基于視頻的車流量統計算法設計

摘要：智能交通系統(ITS)已經被科學家認為是解決當前城市交通問題最有效的方法,也是目前和未來交通發展的主流方向。ITS的前提是獲得交通道路的實時信息,比如車速、車流量等。本文主要研究ITS中基于視頻檢測技術的車流量統計方法,對所涉及的運動目標檢測、背景提取、陰影去除以及車輛統計等核心技術進行了詳細的研究。

本文的工作主要分為以下四部分：

對車流量統計相關算法進行了研究,針對目標檢測算法,研究了光流法、幀間差分法和背景差分法。針對背景提取算法,研究了均值法、統計中值法、單高斯背景模型法和混合高斯背景模型法；針對陰影消除算法,研究了基于HSV顏色空間變換的陰影消除算法、基于色彩特征不變量的陰影消除算法和基于紋理特征的陰影消除算法。同時,本文對上述算法進行了實驗對比分析。

給出了一種改進的混合高斯模型背景提取算法,當讀入一定幀數的圖像之后認為背景達到穩定狀態,讀入新的視頻幀時,對當前幀進行判斷,如果像素點和穩定背景圖像的像素點差值大于閾值Th1,就對該像素點進行更新,反之就不更新。

給出了一種改進的基于虛擬區域的車流量統計算法,首先設置檢測區域和檢測線,然后跟蹤檢測區域中車輛的質心到檢測線的距離d,如果d小于Th2認為有一輛車輛通過,通過實驗驗證,本文算法的精確率能達到90%左右。

實現了一個車流量統計系統,整個系統主要包括視頻播放模塊、GMM背景更新模塊、前景構建模塊和車輛計數模塊。視頻播放模塊主要完成視頻的播放和顯示；GMM背景更新模塊主要是實現本文的背景提取算法；前景構建模塊的主要功能是通過陰影去除和形態學操作得到較好的前景圖像；車輛計數模塊的主要功能是完成本文的車流量統計算法。本文深入研究了車流量統計的相關算法,并給出了一種改進的混合高斯模型算法和一種改進的基于虛擬區域的車流量統計算法,最后用VC實現了一個車流量統計系統,實驗結果表明本文設計的系統能夠對車輛目標進行準確檢測與統計。

關鍵詞：

智能交通系統

；

運動目標檢測

；

背景提取

；

陰影消除

；

車流量

Videotrafficbasedonstatisticalalgorithmdesign

Abstract:IntelligentTransportationSystems(ITS)hasbeenconsideredbyscientiststosolvethecurrentproblemofurbantrafficthemosteffectivemethod,butalsothepresentandfuturedirectionofthemainstreamtransportdevelopment.ITSisaprerequisitetoobtainreal-timetrafficandroadinformation,suchasspeed,trafficandsoon.ThemainarticleITSstatisticalmethodsbasedontrafficvideodetectiontechnologyinvolvedinmovingtargetdetection,backgroundextraction,shadowremovalandvehiclestatisticssuchasthecoretechnologyforadetailedstudy.

Themainworkofthispaperisdividedintothefollowingfourparts:

1）Statisticsontrafficrelatedalgorithmshavebeenstudiedfortargetdetectionalgorithmtostudytheopticalflowmethod,theinter-framedifferenceandbackgroundsubtraction.Forbackgroundextractionalgorithm,themeanvaluemethod,statisticalmedianmethod,asingleGaussianbackgroundmodelmethodandGaussianmixturebackgroundmodellaw;againstshadoweliminationalgorithmtostudytheHSVcolorspaceconversionbasedshadoweliminationalgorithm,basedoncolorcharacteristicsinvariantsshadoweliminationalgorithmandtexturefeaturesbasedonthealgorithmtoeliminateshadows.Meanwhile,thepaperofthealgorithmexperimentallyanalyzed.

2）GivesanimprovedGaussianmixturemodelbackgroundextractionalgorithm,whenreadinacertainframeofimagebackgroundreachesasteadystateconsidered,whenreadinthenewvideoframe,thecurrentframetodetermineifthepixelandstablebackgroundimagethepixelvaluedifferenceisgreaterthanthethresholdTh1,thepixeltobeupdatedonthecontraryisnotupdated.

3）Givesanimprovedtrafficstatisticalalgorithmbasedonavirtualarea,thefirstdetectionareaandthedetectionlineisset,thenthedistancedcentroidtrackingdetectionlineinthedetectionareaofthevehicle,ifdislessthanTh2consideredavehiclepassingthroughprecisionexperiments,theproposedalgorithmcanreachabout90%.

4）Implementsatrafficstatisticssystem,theentiresystemincludingvideoplaybackmodule,GMMbackgroundupdatemodule,prospectsbuildingblocksandvehiclecountingmodule.Videoplaybackmoduleofthecompletionofvideoplaybackanddisplay;GMMbackgroundupdatemoduleistoachievethebackgroundofthisextractionalgorithm;prospectsmainfunctionmoduleisconstructedandmorphologicaloperationsgetbetterforegroundimagebyshadowremoval;mainvehiclecountingmodulefeatureofthispaperistocompletethetrafficstatisticalalgorithms.Thisarticlestudiesthecorrelationalgorithmtrafficstatistics,andgivesanimprovedGaussianmixturemodelalgorithmandanimprovedalgorithmforvirtualregionaltrafficstatisticsbasedonthelastonewithVCtrafficstatisticssystem,theexperimentalresultsThisdesignshowsthatthesystemcanaccuratelydetectvehicletargetsandstatistics.

Keywords:IntelligentTransportationSystems;movingtargetdetection;backgroundextraction;shadowelimination;traffic

畢業設計（論文）原創性聲明和使用授權說明

原創性聲明

本人鄭重承諾：所呈交的畢業設計（論文），是我個人在指導教師的指導下進行的研究工作及取得的成果。盡我所知，除文中特別加以標注和致謝的地方外，不包含其他人或組織已經發表或公布過的研究成果，也不包含我為獲得及其它教育機構的學位或學歷而使用過的材料。對本研究提供過幫助和做出過貢獻的個人或集體，均已在文中作了明確的說明并表示了謝意。

作者簽名：日期：

指導教師簽名：日期：

使用授權說明

本人完全了解大學關于收集、保存、使用畢業設計（論文）的規定，即：按照學校要求提交畢業設計（論文）的印刷本和電子版本；學校有權保存畢業設計（論文）的印刷本和電子版，并提供目錄檢索與閱覽服務；學校可以采用影印、縮印、數字化或其它復制手段保存論文；在不以贏利為目的前提下，學校可以公布論文的部分或全部內容。

作者簽名：日期：

學位論文原創性聲明

本人鄭重聲明：所呈交的論文是本人在導師的指導下獨立進行研究所取得的研究成果。除了文中特別加以標注引用的內容外，本論文不包含任何其他個人或集體已經發表或撰寫的成果作品。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本人完全意識到本聲明的法律后果由本人承擔。

作者簽名： 日期：年月日

學位論文版權使用授權書

本學位論文作者完全了解學校有關保留、使用學位論文的規定，同意學校保留并向國家有關部門或機構送交論文的復印件和電子版，允許論文被查閱和借閱。本人授權大學可以將本學位論文的全部或部分內容編入有關數據庫進行檢索，可以采用影印、縮印或掃描等復制手段保存和匯編本學位論文。

