一种基于无人机视频影像的车流量统计算法

张冬梅，卢小平，张航，余振宝，苗沛基

(河南理工大学 自然资源部矿山时空信息与生态修复重点实验室，河南 焦作 454000)

0 引言

为缓解城市交通拥堵状况，对不同路段和不同时段的车流量监测并进行统计分析，已成为城市智能交通的重要技术手段[1]。现有的车流量实时统计方法主要有：①基于环形线圈传感器方法，该方法可靠性强、准确率高，但在安装和维修方面花费巨大且容易造成道路堵塞。②将微波传感器、雷达传感器、红外线传感器或超声波传感器的检测系统悬挂在道路一侧或正上方，通过发射和回收波形计算车流量。③基于监控视频提取车流量方法[2-3]。

随着我国“天眼”工程建设的持续推进，基于监控视频影像的车流量统计方法因其布设范围广、数据来源广、复现性好、处理精度高等优点，已被广泛应用于城市智能交通建设中[4]。基于视频的车流量统计方法主要有虚拟检测线法、虚拟线圈法、目标跟踪法等算法。虚拟检测线法和虚拟线圈法基于图像像素值的变化来统计车流量，目标跟踪法通过特征匹配来统计车流量。王卫锋等[5]采用虚拟检测线法，将检测线放置于检测道路中心且与道路方向垂直，该算法取得了较好的效果，但统计精度较低。张虹波等[6]采用虚拟线圈法，该算法在虚拟检测线法的基础上进行改进并取得了很好的效果，检测的实时性和可操作性有所提高，但车辆在行驶过程中变道或设置的虚拟线圈位置不变，会产生漏检从而导致统计精度降低。夏永祥等[7-8]采用目标跟踪法统计车流量，该算法抗干扰性能较好，可利用车辆自身的照明特性计算夜间的车流量，实现全天候车流量检测，但该算法较复杂。针对上述问题，本文提出一种基于无人机视频影像的车流量统计双虚拟检测线法，该方法使用无人机获取道路某一时间段的视频影像，将获得的视频帧图像进行预处理并进行背景建模与更新，运用改进的多帧平均法进行初始背景估计，获到不含运动目标的背景模型，通过背景差分法检测运动目标并使用混合高斯背景模型法进行背景更新。最后进行车辆统计，在视频帧的中下方设置双虚拟检测线，通过计算双虚拟检测线内的各连通区域的面积及长宽比进行车流量统计。实验证明，该算法精度较高，鲁棒性较强，为突发交通事件提供可靠的车流量统计方法。

1 本文方法

本文提出一种基于无人机视频影像的车流量统计双虚拟检测线法，是将无人机采集到的监控视频影像数据进行预处理，进行背景建模与更新，然后采用双虚拟检测线法计算某段道路上特定时间的车流量。

1.1 图像预处理

由于受周围环境和采集设备性能的影响，得到的图像存在噪声，导致图像质量下降[9-10]。本文采用均值滤波的方法去除噪声，其数学表达式为：

(1)

式中：h(x，y)是经过滤波后输出的图像像素值；k为邻域个数；f(x，y)为该点的像素。均值滤波是典型的线性空间滤波，该算法运算速度快，同时还能保留边缘信息的优点。

1.2 背景建模与更新

1)初始背景估计。对于行驶在道路上的车辆，很难获得其静止的背景图像，必须对获得的视频帧进行预处理才能得到静止的背景图像。运用多帧平均法提取初始背景的表达式为：

(2)

式中：B(x，y)为初始背景模型；fi(x，y)为第i帧图像像素值；N为前N帧图像。N值越大，提取的初始背景效果越好，多帧平均法求初始背景具有计算简单，易于实现等优点。但在实际提取的时候，由于光照、车流量等因素，往往会在背景图像中留有阴影且如果N值过大提取时间将会较长。因此本文采用一种改进的多帧平均法提取初始背景，通过求前N帧图像与初始背景图像像素值之差，选出n帧差值小于阈值T的视频帧并对选出的n帧图像求平均值b(x，y)，然后利用标准差求出阴影，最终求出不含阴影的背景模型。具体表达式如下：

