視頻交通參數(shù)檢測(cè)技術(shù)研究現(xiàn)狀及發(fā)展趨勢(shì)

引言

隨著經(jīng)濟(jì)的發(fā)展和人民生活水平的提高，汽車(chē)保有量不斷增加，我國(guó)城市交通問(wèn)題日益嚴(yán)峻，交通堵塞，交通事故頻繁發(fā)生。如何通過(guò)智能交通系統(tǒng)建設(shè)來(lái)緩解日益嚴(yán)重的交通問(wèn)題已成為交通領(lǐng)域的研究熱點(diǎn)。對(duì)道路交通信息進(jìn)行實(shí)時(shí)檢測(cè)，根據(jù)交通流的變化，迅速做出交通誘導(dǎo)控制，可以有效減輕道路擁擠程度，減小車(chē)輛行車(chē)延誤，降低交通事故發(fā)生率，保障行車(chē)安全，并減少車(chē)輛對(duì)環(huán)境的污染。因此,道路交通信息的實(shí)時(shí)采集與處理方法的研究無(wú)論對(duì)城市交通控制、交通管理、交通規(guī)劃、路網(wǎng)建設(shè)，還是對(duì)未來(lái)智能交通運(yùn)輸系統(tǒng)功能的實(shí)現(xiàn)都具有重要的理論意義和實(shí)用價(jià)值。

交通參數(shù)檢測(cè)技術(shù)經(jīng)過(guò)近40年的研究，國(guó)內(nèi)外專(zhuān)家學(xué)者提出了多種交通參數(shù)提取方法，主要以測(cè)速雷達(dá)、環(huán)形檢測(cè)線(xiàn)圈、超聲波檢測(cè)器、交通微波探測(cè)等設(shè)備獲取交通參數(shù)。實(shí)際應(yīng)用表明，這幾種交通參數(shù)提取方法存在以下不足：一是檢測(cè)可靠性不高；二是安裝維護(hù)不便；三是獲取交通信息量少；四是無(wú)法獲取直觀(guān)的交通流信息。由于受到檢測(cè)能力和可靠性方面的限制，上述幾種交通參數(shù)提取方法已不能滿(mǎn)足ITS的要求，研究有更高應(yīng)用價(jià)值的交通參數(shù)提取方法顯得日益重要。

隨著計(jì)算機(jī)技術(shù)、數(shù)字圖像處理和模式識(shí)別等技術(shù)的發(fā)展，視頻檢測(cè)技術(shù)在交通信息檢測(cè)中占據(jù)了越來(lái)越重要的地位。相對(duì)于以往的交通參數(shù)提取技術(shù)，通過(guò)對(duì)視頻圖像的處理來(lái)獲取交通流參數(shù)信息主要有以下優(yōu)點(diǎn)：

首先是可實(shí)現(xiàn)智能監(jiān)控，并提供豐富的交通圖像信息,能夠高效、準(zhǔn)確、可靠地完成道路交通的監(jiān)視和控制工作；同時(shí),安裝監(jiān)控?cái)z像機(jī)比較方便、經(jīng)濟(jì)，可通過(guò)原有的攝像機(jī)監(jiān)控系統(tǒng)升級(jí)得到，維護(hù)方便，可以節(jié)省大量的人力物力;此外,計(jì)算機(jī)技術(shù)、數(shù)字圖像處理和模式識(shí)別等技術(shù)的迅速發(fā)展和處理器性能的不斷提高，能夠滿(mǎn)足視頻交通參數(shù)提取的實(shí)時(shí)性、可靠性要求。

基于視頻圖像的交通參數(shù)檢測(cè)主要包括車(chē)輛檢測(cè)和交通參數(shù)的提取兩個(gè)部分。其中,車(chē)輛檢測(cè)是交通參數(shù)檢測(cè)的基礎(chǔ),只有判斷出目標(biāo)是要檢測(cè)的車(chē)輛，才能進(jìn)行下一步參數(shù)(如車(chē)流量、車(chē)速和車(chē)道占有率等)的提取。

1車(chē)輛檢測(cè)

車(chē)輛的檢測(cè)是交通流參數(shù)提取的基礎(chǔ)。一般可利用車(chē)輛相對(duì)于場(chǎng)景的運(yùn)動(dòng)，將車(chē)輛從背景中分離出來(lái)，從而實(shí)現(xiàn)運(yùn)動(dòng)車(chē)輛的檢測(cè)。目前，常用的車(chē)輛檢測(cè)方法有四種:光流法、背景減除法、邊緣檢測(cè)法和運(yùn)動(dòng)矢量檢測(cè)法等。