涉密論文按學校規定處理。

作者簽名： 日期：年月日

導師簽名：日期：年月日

指導教師評閱書

指導教師評價：

一、撰寫（設計）過程

1、學生在論文（設計）過程中的治學態度、工作精神

□優□良□中□及格□不及格

2、學生掌握專業知識、技能的扎實程度

□優□良□中□及格□不及格

3、學生綜合運用所學知識和專業技能分析和解決問題的能力

□優□良□中□及格□不及格

4、研究方法的科學性；技術線路的可行性；設計方案的合理性

□優□良□中□及格□不及格

5、完成畢業論文（設計）期間的出勤情況

□優□良□中□及格□不及格

二、論文（設計）質量

1、論文（設計）的整體結構是否符合撰寫規范？

□優□良□中□及格□不及格

2、是否完成指定的論文（設計）任務（包括裝訂及附件）？

□優□良□中□及格□不及格

三、論文（設計）水平

1、論文（設計）的理論意義或對解決實際問題的指導意義

□優□良□中□及格□不及格

2、論文的觀念是否有新意？設計是否有創意？

□優□良□中□及格□不及格

3、論文（設計說明書）所體現的整體水平

□優□良□中□及格□不及格

建議成績：□優□良□中□及格□不及格

（在所選等級前的□內畫“√”）

指導教師：（簽名）單位：（蓋章）

年月日

評閱教師評閱書

評閱教師評價：

一、論文（設計）質量

1、論文（設計）的整體結構是否符合撰寫規范？

□優□良□中□及格□不及格

2、是否完成指定的論文（設計）任務（包括裝訂及附件）？

□優□良□中□及格□不及格

二、論文（設計）水平

1、論文（設計）的理論意義或對解決實際問題的指導意義

□優□良□中□及格□不及格

2、論文的觀念是否有新意？設計是否有創意？

□優□良□中□及格□不及格

3、論文（設計說明書）所體現的整體水平

□優□良□中□及格□不及格

建議成績：□優□良□中□及格□不及格

（在所選等級前的□內畫“√”）

評閱教師：（簽名）單位：（蓋章）

年月日

教研室（或答辯小組）及教學系意見

教研室（或答辯小組）評價：

一、答辯過程

1、畢業論文（設計）的基本要點和見解的敘述情況

□優□良□中□及格□不及格

2、對答辯問題的反應、理解、表達情況

□優□良□中□及格□不及格

3、學生答辯過程中的精神狀態

□優□良□中□及格□不及格

二、論文（設計）質量

1、論文（設計）的整體結構是否符合撰寫規范？

□優□良□中□及格□不及格

2、是否完成指定的論文（設計）任務（包括裝訂及附件）？

□優□良□中□及格□不及格

三、論文（設計）水平

1、論文（設計）的理論意義或對解決實際問題的指導意義

□優□良□中□及格□不及格

2、論文的觀念是否有新意？設計是否有創意？

□優□良□中□及格□不及格

3、論文（設計說明書）所體現的整體水平

□優□良□中□及格□不及格

評定成績：□優□良□中□及格□不及格

（在所選等級前的□內畫“√”）

教研室主任（或答辯小組組長）：（簽名）

年月日

教學系意見：

系主任：（簽名）

年月日

1緒論

1.1課題研究背景及國內外發展現狀

隨著經濟全球化與科學技術日新月異的發展，交通運輸作為社會經濟生活的一個重要方面，對保證社會經濟體系的正常運轉發揮著重要的作用，已經成為人們生活中不可缺少的重要組成部分。近20年來，世界各國先后建立四通八達的交通運輸網絡，但交通工具的增長速度遠遠高于道路和其他

交通設施

的增長，因此隨之引起

交通擁堵

、

交通事故

、環境污染、能源短缺等問題已經成為世界各國面臨的共同的問題，也造成了巨大的物質與經濟損失。如美國德州運輸研究所研究美國39個主要城市，估算美國每年因交通阻塞而造成的經濟損失約為410億美元，12個最大城市每年的損失均超過10億美元；預測到2020年，因事故造成的經濟損失每年將超過1500億美元。但單純依靠修建道路與交通設施和采用傳統的管理方式來解決交通問題，不僅成本昂貴、環境污染嚴重，而且其緩解交通擁堵、提高交通運輸效果也非常有限。為此在30多年前人們就提出了

智能交通

系統的概念，但對

智能交通

系統或

智能運輸

系統（IntelligentTransportationSystems,ITS）進行系統的研究始于20世紀80年代，從1994年起，智能交通系統這一術語得到全世界的廣泛承認。ITS是將駕駛員、交通工具和道路、環境三位一體來考慮。廣義上ITS應包括交通系統的規劃、設計、實施與運營管理的智能化；而狹義上ITS則主要是指交通運輸管理和組織的智能化。其實質就是采用現代高新技術對傳統的交通運輸系統進行改造而形成一種新型現代交通系統。也就是說，ITS就是將先進的信息技術、傳感技術、數據通信技術、自動控制技術、運籌學、圖像分析技術、計算機網絡以及人工智能等有效地綜合運用于整個

交通管理

系統。在系統工程綜合集成的總體思路指導下，建立起一種在大范圍內全方位發揮作用的實時、準確、高效的運輸綜合體系[1][2][3]。ITS智能化的特征體現在：原理上是基于知識體系；系統功能上應至少具有判斷能力、推理能力和學習能力、并應有輔助決策的作用；結構上應由機器

感知

、機器學習、機器識別及知識庫等部分組成。當然，ITS并不意味著交通系統完全智能化。在組織或控制交通系統時，只是希望系統運行秩序化，即盡可能達到高度組織化的程度，利用計算機和其他設備部分地替代交通主體——人，完成部分預測、處理和決策，在交通系統管理中更重要的還是人參與。ITS的發展將推動運輸進入信息時代，是21世紀現代交通運輸系統的發展方向。只有將“人和物的運載和運輸”和“信息的運載和運輸”融為一體，充分利用信息技術的最新成果，挖掘信息資源的最大潛力，才能大幅度提高運輸效率和服務質量，滿足日益增長的社會需求。

1.1.1智能交通系統的發展

早在20世紀60年代，美國就開始進行智能交通系統的先驅性研究，即電子路徑誘導系統研究（ElectronicRouteGuidanceSystem,ERGS）。80年代中期加利福尼亞交通部門研究的PATHFINDER系統獲得成功，加速了智能交通系統的發展。此后，美國進行“智能化車輛——道路系統”（IntelligentVehicle-HighwaySystem,IVHS）方面的研究；1990年美國運輸部成立了智能化車輛道路系統組織；1991年美國國會通過了“綜合地面運輸效率法案”，發展經濟上有效、環境上友好的國家級綜合地面運輸系統，以提高

客運

和

貨運

的運輸效率。1992年，由美國運輸部、聯邦顧問委員會和全國智能交通協會聯合制定了“智能交通系統”發展戰略計劃；1993年，美國DOT（運輸部）正式啟動了ITS體系框架開發計劃，目的是要開發一個經過詳細規劃的國家ITS體系框架。1994年IVHS更名為ITSAmerica(IntelligentTransportationSocietyofAmerica)。

