陈秀锋，吴阅晨，邴其春，聂蕊蕊

(青岛理工大学，机械与汽车工程学院，山东青岛266520)

0 引言

基于视频的车流量检测通过提取、检测、跟踪车辆，实时获取交通流量，监测城市交通拥堵和紧急交通事件，从而缓解交通拥堵并提高道路服务水平，已成为城市智能交通(ITS)技术的重要组成部分。车流量检测方法主要有虚拟线圈法和深度学习法。基于虚拟线圈的车流量检测方法预先设定虚拟线圈，通过背景差分法、帧间差分法、光流法等方法分割图像获得运动目标，进而检测车流量。檀甲甲等[1]在视频车流采集中利用对比度失真和亮度失真两个参数抑制阴影干扰，并有效应对车距过近问题；齐美彬等[2]基于车辆轮廓动态信息分析，建立车辆遮挡模型，利用分层轮廓匹配法对运动车辆进行标记；Pablo Barcellos等[3]结合采样粒子与前景建模检测车辆，通过相邻帧中车辆颜色的相似性跟踪车辆，利用车辆轨迹与虚拟线圈交叉点完成车辆计数；Yingjie Xia等[4]基于虚拟线圈方法，设计一种去除噪声和填充孔洞的复原方法，提高车辆计数精度；Maojin Sun 等[5]定义运动强度指数量化视频活动，采用多通道多任务卷积神经网络在拥挤场景下车辆计数；Hana Rabbouch等[6]提出一个模式识别系统，结合无监督的聚类算法与虚拟线圈提取视频信息，利用期望最大化算法提取车流量等交通参数。

传统虚拟线圈方法检测车辆类型的正检率低，无法区分车辆流向；深度学习方法需要多次卷积整体图像，计算复杂度高，容易漏检和误检车辆。……