王剑峰 张永梅 薛龙飞

摘 要：本文针对日益严重的道路拥堵问题，提出了基于视频图像的城市道路交通态势研判方法，其总体框架包括视频图像的获取与传输，数据检测、获取与修正，算法计算及误判修正，道路交通判态与显示这4个环节；提出基于视频图像的城市道路交通态势研判的关键技术，即基于视频图像的车辆目标识别技术、基于视频图像的交通参数获取技术、基于模糊理论的交通态势研判技术，阐明了各项关键技术实施流程与方法；并以济南市经十路和北园高架路为例，利用视频图像技术进行该局部路段交通态势分析系统的设计，根据监控数据进行交通态势的实时判定。

关键词：视频图像 交通态势 车辆识别 研判

中图分类号：TP39 文献标识码：A 文章编号：1674-098X（2017）12（c）-0147-04

Abstract： Aiming at increasingly serious road congestion problem， the article put forward the method for judging urban road traffic situation based on video image analysis， its overall frame includes video image acquisition and transmission， data access and correction， algorithm calculation and misjudgment correction of road traffic state.It analysed the key technologies for urban road traffic situation judging based on video image， namely Vehicle target recognition technology for video image， Technology of traffic parameter acquisition based on video image， traffic situation research and judgment technology based on fuzzy theory. The implementation process and method was illustrated of the key technology. Based on the example of no.10 road and beiyuan highway in Jiinan city， video image technology is used to design the traffic situation analysis system of the local section， and the real-time judgment of traffic situation is carried out according to the monitoring data.

Key Words： Video Image； Traffic Situation； vehicle identification； Study and judge

交通拥堵一直是困扰现代城市发展的严重问题，而准确判别交通拥挤状态是构建城市交通诱导系统的重要一环[1]，是有效预防和缓解城市道路交通拥挤，进而提高道路通行能力的必要前提[2，3]。过去交通拥挤状态判别方法多通过感应线圈检测技术获取数据[4]，近年来随着智能交通视频监控系统在我国逐步得到研究和发展，尤其是随着高清视频技术和产品的成熟，我国许多城市道路监控中广泛安装了交通视频监控系统，该系统通过从交通监控视频中获取捕获目标，提取目标信息并进行分析达到对城市交通的监控管理。与感应线圈相比，视频检测具有视频图像可获得性容易、数据量丰富、图像数据能重复进行计算、可获得较为准确的交通态势判定结果的优点，它表现出在解决交通问题方面的强大优势，使利用智能视频技术手段进行道路交通态势判断成为可能[3]。但目前交通视频检测技术还局限于单纯的交通信息提取，很少利用其进行城市道路交通拥挤状态的判别[5]。针对我国当前道路交通态势研究中的主要问题，与先进的视频监控手段相结合，深入研究分析基于视频检测的城市交通拥挤状态判别中的关键问题及难点，建立基于视频监控的交通拥挤状态判别方法，推动我国道路交通态势研究的进一步发展，是当前我国道路交通态势研究领域的研究热点[6]。

1 总体架构

基于视频图像的城市道路交通状态判别方法研究其总体框架见图1，主要由4个部分组成。

1.1 视频图像的获取与传输

通过在路口或路段设置的高清监控设备，获取海量视频数据流，包括前端视频采集、数字数据流传输、录像稳定存储、视频显示等环节。高清视频系统获取的是高清数字监控信息，具有“点位多、高清晰、时间长、数据大”等特点，因此传输中需考虑采用数据传输的稳定和可靠性，系统存储必须支持大容量和具高扩展性。

1.2 数据检测、获取与修正

对视频质量进行诊断和检测，根据采集的视频图像数据，由图像分析得到指定区域范围内的车辆目标情况，获取交通量统计和交通密度数据，通过分析截取与融合等手段结合关联分析提取必要的交通参数。包括道路车辆目标的识别、道路交通參数的获取、数据的误差修改等环节。

