邹金里 李洪芹 吴健珍 李金书 王文强 杨启超

摘 要 智能交通系统是一种充分利用交通基础设施，实现交通环保节能，提升交通服务水平的手段。建立智能交通系统，能有效规划城市道路，抑制交通事故的发生。交通监控应在不同的环境、天气和照明条件下正常有效地工作。在晚上，许多中小城市的照明条件不是很好。本文主要针对夜间的车流量统计，根据上述特征对视频序列图像进行阈值处理，然后，通过形态分析，可以提取灯光走廊，最后根据前灯之间的一定距离分离车灯对，将其用作移动目标并通过计算得到交通流量。

关键词 车灯配对 交通流量统计 夜间车辆检测 路面反射

中图分类号：TP29 文献标识码：A DOI：10.16400/j.cnki.kjdks.2019.03.035

Abstract Intelligent Transportation System （ITS） is a means of making full use of transportation infrastructure， realizing environmental protection and energy saving， and improving the level of transportation services. The establishment of intelligent transportation system can effectively plan urban roads and restrain traffic accidents. Traffic monitoring should work normally and effectively under different environment， weather and lighting conditions. In the evening， the lighting conditions in many small and medium-sized cities are not very good. In this paper， according to the traffic statistics at night， the video sequence image is threshold processed according to the above characteristics. Then， through morphological analysis， the light corridor can be extracted. Finally， according to a certain distance between headlights， the pair of headlights can be separated and used as moving targets and traffic flow can be calculated.

Keywords headlight pairing； traffic flow statistics； night vehicle detection； pavement reflection

当今社会飞速发展，科技日新月异，交通工具逐渐从贫瘠变得发达，每条道路上车辆数目急剧增加，为了更好的统计车流量，需要应用到车流量检测技术来辅助统计车辆及道路情况。同时随着一门新兴技术飞速发展，名为“计算机视觉技术”，由于要確保道路交通系统的安全和通行的效率，智能交通系统分析交通视频序列应运而生。

智能交通系统利用先进的科学技术进行交通控制和服务控制，并紧密结合车辆、道路和用户，从而形成一个高效、安全、全方位管理的综合智能交通系统。智能交通系统是一种充分利用交通基础设施，实现交通环保节能，提升交通服务水平的手段。智能交通系统主要包括车辆检测跟踪，车牌智能识别，车辆分类，车速检测，交通流量统计等。在智能交通系统的开发中，分割和提取有用的车辆信息以及在复杂的交通场景中进行有效的分析和处理是一个非常具有挑战性的问题。随着计算机技术的飞速发展，计算机视觉技术在智能交通系统中的应用将具有更广阔的发展前景。

1 课题相关领域的发展概括及研究现状

目前国内研究的交通信息采集方法一般都是物理接触类，主要包括压电、压力管检测、环形线圈检测和磁检测。经过多年的开发技术，测量精度高，易于掌握。但仍存在许多问题。例如，收集装置埋在地下，难以安装和维护。随着公路车辆的增加，接触装置的使用寿命越来越短。为了解决上述问题，需要从其他角度入手，而不是一味的依靠一些仪器检测出来的数据来统计。本文中提出可以逐步用智能系统来替代这些方法，从而不需要在维护仪器上浪费时间和精力，我们可以通过路段监控，并且加以视频处理。通过计算得出一个比较准确的统计数据，这样可以节省很多人力物力。

1.1 项目方案

（1）道路交通资料收集。在某个路段或某几个路段采集多组视频监控，并加以保存归类。

（2）各时段交通道路情况的视频了解。除了采集视频，还要对每个时间段有明确的认知，因为不是每个时间段的车流量都是相近的，高峰期的监控视频和交通舒畅时段的监控都要有收集并分类。

