公路夜间车流量统计范文

本站小编为你精心准备了公路夜间车流量统计参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1引言

社会经济在不断发展，城市人口和机动车辆在不断增加，交通监控管理越来越受到社会各方面的广泛重视。应用先进的监控技术，建立完善的道路交通监控管理系统，实现城市道路的现代化管理，从而有效地规划城市道路和抑制交通事故的发生，也可以减轻道路工作人员的负担，减少社会财产的损失，这个问题已成为各地交通管理部门最为关注的问题。对交通的监控应该在不同的环境、天气和光照条件下都能正常有效地工作，对道路做到完全的实时监控，完善夜间道路的监控系统是非常重要的。为达到此目的，检测思想和算法也在不断的改进和革新。有基于检测线的［1－2］、检测窗口的［3］，以及整幅图片的，大部分算法都是基于整幅图片的研究［4］。夜间，很多中小城市道路的光照条件还不是很好，运动车体大部分不可见，车辆的显著特征就是车头灯以及它的投射光束，还有道路两旁的路灯和道路上的斑马线［5］，并且夜间的背景和这些特征的亮度差别很大。在夜间光照条件不是很充分的情况下，根据以上特征对视频序列图像进行阈值化，然后通过形态学分析便可以提取出车灯轮廓，最后根据车头灯之间一定的距离分离出车灯对，将其作为运动目标，对其进行跟踪来统计车流量，甚至可以通过车灯之间的距离估计出车型。

2车头灯对的检测过程

2．1视频序列图像预处理

根据夜间道路的显著特征，对目标检测影响较大的因素主要是车灯投射的光束，通过预处理尽量消除此因素是关键。有通过“浮雕”［6］做处理，如图1(b):计算图像的每一个像素与其左上方像素之差，最后提取车体，从图中可以看到车灯明显突出，而在两辆车靠近时车体连接在一起。因此车灯提取是最简单的方案。实验研究中所用数据是三通道彩色图像序列，整个过程是对单通道做处理。通过阈值化将背景和前景分开:当图像的像素值f(x，y)大于设定的阈值T时就把该像素赋值为255，否则赋值为0(如式1)。分离出来的前景包括车灯、车灯投射的光束以及一些小的噪声，形态学分析里的腐蚀可以去除小的噪声，也可以把一些轮廓分开，本文采用3×3的算子进行了2次腐蚀(如图1(c))。最后通过对连通区域的最小值进行设置，去掉一些较小的噪声，找出轮廓的连通区域(如图1(d)连线在下文介绍)。该预处理效果很好，利于后期研究的进行。

2．2车头灯对的检测

检测运动目标常用的算法是帧差分和背景差分［7］算法，前者在静态时目标信息被差去无法检测，后者对光照特别敏感，以及将二者进行或［8］的运算。有基于颜色和运动信息［9］来检测车流量的，此方法在车辆有一个车灯驶出拍摄范围时受到限制。该过程的目的就是从图像序列中将车头灯的轮廓提取出来。从图1可以看到预处理结果中只有车灯、车灯投射的光束以及疑似车灯的轮廓。通过对多组数据的观察与研究发现一般车灯的轮廓接近圆形或矩形，且其长宽和面积都在一定范围之内，这样可以把一小部分干扰剔除掉，再根据两个车头灯之间的距离，以及车辆无论是在静止、直行还是拐弯时两个车头灯轮廓的纵坐标位置，就可以很准确地把两个车头灯轮廓进行配对。由于车辆有可能有一些装饰灯(除了主灯之外)，所以此过程也将一些能提取出来的装饰灯进行配对。根据主灯的面积大于装饰灯，把主灯的轮廓信息存储以备后续研究应用。此部分的阈值都是根据视频序列图像的具体情况而设定的。为了能直观地看到车头灯检测以及配对效果，在轮廓的连通区域图像上将主灯和装饰灯都分别配对连线(如图1(d))，在原始序列图像上只对主灯进行连线(如图2)。对于一些拐弯的车辆只留一个主灯在摄像范围内，可以根据主灯离图像边缘的距离猜测是否它的车牌大部分还在图像中，如果是就把该主灯和边缘处连线表示此车也被检测到。所有被配对成功的车头灯对的信息包括当前帧数、轮廓的中心点、轮廓区域、轮廓面积都被放在车灯对链中为下一步的跟踪做准备，如果是对单个车灯进行配对，那么信息中有一个轮廓的区域为0，面积是该车灯面积。