1.1光流法

光流是空間運(yùn)動(dòng)物體在觀(guān)察成像平面上的像素運(yùn)動(dòng)的瞬時(shí)速度，是利用圖像序列中像素在時(shí)間域上的變化以及相鄰幀之間的相關(guān)性來(lái)找到上一幀和當(dāng)前幀之間存在的對(duì)應(yīng)關(guān)系，從而計(jì)算出相鄰幀之間物體的運(yùn)動(dòng)信息的一種方法。一般而言，光流法是由于場(chǎng)景中目標(biāo)本身的移動(dòng)、相機(jī)的運(yùn)動(dòng)，或者兩者共同運(yùn)動(dòng)產(chǎn)生的。利用光流法檢測(cè)運(yùn)動(dòng)車(chē)輛的基本原理：給圖像中的每一個(gè)像素點(diǎn)賦予一個(gè)速度矢量，這就形成了一個(gè)圖像運(yùn)動(dòng)場(chǎng)，在某一特定時(shí)刻，圖像上的點(diǎn)與三維物體上的點(diǎn)一一對(duì)應(yīng)。根據(jù)各個(gè)像素點(diǎn)的速度矢量特征，可以對(duì)圖像進(jìn)行動(dòng)態(tài)分析。如果圖像中沒(méi)有運(yùn)動(dòng)目標(biāo)，則光流矢量在整個(gè)圖像區(qū)域上是連續(xù)變化的。當(dāng)圖像中有運(yùn)動(dòng)目標(biāo)時(shí)，貝啟標(biāo)和圖像背景存在著相對(duì)運(yùn)動(dòng)，運(yùn)動(dòng)目標(biāo)所形成的速度矢量必然和鄰域背景速度矢量不同，從而檢測(cè)出運(yùn)動(dòng)目標(biāo)及位置。光流法的優(yōu)點(diǎn)在于光流不僅攜帶了運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)信息，還攜帶了有關(guān)景物三維結(jié)構(gòu)的豐富信息，它能夠在任何場(chǎng)景下，檢測(cè)出運(yùn)動(dòng)對(duì)象。但是，利用光流法進(jìn)行運(yùn)動(dòng)車(chē)輛檢測(cè)時(shí)，計(jì)算量較大，無(wú)法保證實(shí)時(shí)性和實(shí)用性。

1.2背景減除法

背景減除法是目前基于視頻檢測(cè)算法中最常用的一種方法。它是一種利用當(dāng)前幀圖像與背景圖像對(duì)應(yīng)像素點(diǎn)的灰度差值來(lái)檢測(cè)車(chē)輛的技術(shù)。把當(dāng)前幀F(xiàn)?與背景圖像B?灰度值相減，差的絕對(duì)值高于判決門(mén)限的像素判為前景圖像，即運(yùn)動(dòng)目標(biāo),低于判決門(mén)限的像素判為背景。處理后的二值圖MPn為:

如果當(dāng)前圖像的像素點(diǎn)和背景圖像的像素點(diǎn)灰度值差別很大，就認(rèn)為此像素點(diǎn)有車(chē)通過(guò)；相反，如果當(dāng)前圖像的像素點(diǎn)和背景圖像的像素點(diǎn)灰度值差別較小，在一定的閾值范圍內(nèi)，我們就認(rèn)為此像素點(diǎn)為背景像素點(diǎn)。背景減除法的關(guān)鍵是背景提取與背景更新，然而它對(duì)于動(dòng)態(tài)場(chǎng)景的變化，例如光照的變化和陰影的干擾等特別敏感。因此，選取一個(gè)可靠的背景模型進(jìn)行背景的提取與動(dòng)態(tài)更新以適應(yīng)環(huán)境的變化是必要的。背景提取與更新大致分為非模型法和模型法兩種。

