校园车流监测系统研究

安徽理工大学电气与信息工程学院 王汇芳 洪 炎 彭思雨 司逸菲 苏 静

在大学生创新创业项目的平台上，提出了一种基于视频流的车流监测系统，以校园内的道路交叉路口为检测区域，利用无人机进行视频流的采集，选用背景差分法进行车辆检测，结合虚拟线圈法完成车流量的统计。并期望将该系统应用于智能交通灯的设计，通过统计的车流量来动态的设置交通灯的等待与通行时间，同时根据车流量的大小进行限速预警，实现顺畅交通和安全交通。

随着科技时代的来临，社会逐步向智能化演进，构建智能交通体系成为近年来备受关注的焦点。基于视频流的车流监测系统将数字图像处理领域的技术融入传统的交通行业，进行车辆的检测，识别追踪，以及车流量的统计，为交通部门控制交通安全及流量起到了重要的作用。此次的大学生创新创业项目中，我们从高校内校园交通安全问题入手，在校园内设置道路的交叉路口为检测区域，在不同的时间段和天气环境条件下利用无人机进行视频的采集，然后经过图像处理，采用背景差分法进行车辆检测，结合虚拟线圈法进行车流量的统计。期望可以将此系统应用于校园智能交通灯的设计，使交通灯可以根据车流情况进行限速预警，并且可以动态的改变等待和通行的时间，促进交通顺畅，控制交通安全。

1 无人机场景

利用大疆min2型无人机进行车流视频的采集，与传统的固定监控设备相比，无人机具有高度的机动灵活性，易于操纵。但同时也具有悬停不稳定等缺点，后期需要通过对视频图像进行消除抖动处理。采集车流视频时，我们先使无人机悬停在合适的位置，然后通过云台来调整视野角度，利用高清摄像头获取图像，同时发送指令控制无人机的飞行状态。

2 基于背景差分法的车辆检测算法

背景差分法被广泛的应用到目标检测技术中，具有计算量小，实时性高的优点。同时背景差分法又对光照的变化和道路的状况较为敏感，背景会不断的变化，而背景模型的好坏对车辆检测的效果影响较大，所以在算法运行过程中我们还需要对背景模型进行相应的更新和动态的调整阈值。背景差分法的基本思想是根据采集的视频序列得到背景的初始化参考模型，这里我们采用的是均值法进行背景的提取，得到背景的参考模型以后，将当前的帧图像与不断更新的背景参考模型作差分运算，得到差分图像。经过阈值化得到粗前景，如果差分的结果小于某一阈值，判定为无目标出现。否则，判定为有目标出现。最后通过形态学处理得到前景图像。

背景差分法的运算流程如图1所示。

图1 背景差分法流程图

背景差分法的计算公式如下：

利用均值法提取出背景图像记为B，当前帧图像记为FK，当前帧和背景帧对应的像素点的灰度值为fk(x,y)和B(x,y)，将两帧图像对应像素点的灰度值相减取绝对值即差分图像Dk(x,y)，设定阈值T，进行二值化处理，得到粗前景，前景点灰度值为255，背景点灰度值为0。再对粗前景进行形态学处理，闭操作，膨胀操作等得到只有车辆的前景图像。背景差分法效果如图2所示。

图2 背景差分法效果图

背景的提取算法有均值法，统计中值法，单高斯背景模型法和混合高斯背景模型法。这里我们采用的是均值法进行背景的提取，均值法的特点是计算简便，模型简单。基本思想是选取某一点在一段视频序列中的灰度值的平均值来代替该点的像素值，将运动的车辆作为噪声，用车辆运行一段时间的N帧图像做平均，消除车辆引起的变化，得到不变的背景点像素。

该方法适用于车速稳定并且路况简单的环境中，对于路况复杂并且行车缓慢的情况中，我们需要选取较多帧数的图像作均值运算才能取得良好的背景效果，因此采用这种方法数据存储量也较大。

3 基于虚拟线圈法的车流统计

用虚拟线圈区来设置感兴趣的区域，不需要对采集的整幅图像进行处理，只需要对线圈内的图像处理即可。设置虚拟线圈的宽度为车道的宽度，高度需要大于一辆车背宽的长度，长度小于最小车型的长度且要大于两辆车的距离。同时虚拟线圈的数目对车流量统计的结果也有一定的影响，虚拟线圈数目越多，则车流量统计的准确率越高，但不是越多越好，可能会造成重复计数，需要消耗更大的计算资源，因此，在设置虚拟线圈数目时，要综合多种因素进行考虑。

这里我们采用的是当车辆驶出虚拟线圈开始计数的方法，对图像进行二值化，闭操作，膨胀操作等，对车辆的信息设置标志位，标志位的初始值为零，当车辆轮廓进入虚拟线圈内时，标志位由0变为1，为了避免车辆轮廓重复计数的误差，等车辆行进一段时间驶出虚拟检测区开始计数，这时的标志位由1变为0。即车辆的标志位由1变成0时开始计数，其它情况均不计数。具体的车流量统计模块的步骤如下：

(1)利用虚拟线圈设置感兴趣的区域，虚拟线圈的大小；(2)设置车辆的信息标志位，标志位为1即有车辆驶入虚拟检测区内，若为0则没有车辆通过；(3)判断车辆是否驶出虚拟检测区，如果驶出则标志位为0；(4)当标志位由1变成0时，对车流量进行加1计数。

我们设置了两个感兴趣区域，分别是安徽理工大学西门与北门，采集早晨7:45至8:00和下午15:30至16:00的车流视频，如图3所示，我门可以得出如下结论：在同一时间段西门与北门的车流量相当，而早晨的车流量要略大于下午的车流量。

图3 车流统计结果

4 总结及展望

本项目在实现的过程中，遇到过很多困难，从检测区域的选择设置，到算法的修改优化，一次次的发现问题解决问题。虽然进展缓慢，过程曲折，但是我们迎难而上，终于在小组成员的共同努力下完成了本项目。并且通过此次创新训练项目我们的创新与实践能力得到了进一步的提升，开拓了视野，增长了见识。

本次研究不仅提出了基于视频流的车流监测系统，并且后期期望将此系统应用于智能交通灯的主要模块，实时地提高交通的通行效率，控制交通安全，有利于实现交通顺畅。本系统包括图像采集，预处理，车辆检测，车流统计四个模块，采用背景差分法进行车辆检测，背景差分法建立的背景模型易受环境路况和光照的影响，因此我们提出了背景的更新和动态阈值的设置。虽然可以较好的解决该问题，但仍然存在一些不足之处有待改进。车流量统计模块我们采用虚拟线圈法设置检测区域，虚拟线圈的大小位置以及数目需要综合多种因素进行考虑，降低漏检和重复计数的可能。将所统计的数据生成报告提交有关交通部门，以实现对交通流量的控制，并期望可以将该系统应用到智能交通灯的主要模块，实现校园内无阻碍安全交通。