歐洲ITS的發展早在1969年，歐共體委員會就提出要在其成員國之間開展與

交通控制

相關的電子技術研究與開發工作。1985年，在法國的積極倡導和推動下，歐洲開始了一項名為“由里卡”（Eureka）的高新科技研究與開發計劃，制定了包括交通技術在內的九大重點研究領域，包括以車輛的研究開發為主體的PROMETHEUS研究計劃和以道路基礎設施開發為主體的DRIVE研究計劃。“由里卡”最初在交通領域共設置了46個項目，旨在開發新型交通系統，改造陳舊的交通設施、減少交通環境污染并提高交通運輸

安全

。1986年，以奔馳為主的歐洲11家汽車公司進行了民間主導的PROMETHEUS（ProgrammeforEuropeanTrafficwithHighestEfficiencyandUnprecedentedSafety）研究計劃，確定了四個基礎研究領域和三個應用研究領域。PROMETHEUS計劃取得了巨大的成功并于1994結束。隨后在1995年，歐洲又開始一項新的研究計劃——PROMOTE（ProgrammeforMobilityinTransportationinEurope），該計劃的主要目的是實現道路交通管理系統和安全系統。同時，歐洲還實施了以歐盟各個成員國政府為主導的DRIVE（DedicatedRoadInfrastructureforVehicleSafetyinEurope）研究計劃，其目標是通過對道路交通與環境相互關系的研究，提高道路交通的安全性和運輸效率。在日本，1973年，以通產省為主開發的“汽車綜合（交通）控制系統”（CACS:ComprehensiveAutomobile(traffic)ControlSystem）被認為是日本最早的ITS項

目，當時在世界上處于領先地位；從1984年開始，建設省主持開發了“路車間通信系統”（RACS:Road/AutomobileCommunicationSystem）;從1987年開始，日本警察廳支持開發“先進的車輛交通信息與通信系統”（AMTICS:AdvancedMobileTrafficInformation&CommunicationSystem）；1989年，建設省又將RACS

升級為“先進的道路交通系統”（ARTS:AdvancedSafetyvehicle）；通產主導研究開發了“超智能車輛系統”（SSVS:SuperSmartVehicleSystem）。1991年日本政府開發并投入運行了“車輛信息與通信系統”（VICS:VehicleInformation&CommunicationSystem）。同時，日本警察廳也于1991年，在AMTICS的基礎上開發了“新交通管理系統”（UTMS:UniversalTrafficManagementSystem）。目前日本的ITS研究與應用開發工作主要圍繞三個方面進行，它們分別是：汽車信息和通信系統VICS（VehicleInformationandCommunicationSystem）、

不停車收費

系統

ETC

（ElectronicTollCollection）、先進道路支援系統AHS（AdvancedHighwaySystem）。

在香港，20世紀70年代后期就制定了在

公路

隧道

中應用ITS的計劃，第一個ITS系統于1984年安裝啟用。1997年，一套尖端的TCS系統在青馬地區建成，除了遵循標準的TCS以外，該系統還廣泛采用了可變的信息顯示和標識，以提高效率和安全。1999年，香港ITS發展戰略初步建立框架；將ITS應用于香港地區戰略公路網（SRN）的研究已于1999年8月完成。2000年3月，香港完成了交通信息中心的可行性研究報告，報告對交通信息技術進行了深入的評估，并探討如何將這些技術整合起來在香港形成一個現代的信息系統。中國是當今世界交通基礎設施建設發展最快的國家，但仍滿足不了經濟的快速發展和人民生活水平提高的要求，而且這一供需矛盾也日益突出。中國早在20世紀70年代末就開始在交通運輸和管理中應用電子信息及自動控制技術，首先在北京、上海和廣州等大城市開始了交通

信號控制

的研究與開發，在全國主要的大城市使用了單點定周期

交通信號

控制器和線性協調交通信號控制系統；1978年，北京市在前三門大街試驗自行開發的

城市交通

控制系統：“七五”期間，我國在南京試驗自行研制開發的自適應交通控制系統；其后，我國又有廣州、天津、深圳、大連等近20個城市建成了交通信號控制系統；80年代初開始，我國陸續引進了國外先進的交通控制系統（如英國的SCOOT系統、澳大利亞的SCATS系統等）。20世紀80年代后期，我國開始了ITS基礎性的研究開發工作，包括優化道路交通管理、交通信息采集、駕駛員考試系統、車輛動態識別等；90年代開始建設交通指揮控制中心，目前，我國的大中城市都已基本建立了交通控制中心或交通指揮中心，并開展了駕駛員信息系統、城市交通管理的智能化誘導技術等方面的研究。隨著研究的不斷深入，學術交流活動也日益增多。1997年我國召開了“97北京智能交通系統發展趨勢國際學術研討會”；1998年，國際標準化組織交通信息與控制技術委員會ISO/IC2004中國委員會正式成立，委員會的主要任務是積極推進中國ITS的標準化；1999年，我國成功舉辦了“99國際智能交通技術研討會暨展會”；2000年7月，“第四屆亞太地區智能交通（ITS）年會暨技術產品展覽會”在北京舉行。為中國推動中國ITS的發展，2000年2月29日，科技部會同國家計委、經貿委、公安部、交通部、鐵道部、建設部、信息產業部等部委相關部門，在充分協商和醞釀的基礎上，成立了發展中國ITS的政府協調領導機構——全國智能交通系統（ITS）協調指導小組及辦公室，并成立了ITS專家咨詢委員會。特別是國家在“九五”期間，原國家科委與十幾個部委成立了全國

智能運輸

系統協調指導小組及辦公室，將

全球定位系統

GPS

(GlobalPositioningSystem)、地理信息系統GIS(GeographicInformationSystem)以及管理信息系統MIS(ManagementInformationSystem)簡稱為“3S”（GPS、GIS、MIS）作為重點項目予以支持，并初步啟動了ITS體系框架和標準體系的研究；“十五”期間，隨著各項技術成熟與發展，ITS應用已經成為社會的共識，為此科學技術部將“智能交通系統關鍵技術開發和示范工程”列入“十五”國家科技攻關計劃的重大項目。目前該項目已經全面啟動，首批確定了北京、上海、天津、重慶、廣州、濟南、青島、杭州、深圳和中山10各城市作為智能交通試點示范城市。智能交通系統的發展符合未來交通運輸發展的方向，將為我國高新技術產業的發展提供一個巨大的市場。因此在我國開展智能交通與運輸系統的開發和應用，將對促進國民經濟和社會的快速發展，增強國際競爭力有十分重要的作用。為了從整體上規范我國的智能交通系統建設，在全國智能交通系統協調領導小組和國家科技部的領導和組織下，我國完成了“智能交通系統體系框架”的研究和編制工作，并正在進行“智能交通系統標準框架”的進一步研究和修編工作。目前，我國已經建立或正在研究開發的智能交通系統主要包括以下方面：

（1）交通信號控制系統。我國大多數大城市已經建立了交通信號控制系統，其中包括我國自行開發的系統和引進的國外SCATS、SCOOT等系統。目前，我國若干研究機構和一些企業集團正在致力于適合中國混合交通特點的、具有一定自學習功能的、與交通誘導等其他子系統有相當協調能力的信號控制系統的研究開發工作。

