基于智能交通系统下视频监测技术的研究分析

摘要：视频监测技术是建设智能交通系统体系中不可或缺的部分，也是现代安防与城市管理工作的主要实施手段，过去的视频监测对人力有较强的依赖性，尤其是一些交通情况较复杂环境下的监测工作，但智能交通体系的全面建设可以有效监测各种交通环境。本文主要深入研究视频监测中的移动目标识别和跟踪监测技术，并分析实际应用效果，以供参考。

关键词：智能交通系统；视频监测；分析

DOI：10.12433/zgkjtz.20231906

二十一世纪以来，国内的汽车保有量得到大幅提升，给交通管理部门带来了较大的挑战，正是在这种背景下，视频监测作为提高管理效率的重要实施手段也被交通部门广为使用。但以往的交通监测技术还需要大量的人工处理数据信息，但人工处理数据难免会出现一些漏洞。随着人工智能、物联网、大数据、云计算等信息技术的不断成熟，给打造智能交通体系创造了良好的实施条件，而智能交通系统中的视频监测技术又是打造智能交通系统中的核心技术，要求交通部门根据当地的实际监测情况选择合适的技术，从而提高交通监测质量和效率。

一、视频识别和检测方式研究分析

在智能交通系统中应用视频监测技术时，运用的摄像机主要负责采集原始图像信息，技术原理是转化镜头范围内可识别光信号，通过电信号的方式进行传输。其中，需要大量的算法转化，可以采集各种静态视觉信号，并将这些信号合成视频图像，这也是目前针对移动目标经常使用的方式。

（一）背景差分方法

视频监测技术中的背景差分方法主要技术原理是在特定背景下，实时监测移动目标，需要选取其中一帧图像作为原始背景，再将需要监测的图像与选取的背景图像通过差分方法进行运算，完成监测目标的提取工作。背景差分方法的主要运用难点取决于图像大多具有时变性的特点，每一帧图像的背景都存在一定差异，而运动目标监测中的背景图像需要重新选定，导致计算系统始终处于高速运行的状态，给设备的更新和维护工作带来了极大困难。在选取背景图像时，通常设定第一帧图像是不固定的，而在交通监测时，选取图像中没有车辆移动的道路或景象作为背景，但考虑到交通的流量和运行情况较复杂，给背景图像的选定工作带来了极大的时变性，选定单一的背景作为参照物不符合交通监测的需求。在实际运用中大多都是将视频中提取精确与高效的图像作为背景使用，并针对拍摄视频中选取一个图像作为背景建模。例如，均值法、中值法和单高斯分布等诸多背景建模方式，都存在一些局限，尤其是选取背景较复杂的建模方式。

（二）光流方法

在视频识别技术中，光流法的技术特点是监测像素点与目标速度矢量，以此得出二者之间的内在关系，并勾画具有运动特点的图像，图像会随着亮度的变化而影响识别质量，变化可以清晰反映像素点中灰度在不同时间的变化情况，而目标在整个图像之中和所在背景变化进行相对运动过程中，目标移动都呈现在像素点中，可以测算速度矢量变化情况，快速筛选目标，且运动目标的二维速度矢量也可以通过计算的方式转化为三维速度矢量，再运用成像表面的计算方式进行投影。因此，光流方法可以实时测算运动目标的各种信息，且图像中还包括大量的周边背景信息，而光流法监测技术对各种场景切换的适应性较好，无需深入监测场景信息，可以准确识别各种移动目标的具体位置。

但由于光流法运用在智能交通监测中具有明显缺点，即对光线不断变化而产生的敏感与依赖，而现实监测中的光照强度是不断变化的，一旦光照强度变化过大，就会增加识别误差，降低监测结果的精度。同时，光流法还会由于车辆行驶距离过长而出现监测误差，导致计算量增加，浪费过多的时间，且以往的光流法监测技术需要更多的计算时间，会影响技术的时效性与精确性，由于对监测环境的要求过高，导致不能满足智能交通的监测需求。

