《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 設(shè)計(jì)應(yīng)用 > 基于虛擬線圈的夜晚車流檢測
基于虛擬線圈的夜晚車流檢測
來源:微型機(jī)與應(yīng)用2014年第3期
錢 凱,,吳曉紅,沈清波
(四川大學(xué) 電子信息學(xué)院,四川 成都 610065)
摘要: 針對智能交通系統(tǒng)提出的夜間車流檢測問題,,提出了一種基于視頻虛擬線圈的檢測方法,。該方法主要包括車燈配對和車輛檢測兩個(gè)部分,。車燈配對是根據(jù)同一車輛的兩個(gè)車燈大小和相對位置等特性對車燈進(jìn)行配對,;車輛檢測是根據(jù)車燈配對情況輸出車流量。結(jié)果表明,,該算法取得了良好的檢測效果,,具備較好的魯棒性,并且能滿足實(shí)時(shí)性的要求,。
Abstract:
Key words :

摘  要: 針對智能交通系統(tǒng)提出的夜間車流檢測問題,,提出了一種基于視頻虛擬線圈的檢測方法。該方法主要包括車燈配對和車輛檢測兩個(gè)部分,。車燈配對是根據(jù)同一車輛的兩個(gè)車燈大小和相對位置等特性對車燈進(jìn)行配對,;車輛檢測是根據(jù)車燈配對情況輸出車流量。結(jié)果表明,,該算法取得了良好的檢測效果,,具備較好的魯棒性,,并且能滿足實(shí)時(shí)性的要求,。
關(guān)鍵詞: 智能交通,;虛擬線圈;車輛檢測,;車燈匹配

 車流檢測是智能交通系統(tǒng)的重要組成部分,。車流檢測環(huán)境包括白天和夜晚兩大部分,在對白天車流的檢測工作上,,國內(nèi)外已經(jīng)做了大量研究,;針對夜晚光照強(qiáng)度低、路面反光等復(fù)雜的車輛通行環(huán)境,,目前還沒有完善的車流檢測研究成果,。由于夜間車輛是開燈行駛,容易識別車輛的元素只有車燈,,因此夜間車流檢測目前一般使用車燈信息對車輛進(jìn)行識別,。本文主要研究基于虛擬線圈的夜晚車流檢測技術(shù)[1]。
1 夜晚車流檢測原理
 夜晚,,車燈是車輛被識別的最顯著元素,,本文以車燈為特征對車流進(jìn)行統(tǒng)計(jì)[2]。在車燈被識別之前,,需要在視屏中設(shè)置一個(gè)虛擬檢測線圈作為感興趣區(qū)域(ROI)[3],。以車燈作為研究對象,一輛車被識別有4個(gè)階段,,如圖1所示,。

 (1)如圖1(a)所示,,車輛車燈第一次進(jìn)入矩形框區(qū)域,,由于是部分而非完全進(jìn)入,因此沒有被識別為車燈元素,,故將其刪除,。
 (2)如圖1(b)所示,,當(dāng)車燈完全進(jìn)入矩形框區(qū)域后,,其被識別為車燈元素,當(dāng)與其他車燈匹配成功,,則對車燈對進(jìn)行計(jì)數(shù),,車輛數(shù)加1,并對此對車燈進(jìn)行跟蹤,,以避免在其他幀中重復(fù)對此車進(jìn)行計(jì)數(shù),。
?。?)如圖1(c)所示,這對車燈元素仍然會出現(xiàn)在其他幀中,,但是因?yàn)橐呀?jīng)對其進(jìn)行了跟蹤,,不作為新的車輛進(jìn)行計(jì)數(shù)。
?。?)如圖1(d)所示,,車燈離開矩形框區(qū)域,結(jié)束對這對車燈對的跟蹤,。
 特別說明,,當(dāng)車燈對第一次匹配成功時(shí)便進(jìn)行計(jì)數(shù),是為了避免車輛突然轉(zhuǎn)彎而在計(jì)數(shù)上有所減少,。車輛的突然轉(zhuǎn)彎和設(shè)置虛擬線圈的一些情況如圖2所示,。其中,圖2(a)所示為汽車車燈完全進(jìn)入了虛擬線圈,,但是沒有經(jīng)過線圈的最下方(即圖1(d)所示的情形),,因此仍進(jìn)行計(jì)數(shù)。

 車流統(tǒng)計(jì)的完整流程圖如圖3所示,。
2 夜晚車流檢測的設(shè)計(jì)實(shí)現(xiàn)
 在夜間車流量圖像中,,亮度最高的區(qū)域是車燈區(qū)域,其次是車燈在路面形成的反光區(qū)域,。一般情況下,,每輛車對應(yīng)一對車燈,如果能夠正確地進(jìn)行車燈檢測,,就能夠正確地檢測到車輛數(shù)量,。正常情況下,車燈區(qū)域亮度明顯高于其他區(qū)域,,夜間車流圖像在使用了合理的閾值進(jìn)行二值化后,,得到的是車燈的連通域[4]。為了簡化車燈提取過程,,本文設(shè)置了一個(gè)虛擬線圈來減少噪聲的影響,。提取車燈后,進(jìn)行車燈配對及車輛計(jì)數(shù)等后續(xù)過程,,來完成車流量檢測的整個(gè)過程,。
 