1.3 算法计算及误判修正

按照交通拥堵判态算法，计算得出道路的拥堵指数，并结合道路实际情况进行误判的修正。主要包括交通态势算法及拥堵指数的计算两大环节。

1.4 道路交通判态与显示

对城市道路整体状态交通流进行汇总分析，进行交通判态，并通过误检测识别算法识别非真实拥堵，结合GIS地图进行道路交通状态的实时显示，提交交通诱导信息进行发布。

2 关键技术

2.1 基于视频图像的车辆目标识别技术

对车辆运动目标的检测是视频监控图像处理与识别中最基础的环节，通过对图像中有效提取运动目标，为事件检测及车辆行为的分析提供基础数据。其流程如图2所示。

针对视频图像的特点，采用背景差法对道路运动车辆进行识别。利用背景差法在图像的处理过程中，其要点是首先将RGB图像转换为灰度图，对输入的图像进行转换。获取了背景图像后，通过将背景图像与某时刻输入的图像帧做差，即得到差分图，采用二值化处理的办法对差分图像进行处理得到二值图。最后基于形态学进行去噪，由此得到较为准确清晰的车辆目标二值图。

利用得到的二值图提取车辆信息时，由于车辆外形与矩形较为相似，所以提取车辆的外接矩形和面积作为车辆的特征参数。其具体算法：（1）通过减背景法和噪声去除，获得与图像长宽相同的黑白图像，目标为黑色，背景为白色。（2）从上到下、从左到右依次扫描图像。当遇到黑色像素点时，记录下此点的位置并入栈，以此点为开始进行八邻域搜索直至结束。搜索的同时不断累积面积值，更新外接矩形框上、下、左、右边界值。（3）由经图像提取的面积参数和车辆外接矩形进行判断，剔除面积小于一定阈值的车辆（即噪声），将非噪声车辆参数加入参数提取的链表中。（4）重复（1）/（3）步骤，直到图像扫描完毕。当同一辆车的不同部分未能连在一起时，通过融合进行连接；当两辆车前后遮挡，发生重叠时，则需要把车辆分开。

2.2 基于视频图像的交通参数获取技术

2.2.1 确定交通参数

基于视频图像数据的交通态势研判中，交通参数的选择非常重要，交通态势往往需要两个或两个以上的参数来表述才较为准确。城市道路交通中主要的交通参数包括车辆速度、交通流量、交通密度、占有率等。考虑到视频图像在道路场景下背景变化较频繁的特征，也考虑到车辆遮挡易使目标车辆识别不完整的问题，舍弃较复杂不容易准确获取的参数，如道路排队长度、车辆车头间距等，确定采用道路空间占有率和道路时间占有率这两个交通参数作为交通态势研判的参数。通过这两个参数在道路由畅通到拥堵中变化趋势，可以看出这两个交通参数反映交通态势是比较有效的。

2.2.2 较准确地获取交通参数

根据视频图像成像的原理，安装于“T”型支架上的摄像头时，其所采集车辆目标往往比实际空间具有更多的像素。在提取的视频图像中，往往获取的目标车辆的长度会较明显地大于该车辆本身的实际长度。且离摄像头越近的车辆，其车辆的边宽要明显比远处的车辆边宽大，因此利用道路空间占有率模型进行计算时其结果会存在较为明显的偏差。

针对视频图像获取时的上述特征，通过将车辆在车顶面平面上的区域投影到路面平面上，以此可以更为准确地计算道路上车辆实际的占空面积。因此，定义车道的车道空间占有率为[6]：

其中，η∈（0，1）表示图像中车辆像素区域投影到路面平面上的比率。可粗略估计出η：

其中，，和分别表示车辆的高与车身长度。

通过下式求得空间占有率：

其中，RS为车道占有率；VS为空间平均速度；为车辆平均长度；QS（T）为时间T内通过检测区域的车辆总数。

2.3 基于模糊理论的交通态势研判技术

2.3.1 算法及过程

考虑到实际生活中对交通拥挤状态的判断是一个相对模糊的概念，不同交通拥挤状态间的区分并不是非常能量化清晰地表述。因此，采用模糊理论的思路和算法进行道路的交通拥挤状态的判断[7]。该判别算法的过程是：基于视频图像利用背景差分法识别车辆目标，对交通参数进行提取，按公式计算得到道路空间占有率和时间占有率两大指标的数据，建立模糊C算法模型[8-10]，将获取的数据输入到模型中进行计算，根据计算的结果判别交通拥堵是否发生。并和实际道路拥堵情况相比较，分析算法判断的结果是否和实际情况一致。若不是，则再通过连通域分析和投票机制降低误测以重新进行判断，直至判断结果和实际情况一致（见图3）。