（2）交通監控系統。我國多數城市已經建立了以電視攝像為主體的交通監控系統。

（3）交通管理系統。利用網絡技術實現車輛檔案、駕駛員檔案、交通事故及交通違章的綜合管理，并實現數據共享。

（4）交通信息動態顯示系統。利用交通控制系統和交通信息系統等進行動態信息顯示。

（5）交通誘導系統。利用交通廣播電臺或交通尋呼臺實時發送交通信息。

（6）交通運輸安全報警系統。利用GPS/GIS等的功能。

（7）電子收費系統（ETC）。利用電子技術、計算機技術以及信息通訊技術，通過安裝在汽車上的電子標識卡（存儲與車輛收費有關的大量信息，如預繳金額、車型、車主）與安裝在收費車道旁的讀寫收發器，通過微波或紅外線進行快速的數據交換，實現車輛的不停車收費不僅可以解決收費站的排隊問題，而且應用它可以方便實現道路擁擠收費，進行交通需求管理；可以進行交通監視、事件檢測，實時的OD矩陣估計等。

1.1.2智能交通系統的主要研究內容

根據ITS的研究內容，對ITS項目進行分類的方法有很多種，這里采用的是美國國家ITS框架體系（《NationalITSArchitecture》）中對ITS的分類方法，將其分為7大類：先進的交通管理系統（AdvancedTrafficManagementSystems,ATMS）、先進的

出行

者信息系統（AdvancedTravelerInformationSystems,ATIS）、先進的

公共交通

系統（AdvancedPublicTransportationSystems,APTS）、先進的車輛控制及安全系統（AdvancedVehicleControlandSafetySystems,AVCSS）、商用車輛營運系統（CommercialVehicleOperations,CVO）、緊急救援管理系統（EmergencyManagementSystems,EMS）、電子付費與電子收費系統（ElectronicPaymentSystems&ElectronicTollCollection,EPS&ETC）。

（1）先進的交通管理系統（ATMS）

ATMS利用監測、通訊及控制等技術，將交通監控系統監測所得的交通狀況，經由通訊網絡傳輸到交通控制中心，中心在結合其他方面所獲得的信息，制定及評估交通控制策略，執行整體性的交通管理，并將相關信息傳給出行者，以達到運輸效率最大化及運輸安全等目的。本系統主要特色是強調子系統間協調與實時控制的功能，提供匝道控制、信號配時方案、事件管理以及替代路線導引的參考等。

（2）先進的出行者信息系統ATIS

ATIS由先進的信息、通訊及其他相關技術，提供出行者必要的信息，使其能在車內、家里、辦公室、車站、途中等地點方便地取得所需地出行信息，作為出行方式與路線選擇的決策參考，以順利到達目的地。

（3）先進的公共交通系統APTS

APTS采用各種智能技術促進公共交通的發展，如通過個人計算機、閉路電視等向公眾就出行時間方式、路線及車次選擇等提供咨詢，在

公交

車站通過顯示屏向候車者提供車輛的實時運行信息。

（4）先進的車輛控制及安全系統AVCSS

AVCSS結合

傳感器

、電腦、通訊、電機及控制技術應用于車輛及道路實施上，幫助駕駛員提高行車安全性，增加道路容量，減少交通擁擠。本系統主要特色是利用傳感器彌補人類感官功能的不足，減少危險的發生；提高自動控制的程度，實現更安全、準確、可靠的控制，避免駕駛員因判斷錯誤或技術不成熟所造成的損失。城市智能交通信號控制方法及仿真研究CVO系統利用前述ATMS、ATIS與AVCSS技術于商業營運車輛，例如車輛自動識別技術、車輛自動定位技術、車輛自動分類技術等，提供企業內部勞動生產率，提升運輸效率及安全，改進對突發事件的反應能力，改善車隊管理和交通狀況，并減少運輸成本，提高生產力。所謂“商用車”不僅包括大型與重型車輛（如卡車、貨車），也包括緊急救援用車輛（如救護車、拖吊車），以及每日運作的商用小型車（如

出租車

）等。

（5）緊急救援管理系統EMS

EMS即為當緊急危難發生時，求援車輛如何求援、救援車輛如何在最短時間內到達現場，以及如何警示其他駕駛員的系統。本系統包括車輛故障與事故求援、事故救援派遣以及救援車輛優先通行等部分，為使事件能在最短時間獲得解除，降低傷害的程度。

（6）電子付費與電子收費系統EPS&ETC

電子收費系統應用各種通訊和電子技術使得出行者和交通經營管理機構之間的交易變得更容易。電子收費利用車上的電子卡與路測的電子接收設備進行通訊。

1.2智能交通系統研究的意義

智能交通系統的主要目標就是要充分有效地利用現有的交通資源，使其利用效率最大。智能交通系統將緩解擁擠、減少交通事故、降低交通環境影響以及提高效率等方面產生可觀的社會經濟效益。具體來說，智能交通系統的社會經濟效益主要體現在如下幾個方面：

（1）減少交通擁擠和行車延誤

隨著城市人口的增加和社會經濟的發展，汽車和道路交通量不斷的增加，相應引起的交通擁擠也增加。不管在發展中國家，還是發達國家，每年由于交通擁擠造成的經濟損失也十分巨大。ITS通過提供各種有選擇的信息服務，能夠使得出行者的路徑選擇向網絡均衡和系統最優方向接近，達到路網負荷的均勻化，實時監控系統能夠迅速發現交通事故。先進的交通信號控制系統能夠根據實際情況調整信號控制，可大大減少行車延誤，實現道路資源的高效使用。美國交通部估計，若將ITS與新增容量相結合，可以將未來用于應付交通擁擠而需擴建基礎設施的費用減少一半。

（2）減少交通事故的發生率、死亡率

根據美國的預測，到2020年，美國因交通事故造成的經濟損失每年將超過1500億美元，而采用智能交通系統將會提前對危險的預知，從而大大增加交通的安全性，將事故損失降至最低。

（3）能源消耗量減少，污染程度降低

事實表明，單純依靠交通設施建設解決交通問題，不但不能完全滿足交通需城市智能交通信號控制方法及仿真研究求，還占用和消耗了大量的土地、燃油等資源，并造成了汽車尾氣排放量的劇增，給環境帶來了惡劣的影響。如美國人口不足世界人口的5%，但能源消耗占了全世界總消耗的30%以上，其中交通運輸所消耗的能源占了1/4，而其中95%是石油。在未來，ITS在大規模、大范圍應用將明顯改善這一狀況，大大降低交通運輸系統的消耗和對環境的污染。

（4）產業發展與就業機會的增加

ITS涉及道路建設、交通管理、通信、計算機、電子、汽車、自動控制、信息服務、網絡技術等眾多媒體技術應用可能性最大的行業。同時，ITS的技術發展與市場需求也將會推動與其相關的產業發展，增加就業崗位，促進社會經濟的健康

1.3本文主要硏究內容和結構安排

本文的主要內容分為以下四部分:

1) 對車流量統計相關算法進行了研究,針對目標檢測算法,研究了光流法、幀間差分法和背景差分法;針對背景提取算法,研究了均值法、統計中值法、單高斯背景模型法和混合高斯背景模型法;針對陰影消除算法,研究了基于HSV顏色空間變換的陰影消除算法、基于色彩特征不變量的陰影消除算法和基于紋理特征的陰影消除算法。同時,本文對上述算法進行了實驗對比分析。

