基于机器视觉的车流量检测算法

黄 玲，黎杰能，林春兰，胡 波

（1.广西工学院 电子信息与控制工程系，广西 柳州 545006；2.广西柳州钢铁集团公司，广西 柳州 545002）

0 引言

实时准确的车流量检测技术是智能交通系统中的重要组成部分，是进行交通监控、道路管理调度的基础。传统的车流量检测方法如地感线圈法、超声检测和红外检测法，存在安装不便、设备价格昂贵、易受干扰等各方面的问题。而随着计算机和图像处理技术的飞速发展，基于机器视觉和图像处理技术的车流量检测技术，因具有安装维护简便、应用范围广等优点，越来越受到国内外学者的关注[1-2]，已成为该领域研究的热点。2007年张永丽等在交通流检测中运用自适应背景初始化算法，根据车流情况自动确定所需要的帧数，同时采用窗口截取方式只对窗口内图像进行计算，取得了较好的效果[3]。2007年陈望等提出了一种道路背景提取新方法，且利用车辆中心的连续匹配来确定车辆数目，获得较高的准确率[4]。2007年罗东华等提出基于边缘信息的背景差车流量检测方法，采用动态开窗的方式进行车辆计数[5]。2010年郭怡文等通过背景差分方法实现图像分割，使用虚拟检测线实现车流量的检测[6]。2010年李宇成等针对图像容易受光线变化及相邻车辆阴影影响的问题提出基于车辆图像能量差分的车流量检测方法[7]。这些方法需要在图像上设置一检测线或一检测区域，以用来对车辆进行计数，而检测区域的位置和大小若设置不合理将会造成车辆漏检或重复计数，从而影响车辆计数的准确度。为此，提出不需设置检测区域，将车流图片处理后通过神经网络的方法进行车流量检测的方法。

1 车流量检测算法

基于机器视觉的车流量检测，是通过安装在道路旁边或者天桥支架上的摄像机和图像采集设备将实时的图像信息采入，经过对图像处理分析得出车流量的信息。本文通过图像处理和神经网络相结合的方法进行车流量检测。

目前，对获取的车流图像进行处理的方法很多，包括帧差法、背景差法、光流法和边缘检测法等，其中背景差法是较常用的车流量检测方法。背景差法的基本原理是利用两幅图像之间的差来判断物体的出现和运动，即计算当前图像与一个固定的静止参考图像(背景图像)的差值，从而得到图中的车辆数。同时，许多学者针对背景差法存在的局限及不足也进行了很多改进和完善[3-4，6]。在背景图像准确可靠的条件下，背景差法往往具有处理速度快和精度高的优点。为此本文采用基于背景差的方法进行车流图像的处理。首先将当前获取图像与背景图像进行差值计算，判断图中是否有车辆。若图中有车辆，则对图像进一步进行滤波、开运算、转化为灰度图、增强对比度等处理后，将图像转化为二值图，从而把车辆从图片中提取出来，最后通过统计图中连通区域个数来得到图中车辆总数。车流图像处理的结果如图1所示。

基于神经网络具有的非线性拟合能力及在预测领域的广泛使用，这里采用BP网络进行车流量的估测。在获得图片中车辆数目后，将某一时段内拍摄得到的每幅图片的车辆数作为网络的输入，该时段内图中的车辆总数作为网络输出，最终车流量即为网络的输出与检测时间的比值。通过对已知样本数据的学习，确定隐层的神经元个数与相应的网络连接权值，可最终建立基于背景差法的车流量检测的神经网络模型。

2 实验结果与分析

实验通过在天桥上拍摄某车道上的图像进行车流量检测。对每次车流量检测采用图像四连拍的方式，时长1.2 s，共采集了25组四连拍数据。所得到的25组图片中每幅图中实际的车辆数如表1所示，同时将每张图片进行上述基于背景差法处理后，得到经图像处理获得的车辆数，如表1所示。表中总车辆数为在四连拍时间段内实际通过的总车辆数。

通过构建神经网络进行车流量估测。将四连拍得到的四幅图像的车辆数作为网络输入，四连拍时间段内通过的总车辆数作为输出，构建4×10×1的BP网络结构。将数据归一化处理后，用前19组四连拍数据作为训练样本，后6组数据作为测试样本，最终建立车流量检测的神经网络模型。利用建立好的模型对后6组测试样本车流量进行估测，结果如表2所示。

从表2中可看出，有3组样本测试准确率达到100%，有两组准确率在85%以上，只有第3组测试样本误差较大，原因除了图像处理中的误差和BP网络的误差外，主要由于总车辆数值较小时，一辆车的误差也会大大影响准确率值。当检测的时长增加时，准确率将进一步提高。

表1 图像中的车辆数

表2 车流量检测结果

3 小结

针对基于机器视觉的车流量的检测，提出了将背景差法和神经网络相结合的检测方法。通过将当前图片与背景图片差值计算及图像二值化处理得到图片中的车辆数，再利用神经网络估测得到当前的车流量。实验结果表明，提出的方法用于车流量的检测是有效可行的。

[1]STAUFFER C，GRIMSON W.Adaptive background mixture models for real-time tracking[J].IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1999（4）：246-252.

[2]TSENG B L，LIN C Y，SMITH J R.Real-time video surveillance for traffic monitoring using virtual line analysis[C]//Proceedings of 2002 IEEE International Conference on Multimedia and Expo.[S.l.]：IEEE Press，2002，2：541-544.

[3]张永丽，张太镒，毕建民.基于自适应背景初始化的车流量检测算法[J].微电子学与计算机，2007，24（5）：138-140.

[4]陈望，陈兵旗.基于图像处理的公路车流量统计方法的研究[J].计算机工程与应用，2007，43（6）：236-239.

[5]罗东华，余志，李熙莹，等.基于边缘的背景差法在车流量检测中的应用[J].光电工程，2007，34（11）：70-73.

[6]郭怡文，袁飞虎.基于背景差分的多车道车流量检测系统[J].电光与控制，2010，17（9）：90-93.

[7]李宇成，李雷，王目树.多车道的车流量统计[J].自动化仪表，2010，31（10）：57-60.