(3)

式中：gj(x，y)为前N帧图像与初始背景模型差小于阈值的视频帧像素。

(4)

式中：b(x，y)为选出的n帧平均像素值。

(5)

式中：K(x，y)为初始背景中阴影部分。

P(x，y)=|b(x，y)-k(x，y)|

(6)

式中：P(x，y)为最终不含阴影的背景图像。

2) 运动目标检测。运动目标检测的核心是将背景与目标进行分离并获得想要的目标区域[11]。常用的目标检测方法有：光流法[12-14]、帧差法[15-17]、背景差分法[18-20]。

光流法检测运动目标不需要提前获得背景信息，但因其算法复杂、计算量大、抗噪性差，很难提取速度较慢的运动物体。帧差法是通过相邻视频帧实行相减运算，得到差分图像，但由于相邻视频帧之间的时间间隔较短，检测到的运动目标会出现许多空洞。本文采用背景差分法检测前景目标，此方法是利用当前帧与改进后的背景图像之间的差值进行检测，当前帧与背景图像相差较大的区域即为前景目标，该方法实现方便，可快速分离前景目标。计算公式如下：

d(x，y)=|fi(x，y)-P(x，y)|

(7)

式中：d(x，y)表示差分像素值；fi(x，y)为第i帧的视频帧像素值；P(x，y)为最终不含阴影的背景图像。

(8)

式中：D(x，y)为运动目标像素值；T是二值化阈值。

3) 背景更新。由于光照、噪声等原因，道路背景不断变化，因此必须对初始背景进行更新。本文采用混合高斯背景模型法进行背景更新，该算法首先对视频序列图像中每个像素点建立K个高斯分布，同时使用所建立的K个高斯分布的加权来描述视频中的场景[9]。通过像素点与高斯模型是否匹配区分背景点与前景点。像素点的概率定义为：

(9)

1.3 双虚拟检测线法

智能交通系统中交通流量统计的实时要求非常高，因此交通车流量统计算法通常基于感兴趣区域的检测和分析[21]。基于双虚拟检测线的车流量统计法，首先确定双虚拟检测线的位置即感兴趣区域，一般设置在视频帧的中下方，以调节感兴趣区域内前景目标的像素间距从而分隔开车辆，缓解车辆断裂的影响。当有车辆经过双虚拟检测线时，利用边缘跟踪技术获取双虚拟检测线内连通区域边缘的定位并标记，采用四连通法计算当前帧连通区域的个数并逐个计算连通区域的面积和长宽比。设置前景目标的面积阈值R和长宽比阈值r并根据阈值选择前景目标并计数。为避免重复计数，引入状态变量flag，当有前景目标经过双虚拟检测线时，状态变量flag=1；当没有前景目标经过双虚拟检测线时，状态变量flag=0。

设置感兴趣区域时，双虚拟检测线的位置和宽度对检测精度有一定的影响。双虚拟线的位置一般设置在离摄像头较近的地方以防止出现粘连现象，检测线的宽度一般为最小车长的2/3左右。在当前帧计算连通区域的个数并逐个计算连通区域的面积和长宽比，公式如下：

(10)

(11)

∑flag=SUM

(12)

式中：e，f和p，q分别为连通区域g(x，y，i)在x，y轴的坐标；sum和m分别为连通区域的面积和长宽比；R和r为阈值；SUM为当前帧车辆数。

本文的车流量统计算法步骤如下：

①视频帧影像二值化后，当有车辆经过双虚拟检测线，利用边缘跟踪技术获取双虚拟检测线内连通区域边缘的定位并用长方形标记出来，长方形各边的坐标为距离连通区域最近的像素值，通过计算长方形各边的边长获得连通区域的面积和长宽比。

