基于智能交通系统下视频监测技术的研究

于春和，杜梦麒

（沈阳航空航天大学 电子信息工程学院，辽宁 沈阳 110136）

0 引 言

近年来，人口和车辆庞大的数量给交通管制系统带来了巨大的挑战，因此视频监测作为一个重要辅助手段备受工作人员的青睐。而在海量的监测数据面前，人工处理难免会出现漏判或误判。可以将先进计算机技术与交通系统融合，实现机器视觉下的视频识别、数据采集和挖掘并给出判决，极大地减轻人工处理的负担[1-2]。智能交通系统下的视频监测，利用先进计算机技术完成目标识别、目标跟踪以及目标行为判别等工作，将在各地广大交通网络发挥实时且高效的作用。

1 视频识别与检测

1.1 视频识别与检测概述

视频中目标的识别和检测是智能交通系统中重要的技术之一。区别于传统交通系统的人工检测技术，智能交通系统的视频检测利用先进图像处理技术和人工智能机器视觉技术极大地提高了检测的速度与效率。同时，云平台的海量空间为交通信息存储提供了巨大的便利，也为有效数据的挖掘提供了足够的资源。

机器视觉存在低中高3个层次，每个层次都有不同的用途和特点。低级层次主要作用为突出图像中的有用信息，对图像进行视觉处理，为自动识别做准备。中级层次等价突出图像中的感兴趣区域，并对其进行分割和检测，从而得到图像的客观信息。高级层次是对图像进行理解，能够像人一样看图说话。移动目标检测则属于中间层次的研究。视频识别与检测的基本原理是建立在对视频序列每一帧图像的分析和处理的基础上，从而将移动目标从图像背景中筛选出来。机器视觉分为静态视觉和动态视觉两种，静态视觉即监控不动目标动，而动态视觉是监控也动。在目前智能交通系统中，大多数属于静态视觉。

1.2 视频识别与检测方法

摄像机负责采集视频原始的图像信息，即将镜头范围内的光学信号转化成电信号再进行传输。算法对静态视觉采集的视频图像进行处理，通常对于移动目标的提取常用如下方法。

1.2.1 背景差分法

背景差分法是基于特定背景下的移动目标检测方法，需选一帧初始背景图像，再将目标图像和背景图像进行差分运算，从而将目标提取。在智能交通系统中，背景差分法的应用难点在于背景图像的时变性，每一时刻的背景都有可能不同，因此移动目标检测系统里的背景图像需要不断更新，更新与维护将带来极大的不便。

对于背景的选取，一般可以考虑第一帧没有目标的图像。在检测交通的视频中通常选取没有车辆的路面作为背景，但是由于交通背景图像具有时变性，单一背景并不符合车辆检测的实际需求。为了从视频里提取一个精确和高效的背景可考虑在视频的基础上做一个背景的建模。例如，均值法背景建模、中值法背景建模以及单高斯分布背景建模。每一种建模都存在一定的局限性，特别是较为复杂背景的建模。

1.2.2 光流法

流光法基于像素点和速度矢量的一一对应的关系，构画出一个有关运动场的图像。该运动场是由图像的亮度变化形成的，因此反映着每一个像素点灰度的变化情况。一旦目标在图像中与背景出现相对运动时，移动目标所在的像素点会有速度矢量的变化，从而可以很快地从图像中筛选出来。其中，二维速度矢量是景物中可见点的三维速度矢量在成像表面的投影，所以光流法不仅包含运动目标的信息，还包含周围景物的丰富信息。

光流法对于场景的变化适应性很好，无需了解场景信息就可以识别运动目标的位置。但是，由于光流法对于光线变化太过敏感和依赖，现实场景的光照不能满足恒定不变，所以现实场景中识别误差大精度低。同时，由于现实中车辆行驶过快、距离过长，导致计算量大耗时长，传统的光流法计算速度又过慢，导致时效性和精确性难以同时兼得，对于要求苛刻的实时场景来说并不适用。

1.2.3 帧间差分法

帧间差分法是基于视频序列相邻帧图像的灰度值差值对比，经过计算两张图片的灰度值的差值，从而检测到移动目标。通常为读取视频序列的相邻两帧图像，利用对应的像素点的灰度值差分相减的算法得到差分图，再把差分图进行二值化处理，然后需要计算并选择一个合理的阈值，将这个阈值作为前景点和背景点的判别机制。

比较3个方法，帧间差分法相对适合于智能交通系统下视频识别与检测。在实际应用中，为了提高视频识别和检测的精度，帧间差分法处理后还需要利用分割技术和形态学处理技术。

1.3 图像分割技术

图像分割技术是利用从图像大致分离出检测目标进行加工和处理。图像分割技术包含阈值分割算法、边缘检测算法以及区域生长算法。

1.3.1 阈值分割算法

阈值分割适用于前景和背景灰度值差别较大的图像。由于其实现方便、计算量小、性能稳定，通常用来做图像的预处理。具体是根据灰度级设定不同的阈值将图像分成若干区域，保证各区域内部具有相同的属性，同时不同于相邻区域的属性。但是，算法对噪声敏感，而且对于灰度值对比不明显的图像处理效果不好，所以常与其他算法配合使用。

