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部分,。車燈配對是根據(jù)同一車輛的兩個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，并且能滿足實時性的要求,。
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[2]。在車燈被識別之前,，需要在視屏中設(shè)置一個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,。
?。?）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,，但是因為已經(jīng)對其進(jìn)行了跟蹤,，不作為新的車輛進(jìn)行計數(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便進(jìn)行計數(shù),，是為了避免車輛突然轉(zhuǎn)彎而在計數(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)行計數(shù),。
車流統(tǒng)計的完整流程圖如圖3所示,。
2 夜晚車流檢測的設(shè)計實現(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數(shù)等后續(xù)過程,，來完成車流量檢測的整個過程,。
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因素[6-7],。
?。?）虛擬線圈的尺寸
寬度上，計數(shù)檢測線應(yīng)該包含整個車道,；高度上,，則應(yīng)大于一個車燈直徑，但并非越大越好,，最優(yōu)取值為兩個車燈直徑,。檢測線過寬會增加處理時間，過窄會漏檢,，影響實驗數(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）計數(shù)檢測線的位置
計數(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，有時也會出現(xiàn)噪聲連通域,。由經(jīng)驗可知,，同一輛車的兩個車燈滿足以下3個基本條件[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個車燈,。
根據(jù)上述實驗數(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)計車輛數(shù)量。此種算法在實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[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].實驗室研究與探索，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現(xiàn)[D].南京：南京郵電大學(xué)，2012.