基于视频的车流量统计算法

戚秀真，李娜

（1.长安大学信息工程学院，西安 710064；2.西安邮电大学通信与信息工程学院，西安 710121）

基于视频的车流量统计算法

戚秀真1，李娜2

（1.长安大学信息工程学院，西安 710064；2.西安邮电大学通信与信息工程学院，西安 710121）

提出一种基于视频的车流量统计算法，首先采用高斯混合模型建立背景模型，然后采用背景差分法提取前景，通过形态学处理得到运动车辆，接着利用多示例学习的方法对目标进行跟踪。在Visual Studio 2008上结合OpenCV 2.4.4编程实现并验证该算法，取得较好的效果。

计算机视觉；车流量统计；目标检测

0 引言

随着图像处理技术的飞速发展，视频检测逐渐体现出其优越性：安装维护方便，不破坏路面，不影响道路的正常使用；检测范围广，能够检测出静止车辆；系统采用模块化、结构化设计，扩展性好，运行效率高。因此，视频检测技术在交通监控、交通管理等领域得到了广泛的应用[1-2]。

本文在研究国内外相关技术的基础上，提出了一种基于视频的车流量统计算法，并在Visual Studio 2008上结合OpenCV 2.4.4编程实现，取得了较好的效果。

1 算法概述

基于视频的车流量统计算法主要包括车辆检测和车辆跟踪两个部分。首先，读入视频序列，利用高斯混合模型（Gaussian Mixture Model,GMM）对背景建模，然后利用背景差分法，提取前景图像，并进行形态学处理，从而检测得到运动目标。对目标所在区域提取Haar-like特征，训练并更新多示例学习（Multiple Instance Learning,MIL）分类器，实现对目标的连续跟踪。最后统计感兴趣区域内单位时间内的车辆总数，即得到车流量。

图1 车流量统计流程

（1）车辆检测

背景建模中较常用的是高斯混合模型，但实验发现：经GMM建模后，利用背景差分法检测得到的前景图像中，车辆内部容易出现空洞，这给后续车辆的检测和跟踪带来了困难。本文采用GMM结合背景差分法得到二值化图像，然后在目标像素的邻域范围内，将与目标像素具有相似邻域结构的背景像素标记为目标像素，这将在一定程度上，填补车辆内部空洞，便于对车辆区域进行进一步处理。具体方法如下：

对于一幅M×N的图像I，对坐标为(x,y)的像素点求它的绝对坐标，记为j，即 j=(y-1)×M+x，因此，(x,y)处的像素点即为像素j。记Wjr表示以像素j为中心、大小为r×（rr为奇数）的搜索窗，像素p是落在这个搜索窗内的像素点。在搜索窗Wjr内，像素p与像素j之间的相似度djp由下式定义：

其中，h是控制djp衰减程度的参数；v(Nj)表示以像素j为中心、大小为f×f的相似窗Nj上的灰度向量，为利用高斯核函数定义的像素j和像素p之间的距离，其中，α＞0是高斯核函数的标准差；δj是归一化常数，具体定义为：

像素p与像素j之间的相似度djp反映了两个像素之间邻域结构的相似性。如果djp越大，说明两个像素之间邻域结构越相似；反之，两个像素之间邻域结构越不相似。如果两个像素的邻域结构很相似，而其中一个像素点为目标，那么另一个像素点也应该是目标。

经过这样处理后，得到一个包含更多目标信息的二值化图像，利用腐蚀和膨胀等形态学处理方法对该图像进行处理，去掉离散的点，填充小的空洞，然后采用连通域标记方法，得到车辆的候选区域，把距离较近的连通域进行合并，把面积较小的连通域进行删除，得到的就是候选目标区域。由于该区域中可能存在多个车辆粘连的情况，按照文献[3]中的方法，利用占空比对粘连区域进行检测，然后提取粘连区域的骨架，检测骨架上的角点，根据角点的聚类结果对相互遮挡的车辆进行准确分割，最终得到的每一个连通域就代表着一辆车，由此完成运动车辆检测。

（2）车辆跟踪

本文采用MIL的方法[4]对运动目标进行跟踪。在检测出的运动车辆的邻域内提取正包和负包，通过对训练包的学习，得到MIL分类器，然后读入下一帧图像，利用训练得到的MIL分类器，在当前帧中找到分类器响应最大的区域作为跟踪结果，然后在其邻域内提取正包和负包，更新MIL分类器，在下一帧中判断目标所在位置，如此重复，直到目标消失。具体方案如下：

