引言

隨著視頻監(jiān)控的普及，智能視頻監(jiān)控是當(dāng)前備受關(guān)注的前沿技術(shù),該技術(shù)主要利用計算機(jī)視覺和視頻分析的方法對視頻圖像序列進(jìn)行自動分析，從而實(shí)現(xiàn)對動態(tài)場景中目標(biāo)的定位、識別和跟蹤，分析判斷目標(biāo)行為，得出對圖像內(nèi)容含義的理解以及對客觀場景的解釋。在視頻監(jiān)控系統(tǒng)中，車輛的檢測在交通方面意義重大。同時隨著視頻車輛檢測技術(shù)的發(fā)展，人們已不滿足于僅僅檢測出車輛，在國外,FHWA（美國聯(lián)邦公路局）就進(jìn)一步利用此技術(shù)來提取交通參數(shù),如交通流量,十字路口的車輛轉(zhuǎn)向信息等。

對車輛的檢測和計數(shù)，可以檢測交通路口的車流量,通過對車輛的檢測可以實(shí)現(xiàn)對車輛堵塞和車禍進(jìn)行報警等功能。

1  車輛檢測和計數(shù)系統(tǒng)的實(shí)現(xiàn)步驟

1.1  提取目標(biāo)物體

對車輛的檢測，首先要把“車”的圖像從背景中提取出來。由于針對交通系統(tǒng)中的車輛，特別是交通路口的車輛，一般都是運(yùn)動物體，因而可以運(yùn)用運(yùn)動目標(biāo)檢測技術(shù)，將車輛從靜止的背景中分離出來再進(jìn)行分析。視頻監(jiān)控中常見的運(yùn)動目標(biāo)檢測算法主要有3類:光流法，鄰幀差法和減背景方法。光流法的優(yōu)點(diǎn)是對動態(tài)環(huán)境有很好的適應(yīng)性,但復(fù)雜度高，抗噪性差，難以符合視覺監(jiān)視實(shí)時處理的要求；鄰幀差法雖然算法簡單，易于實(shí)時監(jiān)控，但難以獲得精確目標(biāo)，容易產(chǎn)生空洞；減背景技術(shù)是最為常用的，它把序列中的每幀與固定的靜止參考幀（如靜止的背景）做幀差，若像素的差值大于某一閾值，就判斷此像素物體為運(yùn)動目標(biāo)上的。閾值操作后得到的結(jié)果直接將給出了目標(biāo)的位置、大小、形狀等信息。綜合分析,這里采用減背景法。

運(yùn)動目標(biāo)檢測的視頻處理過程如圖1所示。

圖1運(yùn)動目標(biāo)檢測的處理過程

1.2  常用檢測方法的原理及實(shí)現(xiàn)方法

1.2.1  背景差法

背景差法⑵首先選取背景中的一幅或幾幅圖像的平均作為背景圖像，然后把以后的序列圖像當(dāng)前幀和背景圖像相減，并進(jìn)行背景消去操作。若所得到的像素數(shù)大于某一閾值，則判定被監(jiān)視場景中有運(yùn)動物體,從而得到運(yùn)動目標(biāo)。這種差分法對于復(fù)雜背景下的運(yùn)動物體檢測效果較好，一般能夠提供最完整的特征數(shù)據(jù)，而且計算量小,實(shí)用價值大。缺點(diǎn)是受光線、天氣等外界條件的影響較大。通?？梢酝ㄟ^背景建模來進(jìn)行背景模型的動態(tài)更新以實(shí)現(xiàn)背景圖像的建模和自適應(yīng)更新，以減少場景變化對視頻圖像檢測分割的影響。

背景差法的實(shí)現(xiàn)原理和實(shí)現(xiàn)方法如下：設(shè)在To時刻保存一幀圖像做為背景圖像保存為backimage,然后循環(huán)從視頻中取一幀圖像，設(shè)T;時刻取一幀圖像保存為temp臨時圖像，將backimage和temp

相減即得到差值圖像difference,再對difference進(jìn)行灰度變換、二值變換等處理，即可較好的分離出前景物體。也可以先將backimage和temp轉(zhuǎn)換成單通道灰度圖像再進(jìn)行相減，這樣把兩幅度的灰度值相減，如果backimage和temp完全一樣，則相減的值為0,即為一幅全黑的圖像;而兩幅圖相減后不為0的區(qū)域即為前景物體所在區(qū)域。其差分公式如下：

difference(x,y)=temp(x，y)一backimage(x，y)

