基于无人机模式的道路交通监控

储泽楠 赵凯 任俊军

摘 要：交通状况对城市的发展至关重要，因此，加强道路交通监控尤为重要。但是，传统的固定式交通检测装置不够灵活方便。为此，本文提出采用无人机拍摄道路交通状况，通过视频实现道路状况监测。该无人机平台以Pixhawk为飞行控制器，搭载高度计、陀螺仪、GPS模块和罗盘等各种传感器，可以实现定高定点拍摄。为保证飞行稳定性，笔者还设计了专用的处理器用以保存和传输视频，大大减轻了飞行控制器的工作压力。同时，为了进一步提高视频的质量，笔者从飞行稳定性、实时电子稳像和后期电子稳像三个方面进行优化，消除视频中的抖动现象。无人机拍摄的视频由地面的专用计算机进行处理，从而得到道路交通状况，并存入数据库。

关键词：无人机;道路交通监测;车流量

中图分类号：U495;TP274文献标识码：A文章编号：1003-5168（2020）04-0100-03

Abstract： The traffic condition is vital to the development of a city， so it is very important to strengthen the road traffic monitoring. However， the traditional fixed traffic detection device is not flexible and convenient. For this reason， the authors proposed to use UAV to take photos of road traffic conditions， and realize road condition monitoring through video. The UAV is designed with Pixhawk as the flight controller and equipped with various sensors such as altimeter， gyroscope， GPS and compass. Therefore， the videos can be shot at fixed height and fixed position. In order to ensure the flight stability， we adopt a special processor to save and transmit videos， which greatly reduced the working pressure of the flight controller. In order to further improve the quality of videos， we optimize video processing to eliminate the jitter phenomenon in videos from three aspects： flight stability， real-time electronic image stabilization and post electronic image stabilization. The videos captured by the UAV are processed by a special computer on the ground， and then the road traffic conditions are obtained and stored in the database.

Keywords： UAV;road traffic monitoring;vehicle flow

近年来，城市交通在城市发展过程中占据越来越重要的地位，各種智能交通手段被应用于城市交通中。其中最重要的一项技术就是通过拍摄和处理交通视频，获取交通参数，为相关部门提供技术依据。董天阳等[1]针对前向和后向车辆的表观特征不同，单纯使用主流的HOG或者Haar-like特征来识别车辆存在对某一方向行驶的车辆识别率低或者误识率高的问题，提出了一种Haar-like和HOG特征结合的交通视频车辆识别方法，并应用于高速公路车辆的识别中。王雪锋等[2]针对基于监控视频的车辆检测识别问题，给出了一种基于视频监控的面包车识别算法。该方法对于监控视频中已跟踪的车辆，提取车辆的方向梯度直方图（HOG）特征作为支持向量机（SVM）分类检测的输入，分类识别该车辆是否为面包车。王相森[3]介绍了实时视频车辆识别和分类的几种常用方法，并对其优缺点进行分析。然而，固定式的视频拍摄不够灵活，许多研究人员将无人机作为拍摄视频的一种手段，并将这些视频用于检测或识别。舒威等[4]使用无人机对大型储罐进行视频巡检，并通过高质量的拍摄视频识别储罐表面缺陷，大大减轻了常规检查方法对罐体的损害。彭博等[5]针对悬停无人机视频提出了基于形态分析的车辆自动识别方法，且取得了较好的效果。本文借鉴无人机设计和基于视频的车辆参数提取方法等内容，设计了一套基于无人机视频的车辆交通参数提取方案。该方案包括无人机设计、视频拍摄稳像方法和交通参数提取方法。通过该方案设计的无人机拍摄了两段交通视频，并将这两段视频用于交通参数提取，取得了较好的效果。

1 交通无人机设计

作为道路交通监控的主体，无人机的设计非常重要，需要兼顾飞行稳定性和视频数据采样处理。因此，笔者在设计无人机平台时，将飞行控制与视频采集处理分开设计，以保证无人机的稳定性。

无人机飞行控制采用Pixhawk飞控平台，搭载开源的飞行控制固件，成熟稳定且利于二次开发。为了能够充分利用Pixhawk飞行控制模块的功能，除了利用该飞行控制模块自带的传感器外，还配置了以下部件：外部GPS和罗盘用于定位、定高和测量角度，外部数字空速传感器用于检测失速，电源管理模块用于分配锂电池提供电力和驱动电机，PPM接收机用于接收遥控器的信号，外部蜂鸣器、安全开关、LED等用于辅助调试和控制。