在非模型法中，最重要的是灰度選擇的假設(shè)規(guī)則。Gloyer等人假設(shè)在訓(xùn)練階段背景至少在50%的時(shí)間內(nèi)可以被觀(guān)測(cè)到，由此提出了中值法(median)，即將圖像序列中處于某個(gè)像素點(diǎn)中間的灰度值認(rèn)為是該點(diǎn)的背景像素灰度值。但如果像素在少于50%的事件內(nèi)被觀(guān)測(cè)到，中值法就會(huì)得到錯(cuò)誤結(jié)果。曾燕等提出在車(chē)輛密度大的情況下，沿時(shí)間軸計(jì)算每個(gè)像素點(diǎn)的灰度直方圖分布，取分布值最大的點(diǎn)，即mode值點(diǎn)為背景點(diǎn)并提出一種新的背景提取算法，即mode算法。張運(yùn)楚等提出了基于C-均值聚類(lèi)的動(dòng)態(tài)背景生成算法，把連續(xù)多幀圖像中相應(yīng)位置處像素的灰度值分別進(jìn)行聚類(lèi)，選擇樣本點(diǎn)最多的聚類(lèi)中心值作為該像素的背景值。非模型法得到的是灰度圖像形式的參考背景，系統(tǒng)每讀入一幀新的圖像，就將該幀圖像每個(gè)像素點(diǎn)的灰度值與參考背景圖像對(duì)應(yīng)的像素點(diǎn)灰度值相減。若差值大于某個(gè)背景閾值T，則該像素點(diǎn)屬于運(yùn)動(dòng)物體，反之則為背景像素。此類(lèi)算法對(duì)環(huán)境變化和光照條件變化等較為敏感，不適合作為室外環(huán)境變化較大的視頻監(jiān)控背景提取。

模型法則通過(guò)對(duì)圖像的每個(gè)像素點(diǎn)建立對(duì)應(yīng)的像素模型來(lái)完成背景的自適應(yīng)提取和更新。Friedman和Russe將像素的灰度看作是3個(gè)高斯分布的加權(quán)，這3個(gè)高斯分布分別對(duì)應(yīng)于背景、前景和陰影。由于背景往往比較復(fù)雜，對(duì)其僅用一個(gè)高斯分布表示是不夠的。之后許多模型法都是在其基礎(chǔ)上進(jìn)行改進(jìn)的。如H.Kim等對(duì)背景建立多個(gè)高斯分布的混合模型，并未對(duì)前景建立，因此建立了多個(gè)前景模型與子相結(jié)合,實(shí)現(xiàn)了更為有效的運(yùn)動(dòng)檢測(cè)。Elgammal等人提出一種無(wú)參數(shù)的核密度估計(jì)算法，提高了運(yùn)動(dòng)檢測(cè)的靈敏性，但運(yùn)算量很大。F.ElBaf等人提出了模糊混合高斯模型，用于背景建模和機(jī)器視覺(jué)等領(lǐng)域。

1.3邊緣檢測(cè)法

邊緣檢測(cè)方法利用車(chē)體的不同部件、顏色等提供的邊緣信息有效地提取車(chē)輛的邊緣，能夠?qū)o止和運(yùn)動(dòng)車(chē)輛進(jìn)行有效檢測(cè)。相對(duì)于背景減除法，由于車(chē)輛的表面、形狀及顏色的不同，邊緣檢測(cè)法所能提供的信息相對(duì)顯著。即使車(chē)輛與路面的顏色相近，根據(jù)路面和車(chē)輛對(duì)光照的反射不同，車(chē)輛仍能被有效檢測(cè)出來(lái)。

車(chē)輛的邊緣可通過(guò)計(jì)算圖像在空間和時(shí)間上的灰度的變化率和變化方向獲取?？臻g上的邊緣檢測(cè)算法可用基于方向?qū)?shù)求卷積的邊緣檢測(cè)算子比如Sobel算子、Roberts算子、Prewitt算子、Robinson算子、Krisch算子、高斯-拉氏算子(LOG)等進(jìn)行邊緣提取，這些算子在算法復(fù)雜度以及效果上有很大的差別，應(yīng)根據(jù)實(shí)際情況選用適合的算子；而時(shí)間上的邊緣檢測(cè)算法是通過(guò)計(jì)算連續(xù)幀之間對(duì)應(yīng)像素點(diǎn)的差獲得。但是上述邊緣檢測(cè)算子本質(zhì)上是高通濾波器，它們?cè)谠鰪?qiáng)邊緣的同時(shí)也同樣擴(kuò)大了引起邊緣劣化的高頻噪聲。為了克服高頻噪聲的影響，在傳統(tǒng)的邊緣檢測(cè)算法的基礎(chǔ)上，先對(duì)圖像進(jìn)行平滑濾波減弱噪聲影響，再進(jìn)行邊緣提取。Marr和Hildreth提出了先用高斯函數(shù)對(duì)圖像進(jìn)行平滑濾波，然后采用Laplace算子進(jìn)行邊緣增強(qiáng)的方法，其邊緣檢測(cè)效果有了很大提高。基于濾波的圖像邊緣提取方法由于抗噪能力和準(zhǔn)確率都有較大提高，已成為邊緣檢測(cè)的主要發(fā)展方向。