2.2 虛擬線圈設(shè)置及更新
    由圖4可知,經(jīng)過二值化和預(yù)處理以后,,仍然有一些很難處理的噪聲,,如路燈以及路面反光所形成的連通區(qū)域,這些噪聲給識別帶來了麻煩。為簡化過程,,本文設(shè)置一個(gè)檢測窗口,,檢測窗口只檢測窗口內(nèi)的車燈優(yōu)化過程。由于檢測窗口的選取對最后的結(jié)果有很大的影響,,因此檢測窗口中不能出現(xiàn)路燈的干擾[4],。
設(shè)置虛擬線圈要注意如下兩個(gè)因素[6-7]。
?。?)虛擬線圈的尺寸
寬度上,,計(jì)數(shù)檢測線應(yīng)該包含整個(gè)車道,;高度上,,則應(yīng)大于一個(gè)車燈直徑,但并非越大越好,,最優(yōu)取值為兩個(gè)車燈直徑,。檢測線過寬會增加處理時(shí)間,過窄會漏檢,,影響實(shí)驗(yàn)數(shù)據(jù)正確性,。檢測線圈過寬、過窄和合適的情況分別如圖2(b),、圖2(c)和圖2(d)所示,。
 (2)計(jì)數(shù)檢測線的位置
計(jì)數(shù)檢測線距離攝像機(jī)越近,,圖像所描述的細(xì)節(jié)越清晰,。
檢測完一幀圖像后,將當(dāng)前圖像更新到下一幀繼續(xù)檢測,,以得到整段視頻的車流量,。
2.3 車燈匹配及車輛計(jì)數(shù)等后續(xù)處理
 檢測窗口區(qū)域不僅有車燈連通域,有時(shí)也會出現(xiàn)噪聲連通域,。由經(jīng)驗(yàn)可知,,同一輛車的兩個(gè)車燈滿足以下3個(gè)基本條件[4,8],。

 


 從表1可以看出,,檢測誤差主要來自于漏檢,沒有發(fā)生誤檢,。漏檢的原因在于,,有些車輛不開燈或者只開一只車燈。此例中漏檢的13輛車中,,有10輛沒有開車燈,,另外3輛只開了1個(gè)車燈。
 根據(jù)上述實(shí)驗(yàn)數(shù)據(jù)對比分析可以看出,系統(tǒng)在各種情況下的檢測精度都取得了較好的效果,。除了算法本身對檢測精度的決定性影響外,,還有兩個(gè)因素對系統(tǒng)精度有著重要影響,一是檢測帶位置和尺寸的設(shè)置,,二是合理的檢測線設(shè)置,。
 本文提出了一種基于虛擬線圈的夜間車流檢測方法。首先設(shè)置一個(gè)虛擬線圈來標(biāo)出感興趣區(qū)域,,降低車牌識別的復(fù)雜程度,;然后在感興趣區(qū)域內(nèi)通過車燈識別和車燈匹配來統(tǒng)計(jì)車輛數(shù)量。此種算法在實(shí)際測試中取得了較好的效果,,識別率超過95%,。
參考文獻(xiàn)
[1] KAMINSKI L, ALLEN J,, MASAKI I,, et al. A sub-pixel  stereo vision system for cost-effective intelligent vehicle applications[C]. Proceedings of IEEE Intelligent Vehicle Symposium, 1995:7-12.
[2] 魏武,,張起森,,王明俊,等.計(jì)算機(jī)視覺和圖像處理的交通參數(shù)檢測[J].信息與控制,,2001,,3(30):257-261.
[3] 郭怡文,袁飛虎.基于背景差分的多車道車流量檢測系統(tǒng)[J].電光與控制,,2010,,17(9):90-93.
[4] 沈清波.基于線圈的交通參數(shù)檢測[D].成都:四川大學(xué),2010.
[5] SAHOO P K,, OLTANI S,, WONG A K C, et al. A survey of thresholding technique[J]. Computer Vision,, Graphics and Image Processing,,1988(41):233-260.
[6] 劉莉,潘曉露,,李一民.基于視頻的夜間車流量統(tǒng)計(jì)[J].微處理機(jī),,2012,33(1):67-70.
[7] 張帥,,崔本亮,,黃學(xué)達(dá).視頻檢測技術(shù)在公路車流量檢測系統(tǒng)中的應(yīng)用[J].實(shí)驗(yàn)室研究與探索,2012,,31(10):64-66.
[8] 陳琳.智能交通中視頻車輛檢測技術(shù)研究[D].武漢:華中科技大學(xué),,2012.
[9] 劉漢艷.基于視頻的車輛檢測與跟蹤算法的研究與實(shí)現(xiàn)[D].南京:南京郵電大學(xué),2012.

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載,。