在OpenCV中實(shí)現(xiàn)差分該功能的函數(shù)是：

cvAbsDiff(backimage,temp,difference)

1.2.2  二值化

一幅圖像包括目標(biāo)物體、背景還有噪聲,要想從多值的數(shù)字圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個閾值T,用T將圖像的數(shù)據(jù)分成兩部分:大于T的像素群和小于T的像素群。這是研究灰度變換的最特殊的方法，稱為圖像的二值化。把圖像轉(zhuǎn)換為只有黑白兩種顏色的圖像，會便于圖像的后期分析與處理,也易于觀察。

二值圖像的獲取可以通過下面方法得到：

1.2.3  形態(tài)學(xué)濾波法

在實(shí)際處理過程中，由于傳感器本身的光學(xué)特性以及傳輸線路的影響，可能會在每一幀圖像中產(chǎn)生一定的噪聲,從而給目標(biāo)檢測帶來困難。為提高目標(biāo)檢測的有效性和正確性，有必要對Bi(x,y)圖像進(jìn)行形態(tài)處理以消除噪聲。

其實(shí)現(xiàn)方法是對二值化后的圖像進(jìn)行膨脹、腐蝕等形態(tài)學(xué)濾波，這可以在OpenCV中由函數(shù)Smooth()和DilateO及ErodeO實(shí)現(xiàn)，其中腐蝕Erode()和膨脹Dilate。對濾波的效果起主要作用。

1.2.4  背景建模方法

背景差法的原理很容易理解，但是，這樣的減背景很容易受光照等環(huán)境物體的影響，背景差法的研究主要集中在背景建模的研究上，即主要研究如何實(shí)現(xiàn)背景圖像的建模和自適應(yīng)更新m,使背景能夠不斷接近理想狀態(tài)，以期減少場景變化對視頻圖像檢測的影響。目前的背景建模E方法主要有時間差分法(temporaldifference),中值濾波法(average\medianfiltering),W4方法、混合高斯法(mixtureofGauss)、隱馬爾科夫模型(hiddenMarkovmodels,HMM)等。

本設(shè)計中采用運(yùn)行期均值法來實(shí)現(xiàn)背景建模。運(yùn)行期均值法(runningaverage)是中值濾波法的改進(jìn)算法，其思想是通過引入學(xué)習(xí)率a來體現(xiàn)背景圖像對場景變化的響應(yīng)。a越低，則前景的變化越不會影響背景，a一般取0.05左右，可以根據(jù)反復(fù)實(shí)驗(yàn)調(diào)節(jié)a的大小，以找到最合適的a值。

設(shè)實(shí)時加權(quán)的圖像為movingAverage,則：

movingAverage(x，y)=(1—a)?movingAverage(x,y)+aimage(x,y)

上述公式中，右邊的movingAverage(x,y)和image(a:,y)均為前一時刻匸―i時背景圖像和當(dāng)前圖像的灰度值，公式左邊的movingAverage(x，y）為當(dāng)前時t₁的背景圖像各像素的灰度值。用變換過后的movingAverage優(yōu)化temp,即可實(shí)現(xiàn)背景的建模，這樣可減少環(huán)境變化對背景差法的影響，提高背景差法的適應(yīng)性。

1.3  分析目標(biāo)物體

通過對視頻中運(yùn)動車輛的提取，一般都可以得到提取的目標(biāo)物體(即車輛)，接下來就可以對系統(tǒng)進(jìn)行車輛計數(shù)功能的設(shè)計。

算法中，通過函數(shù)cvFindContours()來實(shí)現(xiàn)在二值圖像中尋找輪廓，并用函數(shù)cvBoundingRect()獲得矩形框的數(shù)據(jù)。

可以通過對圖像中矩形框的數(shù)目的計算來對車輛的數(shù)目進(jìn)行計數(shù)，但是該方法也存在以下幾個問題：

首先,對視頻的處理實(shí)際上是把視頻分成一幀一幀的圖像進(jìn)行處理，單純的根據(jù)矩形框的數(shù)目進(jìn)行車輛計數(shù)會造成車輛的重復(fù)計數(shù)，因?yàn)橥惠v車會在幾幀甚至幾十幀圖像中出現(xiàn)；