1.4運(yùn)動(dòng)矢量檢測(cè)法

運(yùn)動(dòng)矢量檢測(cè)法是對(duì)前后連續(xù)兩幀圖像進(jìn)行模塊跟蹤匹配，用當(dāng)前圖像的某一宏塊在下一幀范圍內(nèi)捜索最優(yōu)匹配，計(jì)算出兩幀間各個(gè)宏塊的平均運(yùn)動(dòng)矢量，根據(jù)運(yùn)動(dòng)矢量的大小進(jìn)而判別有無(wú)車(chē)輛。設(shè)t幀第i個(gè)MN的宏塊為s(x,y,t)采用基于宏塊的全局搜索算法，利用最小平均絕對(duì)差分值(MAD)準(zhǔn)則，則第t+1幀相應(yīng)宏塊移動(dòng)的位移(％，妃為min(MAD(d,,dj)，該宏塊從t幀到t+1幀的運(yùn)動(dòng)矢量為：

通過(guò)宏塊運(yùn)動(dòng)矢量可得到宏塊運(yùn)動(dòng)的大小(Iu|)及運(yùn)動(dòng)方向(/V)若zv與車(chē)道方向夾角足夠小，且mi足夠大，則判定該宏塊有車(chē)，否則無(wú)車(chē)。

2基于視頻圖像的交通參數(shù)提取方法

從具體處理對(duì)象來(lái)看，基于視頻圖像的交通參數(shù)提取方法大致可分為兩大類(lèi)：基于虛擬傳感器(虛擬點(diǎn)、虛擬線(xiàn)、虛擬線(xiàn)圈)的交通參數(shù)提取方法以及基于目標(biāo)提取和跟蹤的交通參數(shù)提取方法。

2.1基于虛擬傳感器的交通參數(shù)提取方法

基于虛擬傳感器的交通參數(shù)提取方法中，B.Coifman等提出了一種基于虛擬線(xiàn)的交通參數(shù)提取方法，該方法主要根據(jù)車(chē)道位置在垂直于車(chē)道的方向上設(shè)置的虛擬檢測(cè)線(xiàn)組，并利用車(chē)道間的距離和檢測(cè)線(xiàn)兩邊的像素值變化來(lái)提取車(chē)流量和車(chē)速等參數(shù)。D.Beymer等提出了基于虛擬線(xiàn)圈的交通參數(shù)提取方法，該方法通過(guò)檢測(cè)虛擬線(xiàn)圈上的像素強(qiáng)度變化來(lái)檢測(cè)車(chē)輛，它可以根據(jù)實(shí)際情況自動(dòng)調(diào)整虛擬線(xiàn)圈的尺寸,以提高所提取的交通參數(shù)的可靠性。X.Hao等利用自適應(yīng)背景更新和虛擬線(xiàn)圈相結(jié)合的方法，即當(dāng)虛擬線(xiàn)圈中的像素達(dá)到一定閾值時(shí)更新背景并對(duì)車(chē)輛進(jìn)行檢測(cè)。L.Yu等提出結(jié)合虛擬檢測(cè)線(xiàn)和輪廓特征的實(shí)時(shí)參數(shù)提取方法，該方法在圖像上方設(shè)置虛擬檢測(cè)線(xiàn)，根據(jù)檢測(cè)線(xiàn)兩邊的灰度變化和提取的輪廓特征對(duì)車(chē)輛進(jìn)行檢測(cè)和參數(shù)提取。圖1所示是一般車(chē)輛檢測(cè)模塊的處理流程圖。