1.3.2 边缘检测算法

边缘检测主要识别数字图像中变化明显像素点，然后把这些像素点连接在一起得到图像的边缘，从而定位目标图像边缘的过程。边缘增强算法用以增强图像前景边缘和背景的对比度，一般与边缘检测算法连用，突出边缘轮廓。

1.3.3 区域生长算法

区域生长法和分裂合并法是两种典型的串行区域技术。区域生长法利用图像中像素点的灰度值、纹理特性、强度等相似属性，由种子点为起点将所有相似属性的像素点集合起来发展成一个区域。

1.4 形态学处理

形态学处理技术[3]是基于形态结构元素去衡量移动目标的形状，通过分析和处理将其进一步提取。常用的运算方法有膨胀、腐蚀、形态学梯度、开运算、闭运算、顶帽运算及黑帽运算等。

在复杂背景下，目标差分二值图像完成阈值分割后，难免会出现一些空洞和少量噪声的问题。这时需要对图像进行腐蚀去除干扰点，然后再利用膨胀扩展感兴趣区域。利用形态学处理技术处理阈值分割后的图像，可以使目标检测的准确性相对提高。

2 视频测速与跟踪

2.1 交通系统的测速手段

测速是交通系统重要的监管指标。交通系统中移动目标速度的检测有3种手段：感应线圈测速、雷达测速以及视频测速。

感应线圈测速需在测速区间的合理位置铺设感应线圈，利用电磁感应的原理探测移动目标的位置。此手段对移动目标测量的局限性较高，其只能对区间类金属移动目标进行检测，同时对目标的识别依然需依赖监控系统，不适用于智能交通系统。

雷达测速是传统交通系统使用较多的手段，其测速精准且高速。但是，雷达测速在多移动目标的复杂环境下检测的准确性大大降低，因为其抗干扰性差且成本高，地域和环境存在局限在性，不适合智能交通系统广泛应用。

视频测速是智能交通系统下重要技术之一，也是实现目标跟踪的重要目的之一。其原理是利用某些参数结合每一帧图中车辆的二维位置从而得到车辆在视频中的三维位置，推算出视频时间段的位移，得到车辆的速度。其安装方便，抗干扰能力强，具有实时性，结合人工智能等先进技术可实现复杂环境下的检测。

2.2 运动目标的定位与跟踪

运动目标检测基本思路就是利用计算机视觉以及图像处理技术，分析摄像头获取的交通视频序列得到相关的参数。在智能交通体系网中，目标跟踪不仅是车辆测速的方法，也是治安保障的关键，如疫情防控或者犯人追捕等。运动目标跟踪方法大致可从如下3种思路入手。

2.2.1 移动目标特征的抓取

此方法的特点是不需要知道移动目标的全貌，只需要部分特征即可以做跟踪观测。但是，局限于运动目标的特征集合的稳定和权重，没有足够权重的固定特征作为目标判断依据很容易造成错误跟踪而导致效率低下，同时若运动目标发生人为的特征点遮挡很容易造成逃逸。基于以上局限性，在未来智能交通系统中，目标特征的抓取法很难得到进一步的发展。

2.2.2 移动目标的建模

此方法基于对目标进行3D、2D或者线图模型的建立，或者基于更高层次的模型空间的建立，如三维和二维空间。模型的建立对目标的追踪可靠性强，但是建立的工作量和难度大，对个例开展实施有效，不具有应用普遍性。

2.2.3 区域跟踪法

区域跟踪法建立在目标区域背景模板上，通过对比每一帧领近图像的纹理、梯度、色彩等特征，将移动目标给筛选出来，然后选择出最清晰的特征用于识别和跟踪，从而构画出目标在视频中的移动轨迹，很适合当今智能交通系统。区域跟踪法对目标的定位可参考如下两种方法。

（1）灰度重心定位法。由于移动目标在视频序列相邻两帧不会出现速度和方法的突变，目标在图像中的灰度重心因此不会有很大的位置变化。将灰度重心最为特征定位参数，每一帧的灰度重心点能够建立移动目标的运动轨迹。

（2）亚像素定位法。这是一项十分典型的图像特征筛选技术，对特征目标的定位精度高，受到了计算机领域相关学者的关注。其对目标的选取基于一定的形状分布和特定的形状分布，对面积大小以及灰度变化程度上也有一定要求。不同于灰度重心法的单个像素特征点，亚像素定位法对目标筛选出了一个矩特性，而矩特性在视频的成像是不变的，因此可以用矩形框将移动的目标在视频中定位。人工智能的移动人脸识别也是基于该原理。

3 结 论

智能交通系统下视频监控技术具有很大的发展空间和发展潜力[4]，特别是在当今的大数据时代，交通系统下视频信息处理将被要求更快更准，因此本文研究具有重要意义。