摘  要： 針對城市道路交通流量檢測中的實時性和準確性的要求，在背景差分的基礎上提出了一種改進的基于虛擬窗口檢測的方法。通過獲取前景目標盡量少的幀圖像，快速建立虛擬窗口的初始背景模型，并實時更新背景；將Sobel邊緣檢測算法引入前景目標檢測，從而快速檢測出前景目標變化的完整區域，提高檢測的準確率；再使用基于HSV色彩空間直方圖勢函數去除陰影算法，進一步去除前景目標中的陰影區域，有效地保留了真實的運動目標區域；最后統計交通車流量，可結合其他信息（如紅綠燈狀態）做出該路段相應的交通流狀況判斷。通過實驗結果證明，所提出的檢測算法可有效應用于視頻交通車流量檢測中。

　　關鍵詞： 交通檢測；虛擬窗口；背景差分法；去除陰影；Sobel算子

0 引言

　　交通車流量檢測是智能交通（Intelligent Transportation System，ITS）的一個重要研究課題，是進行車流量預測和當前路段車流量狀況判斷的基礎。由于傳統的檢測方法存在維護不方便、檢測時間長、獲取信息單一等問題，使其使用范圍受到限制。隨著計算機技術和圖像處理信息檢測技術的發展，目標檢測在刑偵、ITS、遙感等各方面得到了廣泛的應用。當前車輛檢測的主要算法有：光流法[1]、圖像差分法（包括幀間差分法[2]、背景差分法[3]）。基于光流法的跟蹤監測可以精確地檢測出運動目標，但由于其運算時間長，難以滿足實時性的應用要求，受噪聲影響較大，從而很少實際使用。幀間差分法是將視頻序列中的圖像進行相鄰幀或多幀間差分運算檢測出運動前景區域，對光照強度、天氣變化不敏感，但在大多數情況下難以獲得完整的運動目標。背景差分法通過當前幀和背景圖像做差的運算，可以獲得較為完整的運動目標，但需要獲取實時準確的背景。在交通監控中，攝像頭通常是被固定在道路正前斜上方的支架上，所拍攝到的圖像并不是完全靜止不動的，如數枝搖晃、大型車輛經過時帶來的明顯震動以及周圍建筑物的影子等，這些都應該被歸入到背景當中去。

　　針對以上方法的優缺點，本文采用背景差分法檢測出運動前景區域，然后與輪廓檢測相結合獲取完整的目標輪廓，再采用陰影去除算法去除目標中的陰影部分，最后用自適應閾值算法更新背景與判決閾值獲取前景目標。本文中的大部分計算都只對選定的虛擬窗口的圖像進行處理，從而實現快速有效的交通車輛流量檢測。

1 選取虛擬窗口

　　當車輛行駛到交通路口時，每輛車都會選擇各自需要的車道行駛，因此可以在每個車道上設置檢測虛擬窗口。根據攝像機安裝的位置和角度，以及實際拍攝視頻圖像的大小范圍，選取位置、大小合適的虛擬窗口，保證選取的區域方向盡量與車輛行駛方向垂直。一般都把虛擬窗口的位置選在每幀圖像靠近下方位置，車輛在此區域互相之間的距離相對較大，不會出現車輛遮擋的問題。虛擬窗口的高度一般選5到10個像素，寬度盡量覆蓋整個車道，本文每個車道最下方的第一個窗口取10個像素高度，再在每個車道上方超過一輛車左右的位置選取的第二個窗口取7個像素高度。每個車道上有兩個虛擬檢測窗口，一方面可以減小檢測誤差、提高檢測準確率，另一方面也可以結合紅綠燈的狀態判斷當前該路段的交通擁堵情況。虛擬窗口的選取如圖1所示。

2 窗口背景初始化及更新

　　2.1 背景模型初始化

　　背景差分法的背景模型有人為給出、基于統計建立模型[4]等方式。手動給出要求在人觀測到沒有前景車輛經過時獲取當前圖像為背景。這種方式不但會帶來成本投入增加，而且在大多數時間很難準確觀測到直接的背景。而基于統計建立背景模型的方式就顯得更具方便、快捷的優勢。在實際監控中，每個前景目標只能在監控畫面中存在有限的時間，在視頻序列幀圖像中造成差異較大的像素點主要是由運動目標引起的。因而在利用統計平均模型法簡單、計算速度快的優點之上，盡量選取無運動目標的窗口圖像建立背景模型，不僅計算時間短，而且初始化背景質量高，與真實的背景差異小。虛擬窗口背景模型初始化的步驟如下：