①提取正包和负包

提取正包和负包的方法为：在第t帧目标所在位置lt*的邻域内，找到两个图像集合 Xγ={x：||l(x)-lt*||＜γ}和 Xγ,β={x：γ＜||l(x)-lt*||＜β}，将 Xγ作为正包，Xγ,β作为负包。其中，γ,β分别是正、负包的选择半径，l(x)为图像块x的位置，用目标中心点坐标（x,y）表示。

②训练MIL分类器

第一步，训练M个弱分类器。每一个弱分类器hk(x)由特征fk及其所服从分布的参数唯一确定。假设p(y=1)=p(y=0)，可计算得到弱分类器hk(x)，即：

经训练最终得到M个弱分类器φ={h1,h2,...,hM}。

第二步，构造MIL分类器。从M个弱分类器中依次选择K个弱分类器构成强分类器，使得包的对数似然函数最大。最终得到的分类器为：

③判断目标在当前帧中的位置

在当前帧中，根据前一帧中目标位置lt-1*，在其邻域内提取图像集合，利用MIL分类器计算出与目标相似性最大的图像块，并把它的位置作为当前帧中目标所在位置lt*。

④更新MIL分类器

第一步，更新特征分布的参数。分别假设正包和负包中示例的特征均服从高斯混合模型和单高斯分布，分别更新其均值和方差。

以负包中示例为例，其特征服从高斯分布：

按下式更新其参数：

其中，μ0,t，σ0,t2为t时刻高斯分布的均值和方差，为t时刻负包中所有示例第k个特征的均值，为t时刻负包中所有示例第k个特征的方差，0＜ζ＜1为参数更新速率，通过目标与模型的相似度来定义。

第二步，重新训练M个弱分类器。

第三步，重新构造MIL分类器。

2 算法实现

本文在Visual Studio 2008平台上，利用机器视觉库OpenCV 2.4.4，编程实现了该算法，如图2所示。首先设定用户感兴趣的区域，算法自动对感兴趣区域内的车辆进行检测跟踪和计数。对1小时视频内的交通量进行统计，准确率可达95%。分析漏统计和错统计的原因主要是车辆之间严重遮挡，以及光线对背景建模的影响所致。因此，下一步可从提高背景建模准确率和解决遮挡情况下的跟踪入手，提高交通量统计的准确性。

3 结语

本文提出了一种基于视频的车流量统计算法，采用GMM对感兴趣区域的背景建模，然后利用背景差分法提取目标，利用MIL方法对其进行跟踪，并在Visual Studio 2008上结合OpenCV编程实现并验证了该算法。但是当目标相互遮挡和光线变化时，算法性能有所下降，需要进一步深入研究。

图2 软件界面

[1]丁兆威.智能交通发展前景[J].中国公共安全（综合版）,2008（3）：5-7.

[2]陈艳,何春明,智能交通系统应用现状及其存在问题分析[J].交通标准化,2007（8）：62-65.

[3]李娜,陈俊艳,刘颖,等.基于骨架角点检测的粘连车辆分割[J].西安邮电大学学报,2015,20（6）：14-18.

[4]李娜,赵祥模,赵凤,等.基于外观模型的目标跟踪算法研究进展[J].计算机工程与科学,2017,39（3）：524-533.

Traffic Flow Statistics Algorithm Based on Video

Qi Xiu-zhen1，LI Na2
（1.School of Information Engineering,Chang'an University,Xi'an 710064;2.School of Telecommunications and Information Engineering,Xi'an University of Posts and Telecommunications,Xi'an 710121）

Presents a traffic flow statistics algorithm based on video,firstly,the background model is established by Gaussian mixture model,and then the background subtraction method is used to extract the foreground.After the morphological processing,the moving vehicles are detected.And multiple instance learning is adopted for object tracking.The algorithm is implemented in Visual Studio 2008 combined with OpenCV 2.4.4,and provides good performance.

Computer Vision;Traffic Flow Statistics;Object Detection

陕西省西安市碑林区科技项目（No.GX1502）

1007-1423（2017）32-0079-03

10.3969/j.issn.1007-1423.2017.32.018

戚秀真（1981-），女，安徽砀山人，博士，研究方向为智能交通、图像处理

李娜（1981-），女，四川泸州人，硕士，研究方向为图像处理、模式识别

2017-08-15

2017-10-28