圖1  車(chē)輛檢測(cè)模塊處理流程圖

基于虛擬傳感器的交通參數(shù)提取方法僅通過(guò)檢測(cè)指定區(qū)域內(nèi)移動(dòng)的像素群，不需要理解像素群的具體含義。該技術(shù)實(shí)現(xiàn)簡(jiǎn)單，通常是在車(chē)道上設(shè)置一些虛擬傳感器(虛擬點(diǎn)、虛擬線(xiàn)或虛擬線(xiàn)圈)，當(dāng)車(chē)輛經(jīng)過(guò)傳感器時(shí)，引起圖像中局部區(qū)域內(nèi)容的變化，處理該變化信號(hào)，可以提取所需信息。為提高檢測(cè)的可靠性和穩(wěn)定性，學(xué)者們提出用虛擬線(xiàn)替代虛擬點(diǎn)來(lái)測(cè)量交通參數(shù)，該方法通過(guò)檢測(cè)虛擬線(xiàn)上的像素強(qiáng)度變化來(lái)檢測(cè)過(guò)往車(chē)輛；同時(shí)通過(guò)在道路垂直方向設(shè)置多條平行的檢測(cè)線(xiàn)來(lái)檢測(cè)車(chē)輛的通過(guò)速度。在此基礎(chǔ)上，利用虛擬檢測(cè)線(xiàn)組,實(shí)現(xiàn)多車(chē)道車(chē)流量和車(chē)速等參數(shù)的提取。

在虛擬線(xiàn)圈內(nèi)根據(jù)前景分割的掩模做出虛擬線(xiàn)圈當(dāng)前是否被車(chē)輛覆蓋，在虛擬線(xiàn)圈內(nèi)部通過(guò)數(shù)字形態(tài)學(xué)處理前景掩模的面積為A，虛擬線(xiàn)圈的面積為A，則使用簡(jiǎn)單的閾值方法來(lái)做出虛擬線(xiàn)圈是否被車(chē)輛覆蓋的判斷。

當(dāng)m=0時(shí)，代表當(dāng)前沒(méi)有車(chē)輛覆蓋線(xiàn)圈，m=1則代表當(dāng)前有車(chē)輛覆蓋線(xiàn)圈，T為可設(shè)置的閾值。

車(chē)輛速度的測(cè)量方法主要分為單線(xiàn)圈模式和多線(xiàn)圈模式兩種。g因子方法是一個(gè)典型的算法，但是g因子方法預(yù)設(shè)參數(shù)的給定是比較困難的。根據(jù)速度的定義提出了一種簡(jiǎn)單的多線(xiàn)圈模式的車(chē)速測(cè)定算法，稱(chēng)為雙線(xiàn)圈車(chē)道平均速度算法(Dual-LoopsAverageVelocityAlgorithm，DLAVA)。該算法主要關(guān)注車(chē)道的平均速度，在獲得車(chē)道平均速度的基礎(chǔ)上給出車(chē)輛的地點(diǎn)速度。該算法實(shí)現(xiàn)簡(jiǎn)單，并對(duì)實(shí)際的交通場(chǎng)景中可能出現(xiàn)的各種情況進(jìn)行較為全面的分析。

DLAV算法需要在車(chē)道的車(chē)流方向上設(shè)置兩個(gè)線(xiàn)圈，稱(chēng)為流方向上的第一個(gè)線(xiàn)圈為主線(xiàn)圈，第二個(gè)線(xiàn)圈為副線(xiàn)圈，兩個(gè)線(xiàn)圈之間的距離L應(yīng)該接近平均車(chē)長(zhǎng)。圖2所示是DLAV算法示意圖。

主線(xiàn)圈的工作流程是在主線(xiàn)圈車(chē)輛進(jìn)入時(shí)，即在車(chē)輛檢測(cè)信號(hào)的上升沿，發(fā)出一個(gè)通知信號(hào)給與之對(duì)應(yīng)的副線(xiàn)圈。

副線(xiàn)圈有空閑狀態(tài)和計(jì)時(shí)狀態(tài)兩種工作狀態(tài)。當(dāng)副線(xiàn)圈接收到主線(xiàn)圈發(fā)來(lái)的通知時(shí)，無(wú)論副線(xiàn)圈處于哪種狀態(tài)，副線(xiàn)圈都進(jìn)入計(jì)時(shí)狀態(tài)，并將計(jì)時(shí)器的起點(diǎn)to設(shè)置為當(dāng)前時(shí)間。當(dāng)副線(xiàn)圈檢測(cè)到車(chē)輛進(jìn)入時(shí)，如果副線(xiàn)圈當(dāng)前處在空閑狀態(tài)，則不作任何操作；而如果副線(xiàn)圈原來(lái)處于計(jì)時(shí)狀態(tài)，則轉(zhuǎn)為空閑狀態(tài)，并估計(jì)車(chē)輛的該地點(diǎn)速度為：