（三）帧间差分方法

帧间差分监测技术的主要原理是通过视频排序的方式，全面分析诸多相邻图像呈现的灰度值，再通过计算相邻两张图片呈现的不同灰度值进行监测工作，以此确保移动目标得到正常监测。大多数的操作方式都是在读取视频中不同序列两帧图像进行计算，主要的计算方式是运用像素点之间的不同灰度值呈现的差分进行相减计算，以此得到完整的差分图，再次进行二值化深度处理，还要在这些图像中选取一个科学且合理的计算阈值，以阈值作为整个监测中的前景点与背景点，再通过判断计算得到正确的结果。

通过对以上三种识别方法进行对比发现，帧间差分方法更适合在智能交通系统监测下作为主要的视频识别和监测技术。但在智能交通系统实际运用中，为了确保视频识别与监测精度得到有效提高，在通过帧间差分方法进行视频处理后，还要充分运用分割技术与形态学技术再次处理，从而得出正确的监测结果。

二、图像分割技术与形态学处理技术研究分析

在整个智能交通体系中，图像分割技术的主要运用原理和作用是将摄像机拍摄的图像进行初步分离工作，并进行加工和后期处理。在图像分割技术中，可以细分为阈值分割计算方法、边缘监测计算方法和区域生长计算方法。

（一）阈值分割计算方法

阈值分割算法的主要适用场景是对前景与背景之间的灰度值进行分析和处理工作，便于计算视频监测工作，主要应用方向是对图像进行预处理，算法应用细节是根据不同等级的灰度设定相应阈值，再将整个图像划分为多个区域，确保区域内部具有较强的关联，以此区分与其他区域的内在属性。但这种算法还存在一定缺陷，对噪声过于敏感，且对灰度值明显不清晰的图像处理效果不理想，导致这种算法和其他算法搭配使用。

（二）边缘监测计算方法

边缘监测算法主要是识别图像中各项变化较明显的像素点，再进行有效连接，使像素形成稳定的图像边缘，以此实现定位移动目标图像边缘的使用效果。边缘增强计算方法通常都是将图像前景与背景进行加强对比，以此确定边缘，主要的技术重点是突出边缘轮廓。

（三）区域生长计算方法

区域生长算法与分裂合并算法是在交通监测中经常使用的算法，主要运用串行区域技术的特点对图像进行计算工作。而区域生长算法主要是充分运用图像中不同像素点具有的灰度值和纹理特性中存在相似的属性，以此作为种子点对共同属性像素进行处理，可以使其集合起来，并发展为独立的区域。

（四）形态学处理技术

形态学处理方式的主要技术特点是运用不同的形态结构监测移动目标的运动轨迹和速度形状，全面分析监测结果。经常使用的计算方式是利用膨胀、形态学梯度、闭运算、顶帽和黑帽运算等。这种计算在比较复杂的交通背景下，大多是对移动目标进行差分二值图像处理，再利用阈值进行分割，但在实际过程中难免会出现空洞或噪声。此时，需要人工进行二次处理，以此减少视频中的干扰。使用形态学处理方式对阈值进行分割处理的图像，可以进一步提高移动目标的监测精度。

三、视频测速和跟踪技术研究分析

（一）交通系统主要运用的测速手段

测速一直是交通系统中主要的监管指标，而经常在交通系统中使用的移动目标测速技术通常包括感应线圈技术测速、雷达技术测速和视频技术测速。感应线圈技术测速是通过在不同的测速区间找到一些适合安装感应线圈的位置，通过电磁感应的技术特点测算移动目标的实时位置。但仍存在局限，主要监测测速区间中金属移动的速度，但在使用过程中依然需要监控设备，导致该技术不适合运用于智能交通系统中。

雷达测速是目前交通系统中经常使用的测速手段，雷达测速具有测速精准度高的优点。但雷达测速也存在移动目标较多和环境较复杂状况下检测精准度不高的问题，尤其是抗干扰性不够，铺设成本相对较高，雷达测速对于铺设地域和周边环境的要求也较高，通过分析实际使用效果可以发现，雷达测速不适合在现代智能交通系统中大规模应用。