　?。?）選取視頻序列前面一定幀數量n（一般不小于100）對應虛擬窗口圖像進行背景建模。

　?。?）先對每幀圖像進行預處理[5]，再進行Sobel[6]輪廓提取并優化處理。

　?。?）如果包含輪廓的最小矩形大于整個虛擬窗口的1/8，則認為該幀圖像無前景目標，標記為1，否則為0。

　　flagi=1  Sobeli>T0  Sobeli≤T   （0<i≤n）（1）

　　其中，flagi是第i幀圖像的標記；Sobeli是第i幀圖像的輪廓圖最小矩形大小，是虛擬窗口大小的1/8。

　?。?）當式（1）中i取到n時，如果標記為0的幀數不小于n/3，對所有標記為0的圖像求均值作為初始化的背景模型，否則對所有n幀圖像求平均作為初始化的背景模型。

　　其中，B0（x，y）是初始化的背景模型，Pi（x，y）是第i幀圖像在點（x，y）處的像素值，N0是標記為0的總幀數。

　　2.2 背景模型更新

　　由于受到外界天氣、光線等因素的影響，背景圖像是不斷緩慢變化的，有時還會出現例如經過灑水車造成的突變，所以需要背景模型能夠實時更新，提供可靠的背景圖像。本文采用改進的遞歸算法更新背景，遞歸算法的計算公式為：

　　其中，Bi（x，y）是當前背景，Bi-1（x，y）是上一幀背景，Ii是當前幀圖像，是學習率。當?琢取值過大會使更新速率過快，部分前景也會被誤判為背景；當取值過小會導致更新速率太慢，不能提供有效的實時背景圖像。由此可見，如果取值不合適就會嚴重影響車輛檢測的準確度，通過多次試驗取得最佳經驗值為0.05~0.1。

　　改進新算法的基本思想是：當檢測到車輛經過時，仍然使用上一幀的背景，在沒有檢測車輛時一直更新背景，同時更新背景的學習率和有車輛經過時前景判斷閾值。具體步驟如下：

　　（1）初始化各個參數，獲取當前（i）幀和上一（i-1）幀窗口圖像，并進行預處理。

　?。?）計算當前幀和上一幀圖像的均值currMean、LastMean，并取它們差值的絕對值abs（currMean-LastMean）。

　?。?）學習率更新0.05+abs（currMean-LastMean）/1000.0，這樣就有效地縮小了建模背景與真實背景之間的差距。

　?。?）當檢測到車輛而背景沒有更新時，為了判別出更高質量的前景目標，相應的閾值調整為大律法[7]（Ostu）閾值。

　?。?）最終的背景更新算法計算公式為：

　　Bi（x，y）=Bi-1（x，y）         

　　（6）如果程序沒有結束，i自增1，返回到步驟（1）繼續執行直到結束。

3 前景目標檢測

　　3.1 邊緣算法比較

　　為了獲得較為完整的前景目標，可以利用邊緣檢測算法來獲取目標輪廓。不同的邊緣檢測算法處理后的結果有很大的差異，常用的邊緣檢測算法有Sobel算法、Robert算法、Laplace算法、Prewitt算法等[8-10]。本文采用Sobel算法，其基本原理是：邊緣的灰度函數是一個一次函數y=kx，對該函數求一階導數得到的斜率k是一個常數，而非邊緣的一階導數則為零，這樣通過求一階導數就可以判斷圖像的邊緣了。但是，由于實際應用到圖像中沒一個準確的函數可以求導，就采用一個3×3的窗口來對中間像素點進行近似求導。Sobel算子有兩個，一個是水平邊緣檢測，另一個是垂直邊緣檢測。兩個算子如下所示：

　　其中，Gx表示水平方向上的梯度，Gy表示水垂直向上的梯度。

　　在虛擬窗口檢測的方法中，窗口與車輛運動方向垂直，而且車體本身的邊緣主要在相對水平和垂直方向上，因此可以較好地檢測出前景目標。將原始圖像與4種檢測結果進行對比，如圖2所示，通過觀察可以發現Sobel算法能夠較好地檢測出前景目標的邊緣信息。

　　3.2 HSV色彩空間直方圖去除陰影

　　陰影是由于物體遮擋住了光線傳播，不能穿過不透明的物體而形成亮度較暗的區域，也就是人們常說的影子。這種現象尤其在天氣較好的早晨和傍晚會造成物體旁邊出現較大的陰影區域。在目標檢測領域，陰影常常會被誤判為運動目標，因此消除陰影是必須要面臨的一個問題。在總結前人研究成果的基礎上，本文發現可利用HSV色彩空間[11]飽和度在陰影區和非陰影區變化微小的特點，結合直方圖勢函數[12]獲取無陰影的前景目標。算法具體步驟如下：

