机器视觉的轻量级交通拥堵检测技术的运用研究

摘要：随着机动车保有量的增加，我国交通现象拥堵现愈发严重，路管交通部门也对此给予了更多关注。为了更好的获取交通基本参数信息以检测交通道路拥堵程度，本文提出了一种依靠机器视觉来评测交通拥堵程度的全新系统，通过在路口设立监控设备，来对实时路况进行监测并将采集到的信息及时反馈进行智能分析处理，结合路面的实际动态，来判断道路是否存在拥堵现象，以便于及时采取措施达到缓解交通压力的目的。

关键词：机器视觉;轻量级;监测交通拥堵

引言

关于交通拥堵问题的解决方案，相关部门曾采用增加路网建设密度、加宽城市主干道路、建立城市立交桥等方法，然而随着经济水平的提高，私家车变得普及起来，这些方法越来越显现出其作用的局限性，因此人们迫切需要通过科学技术手段来改善日趋严重的交通拥堵问题。当前人们获得基本交通信息的方法主要依靠各类传感器（如埋在地下的线圈传感器、雷达等），如今随着视讯手段的全面提高，依靠机器视觉系统，通过在道路设立监控设备采集各种交通参数信息，针对实时交通状态进行评估来判断交通拥堵状态成为可能[1]。

一、交通拥堵的轻量级检测

（一）监控区域中道路的定制

车辆是以视觉为主检测道路交通拥堵的重要媒介，在实际展开检测工作过程中，需要对行驶中的车辆进行跟踪，以此来掌握各种交通基本参数，包括车辆密度、平均行驶速度以及车流量等，在整合各项参数时，可更加明确拥堵状态。而这一方法应用中，计算量较大。而道路特征的实时变化可以更加清晰地反应交通拥堵状况，同时以路面作为研究主体不必对过往车辆进行全方位跟踪即可获得车辆行驶速度、道路拥堵密度等交通参数，减少了信息采集的工作量，避免复杂的计算过程，因此将道路作为监控区域的来评估交通拥堵系数的研究比监控车辆的研究更有实际意义。

在监控设备采集到的交通场景图中，可以通过机器视觉系统自动从区域图中标记出路面，也可以通过机器辅助的方法人工操作定制监测区域。车道是监测交通拥堵状态的主体，而路边建筑物、绿化带及行人通道则不属于视频监测的主要目标。因此在实际交通监控场景中，监控设备一般架设于十字路口的位置，以保证其同时监控整个路面，另外设备的设立高度和角度与也要经过精细计算，以保证其精确分割车道区域，避免无用信息的采集，减少计算量。

（二）采样点的设立

在监控设备采集得到的视频图像中信息量极其庞大，其中不可避免的存在大量时间冗余和空间冗余，因此需要定制采样点做参造物的方法来去除其中的其中冗余信息。时间冗余是指采集到的同一序列图像中相邻两帧的图像背景和移动目标相同，只不过其位置略有变化而产生的无用数据;空间冗余是指数据图像中有着相似背景同时颜色相近的大面积区域，导致其像素点数据具有相关性，这种大量重复或类似的数据即称为空间冗余。一般来说，车道区域和同一车辆的颜色、亮度都是一样的，因此采集得到的图像中往往存在大量的空间冗余[2]。

考虑到车辆的面积大小在路面移动的过程中是不会改变的，因此可以将多个采样点均匀有序的排列成一个平面，以此来代替监测路面，通过车辆移动时遮挡住采样点使其平面形态出现变化，来判断路面的实际情况。需要注意的是，在监控设备录制的二维平面图像中，同一物体在现实空间中距离镜头的远近，影响了其在画面中所呈现出来的图像面积大小。因此在设立采样点的过程中要保证采样点的分布随着与镜头之间的距离变化不断调整，距离镜头越近的采样点，其彼此间的间距越大。

二、采样点的分类

根据监控设备反馈回来的图像信息，观测采样点是否存在被车辆遮挡的情况，可将采样点分为存在采样点和非存在采样点。存在采样点即为有物体存在导致采样点被遮挡的情况，非存在采样点指的是采样点上没有物体存在。同时采样点又可以分为移动存在采样点和静止存在采样点。从字面理解，移动存在采样点是车辆在采样点构成的平面结构中移动的状态，静止存在采样点则指在平面空间中，该采样点上的车辆状态为静止状态[3]。

根据存在采样点在总体采样点中所占的比例大小，可以判断道路车辆密度，同时根据移动存在采样点和静止存在采样点的比例，可以判断当前车辆的流通速度，以及是否存在拥堵现象。

三、拥堵状态判定

在视觉系统的判定中，道路拥堵状态是根据静止存在采样点判断出来的。然而静止存在采样点是无法直接体现在图像信息当中的。需要从总体存在采样点中分离移动采样点的数量，两者之差才是静止采样点的最终数据。因此首先需要准确获得存在采样点和移动采样点的数据信息。

（一）存在采样点的检测

首先设立二值化阈值TH1和作为参考背景的采样点图像B0;其次选取t时刻的采样点图像Xt，根据公式

Dt=Xt-B0

可得出t时刻的差分图像为Dt。利用阈值TH1对差分图像Dt进行二值化处理，即可得到当前时刻的存在采样点图像Et。此刻图像内的采样点可分为1和0两种状态，0表示该采样点上没有物体存在;1表示该采样点上被物体遮挡，即为存在采样点。

（二）移动存在采样点的检测

分别读取t、t-1、t+1时刻的采样点图像，然后根据公式

D1t=Xt—Xt-1

D2t=Xt-Xt+1

得到第一差分图像D1t和第二差分图像 D2t;然后分别使用阈值TH1和TH2对D1t、D2t进行二值化处理，可得到当前时刻移动存在采样点图像Yt。

最后根据存在采样点和移动存在采样点的数据做求差计算，可以得到静止存在采样点的具体数据，从而可判断当前交通拥堵状态[4]。

结语

本文所提到的关于机器视觉的轻量级交通拥堵检测技术，其操作方便，数据采集准确且方便，并且算法简单，同时这种视觉检测系统能通过网络与交通信号灯等智能模块进行衔接，从而达到随时调整通行信号，应对拥堵状态及时采取措施的功能。

参考文献：

[1]叶锋，廖茜，林萧， 等.基于机器视觉的交通拥堵评估系统[J].计算机系统应用，2017，26（7）：78-83.

[2]汤一平，黄磊磊，严杭晨， 等.轻量级的全息道路交通状态视觉检测的研究[J].计算机科学，2014，41（5）：308-314.

[3]郭海涛.基于图像识别技术的区域交通拥堵状态判别研究[J].信息记录材料，2019，20（1）：74-76.

[4]汪青，梅瑞麟，周岳斌.基于机器视觉的车流监测和交通灯智能控制[J].機械管理开发，2019，34（2）：199-201.

作者简介：

雷华阳（1982.12—），女，汉族，云南昭通，大学本科，主要从事交通管理视频调度工作。