導(dǎo)語：視頻智能監(jiān)控道路擁堵度方法一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1．前言

近來，視頻監(jiān)控技術(shù)被廣泛應(yīng)用于交通管理中。監(jiān)控網(wǎng)絡(luò)的規(guī)模越來越大，但是人工監(jiān)控效率低，因此使用自動化智能視頻檢測技術(shù)檢測道路擁堵狀況顯得尤為必要，尤其在交通繁忙的大城市。實時道路擁擠度信息將為交通運行計劃和調(diào)整路線提供了可靠及時的依據(jù)，對于交通管控具有重要意義。運動目標(biāo)檢測目的是對序列圖像使用信號檢測的方法自動分離出運動像素點和靜止的像素點，將變化區(qū)域從背景圖像中提取出來，依據(jù)前景目標(biāo)所處的背景環(huán)境，可以將運動目標(biāo)劃分成兩類：靜態(tài)背景下運動目標(biāo)檢測和動態(tài)背景下運動目標(biāo)檢測，目前主要使用前者[1]。

2．車輛擁擠度估算原理

2.1建立模塊

根據(jù)實況擬定了擁擠度估算模型，它包含了3個子模塊：移動物體模塊，車輛識別模塊，交通擁擠度計算模塊。如圖1所示，在移動物體檢測器中，移動目標(biāo)的檢測是采用了背景估算方法；在交通擁擠度計算器中，對交通擁擠度的計算是在連續(xù)的幀中對車輛圖像進(jìn)行識別[2]。

2.2移動目標(biāo)檢測

移動檢測被應(yīng)用到每一幀并且按以下步驟進(jìn)行操作：首先，圖像背景被從當(dāng)前圖像中分離出來并且設(shè)定的臨界點被應(yīng)用到不同的矩陣中；然后，通過分析背景和當(dāng)前幀圖像的不同用以檢測移動目標(biāo)；最后，背景連同當(dāng)前幀被一同更新給后面的幀。將當(dāng)前含有的運動目標(biāo)的圖像幀Cij和圖像背景Bij相減，如公式（1），其中Dij為作差后的結(jié)果；其次將計算結(jié)果在一定閾值th限制下進(jìn)行二值化，如公式（2），判斷出當(dāng)前圖像中出現(xiàn)的偏離背景模型值較大的那些像素，其中R為含有目標(biāo)的二值化圖像，由于運動物體和背景的灰度或色彩上存在差別，相減、閾值操作得到的結(jié)果直接給出了目標(biāo)的位置、大小、形狀等，從而得到了比較完整的信息[3]。（a）靜態(tài)背景（b）當(dāng)前幀和背景的差異圖2背景被從當(dāng)前幀分離出來，不同的矩陣被應(yīng)用到一個臨界點，灰度水平超過臨界點被表示為1；灰度水平不及臨界點被標(biāo)示為0，圖2中運動目標(biāo)被標(biāo)示為白像素，使用如下公式(1)和(2)進(jìn)行表述[4]：Dij=Cij-Bij（1）D:帶有i行和j列的差分矩陣C:帶有i行和j列的當(dāng)前幀矩陣B:帶有i行和j列的背景矩陣Dij1，ifDij＞Th0，ifDij≤T≤h（2）一旦獲得顯示當(dāng)前幀和背景之間的差的二進(jìn)制矩陣，該矩陣被分析用來檢測運動目標(biāo)。在矩陣中的最大區(qū)域被檢測到。例如圖2所示，有3個目標(biāo)被在矩陣中標(biāo)識出來。為了能夠?qū)z測到的移動目標(biāo)進(jìn)行分類，應(yīng)當(dāng)提取盡可能多的信息,顯示在表1中。