　　（1）獲取當前幀圖像并轉化到HSV色彩空間，取出飽和度分量，計算其直方圖函數。

　　去除陰影的前景目標如圖3所示。

　　3.3 交通流量檢測

　　每個車道上的檢測窗口都在同一水平線上，每輛車只能通過一個檢測窗口，如果同時通過兩個窗口，則在一般情況下是一個窗口檢測到得多，另一個檢測到得少，只有檢測到多的窗口才計數，另一個窗口忽略計數。每個窗口會出現兩種檢測結果：（1）檢測到車輛；（2）沒檢測到車輛。將前一幀檢測結果與當前幀檢測結果進行比較得到以下幾種結論：從（1）到（2）表示車輛進入檢測區；從（2）到（2）表示車輛還沒離開檢測區；從（2）到（1）表示車輛離開檢測區；從（1）到（1）表示無車輛進入檢測區。每個虛擬窗口的檢測流程如圖4所示。

　　結合紅綠燈的狀態和每個車道上的第二個檢測窗口的檢測結果，可以做出相應的判斷：當綠燈亮時，每個車道上的兩個檢測窗口檢測到車輛，并且在一定時間內沒有計數的窗口超過一定數量就可判斷該路段現在處于擁堵狀態；或者將檢測計數結果與該路段的吞吐量相比較也可做出相應的交通狀況判別。

4 實驗結果與分析

　　為了驗證本文算法的有效性，實驗選取了一段有明顯陰影的交通監控視頻，分別在有去除陰影算法和沒有去除陰影算法的情況下進行檢測對比。以第46、47幀和第366幀圖像左下角虛擬窗口為例進行檢測，結果如圖5所示，檢測結果的上圖是沒有去除陰影算法的檢測結果，下圖是本文有去除陰影算法的檢測結果。

　　對比第46、47幀圖像的檢測結果，本文算法可以有效地去除陰影區域。在第366幀圖像的監測區域中，全部檢測區域被大型車輛的陰影覆蓋，同時又有小型車輛從陰影區經過，本文算法也能很好地檢測出前景目標，并去除了陰影區，滿足了交通流量對檢測準確性的要求。不同多車道檢測結果如表1所示。從表1的結果可以看出本文檢測算法的準確率可達97%以上，能夠滿足檢測系統的準確性要求。

5 結論

　　本文采用只對虛擬窗口內圖像處理的算法，在具體算法上快速建立背景模型，并實時更新后，結合背景差分法和Sobel邊緣檢測算法提取出前景目標，再用去除陰影算法得到的前景與其融合得到更準確的前景目標區域。而且大多數運算是在灰度圖的基礎上進行的，只針對有效的信息進行處理，這樣就大大加快了計算速度，使檢測系統的準確性和實時性都有明顯的改善，在ITS中將會有一定的實用性。但是陰影去除在虛擬窗口更窄的情況下檢測效果會變得不理想，還需進一步研究，有望實現更復雜的功能。

參考文獻

　　[1] WIXSON L. Detecting salient motion by accumulating directionally-consistent flow[J]. IEEE ransaction on Pattern Analysis and Machine Intelligence，2000，22（8）：774-780.

　　[2] TSAI D M， LAI S C. Independent component analysis based background subtraction for indoor surveillance[J].IEEE Transactions on Image Processing，2009，18（1）：158-160.

　　[3] 王靜，保文星.一種基于差分算法的視頻運動目標檢測技術[J].計算機應用與軟件，2009，26，（12）：68-70.

　　[4] KATO J， WATANABE T， TOGA S， et al. An HMM/MRF-based stochastic framework for robust vehicle tracking[J]. IEEE Transactions on Intelligent Transportation Systems， 2004， 5（3）：142-154.

　　[5] GONZALEZ R C， WOODS R E. 數字圖像（第二版）[M].阮秋琦，阮宇智，譯.北京：電子工業出版社，2007.

　　[6] 付光遠.一種基于Sobel分解算子的圖像邊緣檢測并行算法[J].微電子學與計算機，2006（9）：132-134.

　　[7] Zhu Qidan， Jing Liqiu， Bi Rongsheng. One-dimensional threshold average decomposition for two-dimensional Ostu algorithm[J]. Proceedings of 2010 Chinese Control and Decision Conference， 2010（10）：2783-2788.

　　[8] Zhang Lei， BAO P. Edge detection by scale multiplication in wavelet domain[J]. Pattern Recognition Letters，2002（23）：1771-1784.

　　[9] 鄭瑩，孫燮華.圖像邊緣檢測Laplace算子的改進[J].沈陽建筑大學學報（自然科學版），2005，21（3）：268-271.

　　[10] Zhang Renyan， Zhao Guoling， Su Li. A new edge detectionmethod in image processing[C]. Proceedings of IEEE International Sympo sium on Communications and Information Technology， 2005：445-448.

　　[11] 張麗，李志能.基于陰影檢測的HSV空間自適應背景模型的車輛追蹤檢測[J].中國圖象圖形學報（A輯），2003，8（7）：778-782.

　　[12] 陳云彪，鄭賢超.運動目標去除陰影的跟蹤[J].電子世界，2014（6）：252-253.