其中，為當(dāng)前時(shí)間。

2.2基于目標(biāo)提取和跟蹤的交通參數(shù)提取方法

基于目標(biāo)提取和跟蹤的交通參數(shù)提取方法中，C.Hsu-Yung等提出了一種帶自檢能力的智能參數(shù)提取方法，檢測(cè)光照變化情況并自動(dòng)選擇檢測(cè)算法；N.Kanhere等提出基于車(chē)輛前部特征跟蹤的交通參數(shù)提取方法，該方法提取出車(chē)輛的二值化圖像，通過(guò)對(duì)車(chē)輛前部特征跟蹤提取出車(chē)流量、車(chē)速以及車(chē)型等參數(shù)。隨后在2008年提出一種在低角度拍攝實(shí)時(shí)分割跟蹤特征不變量的參數(shù)提取方法，利用低角度跟蹤車(chē)輛的特征不變量，從一定角度上解決了復(fù)雜遮擋、抑制車(chē)輛陰影等問(wèn)題。C.C.C.Pang等對(duì)交通參數(shù)檢測(cè)問(wèn)題進(jìn)行了研究,并提出一種先用Sobel算子對(duì)差分圖像進(jìn)行邊緣提取而獲取運(yùn)動(dòng)車(chē)輛的約束框，再對(duì)約束框進(jìn)行重心跟蹤而獲取車(chē)長(zhǎng)和平均速度的參數(shù)提取方法。K.Robert等長(zhǎng)期致力于交通圖像處理的研究，提出了一種能夠在白天和晚上對(duì)交通參數(shù)進(jìn)行提取的方法，解決了白天和夜晚檢測(cè)切換的問(wèn)題。G.Zhang等提出了一種利用非標(biāo)定攝像的交通參數(shù)提取方法，通過(guò)對(duì)圖像拉伸和壓縮變換得到簡(jiǎn)化車(chē)輛模型，利用基于Kalman濾波的跟蹤方法進(jìn)行目標(biāo)跟蹤獲取交通參數(shù)的過(guò)程中，考慮車(chē)輛合并與分離等復(fù)雜情況，因此提高了參數(shù)的可靠性。

該方法是基于背景差分的視頻分割基礎(chǔ)上，對(duì)運(yùn)動(dòng)目標(biāo)在跟蹤區(qū)域內(nèi)進(jìn)行跟蹤，最后在目標(biāo)跟蹤的基礎(chǔ)上提取交通參數(shù)。

2.2.1目標(biāo)跟蹤

車(chē)輛目標(biāo)的跟蹤是將被分割的車(chē)輛進(jìn)行合并，粘在一起的車(chē)輛分割，并對(duì)每輛車(chē)建立跟蹤軌跡。涉及到對(duì)二值圖像進(jìn)行連通區(qū)域標(biāo)識(shí)及用最小外接矩形法矩形提取等。車(chē)輛跟蹤方法有基于特征的跟蹤、基于3D的跟蹤、基于動(dòng)態(tài)輪廓的跟蹤和基于區(qū)域的跟蹤。

基于特征的跟蹤方法是通過(guò)提取目標(biāo)的局部特征，對(duì)特征進(jìn)行匹配，而不需要對(duì)整個(gè)目標(biāo)區(qū)域進(jìn)行匹配，如提取目標(biāo)的某個(gè)或一組特征一一點(diǎn)、線(xiàn)、形狀、子區(qū)域、灰度分布等。該方法操作簡(jiǎn)單，受目標(biāo)相互遮擋問(wèn)題影響較小，是常用的方法之一。基于3D的跟蹤也稱(chēng)基于模型的跟蹤，是將幾何形狀的三維模型投影成圖像，再根據(jù)圖像中的目標(biāo)位置的變化來(lái)實(shí)現(xiàn)跟蹤，常用Kalman濾波器對(duì)模型進(jìn)行更新，包括目標(biāo)區(qū)域特征提取、Kalman模型預(yù)測(cè)、目標(biāo)的匹配捜索、Kalman濾波器更新。將相鄰圖像間進(jìn)行輪廓匹配，跟蹤并實(shí)時(shí)修改輪廓特征是基于動(dòng)態(tài)輪廓的跟蹤方法?；趨^(qū)域的跟蹤是跟蹤運(yùn)動(dòng)目標(biāo)構(gòu)成的連通區(qū)域中共有的特征信息。