（3）对视频加以处理。对视频的去噪处理、灰度变换。

（4）在不同天气条件下（晴天，阴天，下雨）检测道路车辆。留意各个天气的车流量，争取各类天气的监控视频都有收集，这样得出的结论才会更加准确。

（5）资料分析。整合处理好的视频资料，利用背景差分法计算数据。

（6）车流量统计。整理计算好的数据，加以汇总。

2 视频中运动目标检测方法

2.1 背景差分法

背景差分法也称为背景减法方法或减法背景方法，基本思想是获得背景图像。把输入图像和背景图像进行相减运算得到与输入图像和背景都不同的区域背景。差分法的主要思想是将视频帧与估计的背景图像帧相减，两帧差异用作前景运动图像以分割前景并用以检测运动对象。本文采用该方法来计算车流量，因为该方法可以相对下面两种方法来说更准确的得出计算结果。通过每一帧的背景差异来做运算，不仅可以计算精准，更可以消除模糊背景带来的视觉误差和系统误差。

2.2 帧间差分法

帧间差分法，其思路是将邻近两帧做减法运算并将相减结果作为前景用来检测运动目标信息。

2.3 光流法

在图像处理领域，光流的概念是在图像中移动物体所呈现的速度。当我们用眼睛观察运动的物体时，一系列连续运动的信息传达给我们的视觉接收器——视网膜，而随着时间的延伸，变化的信息不断地传递给视网膜，运动的信息实际就是光线不断变化的信息犹如光流一样。

2.4 问题及解决办法

如何提取车前灯的关键信息是本文的研究重点。由于夜间可见度低，有很多干扰物，不能清晰的体现出来车灯的数量以及位置，为了提取车前灯的关键信息，项目小组成员经过查阅资料发现，确定了可以通过车前灯的对数来计算并完成夜间的车流量的统计设计方案。首先，通过对比可以了解到在晚上统计车流量的特点。然后，通过在某一段路口监控视频的采集并处理图像来方便计算。最后，制定一种算法，通过该算法以及对车灯对数的统计来实现车辆的检测和车辆的跟踪。这种方法可以较好的在跟踪目标的过程中实现夜间车流量的计算的。

3 目标跟踪方法

3.1 基于特征的跟踪

该方法做出一种假设，通过建立一个唯一的目标特征集来确定移动目标，然后把移动的目标设置成相应的特征集。本文使用该方法进行目标跟踪，因为技术原因，基于区域的跟踪并不成熟，容易出现数据上的误差，所以使用该方法更佳严谨一些。

3.2 基于區域的跟踪

这种方法需要的是一个没有太多形状变化的目标，而且视线良好无障碍物影响，要不然的话，很容易因为某些重要的特定的因素丢失导致失去对目标的跟踪。这些年以来，这种方法逐渐的受到人们的重视，社会以及国家的相关研究人士也开始从该方法入手，当需要解决一种模版的变化的问题，可以了解到该种变化可能是因为目标的移动以及形态或者位置引起的。

4 夜间视频图像预处理

夜间视频图像处理过程如图1所示，具体流程详见下面介绍。

4.1 流程

（1）收集视频。通过提取某路段的监控视频或者不定期的在该路段拍摄视频实现收集各种情况下的车流量视频。

（2）视频格式化。

（3）灰度变换。通常经输入系统获取的图像信息中含有各种各样的噪声与畸变，例如室外光照度不够均匀会造成图像灰度过于集中；这些不可遊免地影响系统图像清晰度，降低了图像质量，因此，在对对图像进行分析之前，必须对图像质量经行改善，一般情况下使用图像增强，该方法目的是设法改善图像的视觉效果，提高图像的可读性，将图像中感兴趣的特征有选择的突出，便于人与计算机的分析和处理灰度变换是图像增强处理中一种非常基础直接的空间域图像处理方法。灰度变换是根据某种条件按一定变换关系逐点改变每一个像素灰度值的方法。

