获取路段交通流量。主要流程如图1所示。

1.1 图像预处理

由于从连云港市公路网管理与应急指挥中心获取的视频资源均为RGB 高清彩色图像，图像中每个像素点均含RGB 值。如直接对高清彩色图像进行处理，处理数据信息量较大，增加了处理难度，并降低了处理效率。故需对原始视频资源通过灰度化、滤波、直方图均衡化等处理，减小数据信息量，增强处理效果，提高时效性。

1.2 获取ROI

ROI 通常称为感兴趣区域，也被称为检测区域。由于本研究是在图像预处理后的图片中获取交通流量信息，因此只对公路车道内的机动车感兴趣。故可利用ROI 处理，将公路外不感兴趣的图片进行处理，以便为后续加快处理速度和提高处理结果精度奠定基础。

1.3 车辆数量检测

根据ROI 确定的公路边线及划定矩形区域，依据SVM 训练库，计算出矩形区域内机动车辆数量，从而为后续计算交通流量提供车辆数量数据。

1.4 路段长度确定

通过对矩形区域内像素或参照物统计，确定矩形区域在机动车车辆行驶方向的路段长度。同时通过摄像机像素和物理空间标定技术或线性关系，求得真实物理空间的路段长度。

1.5 计算交通流量

根据上述流程获取的车辆数量和路段长度，并从视频中获取矩形区域内所有车辆的平均速度，依据交通流量模型，计算出路段内的交通流量。

图1：系统识别流程

图2：加权平均灰度处理后的图

图3：直方图均衡化处理后的图

表1：几种常见灰度算法

2 交通流量检测

2.1 图像预处理

2.1.1 灰度化

由于科技突飞猛进，模拟视频设备和黑白视频设备早已被社会淘汰。近年来布设在交通方面的视频监控设备都为数字高清视频监控设备，其采集到的视频图像是连续的RGB 彩色图像序列[1]，但实际上YUV 颜色空间的灰色图像就能满足本研究。除像素颜色外，彩色图像和灰度图像所包含的内容完全相同，但灰度图像过滤了图像颜色信息，进而加快了处理速度。一般来说，研究机器视觉或图像处理，灰度化处理是不可或缺的基础步骤。

图像灰度处理主要有：分量法、最大值法、平均值法和加权平均法[2]。如表1所示。

根据国内大量学术研究发现，上述四种灰度算法中，加权平均法处理效果最佳，且最符合人眼对色彩的敏感度，故本研究选取加权平均法对图像进行灰度化处理。如图2所示。

2.1.2 滤波

图像滤波技术通常分为空域滤波和频域滤波两种。空域滤波是直接对图像数据信息做空间变换进行滤波的技术；频域滤波是先利用傅里叶变换，在频域进行图像处理，然后再反变换回空间域还原图像的滤波技术。频域滤波处理效果较好，但程序复杂，数据量大，处理速度较慢；空域滤波不需要进行空域和频域转换，数据量相对较少，处理速度更快，处理效果相对有所下降。由于本研究对处理速度要求较高，而对去除噪声要求相对次之，故选用空域滤波[3]。常用的三种空域滤波方法：中值滤波、高斯滤波、均值滤波。国内很多学者在原始图像中加入椒盐噪声，并用三种空域滤波方法进行处理，并对处理效果对比，中值滤波对于噪声抑制效果较为显著。华东交通大学的杨希在其《基于机器视觉的汽车安全辅助驾驶系统研究》论文中，利用峰值信噪比（Peak Signal-to-noise Ratio,PSNR）对三种空域滤波算法处理后的图像进行定量评价，计算得出中值滤波的PSNR 最大，进而得出中值滤波效果最佳的结论。本研究在他人研究成果的基础上，直接利用中值滤波算法，对图像进行处理。

2.1.3 直方图均衡化

如果一幅图像像素占有全部可能的灰度级且均匀分布，则图像有较高的对比度和多变的灰度色调。直方图均衡化正是利用这种思想，利用直方图均衡化算法对图像进行均衡化修正，可使图像的灰度间距增大或灰度均匀分布、增大反差，使图像的细节变得清晰[4]。直方图是图像的重要统计特征，它表示数字图像中每一灰度级与该灰度级出现频数的关系，即

其中，N 为一幅图像的总像素数；nk为第K 级灰度的像素数；rk为第k 个灰度级；L 为灰度级数；P(rk)为该灰度级出现的相对频数。通过直方图的统计特性，可以得到图像的总体明亮程度、对比度、对象物的可分性等与图像质量有关的灰度分布概貌。视频资源在采集的过程中难免会受天气条件影响，光线较暗，通过直方图均衡化处理，使图像亮度增强，突出公路的车辆、公路边线、路面等信息，方便图像中机动车辆目标特征提取。如图3所示。