2.2.2參數(shù)提取

車(chē)流量

車(chē)流量(輛/時(shí)間)表示單位時(shí)間(根據(jù)使用需求不同，交通量的單位可以為10min、30min、1h等)內(nèi)通過(guò)檢測(cè)區(qū)域的車(chē)輛總數(shù)。即對(duì)某段內(nèi)經(jīng)過(guò)的車(chē)輛在跟蹤區(qū)域內(nèi)進(jìn)行多步跟蹤，完成車(chē)輛數(shù)量的可靠統(tǒng)計(jì)，從而獲得車(chē)流量參數(shù)。

車(chē)輛速度與平均速度

視頻圖像是一種二維圖像，要獲取車(chē)輛的實(shí)際速度，必須將二維位置信息轉(zhuǎn)化到三維世界坐標(biāo)中。由于公路近似平面,攝像機(jī)與地面相對(duì)位置可以提前獲知，同時(shí)標(biāo)定檢測(cè)區(qū)域的坐標(biāo)位置信息，再根據(jù)對(duì)目標(biāo)的跟蹤得出車(chē)輛在區(qū)域內(nèi)的運(yùn)動(dòng)時(shí)間，從而計(jì)算出車(chē)輛速度vi，即：

式中，V,表示第，輛車(chē)通過(guò)所測(cè)路段的速度；S為所測(cè)路段的長(zhǎng)度；為第，輛車(chē)經(jīng)過(guò)所測(cè)路段所用的時(shí)間。

平均速度是在某一段時(shí)間內(nèi)，處在所測(cè)路段長(zhǎng)度范圍內(nèi)的所有車(chē)輛行駛速度的平均值，若以vs表示，則：

式中，n表示處在所測(cè)路段長(zhǎng)度范圍內(nèi)的車(chē)輛總數(shù)；vi表示第i輛車(chē)的行駛速度；vs表示平均空間車(chē)速。

(3)車(chē)道占有率

車(chē)道占有率表示在某一瞬間，一定的觀(guān)察路段長(zhǎng)度內(nèi)行駛的車(chē)輛總長(zhǎng)度占該觀(guān)察路段長(zhǎng)度的百分比，用R表示為：

式中，Rs為車(chē)道占有率；為空間平均速度；為車(chē)輛的平均長(zhǎng)度；Q(T)為時(shí)間T內(nèi)通過(guò)檢測(cè)區(qū)域的車(chē)輛總數(shù)。

3交通參數(shù)提取的發(fā)展趨勢(shì)

3.1智能化

智能化是視頻交通參數(shù)提取的重要發(fā)展趨勢(shì)，視頻交通參數(shù)檢測(cè)技術(shù)經(jīng)過(guò)多年的發(fā)展，檢測(cè)精確度和穩(wěn)定性等指標(biāo)都有很大的提高，但系統(tǒng)的智能化程度仍十分有限，距離“人腦”的判斷能力還很遠(yuǎn)。因此，不斷提高系統(tǒng)的智能化程度是該技術(shù)后續(xù)研究的重要內(nèi)容。

3.2采用立體視覺(jué)方法

現(xiàn)有的視覺(jué)監(jiān)控中，幾乎所有的研究都是基于單目影像對(duì)運(yùn)動(dòng)物體的監(jiān)測(cè)與跟蹤，所得到的運(yùn)動(dòng)信息存在一個(gè)深度尺度因子，要想得到絕對(duì)移動(dòng)量，需要一個(gè)附加條件。立體視覺(jué)研究的是由多目視頻圖像獲取物體三維幾何信息的方法，直接模擬人類(lèi)視覺(jué)處理景物的方式，從兩個(gè)或多個(gè)視點(diǎn)觀(guān)察同一目標(biāo)，以獲取在不同視角下的感知圖像，通過(guò)圖像融合和匹配獲得圖像的深度信息。它符合人們觀(guān)察物體的習(xí)慣，也能獲得三維物體的景深信息。該方法能夠克服單一視角下由于遮擋或深度影響而容易產(chǎn)生的歧義，能夠有效解決遮擋問(wèn)題，提高交通參數(shù)提取的有效性和準(zhǔn)確性。