其次是對停止車輛的處理,若車輛駛?cè)氘嬅嫱Ａ艘欢螘r間又繼續(xù)前進(jìn)，那么，就必須要防止車輛的重復(fù)計數(shù)；

第三是車輛重疊問題，由于二值圖像的缺陷，重疊的車輛會被同一個矩形框圈出，從而造成車輛的少計數(shù)，因此，這里也需要通過算法對這個問題進(jìn)行處理和解決。

在算法中，可循環(huán)對每一個圈出的矩形框進(jìn)行處理。對一個矩形框，首先求取其中心點(diǎn)的值aryX,以及寬、高等基本數(shù)據(jù)。為了避免車輛的重復(fù)計數(shù)，可利用邊界進(jìn)行計數(shù),并定義兩個邊界變量closetoleft和closetoright0操作時可首先根據(jù)aryX的值判斷車輛是否處于邊界，若處于邊界且未完全進(jìn)入畫面，則不斷更新邊界值，即令closetoleft(closetoright)=aryX,并根據(jù)上一幀圖像的邊界量closetoleft(closetoright)判斷車輛是否剛剛進(jìn)入畫面。若剛剛進(jìn)入畫面,則根據(jù)aryX和preX的比較來判斷車的行駛方向是進(jìn)入還是出去，并對于剛進(jìn)入的車輛進(jìn)行計數(shù)，其余情況不計數(shù)，這樣就可以避免重復(fù)計數(shù)，這樣，即使車輛在畫面中停頓后又開始運(yùn)動也不會重復(fù)計數(shù)。實(shí)現(xiàn)這一功能的算法流程圖如圖2所示。

在尋找輪廓過程中，由于二值圖像的缺陷會把重疊在一起的車輛算成是一個大的矩形框，因此，如果只在找到符合條件的矩形框后就令numcar自增1,則可能會造成車輛的誤測，會少計算重疊的車輛。這里可以利用算法解決，因?yàn)樵趯?shí)際路況中，車的大小是有限的，如果程序框出的矩形框面積過大，則大部分原因可能是車輛重疊造成的，所以，當(dāng)矩形框面積過大時，通常認(rèn)為是多輛車重疊的結(jié)果，設(shè)計時可以設(shè)定幾個門限面積值，然后根據(jù)矩形框面積的大小是否大于門限面積值來決定numcar自增幾次。門限面積值的設(shè)定可以通過反復(fù)的實(shí)驗(yàn)來確定，一個最合適的值可使誤差達(dá)到最小。實(shí)現(xiàn)該功能的流程圖如圖3所示。

圖3車輛計數(shù)流程圖

當(dāng)然也可以采用其他方法：可限定一個時間閾值T,檢測到某一目標(biāo)車輛在背景中停滯時間過久或者活動太小以至于可以忽略，則可認(rèn)為該地點(diǎn)發(fā)生了交通堵塞或者車禍?zhǔn)录?，此時系統(tǒng)則應(yīng)發(fā)出報警。

2  車輛檢測技術(shù)與程序?qū)嶒?yàn)

本設(shè)計是基于OpenCV庫來進(jìn)行的，可在Windowsxp及Visualc++6.0的環(huán)境下運(yùn)行調(diào)試，本實(shí)驗(yàn)所采用的視頻序列是分辨率為352X240的AVI格式的彩色視頻流，其處理速度為24幀/s。

2.1  背景的獲取和更新

現(xiàn)舉例說明，圖4所示為開始提取的背景，圖5為有一輛車駛過時的背景。比較圖4和圖5可以看到，雖然有車橫穿場景，但是背景并沒有任何變化，這樣，就可使用運(yùn)行期均值法，在每一步都對背景進(jìn)行更新和均值運(yùn)算，從而避免誤差的累積,提高背景的適應(yīng)性。

2.2  形態(tài)學(xué)濾波

一般情況下，在視頻中提取運(yùn)動物體，不可避免地會產(chǎn)生噪聲，對圖像進(jìn)行形態(tài)學(xué)濾波可以在一定程度上消除這種噪聲，提高目標(biāo)檢測的有效性和正確性。圖6所示為形態(tài)學(xué)濾波處理前后，車輛的提取效果。實(shí)際上，若不進(jìn)行形態(tài)學(xué)濾波，對運(yùn)動物體的提取十分不準(zhǔn)確，因而可能無法進(jìn)行計數(shù)等后續(xù)處理。而形態(tài)學(xué)濾波后,則可以大大提高計算的準(zhǔn)確性。

