摘 要:针对传统视频车流量检测中虚拟检测区域人为设置,使得系统不能自动适应不同的车道环境,灵活性低的问题,提出了自动提取虚拟检测区域的算法。利用均值法获得粗糙背景,再通过概率Hough变换和车道线特征排除各种干扰线段,获取车道线并自动提取虚拟检测区域。实验表明,该算法准确度达到90%以上,实时性较好、鲁棒性高,对后续实时车流量检测及车速计算等具有较好的应用价值。
关键词:车流量检测;虚拟检测区域;概率Hough变换;车道线
道路监控系统[1-2]是智能交通系统(ITS)的重要组成部分,通过采集车道和车辆信息获取各项交通流参数,对车流量统计及车速计算等ITS的应用具有重要意义。目前,车辆信息检测方法主要有环形线圈检测、红外线检测、超声波检测和视频监控检测方法等。其中,视频监控检测[3]具有成本低廉、安装和维护简便、获取信息量大以及灵活等优点,因而得以广泛使用。
视频车流量检测中,由于视频帧图像中通常存在大量非车辆区域,全局扫描会有过多的冗余计算,因此通常通过截取一定宽度和高度的包含判别所需的足够信息的虚拟检测区域,再对检测区域中的像素点进行处理,以统计车流量。而传统虚拟检测区域大多人为固定设置或人为判断设置[4-6],当车道环境参数改变或更新后,需要重新设置虚拟检测区域,灵活性差,且存在部分冗余计算,不利于实时车辆信息检测和车流量统计。因此,根据不同车道环境中视频监控图像本身自动获取车辆信息的虚拟检测区域,成为实时视频车流量检测和计数中急需解决的问题。本文提出了基于概率Hough变换和根据车道线特征提取车道线,并自动获取虚拟检测区域的算法。该算法能有效去除图像帧中的冗余信息,提取的虚拟检测区域仅覆盖所有要进行车流量检测的车道,节省了内存,提高了算法效率,并能根据车道环境参数的变化自适应获取虚拟检测区域,鲁棒性好。
1 算法原理
通常,监控摄像机安装在路旁的支架上或天桥底部,从路旁或道路正中央以俯视的角度拍摄,在拍摄的图像中越靠近图像底部,车辆之间的间隔越大,在一定程度上可以减少车辆遮挡的问题,减少漏检。根据此特点,常规的车辆检测区域通常设置在靠近图像底部的位置。本文算法选取位于图像下方1/3的图像进行背景提取和处理,能准确定位和获取需要的虚拟检测区域,大大减少了计算量,并快速、自动生成虚拟检测区域。
算法主要包括4部分:(1)粗糙背景图像提取。首先对图像预处理,采用均值法提取图像背景,以便检测车道线;(2)利用概率Hough变换检测粗糙背景图像中的直线段,包括车道线和各种干扰直线段;(3)自动生成虚拟检测区域,根据Hough变换检测到的直线段,结合车道线自身的特征(如长度、位置和角度信息),提取真实的车道线环境,确定虚拟检测区域的宽度和高度;(4)标记虚拟检测区域。
算法框图如图1所示。针对道路交通视频,首先选取前N帧图像,对图像灰度化,初始化背景,提取粗糙背景图;然后利用概率Hough变化对经过平滑滤波、边缘检测和二值化后的粗糙背景图检测各种直线;再利用车道线的角度、长度和位置等特征排除各种干扰直线,提取车道线,确定车道线长度和位置,自动获取虚拟检测区域;最后标记虚拟检测区域。
1.1 粗糙背景提取
通常,背景初始化方法有单分布高斯背景模型、混合高斯背景模型、平均值法和序列众数法等。基于高斯背景模型计算量大,而平均值法和序列众数法相对简单,更适合实时检测应用。因此,本文采用平均值法对帧图像提取粗糙背景,计算简单,利于实时获取虚拟检测区域。
摄像机拍摄的视频一般是连续RGB彩色图像序列,为了提高车辆实时检测的效率,需将彩色图像转换成灰度图像。RGB彩色图像灰度转换公式为:
Gray=R×0.299+G×0.587+B×0.114 (1)
其中,Gray为灰度图像的灰度值,R、G、B分别为彩色图像红色、绿色、蓝色通道的值。
将连续N帧灰度图像的同一像素点灰度值累加,将累加值取平均作为该对应像素点的灰度值。遍历整幅图像的像素,获取粗糙背景图像:
概率Hough变换的检测结果如图4所示。由图4可知,检测到的所有直线中包含车道线C、D和E、F以及干扰直线A、B、G、H、I、J、K、L。其中,C和D是同一车道的左右边缘,E和F是同一车道的左右边缘,C和D、E和F属于同类直线需要合并,分别只用其中的一条线表示车道线。干扰直线A、B、K、L是由车道两边的篱笆栏造成的,G、H、J是由地面上的字造成的,I是由前景目标造成的,根据是否符合车道线倾角、长度和位置等特征排除干扰直线。具体步骤如下:
(1)比较直线的倾角大小。由于摄像机一般安装在路旁的支架上或天桥底部,因此视频帧图像中的车道线的倾角一般在45°~90°范围内。
(2)合并同类直线。直线相近且角度相差30°范围内的直线合并成一条直线。
(3)根据车道线的长度、横坐标值和纵坐标值大小等特征,排除干扰直线,确定车道线。
(4)根据车道线的位置和宽度获取虚拟检测区域。
实验结果表明,晴天的26个交通视频片段中,在道路畅通时,有25个视频正确提取了虚拟检测区域,且平均检测时间和准确率明显优于拥挤状况。这是由于拥挤状态下获取的粗糙背景中车道线易被前景车辆污染。可通过增加背景初始化的帧数来提取完整的车道线,进而提高标记虚拟检测区域的正确率。而晴天的检测准确率高于雨天,这是由于地面雨水和天气影响导致检测出的车道线不完整引起的。实验自动提取的虚拟检测区域靠近图像的底部,覆盖整个车道路面。由于记录了车道线的首尾坐标和中点坐标,因此可以调整虚拟检测区域的高度。
本算法提取道路虚拟检测区域的准确率达90%以上,平均检测时间低于0.5 s,相对于传统人工设置检测区域的方法具有较大优势,能有效提高实时车流量检测和统计的计算效率。
本文针对视频车流量检测中传统虚拟检测区域人工设置的缺陷问题,提出了自动提取虚拟检测区域算法,利用基于粗糙背景图和概率Hough变换检测直线(包括车道线和各种干扰直线),根据车道线的倾角、长度和位置等特征提取车道线,最后由车道线自动获取虚拟检测区域。实验证明,提出的算法能够较准确地自动提取出虚拟检测区域,准确率达到90%以上,比人工参与设置检测区域更加灵活、方便,且能够自动适应不同的道路环境,效率高、鲁棒性较好。该算法为后续车流量统计和车速预测等应用提供了有效方法。
参考文献
[1] DICKMANNS E D. Computer vision and highway autom-ation[J]. Vechicle System Dynamics,1999,31(5):325-344.
[2] TOMIZUKA M. Automated highway systems——an intelligent transportation system for the next century[J]. IEEE International Symposium on Industrial Electronics,1997(1):1-4.
[3] TSENG B L, LIN C Y, SMITH J R, et al. Real-time video surveillance for traffic monitoring using virtual line analysis[C]. IEEE Intemational Conference,2002:541-544.
[4] 左奇,史忠科.一种新的交通流视频检测方法[J].西安交通大学学报,2004,38(4):396-399.
[5] 高磊,李超,朱成军,等.基于边缘对称性的视频车辆检测算法[J].北京航空航天大学学报,2008,34(9):1113-1116.
[6] 李学超.基于垂直投影和虚拟检测带的车辆检测[J].信息与电脑,2011(4):36-37.
[7] 王彩玲,赵春霞.基于Hough谱的任意形状表示与配准[J].中国图象图形学报,2010,15(5):764-769.
[8] 胡彬.基于概率霍夫变换的快速车道线检测方法[J].微电子学与计算机,2011,28(10):177-180.