2) 給出了一種改進的混合高斯模型背景提取算法,當讀入一定幀數的圖像之后認為背景達到穩定狀態,讀入新的視頻幀時,對當前幀進行判斷,如果像素點和穩定背景圖像的像素點差值大于閾值7,就對該像素點進行更新,反之就不更新。

3) 給出了一種改進的基于虛擬區域的車流量統計算法,首先設置檢測區域和檢測線,然后跟蹤檢測區域中車輛的質心到檢測線的距離,如果小于7認為有一輛車輛通過,通過實驗驗證,本文算法的準確率能達到90%左右。

4) 實現了一個車流量統計系統,整個系統主要包括視頻播放模塊、GMM背景更新模塊、前景構建模塊和車輛計數模塊。視頻播放模塊主要完成視頻的播放和顯示;GMM背景更新模塊主要是實現本文的背景提取算法;前景構建模塊的主要功能是通過陰影去除和形態學操作得到較好的前景圖像;車輛計數模塊的主要功能是完成本文的車流量統計算法。

本文各個章節安排如下:

第1章是緒論,主要介紹了基于視頻的車流量檢測技術的國內外發展現狀,闡述了研究車流量統計的必要性。

第2章介紹了常用的三種目標檢測算法,包括光流法、幀間差分法以及背景減除法,并且對光流法和幀間差分法進行了實驗仿真。然后介紹了常用的背景構建算法,包括統計中值法、均值法、單高斯模型法和混合高斯模型法,并進行了實驗對比。

第3章詳細的介紹了實現過程的方法,并對方法進行了詳細的介紹。

第4章在VC6.0的基礎上實現了本文的算法,系統主要包括視頻播放模塊、背景構建模塊、后處理模塊和車輛計數模塊。

2車流量統計算法相關研究

基于視頻的交通流量統計系統安裝調試方便，維護也很簡單，對路面和土木設施不會產生破壞，對道路交通狀況不會產生影響，具有直觀、可監視范圍廣、費用較低等優點，而且容易提供大量交通管理實時信息便于擴展其它功能，因而可廣泛應用于交叉道口和公路干線的交通監測系統中，具有廣闊的應用前景。具體講，它可以為智能交通系統提供如下的功能和數據：

1)實時檢測并跟蹤所監視區域內的目標車輛，記錄其位置、行駛速度以及尺寸等特征信息；

2)實時自動地統計并記錄當前道路上車流的統計參數，例如車速、等待時間、道路占有率、車流量等，并對堵車等特殊的車流狀況進行判斷并作出及時信息反饋；

3)自動識別感興趣車輛的車牌號碼和車輛類型；

4)實時檢測監視區域內的車輛有無違章行為(包括越線、超速等)和事故發生。若有，則報警并記錄現場情況，為交通部門事后處理提供確鑿的證據。

其中，在提供的各種功能中，車輛的實時檢測、識別與跟蹤是最基礎的部分，其它的功能都是建立在車輛檢測、識別與跟蹤的正確結果基礎上的。本章將針對基于視頻的交通流量統計系統中的車輛檢測和車輛跟蹤這兩大核心技術進行研究。其中車輛檢測部分是研究重點。

2．1基于視頻的交通流量統計系統組成

通常，基于視頻的交通流量統計系統由三部分組成:

1)攝像頭進行實時視頻采集

2)車輛檢測(識別分割)模塊

3)車輛跟蹤(計數統計)模塊

首先由攝像頭拍攝得到實時交通場景的視頻序列，然后將視頻序列送到車輛檢測模塊，根據一定的視頻處理方法和準則判斷是否有車輛經過監視的交通場景，并對車輛進行識別分割，然后，在跟蹤模塊通過對車輛的運動進行運算和估計，實現對車輛的計數統計。

2．2車輛檢測技術

車輛檢測模塊，主要是對交通場景的視頻序列中的車輛進行分割，將有可能是車輛的區域從復雜的交通場景中提取出來，以便進行車輛的跟蹤計算。車輛檢測的重要性不單局限于視頻交通流量統計系統，對于整個視頻智能交通系統，車輛檢測也是運用最為廣泛、同時也是最為基礎的一個分支。在幾乎所有的ITS中車輛檢測都是必不可少的一步。

車輛檢測的處理流程，可以再細分為兩個步驟：候選區域確定和車輛確認：

在車輛候選區域確定階段，需要確定車輛可能存在的區域，其它區域則被認為沒有運動目標出現，從而不必再參與后續的處理。這一階段往往根據視頻序列的時間特性來分割運動目標，它需要先提取每幀圖像中的運動信息，然后利用運動信息的均一性來劃分區域和估圖像的運動場，并將具有相似運動的區域聚類，以獲得場景中的運動區域。

而車輛確認階段則是對上一處理過程中獲得的候選區域作進一步處理，精確的提取出該區域中的車輛，確定其位置。此階段一般根據視頻序列的空間特性來分割視頻對象，它常常是把每一幀圖像都當成是一幅靜態圖像，依靠經典圖像處理技術進行處理。

2．2．1概述

雖然車輛檢測技術發展至今已有五十多年的歷史，但是其效果仍然不夠理想，因為仍然存在如下的客觀條件：

1)由于進入攝像機監視范圍的車輛具有不同的角度和速度，往往導致視頻序列中的車輛在尺寸、位置、方向上產生很大的變化。

2)車輛的外觀不但取決于車輛的角度，同時又受到鄰近物體的影響，例如車輛之間的遮擋關系、光照條件的改變等外界因素，往往也會對車輛的外觀帶來較大影響，而且這種情況又是隨機出現的。

因此，車輛檢測算法和人們預想的ITS中達到的要求還有很大差距，無論是識別性能還是處理速度都還有很大的發展潛力。

近年來，國內外學者對視頻圖像的運動目標檢測進行了許多研究，比較常用的方法有基于檢測線的圖像差分法和光流場法。前者利用視頻幀之間的差分值進行檢測，后者通過合并運動矢量相同的區域進行檢測。基于光流場法的運動目標檢測由于噪聲、多光源、陰影、透明性和遮擋性等原因，使得計算出的光流場分布不是十分可靠和精確，且光流場的計算實時性和實用性較差。圖像差分法又分基于背景差分的方法和基于幀間差分的方法，前者定位精確、速度快，但缺乏合理的背景更新方法；后者可以提取出物體的運動信息，但由于相對運動與物體位置并非完全一致，存在檢測出的運動目標位置不精確的情況。為此有人提出許多方法的融合改進，如基于邊緣的背景去除法，但該類方法存在著由于運動目標邊緣與背景邊緣可能有一定交迭，使部分運動目標信息被去除的缺點。此外，各類傳統的圖像處理方法也在車輛目標檢測階段針對不同的環境特點而有所應用。下面對各算法原理進行分類介紹。

2．2．2核心技術

車輛檢測的目標是：針對視頻幀，區分出運動的車輛目標和道路背景。這一過程往往是結合視頻序列所提供的時空特性來進行的，通過分析連續畫面間的變化部分，抽出運動目標的特性來判斷其運動狀況。通常的做法就是突出目標或消除背景。這類方法有檢測線法，計算運動矢量的光流場法等。其中檢測線法又可以根據不同的規則再作細分。而另一類方法，是傳統的圖像分割方法在車輛檢測階段的應用。例如均值聚類法、邊緣檢測法，區域分割法等，這些方法雖然沒有利用視頻序列特有的時間特性，但由于算法穩定成熟，執行效率高，在某些交通監視環境中也有不錯的效果。