無人机平台视频采集处理采用高性能32位处理器STM32F407，连接摄像头模块，将拍摄的视频保存到SD卡中存储。另外，如果需要实时传输视频，还可以通过2.4G无线传输模块将视频直接传输至地面接收计算机。该无人机总体设计方案如图1所示。

2 摄像机防抖动

受风力或转向等因素的影响，无人机在飞行过程中会不可避免地出现抖动，从而直接影响摄像头拍摄到的画面质量。抖动特别厉害的视频将无法被用于后续处理。因此，为保证摄像画面的质量，消除画面中的抖动，笔者在无人机平台设计过程中采用了三步视频防抖动策略。

2.1 无人机飞行姿态平稳控制

四旋翼无人机的模型具有非线性、强耦合、干扰敏感等特性，控制难度较大，因此，可以将其看成近似线性的。在这里，笔者采用小扰动线性化理论对四旋翼无人机模型进行线性化。线性化后的小扰动运动方程组为：

其中，状态变量[x=[u，v，w，p，q，r，θ，?，ψ]]，表征三个方向上的相应分量;控制变量[u=[u1，u2，u3，u4]]，表征对四个旋转电机的控制。经过线性化后的四旋翼模型的非线性特征明显降低，可以采用较为常规的PD控制算法进行控制。图2是在该线性化模型基础上，无人机跟踪圆形路径的仿真结果，除[Z]轴方向上略有偏差，其他两个轴的跟踪效果良好。

2.2 实时电子稳像

实时电子稳像是指在视频拍摄过程中，实时对拍摄的视频进行处理，消除拍摄时的抖动，达到稳定画面的目的。因为强调实时性，所以对算法的复杂度有较高的要求，笔者选择灰度投影算法。

灰度投影算法实际上是将二维的图像信息转换为一维的数据进行处理。该算法根据标准的帧间计算获得相关性，然后再进行运动补偿。一般情况下需要经过图像映射、投影滤波和相关性计算三个步骤。图3是视频参考帧行和列的投影曲线。

2.3 后续电子稳像

后续电子稳像是在地面接收计算机获得视频数据后，再次对视频进行稳像处理。这时，实时拍摄已经结束，对实时性的要求并不高，而要求稳像的质量和鲁棒性。因此，笔者选择较为稳定和精度更高的算法。盛安等提出了一种基于模糊聚类的运动估计方法，从而分割出前景和背景运动分量。该方法能提取出全局的最优运动矢量，极大地提高了视频质量。笔者在后续电子稳像中使用了该算法。

3 交通参数提取

在道路交通中，最为看重的是路口通行的车流量参数。如果通过无人机拍摄的视频计算路口车流量，首先需要识别出视频中的车辆个数，进而才能计算车流量。无人机拍摄的视频经过三步稳像以后，基本上可以达到识别车辆的要求。在车辆识别算法中，为了提高运算速度，减少车辆识别时间，笔者使用了较为简单的背景差法提取图片中的车辆。另外，为了能计算通过路口的车辆数和平均车速，笔者在视频中指定了区域，以通过此区域的时间计算平均车速。

4 结论

与固定的摄像设备相比，无人机拍摄具有较高的灵活性。如果能将无人机拍摄的视频进行稳像和优化处理，保证后续视频识别的要求，那么基于无人机视频的交通参数提取将具有较高的性价比，可以随时监控任何地方的交通状况。然而，无人机机载设备的运算能力有限，不能实时处理拍摄的视频信息，具有一定的滞后性。因此，如何提高机载设备的运算能力，进一步简化基于视频的交通参数提取算法是下一步要研究的内容。

参考文献：

[1]董天阳，阮体洪，吴佳敏，等.一种Haar-like和HOG特征结合的交通视频车辆识别方法研究[J].浙江工业大学学报，2015（5）：34-38.

[2]王雪锋，叶飞.一种基于HOG与SVM的监控视频车辆识别方法[J].微型机与应用，2013（17）：38-41.

[3]王相森.基于视频的实时车辆识别和分类的改进方法[J].微处理机，2003（1）：17-19.

[4]舒威，杨贤昭，杨艳华，等.基于无人机视觉的储罐表面缺陷检测方法[J].高技术通讯，2019（8）：799-807.

[5]彭博，蔡晓禹，周涛，等.基于形态分析的无人机视频车辆自动识别算法[J].重庆交通大学学报（自然科学版），2019（4）：19-26.