2.3.2 降低交通拥堵状态误检测的方法

道路环境的改变，会对车辆目标的检测结果产生干扰和影响，其结果是将许多非车辆目标作为车辆进行识别，大大增加了背景中的车辆数量。可利用连通域分析的误检测识别算法和利用投票机制分析的误检测识别算法进行误检测的分析，对视域范围内的前景目标进行识别、分析和研究，剔除非车辆的数据干扰，由此来判断是否为真实的拥堵事件。利用连通域分析的误检测识别算法中，可按最大连通域在前景中所占比例超过设定的阈值（设定为90%）时，判断并非真正的拥堵事件。在利用投票机制分析的误检测识别算法中，可取时间段、系列时间间隔时，统计出现次数最多的结果作为最终的交通拥堵状态输出。

3 案例分析

3.1 系统设计

以济南市经十路和北园高架路为例，利用视频图像技术进行该局部路段交通态势分析系统的设计，并根据监控数据进行交通态势的实时判定。根据该路段已安装高清监控系统获取的实时视频，进行机动车数量准确识别，获取机动车流量、车速与占有率等指标，利用模糊C-均值聚类算法计算拥堵指数，并判断实时交通态势，针对拥堵情况及时上传报警信息。

3.2 功能实现

（1）基于视频分析的交通量和交通信息采集：获取前端摄像机提供的车辆运动目标信息，进行流量统计和密度检测功能，计算得到道路的通行量，分析當前路口的道路通行状态参数。

（2）交通流融合判态分析：根据采集各个路口的交通流数据，对于上报的数据与已有交通流采集数据融合，定时分析截取。

（3）算法判态与人工判态：根据获取的信息，按照交通拥堵判态算法，获取道路通行状态，对于拥堵的道路进行报警，上报给指挥调度系统进行进一步处理。同时支持人工判断道路通行状态，对系统判态进行准确性校正，经过系统运行一段时间积累，系统可以形成道路通行状态规律性数据。

（4）路网通行状态显示：判态分析后得到的交通通行状态（畅通、缓行、拥堵），能够在GIS电子地图通过不同颜色线（比如三色线）表示出来。

4 结语

本文提出了基于视频图像的城市道路交通态势研判方法，提出其实现的关键技术，并以济南市经十路和北园高架路为例，进行该局部路段交通态势分析系统设计，并进行交通态势的判定应用。但总体上来讲，我国当前基于视频检测的交通态势判别还处于起步阶段，在利用视频图像进行车辆目标的识别时，在抗干扰水平和识别精度方面还需要进一步提升，在基于视频图像进行交通参数的提取时，还可以进一步优化选择的交通参数以提高判断结果的准确性和科学性。

参考文献

[1] Wen TH，Chin WCB，Lai PC.Understanding the topological characteristics and flow complexity of urban traffic congestion[J].Physica A Statistical Mechanics & Its Applications，2017（473）：166-177.

[2] Jiang G.Theory and Architecture of Urban Traffic Flow Guidance System[J].Journal of Systems Science & Systems Engineering，1998（2）：30-35.

[3] Kong X，Xu Z，Shen G，et al.Urban traffic congestion estimation and prediction based on floating car trajectory data[J].Future Generation Computer Systems，2016，61（C）：97-107.

[4] Wang J， Mao Y， Li J， et al.Predictability of road traffic and congestion in urban areas[J].Plos One，2015，10（4）：e0121825.

[5] 王江鋒，姜桂艳，龙晖，等.基于神经网络的城市快速路交通拥挤识别方法研究[A].proceedings of the多国城市交通学术会议[C].2003.

[6] 梁士栋.城市区域交通状态判别方法研究[D].吉林大学， 2014.

[7] 刘普寅，吴孟达.模糊理论及其应用[M].长沙：国防科技大学出版社，1998.

[8] Zadeh LA.Fuzzy sets[J].Information & Control， 1965，8（3）：338-53.

[9] Sasaki Y，Akiyama T.Traffic control process of expressway by fuzzy logic[M].Elsevier North-Holland，Inc，1988.

[10]高峰.交通状态判别算法研究[J].中国公共安全：学术版， 2016（4）：63-66.