1)基于視頻序列彩色圖像顏色比對的檢測線法

這是一種低級層次的車輛目標檢測方法。它以假設路面顏色與車輛顏色不同作為前提條件。實現中，首先在視頻序列的每一幀中相同位置上設定一條虛擬的檢測線(如圖2．3中的虛線所示)，然后根據假設，通過檢測線的車輛的顏色與檢測線所在的路面的顏色是不同的，因此計算機首先獲取檢測線所在路面顏色作為參考，然后定時與當前視頻幀中檢測線所在位置的顏色進行對比。如果顏色差值小于某個閾值，則認為時背景微變，使用新的背景色代替原先設定的參考色；如果對比后的顏色差值大于與先設好的閾值，那么認為有車輛通過，可以據此實現車輛的通行檢測。

這種方法的優點是算法非常直觀簡單、程序運行速度快，但缺點也很明顯。首先，為了保證車輛之間的空隙路面能夠被攝像頭捕獲，以實現車輛確認，攝像頭與路面必須形成90度左右夾角，而且必須安裝得很高才能拍到整個路面；其次，由于這種方法是直接進行對應區域顏色對比的，攝像頭不能晃動，否則會導致對應像素的位置不匹配而產生錯誤。另外，在多車道環境中，當同時有多輛汽車經過虛線區域時，這方法就會失效。

2)基于視頻序列的灰度圖像差分檢測線法

經過檢測線上的車輛使得序列灰度圖像在檢測線位置上的灰度值發生變化，通過對這種灰度的變化進行圖像的差分計算，來實現對運動車輛的檢測。檢測線上灰度變化的檢測方法通常有以下兩種：幀差法和背景差法。

①幀差法

幀差法是將視頻序列中兩幀(或多幀)連續圖像逐像素相減，以去除基本不動的物體及背景。理想情況下由于背景在多幅連續幀中基本不變化，因此差分后圖像的非0部分表明對應像素發生了移動，由此可以將圖像中運動的車輛目標突顯出來。

在實際應用中，運動的車輛目標相對于路面平動而且方向與于圖像平面平行，因而形成了簡單的二維平移運動。當圖像幀之間的間隔較短時，可以認為車輛的各部分在圖像平面上的灰度基本保持不變。

在最簡單的形式幀f(x,y,t1)和f(x,y,t2)之間的變化可用一個二值差分圖像表示化的結果。

因為兩幀視頻圖像之間的時間間隔一般很短，所以差分后的圖像受光線變化的影響很小，檢測相對穩定。但在實際中，單純使用上述基本相鄰幀差分法也會產生不良后果。首先是計算的差分圖像經常會含有許多噪聲；其次，當運動的車輛目標簡單時，兩幀間物體重疊部分會檢測不出來，即只檢測出物體的一部分，致使車輛目標容易出現斷裂和破碎，給后續的識別帶來很大困難；另外，檢測出物體在兩幀中的位置不夠準確，當運動目標運動速度很大時，容易產生虛影，即檢測到的運動目標比實際目標要大，甚至會出現一個目標變成兩個目標的情況。由于將連續幀差方法運用于車輛運動檢測，效果往往不理想，因此有很多變種方法隨即產生。

首先是使用圖像濾波的方法，減少噪聲帶來的干擾，這一方法簡單易行，但它的優點是以誤過濾掉某些緩慢運動或微小運動物體的差分信號為代價的。

除了使用濾波器，在最基本的單幀圖像間的差分方法外，人們自然的想到了多幀差分的方法。這一方法可以消除隨機噪聲帶來的影響，剔除掉沒有發生像素移動的地方也會出現圖像相減差別不為零的情況。在采集的一系列圖像中連續三幀(或者更多的圖像)做兩兩差分。

另外，幀差圖像還可以由兩組屬于相鄰圖像幀的像素(如相鄰的四個元素)的均值相減得到。

幀差法的優點是計算簡單且不易受環境光線變化的影響，但它不能檢測靜止車輛，且處理效果依賴于圖像采樣頻率以及被檢測車輛的車速。如果運動速度較快，而選取的時間間隔過大，就會造成兩兩幀之間無覆蓋區域，從而無法檢測到運動物體；而如果運動速度過慢，而選取的時間過小，則造成過度覆蓋，最壞的情況是物體幾乎完全重疊。

②背景差法

背景差法是選取一幅固定交通場景的背景圖像作為參考圖像，將當前待檢測的視頻幀和該參考圖像逐像素相減作差分，如果參考圖像選取得當，理想情況下差值圖像中非0的像素點表示了運動物體，由此可以實現運動車輛的較準確提

取。

則車輛檢測可表示為：當公式中V(i,j)=1表示對應像素為車輛區域，反之V(i，j)=0表示該區域為背景區域。

這是一個最簡單最基本的背景差方法，描述了背景差的基本思想，實際環境中，背景圖像并非理想靜止狀態，由于環境的復雜和運動的多樣性，為滿足實際應用的需要算法比這復雜的多。因此除了設定合適的閾值用來對運動目標確認外，交通背景參考圖像的選取也是背景差分法能否取得良好效果的關鍵，下面分別說明。

采用閾值進行目標分割的目的是把運動車輛和微小變化的背景分開。閾值分全局閾值和局部閾值兩種，前者只用一個閡值來對整個圖像進行二值化，后者先將一幀圖像劃分為若干個子圖像，對每個子圖像再確定相應的閾值。現實中需要根據序列圖像的背景復雜度進行選擇。若車輛運動的背景相對單一，如單純的路面或是有靜止停靠車輛的街道等，則使用全局閾值；反之，若序列圖像還包括除路面及車輛以外的信息，如風中的樹木、活動的背景車輛及行人等，則需要計算車輛序列圖像的局部閾值作為車輛檢測的閾值。閾值技術的核心是區分出前景和背景。每一個像素點確定一個閡值，其兩邊分別是前景和背景。不恰當的閾值選取會造成車輛的誤檢測，閾值過高會造成漏檢，閾值過低又會把背景檢測為車輛或將相鄰車輛檢測為同一輛車。關于全局閾值的選取，典型的有直方圖閾值法以及基于灰度平均值的二值化方法等。這種方法對前景和背景有較強對比的情況特別有效。

和閾值設定一樣，對于背景參考圖像的選取也是背景差法的研究重點。基于背景差的車輛檢測的準確性很大程度上依賴于背景圖像的可靠性。

背景圖像可由人工拍攝一幅沒有車輛目標的純圖像來得到，但隨著研究的深入，人們意識到單純的選取一幅質量好的背景圖像作為參考，具有很大的局限性。因為攝像機采集到的視頻圖像必然受到外界光照變化以及其它背景中非檢測對象的運動物體的影響，例如光照產生的車輛陰影及周邊建筑物陰影，背景中除車輛目標外同樣運動的行人等。這些都使得單純確定一幅交通場景背景圖像作為參考產生了明顯的缺陷。因此，研究重點慢慢轉變為，如何能夠更加有效的對參考圖像進行更新。

背景更新的方法有很多，可以通過對視頻序列圖像進行平均，或者統計序列圖像像素點上出現頻率最大的灰度值等多種方法來得到。目前最常用的方法是多幀平均(FrameAveraging)'法和選擇更新(SelectiveUpdating)法。

