基于视频的交通监控技术研究

朱敏

摘要：提出了一种基于视频的实时交通监控系统。系统包括背景建模和更新，运动目标分割，特征提取，以及车辆的跟踪、分类和统计。以改进的高斯混合模型算法估算并实时更新背景图像，以背景差分法检测运动车辆并作后处理，以卡尔曼滤波算法进行车辆跟踪。通过分析车辆轮廓及其外接盒获得车辆的明显特征，最后使用提取到的特征和虚拟检测线方法对车辆进行分类和统计。实验结果表明所提出的方法用于交通监控是可行的。

关键词：车辆检测；背景差分；车辆跟踪；特征提取；车辆计数；车辆分类

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）32-0194-03

Research of Vision-Based Traffic Surveillance Technology

ZHU Min

（ Nantong Shipping College， Management and Information Department， Nantong 226010， China）

Abstract： A vision-based realtime traffic surveillance system is proposed . The system includes background modeling and updating， moving object segmentation， feature extraction， and vehicle tracking， classification and counting. The background image is estimated and updated in realtime by improved Gaussian Mixture Model. Vehicles are detected by background subtraction followed by post-processing steps，and tracked by Kalman filtering algorithm. By analyzing the contours of vehicles and their corresponding bounding box， salient discriminative features of vehicles are obtained.The vehicle classification and counting can be achieved by extracted features and virtual detecting line.Experimental results show the proposed method is feasible for traffic surveillance.

Key words： Vehicle detection；Background subtraction；vehicle tracking； Feature extraction；Vehicle counting；vehicle classification

隨着计算机视觉技术的快速发展，基于视频的道路交通监控技术越来越多地受到重视。与其他技术相比，基于视频的交通监控技术有很多的优点，如安装与维护的方便与低成本，可以获取多方面的交通相关信息等等。

本文的目的在于研究基于视频的道路交通监控系统，通过对视频的分析，对运动车辆进行检测，收集多方面的交通相关信息。交通监控一般由车辆检测、车辆跟踪和信息分析等几部分组成。车辆检测是将运动的前景物体从背景中分割出来；车辆跟踪是将从检测模块中获得的二值化前景对象在一系列的图像帧中进行匹配；信息分析则对视频中包含的各种交通相关信息进行分析处理。

1 车辆检测

在运动目标检测方面，背景差分法、帧差法和光流法是3种常用的方法。其中背景差分法由于计算复杂度低、获取的特征数据完整等特点，得到尤其广泛的运用[1]。

本文采用背景差分法检测运动物体。在背景差分法中，稳定而精确的背景的提取十分重要，这取决于建立一个良好的背景模型。

1.1 背景模型

采用了P. Kaewtrakulpong在[2]中提出的改进的混合高斯模型。与其他各种模型相比，该模型综合性能表现好，运算复杂度低，适合用于实时的应用中。

在混合高斯模型中，图像中的第一个像素由 K 个 Gaussian 分布组成，每个 Gaussian分布称为一个成分，这些成分加在一起就组成了概率密度函数：

其中是第k个高斯分布成员的权重，是它的分布。

当存在B满足下式时，前B个分布就用来作为该场景下的背景。

P. Kaewtrakulpong针对经典混合高斯模型在初始化阶段学习慢的缺点进行了改进，把参数估计的EM算法分成两个阶段。前L帧样本使用期望充分统计公式，L帧样本以后则切换到用L-最近窗口更新公式进行参数估计。前一种方式不仅提高了估计的精度，也更加快速地收敛到稳定的背景模型。而后一种方式则更多关注最近数据，因而能将环境的变化对背景模型作及时的更新。

期望充分統计公式如下式：

L-最近窗口更新公式如下式：

1.2车辆分割

在得到背景图像后，就可以用当前图像与背景图像进行相减操作来获取运动物体。假设I（x，y）是当前图像，CB（x，y）是更新过的背景图像，则：

其中T是预先设定的阈值，D（x，y）是当前图像与背景图像的差分图经过二值化后的结果，称之为 Blob。

为去除噪声，需要对二值化图像进行形态学的处理，包括腐蚀操作和膨胀操作。腐蚀消除物体的边界点，而膨胀则扩展物体的边界点。将两种操作组合起来，以获取好的分割结果。

2 车辆跟踪

本文使用卡尔曼滤波法对车辆进行跟踪。卡尔曼滤波算法根据车辆的历史轨迹预测它的未来位置信息。有利于减少对车辆位置的搜索区域，显著降低运算复杂度，提高实时性[3]。其算法流程图如下：

3 车辆信息分析

基于视频的道路交通监控系统的优势之一能够监测到多方面的车辆道路交通方面的信息，如车辆的分类，车流量的统计，车辆的速度，道路交通的拥堵状态等。系统对车辆的分类和车流量的统计进行了研究和实现。

要对车辆分类，必须提取车辆的特征信息。我们将车辆分成两类，汽车和摩托车。利用运动车辆的外接盒信息进行分析，如紧密度、宽高比、面积比等[4]。

其中，周长、面积为运动物体的周长和面积，高、宽是运动物体外接盒的高和宽。这些特征不会随着物体的运动而发生变化。

为了对车辆进行计数，采用的算法是在交通道路的适当区域划一条虚拟检测线，当运动车辆的质心越过虚拟检测线时，就对该车辆计数。

分别对两类车辆设置了计数器，如特征值属于汽车类，则汽车类计数器增加1，如特征值属于摩托类，则摩托类计数器增加1。

4 实验结果分析

系统在Visual Studio 2013下结合OpenCV来实现。选用了几段公路交通监控视频进行测试。

结果如下图所示。图2为原始监控图像。图3为分割出的前景。图4为车辆跟踪画面。图5为车辆的分类和计数画面，对跟踪的车辆以C和M标记类型，在画面的左下角分别显示了两种车辆类型各自的数目。

5 结束语

本文对基于视频的道路交通监控技术进行研究，提出了一个基于OpenCV的实时监控系统，其中包括背景模型的建立与更新，运动车辆的分割，车辆的跟踪和特征提取，虚拟检测线的设置，最终实现对车辆的分类和计数。用实际道路交通的监控视频进行测试，能够实现对车辆的分类和计数。

参考文献：

[1] Morris B T， Trivedi M M. A survey of vision-based trajectory learning and analysis for surveillance[J]. IEEE Transactions on Circuits and Systems for Video Technology， 2008， 18（8）：1114-1127.

[2] P. Kaewtrakulpong ，R. Bowden， “An improved adaptive background mixture model for realtime tracking with shadow detection，” Proceedings of European Workshop on Advanced Video Based Surveillance Systems， London， September 2001：1–5.

[3] Morris B T， Trivedi M M. Real-time video based highway traffic measurement and performance monitoring， Proc. of the IEEE Conference on Intelligent Transportation System， pp. 59V64， 2007.

[4] Bo L， Heqin Z， Using object classification to improve urban traffic monitoring system， Proc. IEEE International Conference on Neural Networks and Signal Processing， 2003： 1155-1159.