圖7所示為視頻中只有一輛車駛過的情況，實(shí)驗(yàn)證明，若畫面中車輛一輛一輛地順序駛過而無重疊，其計算流量的準(zhǔn)確度可達(dá)99%以上，但是，在實(shí)際路況中，這種情況發(fā)生的概率非常小。而圖8所示為有兩輛車重疊時的車輛計數(shù)，該情況下，本程序仍可以正確地計算出車輛的數(shù)目。

圖9中，車輛將要駛出邊界，這種情況下，程序仍然能將運(yùn)動物體輪廓框出，但這個時候，矩形框的面積均與物體本身面積差距很大,如果此時仍然對矩形框進(jìn)行計數(shù)，就會產(chǎn)生很大誤差，而本文的邊界計數(shù)法恰好可以避免這一誤判。

圖10所示是當(dāng)一段視頻分析完成后輸出計數(shù)結(jié)果。由于程序采用了邊緣計數(shù)法，所以，對視頻監(jiān)控的角度有一定要求，視角最好與車輛呈90°,角度條件越好,準(zhǔn)確度越高；反之,如果角度條件不好,則測試的準(zhǔn)確率可能也會下降。

需要說明的是，本系統(tǒng)僅適用于白天，即日光條件下對車輛的計數(shù)。而對于夜晚車輛的計數(shù),則可以采用數(shù)車燈的方式，對此，本文不做介紹。

3  結(jié)論

本文對基于視頻的車輛檢測技術(shù)算法的實(shí)現(xiàn)和實(shí)驗(yàn)結(jié)果進(jìn)行了介紹，通過分析邊界值，可以避免重復(fù)計算車輛?？紤]到車輛重疊的情況,利用該算法進(jìn)行處理，可以減少車輛計數(shù)中的各種誤判?；究梢詫?shí)現(xiàn)交通路口車輛計數(shù)功能。

該算法的優(yōu)點(diǎn)有：

（1）該算法能自動提取背景并自動更新背景；

（2）在角度合適條件下，計算車流量的準(zhǔn)確度可達(dá)98%以上；

（3）實(shí)時性好，可同步處理視頻；

（4）對視頻噪聲有較強(qiáng)適應(yīng)性；

（5）可以長時間無故障運(yùn)行，并且操作簡單。

事實(shí)上，該算法也存在一定的問題，需要進(jìn)一步的工作。

由于智能視頻監(jiān)控系統(tǒng)的實(shí)際應(yīng)用環(huán)境比較復(fù)雜多樣,如何使智能視頻監(jiān)控系統(tǒng)實(shí)現(xiàn)快速、高準(zhǔn)確性和高魯棒性的實(shí)時監(jiān)控，將是一個長期的研究課題，從目前來看，該算法還有很多問題需要進(jìn)一步的深入探索。

無論如何，該設(shè)計基本完成了車輛的檢測與計數(shù)功能，但是系統(tǒng)的魯棒性不高，對視頻的角度有要求,而且角度對系統(tǒng)的準(zhǔn)確度影響很大，此外，還有車輛重疊、車輛速度等因素影響系統(tǒng)的計數(shù)精度。為了提高該系統(tǒng)的準(zhǔn)確度和魯棒性，解決系統(tǒng)存在的問題,本文特為今后的工作提出以下幾種設(shè)想：

（1）對于車輛重疊問題，從模式識別角度可以釆用升維的方法來分開重疊車輛,如從正面和側(cè)面兩個角度聯(lián)合對車輛進(jìn)行檢測和計算，這樣可以使系統(tǒng)的魯棒性和準(zhǔn)確度增加，但同時也會增加該程序的復(fù)雜度和成本。

（2）加入角度判據(jù)，可以預(yù)置攝像頭與汽車的角度,在對車輛的檢測中可通過角度的換算來增強(qiáng)系統(tǒng)的準(zhǔn)確性，減小角度的限制,但這種方法適應(yīng)性差，對本設(shè)計中釆用的矩形框計數(shù)法無法應(yīng)用，而且對該角度重疊車輛仍然無法分離。

（3）不采用二值圖像，直接運(yùn)用彩色圖像，通過車輛之間的色差區(qū)分車輛。如果色彩變化的邊緣頻譜密度大,還可利用一些圖像的特點(diǎn)分割目標(biāo)物體。當(dāng)然，也可以解決重疊車輛和角度問題，但是要充分考慮光照對色彩的影響。