簡單的多幀平均法是直接將前面若干輸入圖像的平均值作為當前背景，更新背景的方法如下：

其中，Bpt為當前更新的背景，Bpt-1是前一幀背景，Cpt-1，為上一幅場景圖像，

Ⅳ為一個整數，K是指更新率。K越趨向1，新背景就越接近于上一幅背景。

公式(2．3)的含義即為：在序列圖像中在N幀作為當前幀，下一幀即第N+1幀圖像對應時刻的背景，是將第N+1幀之前的所有圖像的每個像素點取灰度平均值。多幀平均法的缺點在于對場景改變過于敏感性，而這種改變并不總是由車輛運動引起的，同時K的正確取值也是個難題。

選擇更新法的基本思想是只將沒有檢測到運動的區域即真正的背景進行更新。在背景更新前，先逐像素判斷相鄰兩幅圖像的差值，如果小于一個閾值，則說明在這個像素位置沒有檢測到車輛，可進行背景更新操作。同樣，這種方法也很大程度上依賴于閾值的選取，如果選擇不合理，背景圖像將很快變得不可用。

國內也有學者在選擇更新背景前進一步加入了背景調整步驟，即首先計算當前幀和上幀圖像間的平均灰度之差，若差值大于設定閾值，則認為當前幀的平均灰度發生突變，就要在背景圖像上逐像素加上此差值。

總的來說，實際應用中，背景差法是通過對兩幅攝自不同時刻的圖像進行查分，由于時間間隔明顯長于之前討論的幀差法，因此對于環境光照，陰影以及風等自然因素的隨機變化非常敏感，背景圖像需不斷地被調整以迎合這些變化。

2．2．2．2光流場法

光流場法的基本思想是，在空間中，運動可以用運動場描述，而在一個圖像平面上，物體的運動往往是通過圖像序列中不同圖像灰度分布的不同來體現的，因此，將空間中的運動場投影到圖像上就表示為光流場(OpticalFlowField)。光流場反映了圖像上每一點灰度的變化趨勢，可看成是帶有灰度的像素點在圖像平面上運動而產生的瞬時速度場，也是一種對真實運動場的近似估計。研究光流場的目的就是為了從序列圖像中近似計算不能直接得到的運動場。

假設運動可以由一系列映射參數描述，對應于同樣的表面和三維運動的流量矢量將具有映射參數的相同集合。通過把具有同樣映射參數的流量矢量分配為同一類的方法，完成光流分割。光流場法通常要進行運動場計算、建立光流約束方程(opticalflowconstraintequation)和求解光流方程這幾步來完成。

在比較理想的情況下，光流場法能夠檢測獨立運動的對象，不需要預先知道場景的任何信息，可以很精確地計算出運動物體的速度，并且可用于攝像機運動的情況。但也存在明顯的缺點：首先，光流與運動場雖然有密切的關系，但又不完全對應。場景中目標運動導致圖像中亮度模式運動，而亮度模式的可見運動產生光流。雖然在理想情況下光流與運動場相對應，但實際中也常有不對應的時候，有時有運動未必產生光流，而有時即使沒有發生運動，在外部照明發生變化時，也可以觀測到光流。其次，在缺乏足夠的灰度等級變化的區域，實際運動也往往觀測不到。另外，三維物體的運動投影到二維圖像的亮度變化，本身由于部分信息的丟失而使光流法存在孔徑問題(apertureproblem即無法確定在與光流場等亮度線方向上的光流分量)和遮擋問題，用光流法估算二維運動場會發生不確定，需要附加的假設模型來模擬二維運動場的結構。此外，在準確分割時，光流法還需要利用顏色、灰度、邊緣等空域特征來提高分割精度，而且由于光流法采用迭代的方法來對運動車輛進行分割，因此時間復雜度較高，如果沒有特殊的硬件支持，很難應用于視頻序列的實時檢測。

2．2．2．3傳統圖像處理的檢測方法

在2．2節曾經指出，在實現交通流量統計的系統中，往往將車輛檢測又細分候選區確定階段和車輛確認階段，前者常常使用視頻幀中的時間信息利用目標運動的特性來進行區域確定，而后者常常是將確定出的候選區作為靜態圖像，對其中的車輛目標進行分割，做出精確提取。因此，傳統的圖像處理方法在車輛檢測中也有較廣泛的應用，下面僅對某幾種常用方法作簡要介紹。

1)邊緣檢測法

邊緣是車輛目標最基本的特征之一。基于車輛邊緣的邊緣檢測法通常效率較高，而且可以檢測出靜止車輛。由于邊緣信息即使是在各種昏暗的光照環境下仍

較為明顯，因此當圖像亮度發生變化時表現也較為穩健。

由于邊緣是圖像上變化比較劇烈的地方，因此在數學上使用梯度來表示變化。使用圖像的梯度來進行邊緣檢測不但可以應用到灰度圖像，而且可以通過計算RGB彩色空間中的梯度，直接將此方法應用于拍攝到的彩色視頻中進行車輛

檢測。目前，常用的邊緣檢測方法有多種，如梯度算子、Laplacian算子、canny算子等。

Canny邊緣檢測是一種比較新的邊緣檢測算子，具有很好的邊緣檢測性能。

Canny邊緣檢測利用Gauss函數的一階微分濾波器進行濾波，能在噪聲抑制和邊緣檢測之間取得比較好的平衡。

理想情況下，上述采用梯度進行車輛邊緣檢測應該只能產生邊緣上的像素。而實際上，結果像素由于噪聲，不均勻照明等引起的邊緣斷裂和雜散的亮度不連續而難以得到完全的邊緣特性。因此典型的邊緣檢測算法遵循用鏈接過程把像素組裝成有意義的邊緣的方法。一種常用的處理方式是采用Hough變換。

霍夫變換是一種用于區域邊界形狀描述的方法，經典的霍夫變換常被用于直線段、圓和橢圓的檢測。它利用點線對偶性原理進行坐標變換，把直角坐標系下的直線檢測問題轉換到參數空間中，通過在參數空間中進行簡單的點分布累加統計完成直線檢測。

霍夫變換具有對噪聲的抗干擾性高，以及處理多個形狀的特點。而其推廣的廣義霍夫變換(GeneralHoughTransformationGHT)可以將檢測推廣到任意形狀。其基本思想是將圖像的空間域變換到參數空間，用大多數邊界點滿足某種參數形式來描述圖像中的曲線。實現方法是尋找在參數空間有參數累加器形成的峰值。

由于HT是根據局部度量來計算全面描述參數，因而具有很強的容錯性和魯棒性。但是，GHT也有幾個較大的缺陷：首先由于每個邊緣點映射成參數空間的一個曲線，是一對多的映射，因此計算量大，占用內存空問大；其次是提取的參數受參數空間的量化間隔制約。因此，很多相關研究也在致力于對這兩方面做出改進。

2)區域分割進行車輛檢測、

典型的區域分割方法有區域增長法例如分水嶺算法和聚類方法等。在視頻交通場景的車輛檢測階段，由于視頻幀的特性并非是多個較均勻的連通區域，因此區域增長方法很少單獨使用。下面主要介紹一種基于聚類的區域分割方均值聚類法在車輛檢測中的使用。

k-均值聚類法是在視頻交通檢測系統中，按照一定的聚類準則將提取到的視頻序列中的數據分成幾個聚集的方法。K-均值法就是將拍攝到的交通場景中的像素聚類為k個表示不同物體的區域塊。