3车辆跟踪和车流量统计

3．1车辆跟踪

夜间车体基本上不可见，车辆跟踪主要是对车头灯对的跟踪。正常情况下车道上车辆的运动状况只有向前运动，拐弯和静止，异常情况会有倒车等现象，研究只针对于正常情况:(1)车体运动时车灯也在运动(2)车体静止时车灯的位置不会变化根据以上两种情况对车灯对进行跟踪，即对当前帧的车灯对链(新链)TrackBlock［track］与上一帧的车灯对链BlockOld［old］(旧链)中的信息进行判断:Track是新配对的车灯对数目，old是上一帧配对数目，新旧链中每一对车灯对的轮廓连线中心点分别为p2、p1，面积分别为area2，area1a．如果两个中心点横坐标差的绝对值|p2．x－p1．x|在阈值(Dx1，Dx2)之内，判断两个中心点的纵坐标b．若其纵坐标p2．yp1．y，车辆向前运动或静止;或者Dy1＜(p1．y－p2．y)＜Dy2，由于光照影响造成轮廓大小变化也属正常。符合上述两种情况转(c);否则转(d)c．若area1＜area2＜k×area1，新链中的车灯对已经存在;否则为新目标。d．判断下一车灯对。在每次判断完之后都把新链中的信息存储在旧链中。把当前帧的车灯对链中的信息和旧的车灯对链中的信息进行对比判断后，当前帧的车灯对链中的部分信息(帧数)会被修改，用来标记该车灯对是否已经存在。判断结果如图2:蓝、绿线表示新增车辆，红、黄线表示已经存在的车辆，红、绿线表示两个车灯都在图像上，蓝、黄线表示只有一个车灯留在图像上的车辆。

3．2车流量统计

在对车灯对进行跟踪完后，新增车辆和已经存在的车辆已经完全分开而且明显地标注出来，每画一条红或黄线计数器Num就会自动加一，方便从检测到的目标中减去已经存在的目标。最后对车流量进行统计，从开始帧到当前帧的车流量的相关计算过程为:设从开始帧到第i帧的车流量为carNum1，到第i+1帧的车流量为carNum2从上述中可知第i+1帧的新增车辆为:(track+1)/2－Num2则:carNum2=carNum1+(track+1)/2－Num2.

4实验结果及分析

采集到的实验数据是在夜间光照不充足的场景下，以两个车道上车辆为主，其他车道车辆为辅，采用帧大小为1616×1232，帧速为25fps，像素类型为8位的RGB视频序列图像。实验结果如表1所示。表1实验测试表实际(辆)检测(辆)检测率(%)3939100949297．8从上述图中可以看出车辆的车头灯被完整地提取，车灯对被准确的配对及跟踪，从表中可以得出统计数据都超过97%，这对以后的夜间车辆检测和跟踪进一步改进打下了良好的基础，不过由于车灯投射光束及天气变化的影响，使得结果还不是很精确，还有待进一步改善。

5结束语

该算法主要针对当前一些城市地段夜间光照不充足，交通监控系统不方便工作的状况下，对夜间的车流量进行了初步统计，得出的结果还比较满意，为以后实现各种环境下的交通监控提供了信息。由于交通监控系统实时性和精确性的要求，该算法的时效性和精确性都还需要进一步优化和提高。夜间车辆检测中的遮挡和车灯投射的光束问题是一直以来该领域的难点。研究中同时对两个车道上的多个车辆进行处理，结果中投射光束的影响基本上不存在。由于该视频序列是在实际的交通场景下拍摄的，有一些公交车和小型车辆之间存在一些遮挡，遮挡问题如何解决是今后研究当中需要考虑的。