（4）二值化。一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化。

（5）图像去噪。去噪处理，可以让图像精准度更高。

（6）数学形态学处理。通过数学方法加以计算分析，得到所要求的结果。

4.2 数字图像技术

在本文中，基于车辆前灯的运动检测用于交通流量统计，摄像机应捕获车辆进入的视频镜头。图像处理软件基于数字运算的处理方式，决定了图片大小（像素点的多少）与之运算速度直接关联。对于车辆检测和统计车流量来说，实际只需提取交通图像帧中的感兴趣区域，仅对感兴趣区域（ROI）执行相应算法操作即可达到研究目的。基于感兴趣区域的运动目标检测在实现功能的情况下，相比检测完整图片帧中的所有像素点具有运算量少、精度高等优点。

夜间环境下交通视频帧含有噪声因素较多，其中光线变化因素对前景像素的提取具有很大干扰。为了后续较好的提取车灯前景像素，需要对所获取的交通监控视频图像进行预处理，其中包括阈值分割、灰度变换、对比度调整、高斯平滑滤波等。

4.3 视频采集的地点

基于本文使用车前灯这一车辆局部特征识别车辆运动特征的方法，选取交通道路的要求为具有多车道且车流量较多的城市主要交通干路，采集时间为夜晚下班高峰时间段。鉴于是夜晚时段，经过商议，一致决定挑选该的地点应为路面情况好，灯光照明设备良好，道路两旁杂乱物体应尽可能少。

5 统计与计算

在不发生车辆变道的情况下，对于最左侧车道即认为该车道上运动车辆的前灯的中心坐标不断朝视频帧左下角运动，并记录坐标变化后的车前灯中心坐标。当新的车前灯中心位于记录的车前灯中心坐标行驶方向的后方一定距离时且当前前方无车辆前灯，认为有新车辆进入该车道，该车道流量计数加一。最后完成计算。

6 结束语

本文主要研究基于智能系统，前期不定期收集监控视频，待各时段，各种天气的视频都收集整理好，加以分类处理，格式化之后通过去噪，灰度变换得到可以计算的格式，通过背景差分法来计算数据并整理，期间目标跟踪利用假设一个目标的特征，例如车前灯对数来实现对每个目标的清晰跟踪。最后得出计算结果，可以简易实现智能架通系统的夜间车流量统计。

参考文献

[1] 郭怡文，袁飞虎.基于背景差分的多车道车流量检测系统[J].电光与控制，2010.17（9）：90-93.

[2] 章冠，李栋，郭建强等.基于磁感线圈的车流量检测的研究[J].现代电子技术，2012.

[3] 阴亮.基于视频图像的车辆车速与外形参数检测[D].北方工业大学，2008.

[4] 马永杰，李鹏飞，王彬.一种新的夜间交通流量检测方法[J].西北师范大学学报：自然科学版，2015（3）：43-48.

[5] 周斌.基于视觉的夜间车辆检测与跟踪[D].杭州电子科技大学，2015.

[6] 张永丽，张太镒，毕建民.基于自适应背景初始化的车流量检测算法[J].微电子学与计算机，2007.24（5）：138-140.

[7] 宋雪桦，陈瑜，耿剑锋，等.基于改进的混合高斯背景模型的运动目标检测[J].计算机工程与设计，2010.31（21）：4646-4649.

[8] 聂美玲.基于车灯几何和运动特征的夜间车辆检测及追踪[D].哈尔滨工程大学，2014.

[9] 刘莉，潘晓露，李一民.基于视频的夜间车流量统计[J].微处理机，2012.33（1）：67-70.

[10] Zhang W，Wu Q M J，Wang G， et al. Tracking and Pairing Vehicle Headlight in Night Scenes[J].IEEE Transactions on Intelligent Transportation Systems，2012.13（1）：140-153.

[11] 聂美玲.基于车灯几何和运动征的夜间车辆检测及追踪[D].哈尔滨工程大学，2014.

[12] 李小琦.基于Matlab的图像阈值分割算法研究[J].软件导刊，2014（12）.

[13] 许欣.图像增强若干理论方法与应用研究[D].南京理工大学，2010.

[14] 赵小川，何灏，缪远诚等.Matlab数字图像处理实战[M].北京：机械工业出版社，2013：59-74.