最早的k均值法的分割算法由Kottle提出，其聚類準則利用了像素的三個特征：橫縱坐標和灰度值，其中灰度值可以將屬于不同物體的像素分離，而坐標則決定了像素的歸屬區域。這種方法考慮到了像素所屬物體在空間上的連續性，但缺點是分割區域的數目要作為算法處理的初始參數。由于在復雜的交通場景中具體需要分割出的車輛數目并非已知，因此事先預測可以正確分割圖像的區域數目是相對困難的。為了解決這個問題，Badenas提出了一種多段(Multistage)分割方法，事先固定初始分割區域數目(6～10個)，然后根據初始分割區域的大小、密度等信息再來決定是否對此區域進行繼續劃分。

另外與k均值法相關的是區域合并問題。由于算法產生的最后分割區域數目不固定，產生的每一個區域塊屬于單一物體，但一個物體卻可能包含多個區域，因此需要后續的融合操作將多個區域合并為單個的感興趣區域(RegionOfInteresting，ROI)。由于不同物體間存在相對運動，而屬于同一物體的區域則不存在這種相對運動，可以利用這一特征來初步合并區域再從時域分析區域塊的運動矢量進一步合并得到ROI。

k均值法是一種有效的分割方法，后續的改進方法雖然克服了根據先驗知識來預先對聚類個數進行設定的缺陷，但在聚類過程中均會涉及到迭代運算，這使其在實時性要求極高的交通檢測應用中受到了一定的限,Or23l。

2．3車輛跟蹤技術

對檢測出來的運動車輛進行跟蹤，也是ITS系統研究的焦點之一。由于視頻監視器中的運動車輛目標跟蹤不但可以提供被監視目標的運動軌跡，也為進入場景中目標的運動分析和場景分析提供了可靠的數據來源，因此不但是在交通流量統計中得到車速、車流量等的基礎，也在輔助駕駛、自動導航、交通監控、事故檢測等方面發揮著重要的作用。車輛跟蹤所依賴的仍然是視頻序列圖像的運動信息，它要求將同一輛車在不同時間的運動軌跡描述出來。理想的系統要求實現對運動車輛的快速有效跟蹤，并且能處理跟目標之間的重疊以及目標的暫時消失等情況。

2．3．1概述

在車輛跟蹤技術中，根據對視頻幀中的信息的利用層次不同又可以將常用方法分為兩大類：提取像素信息結合鄰域特征，并以此為處理單位的非模型方法，以及通過對圖像內容進行理解后的模型處理方法。具體說有：基于區域匹配相關的方法、基于特征點的跟蹤算法、基于變形模板的跟蹤方法、基于3．D模型的運動目標跟蹤方法等。在實際的跟蹤過程中，當目標運動較快時，這些跟蹤方法可能丟掉待匹配的對像，因此往往需要對具有一定特征的運動方式進行預測。常用的預測方法有多項式預測法及卡爾曼濾波器法。車輛跟蹤與預測不是本文研究重點，所以只對目前常用的方法作概要介紹。

2．3．2核心技術

2．3．2．1非模型方法

非模型法的特點是將視頻監視器中獲取的視頻序列中的車輛目標作為一組像素的集合進行處理。根據處理方法不同，又可以分為以下幾類：

1)基于時域的運動估計法

基于時域的跟蹤方法就是在時域上跟蹤車輛檢測模塊檢測出的一個個像素連通塊，這些塊區域表示檢測出的車輛。這種車輛檢測方法的核心思想是通過時域的運動估計跟蹤圖像序列中的運動物體來提高分割的準確性，將車輛跟蹤過程和圖像分割過程結合起來，進而減少計算復雜度，提高系統的實時處理能力。它綜合考慮了空域和時域信息。在匹配不同圖像幀中表示同一車輛的運動塊的過程中，可以得到被跟蹤車輛在n幀序列圖像中的形態演變，因而也就有可能預測其在n+l幀中的形狀，從而能糾正車輛圖像的誤分割情況，如運動塊突然出現、消失以及形狀突變等。這種方法和其它車輛檢測跟蹤方法主要的不同在于分割過程

和跟蹤過程是同步進行的，而不是在跟蹤過程前就有了明確的分割結果。這種方法在車輛稀少時效果比較好。

運動估計的方法有基于光流方程(OFE，OpticalFlowEquation)的方法、基于塊的分析方法、像素遞歸法、貝葉斯法等。

2)基于動態輪廓的方法

基于動態輪廓的方法實質上是對待檢測圖像中的一組像素進行檢測和跟蹤，屬于非模型方法。其跟蹤方法的主要思想是先初始勾勒出車輛的輪廓并且不斷地在后續幀更新輪廓進而達到跟蹤的目的。以車輛輪廓為跟蹤對象的方法有很多，雖然輪廓可以通過簡單的邊緣檢測的方法得到，但這些簡單的方法往往同時檢測出背景中的一些干擾邊緣。因而有些系統采用復雜些的邊緣檢測算法如自動輪廓獲取或snake模型1251，這些算法以求能量最小值對目標進行分割跟蹤，抗噪聲能力突出，并且可以用專門的處理器進行實時處理，計算量相對較低。

但是基于動態輪廓的方法也有其自身的缺點：在陰影和道路擁擠的情況下其效果會變得很差，因為陰影和車輛之間的遮擋都會將本來相鄰的多個連通塊變為一個，造成漏檢和誤檢。而且初始化具有困難。

2．3．2．2模型法

上面講到的非模型的處理方法只是將處理得到的待檢測圖像中的運動塊看作是一組像素的集合，缺點在于有可能把誤分割形成的像素集合也檢測為車輛目標。而基于模型的車輛檢測方法的突出優點是對于視頻幀的處理，不僅僅停留像素級別上，而是融合了對于圖像內容的理解。

在視頻交通流量統計系統中，車輛運動目標是剛體，不同于行人等非剮體目標，因此對車輛目標的跟蹤可以利用其精確的外形先驗知識，即以形狀作為模型匹配的模板，這是使用模型法進行車輛目標跟蹤的前提。

關于模型法，針對車輛的形狀作為模板，實現中的跟蹤方法又可以分為以下兩種：

1)以被跟蹤車輛目標特征為基礎的跟蹤算法；

2)通過計算二維運動區域與運動目標三維模型的對應關系進行目標跟蹤。如通過計算二維運動區域的中心位置、運動方向，然后在二維運動的區域中計算與三維模型中線段的對應關系，由此來判別運動區域是否與目標模型相匹配。

在早期的車輛跟蹤研究中，第一種以特征為基礎的跟蹤算法是研究的熱點。匹配特征的選取一般包括那些與物理運動關系密切的信息，如位置、大小等，以及目標的形狀拐點和顏色等，或將這些特征按照重要性進行權重組合來表示車輛。

基于特征點的算法的優點是通過特征提取，找到車輛的外形共性，不會產生像素陰影問題；而且，即使對于輕微遮擋的車輛，很多特征也是可見的。但是，算法在車輛彼此太近時，一般無法正確提取到足以識別車輛的特征，而且特征提取的