图4：获取ROI 处理后的图

图5：真实数据与测试数据对比图

2.2 获取ROI

ROI 也称为感兴趣区域，是对待处理的图像提取特定区域的简称。通常情况下，交通视频资源中包含公路、车辆、公路两旁树木、天空、建筑物等信息，而本研究只需要公路和车辆信息，且这些信息都包含在公路边线内。因此只需要提取公路边线即可完成获取ROI。

一般情况下，公路两条边线是笔直且相互平行的，但由于视频监控设备独特的成像原理，造成视频资源中公路两条边线呈梯形状态。鉴于此，可将两条边线表达如下：

对于任一像素点（x,y），如果其坐标落在y1在y2之间，则该像素点在ROI 内；否则，该像素点不在ROI 内。依据上述算分提取的ROI 如图4所示。

2.3 车辆数量检测

在ROI 内，利用卡尔曼滤波器对图像实现目标跟踪之后，可得到目标图像的各种特征，包括但不限于目标图像的形状、纹理、颜色、运动等特征。不同的运动物体具有不同的运动特征，由于使用单一运动目标特征对多个运动目标识别存在一定难度和局限性，故对多目标识别时，一般使用多个（两个及以上）的目标特征进行组合识别。本研究主要识别运动机动车辆，其典型特征主要包括面积、高度、纵横比、速度等，以典型特征识别机动车辆目标[5]。

在提取机动车图像的典型特征后，并以此作为识别机动车的依据，然后使用建模的方法构建分类器，利用监督学习算法，对已有的机动车辆样本数据进行训练，将训练好的结果写入SVM（Support Vector Machine,SVM）训练数据库，并利用SVM 训练数据库对真实视频资源中的图像进行识别，并计算出机动车辆平均速度和统计区域内机动车辆数量。

2.4 路段长度确定

真实世界任何一个点均有一个与之对应的三维坐标，而真实世界的点在视频图像中映射为二维像素平面坐标，故需建立三维坐标与二维像素平面坐标转换关系，以便获取真实世界中的点坐标，并计算出真实世界中两点距离，进而计算出路段长度。三维坐标与二维像素坐标转换过程中涉及到的坐标系有：世界坐标系、相机坐标系、图像坐标系和像素坐标系[6]。

根据王乐芳的《基于单目视觉的多特征前方车辆检测及测距方法研究》，真实世界三维坐标和视频图像的二维像素平面坐标模型关系如下：

在（4）和（5）式中，（XW,YW,ZW）为世界坐标系的点；（XC,YC,ZC）为相机坐标系的点；（u,v）为像素坐标系的点；R 是外部参数，受外部条件约束，为正交3×3 旋转矩阵；t1，t2，t3也是外部参数，它们为（XW,YW,ZW）在（XC,YC,ZC）三个坐标轴方向的平行向量值，受外部条件约束；f 为摄像机焦距；dx 和dy 分别表示为平面坐标系中单位像素在X 轴和Y 轴上的长度；u0和v0为摄像机的内部参数，其值固定，不随摄像机位置和拍摄视角的变化而改变。

根据（4）和（5）模型，并作出逆变换，可得出世界坐标系的点坐标：

由推导出的（6）模型公式，再结合二维像素平面坐标系坐标点，可获取矩形区域沿车道方向边线起始点的世界坐标（X1,Y1,Z1）和末尾点的世界坐标（X2,Y2,Z2），再根据两点间距离公式：

在（7）式中，D 即为所求的路段长度。

2.5 计算交通流量

众所周知，交通工程研究中主要研究三参数：交通流量、速度和交通密度[7]。这三参数相辅相成，相互制约，相互影响。假设当前交通流量为Q，速度为V，交通密度为K，根据交通工程知识，三参数典型关系为：

又由交通工程的平均速度和交通密度公式：

根据（8）（9）（10）三式，联合变换，可得到交通流量公式：

在（11）式中，N 为矩形区域内机动车数量，D 为矩形区域的路段长度，vi为每辆机动车的平均速度。

3 检测结果

依据上式（11）模型，本文选取了某工作日连云港S236 灌云交调站路段早高峰时段（7 点-9 点）的交通监控视频作为测试数据进行车流量统计测试，以每15 分钟为间隔，真实数据为根据视频人工计数所得。从真实数据与测试数据对比可知，通过机器视觉方法检测车流量具有较高的准确率，准确度可达94.2%，通过机器视觉方法检测的车流量数据与真实流量数据对比如图5所示。

4 结论

通过本研究技术，利用现有的交通视频资源，可获得准确率较高的交通流量数据，但适用范围仍有一定限制。后续需研究阴雨天、雨雪天、雾天、夜晚等特殊环境下的较为准确、可靠、稳定的交通流量算法，为交通拥堵、交通预测、交通预警、态势研判等方面研究提供所需的交通参数。