3.3多傳感器檢測(cè)

多傳感器信息融合檢測(cè)，則可以有效地克服單一傳感器可靠性低、有效監(jiān)控范圍小的缺點(diǎn)，可以獲取更全面可靠的交通信息。例如，視頻傳感器(攝像機(jī))與激光雷達(dá)結(jié)合可以解決圖像模糊問(wèn)題；視頻傳感器與紅外傳感器結(jié)合可以增強(qiáng)目標(biāo)識(shí)別的可靠性，尤其是黑天光照條件不好的情況下作用更加明顯。對(duì)于多傳感器檢測(cè),信息如何融合是一個(gè)關(guān)鍵的問(wèn)題。通用的做法是神經(jīng)網(wǎng)絡(luò)方法，該方法是將各種傳感器獲得的信息作為神經(jīng)網(wǎng)絡(luò)的輸入，用基于推理的算法將上述信息進(jìn)行融合處理，從而實(shí)現(xiàn)對(duì)車(chē)輛的檢測(cè)。從長(zhǎng)遠(yuǎn)看，多傳感器融合檢測(cè)也將受到越來(lái)越多的重視，成為基于視頻的交通參數(shù)提取的另一研究熱點(diǎn)。

3.4人工神經(jīng)網(wǎng)絡(luò)等方法的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)是一個(gè)超大規(guī)模非線(xiàn)性連續(xù)時(shí)間自適應(yīng)信息處理系統(tǒng)。近年來(lái)，基于人工神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法得到了極大的發(fā)展?；谌斯ど窠?jīng)網(wǎng)目標(biāo)檢測(cè)方法的基本思路是將每幀圖像分割為mXn個(gè)圖像塊，預(yù)處理后將這些圖像塊投影到一個(gè)線(xiàn)性濾波器組，得到不同的圖像模式，然后把這些不同的圖像模式根據(jù)預(yù)先計(jì)算得到的聚類(lèi)原形進(jìn)行分類(lèi)；最后用訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)分類(lèi)器來(lái)判斷圖像模式是否包含目標(biāo)。神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，必將推動(dòng)交通流參數(shù)檢測(cè)技術(shù)的發(fā)展。4結(jié)語(yǔ)

基于視頻圖像的交通參數(shù)檢測(cè)不僅能夠有效檢測(cè)出車(chē)流量、車(chē)速、車(chē)道占有率，還能識(shí)別車(chē)輛類(lèi)型和車(chē)輛運(yùn)動(dòng)軌跡,可以提供交通監(jiān)控圖像，實(shí)用性遠(yuǎn)遠(yuǎn)超過(guò)環(huán)形線(xiàn)圈、超聲波檢測(cè)器等傳統(tǒng)檢測(cè)方法。本文的研究對(duì)于提高我國(guó)道路交通運(yùn)營(yíng)管理水平和效率，對(duì)建立實(shí)時(shí)、準(zhǔn)確、高效的綜合運(yùn)輸和管理系統(tǒng)具有重要作用。雖然基于視頻圖像的交通參數(shù)提取方法的研究取得了一定的成果，但由于問(wèn)題的復(fù)雜性，該方法還有待繼續(xù)完善，今后要進(jìn)一步加強(qiáng)對(duì)檢測(cè)算法的優(yōu)化和改進(jìn)研究，以提高檢測(cè)算法的速度、準(zhǔn)確度、自適應(yīng)性，保證圖像處理的實(shí)時(shí)性和有效性。

隨著圖像處理技術(shù)的進(jìn)步和微電子技術(shù)的發(fā)展，檢測(cè)功能的擴(kuò)展和系統(tǒng)成本將會(huì)降低，視頻交通參數(shù)檢測(cè)技術(shù)在ITS中必將得到不斷的提高和應(yīng)用。視頻交通參數(shù)檢測(cè)技術(shù)正朝著智能化、網(wǎng)絡(luò)化、集成化、實(shí)時(shí)性、視覺(jué)檢測(cè)立體化等方向發(fā)展?？梢灶A(yù)言，視頻交通參數(shù)檢測(cè)技術(shù)將會(huì)是21世紀(jì)智能交通系統(tǒng)的主流交通檢測(cè)技術(shù)之一。

20211019_616e4facc1ef8__視頻交通參數(shù)檢測(cè)技術(shù)研究現(xiàn)狀及發(fā)展趨勢(shì)