2.3交通擁擠度估算方法

（1）在上面介紹到的兩個子模型中（運動目標(biāo)檢測模塊和車輛識別模塊），每一個視頻幀是被單獨處理的。在交通擁擠度計算器子模型中，為了計算在一個給定的時間段內(nèi)通過某一路段的機動車數(shù)量，在該時間段內(nèi)監(jiān)控該路段的某一攝像機的所有視頻幀一起處理。路況視頻的記錄以n幀/秒為單位連續(xù)拍攝，因此，相同的車輛將被攝入到連續(xù)的幀內(nèi)。在交通擁擠度計算器子模型中，在給定時間內(nèi)通過某一路段的車輛數(shù)量將會通過在連續(xù)幀內(nèi)車輛的位置來計算。在某一時間段內(nèi)交通流密度的計算參考下面公式[5]。某類車輛交通流密度：Ik=vkT(3)道路車輛交通流密度:I=∑Kk=1Ik=∑Kk=1vkT(4)其中，Vk表示在T時間段內(nèi)通過該路段的某類型車輛數(shù)量；k為車輛類型(k=1,2,3…K)。（2）由于小波變換在時域和頻域都有良好的局部化性質(zhì)，有多分辨率的特點，通過一次小波分解可以對感興趣的部分進(jìn)行提取和處理，這樣就簡化了運算的復(fù)雜性。這里用Haar作為小波分解的基函數(shù)，如公示（5）：ψ(x)=1,0≤x＜12-1,12≤(5)它是比較簡單的正交函數(shù)，與其它正交函數(shù)比，它的算法簡單，所以本文使用它，最重要的是它常常在不顯著降低質(zhì)量的前提下對信號進(jìn)行壓縮，解決了錯誤跟蹤問題[3]。

3.實驗結(jié)果與實時視頻中的模型應(yīng)用

本文的實驗采用的幀圖像的分辨率為480×640像素，格式為jpg，在Matlab開發(fā)環(huán)境下編譯圖像處理。對廣州市天河區(qū)廣園快速路段進(jìn)行實驗，并得到滿意的效果。在選取的視頻中，共有3條相互平行的車道，把它應(yīng)用于該模型的應(yīng)用中。所拍攝的視頻長約53秒，以秒3幀的速度拍攝視頻，共得到161幀圖像。由于選取的是其中一條道路，矩陣中的其余部分不被計入并且只計算選定道路的背景，如圖3所示。利用公式（2），并選取閾值，如果閾值選取的值越小會導(dǎo)致圖像出現(xiàn)不相關(guān)的細(xì)節(jié)；相反，如果閾值選取的值越大，圖像出現(xiàn)的相關(guān)的東西越明顯。如圖4所示：差分矩陣用來識別車輛影像。交通流密度隨即計算出來。在進(jìn)行試驗的53秒中，共有62輛車經(jīng)過該路段，通過本文介紹的方法計算出來的數(shù)值也是62，與實際完全一致。用一維小波分解來證明背景圖像的提取的可靠性。下面是作為運動目標(biāo)識別的效果。

4．結(jié)論

使用背景分離法可以很快地測出圖像上的移動目標(biāo)；算法簡單并能很好地滿足系統(tǒng)的實時性的要求，但由于圖片常會受到天氣和日光的影響，采用的方法需要經(jīng)常改進(jìn)和需要大量圖片的累加，占用的儲存量大。采用小波分解的方法測量車輛的多少能很好地去除陰影，而且可以提高運算速度，準(zhǔn)確度高。把背景分離和小波分解結(jié)合在一起能得到很好的運動目標(biāo)跟蹤效果。本文介紹的交通擁擠度計算法經(jīng)過實踐檢驗可以達(dá)到良好的實際應(yīng)用效果。該方法的推廣應(yīng)用可以對交管當(dāng)局的高效管理和及時調(diào)控起到積極的作用。今后將繼續(xù)完善運動目標(biāo)檢測和跟蹤的后續(xù)處理步驟，例如攝像頭標(biāo)定、車型識別、車牌識別、道路事件檢測等等，將對共同構(gòu)成完善智能交通管理系統(tǒng)起到重要作用。