②设置状态变量flag=0，将得到的连通区域的面积和长宽与设置的阈值进行比较，当sum>R且m>r时，则状态变量flag=1，认为有车辆经过双虚拟检测线，否则状态变量flag=0，认为没有车辆经过双虚拟检测线。然后flag 重置为0，逐个计算并分析当前帧剩余通区域的面积及长宽比。

③设置SUM初始值为0，在当前帧累加状态变量flag，计算当前帧车辆数并将当前帧车辆数与前一帧车辆数比较。若当前帧车辆数大于前一帧中车辆数时，则将当前帧与前一帧车辆数之差累加到总数量上，若当前帧车辆数小于或等于前一帧车辆数时，不进行累加，继续下一帧的计算，SUM重置为0。

本文算法引进了目标车辆大小的状态变量并结合双虚拟检测线内连通区域的变化情况来统计车流量。该算法可同时检测多车道的车辆，避免车辆在两车道之间行驶时出现漏检现象，且运算量小、实时性好、鲁棒性强。

2 实验与结果分析

2.1 实验过程与结果

实验采用大疆PHANTOM 4 PRO无人机作为道路监控视频源，选取某城市主干道车流量较大的一段作为研究区，时间为16点。首先使用无人机获取监控影像并对每一帧图像进行滤波处理，处理结果如图1所示。之后对实验数据进行初始背景估计，处理结果如图2所示，使用改进的多帧平均法获得的初始背景可消除阴影，提高精度。最后设置双虚拟检测线并将视频帧二值化进行车辆统计，本实验视频帧高度为240，分别在160与200像素处设置双虚拟检测线并累计统计车流量，结果如图3所示。

图1 中值滤波前后对比图

图2 初始背景的比较

图3 车辆统计

2.2 实验结果分析

选择合适的视频帧速度和阈值，确保车辆在双虚拟检测线线内仅出现一次。实验中视频长度为35 s，视频帧速度为30帧/s，实际车辆为9辆，使用本文算法得到的结果为8辆，正确率为89%。利用连通区域分析对车辆进行统计，当有车辆通过时，连通区域的面积增加，同时会出现一个峰值，每个峰值代表一个车辆。如图4所示，视频帧中共有10个峰值，但有2个峰值在最低点附近，小于实验中设置的阈值，不被计入总数之中。分析出现误检的主要原因如下：①车辆颜色分布不均匀，进行二值化时，造成亮度分布不均，进而导致提取的前景目标不完整，造成一辆车可能同时出现几个外接距长方形，从而造成程序的误检。②车辆目标由远及近驶向摄像头，前景目标在视频流中的位置发生改变，所提取的连通区域的面积由小变大，不同大小的车辆面积变化趋势不一样，所设置的双虚拟检测线的位置可能不能适应于所有的车辆，从而造成误检。

为验证算法的有效性，在该主干道分别采集了高峰期和非高峰期两时间段的视频影像数据，每个时间段分别采集5组数据，每组数据的视频帧长度为10 min，使用本文算法与虚拟线圈法比较，结果如表1和表2所示。

表1 非高峰期时段车流量统计结果

表2 高峰期时段车流量统计结果

从上述表中可以看出，本次实验在非高峰期时间段采用双虚拟线检测线法统计结果平均正确率为92.94%，虚拟线圈法为87.08%，本文算法比虚拟线圈法提高了5.86%。高峰期时间段采用双虚拟检测线法统计结果平均正确率为91.62%，虚拟线圈法为84.42%，本文算法比虚拟线圈法提高了7.0%。因此本文算法优于虚拟线圈法，具有一定的实用性，本文提出的车流量算法能避免因跨车道行驶而出现的漏检现象且可以排除检测区域内的非车辆前景目标。

3 结束语

本文针对车流量的统计问题，提出了一种基于无人机视频影像的车流量统计双虚拟检测线算法，同时采用改进的多帧平均法消除初始背景阴影来提高精度，并在MATLAB R2014a平台上得以实现。经过多次实验验证，说明本文所实现的算法能在初始背景精度较高的情况下进行准确率较高的车流量统计。