视频测速技术是近年来大规模应用的测速手段，也是在各地智能交通系统中经常看到的技术，这种技术可以将以往的目标跟踪和测量合二为一，全面提高交通测速效果。视频测速技术的主要原理是运用参数实时检测图像中移动目标的二维定位，得出移动目标的三维位置，并推算视频中的时间，最终得出车辆在测速区间的速度。主要的应用优点是安装方便，抗干扰也比以往的测速技术强，且具有良好的实时特点，视频测速技术和人工智能技术结合后，可以实现在较复杂交通环境下对车辆行驶速度的监测工作。

（二）运动目标定位和跟踪监测技术

监测运动目标中的详细信息一直都是智能交通系统建设中的重点实现目标，主要的实施方向是运用计算机视觉和图像处理的方式进行综合分析，以此对摄像头捕捉的交通视频进行顺序排列。而目标跟踪检测技术的运用不仅要对目标车辆进行测速，也是城市治安维护主要手段，尤其针对在逃犯人追捕工作等。在智能交通系统建设中对运动目标进行跟踪可以通过以下方面实施。

1.通过移动目标的主要特征进行抓取

抓取移动目标的主要特点不需要了解移动目标的全貌，只需要重点观察移动目标中的部分特征，但存在一定局限，如果没有充分了解运动目标的主要特征，会发生缺乏判断依据的现象，造成判断错误导致跟踪失败，而在现实使用中，很多运动目标都会通过遮挡的方式跟踪逃避设备，给通过目标特征进行跟踪的方式造成一定困难。正是由于此种局限，在建设智能交通系统过程中，通过目标特征作为主要抓取的方式很难大规模应用。

2.移动目标的建模技术

移动目标建模技术主要是针对运动目标进行3D、2D和线图模型方面的建模工作，也可以运用高层次移动目标模型空间的构建，例如，三维或二维空间的方式。通过对移动目标跟踪和建模，可以实时跟踪移动目标，且技术的可靠性较强，但主要缺点是计算量和工作量偏大，只能针对重点目标实行建模工作，会导致适用范围较小，不具备大规模应用的特点。

3.区域跟踪方法

区域跟踪方法主要对目标区域的背景进行排序工作，对比每帧图像中的纹理、梯度和色彩等主要特征，筛选其中需要监测的移动目标运动轨迹，选择有针对性的识别与跟踪方式，以此勾画这一移动目标在整个监测区域的活动轨迹，适合目前正在构建的智能交通系统。

而区域跟踪法主要分为两种方式：第一，灰度重心定位法主要分析移动目标检测区域内任何相邻的两帧图像，确保移动目标始终在图像中显示灰度重心，使得到的数据不会发生较大变化，同时将灰度重心作为基础的定位点，让每个图像中的灰度重心点能拼合完整的运动轨迹。第二，亚像素定位方法主要依靠图像特征来进行筛选的技术，对特征的移动目标具有较高的定位准确度，也是领域内较受欢迎的跟踪方法，对目标选取呈现出一定形状的分布，但检测范围和图像变化程度也具有一定要求，尤其是通过灰度重心法描绘像素特征，也是人工智能应用到智能交通系统的主要表现。

四、结语

综上所述，视频监测技术在构建智能交通系统中可以发挥较大的作用，应用空间与发展潜力较大，尤其是在互联网、人工智能和大数据技术的广泛应用背景下，智能交通体系视频监测技术的应用范围还应当进一步扩大，从而提高交通管理效率和质量。

参考文献：

[1]李宇杰，裴中阳，李强，等.智能视频分析技术在地铁站客流监测中的应用研究[J].现代城市轨道交通，2022（03）：86-92.

[2]陈嘉宁，车俐，廖嘉宁.基于视频分析的疲劳驾驶监测技术研究[J].电脑知识与技术，2022，18（08）：9-11.

[3]于春和，杜梦麒.基于智能交通系统下视频监测技术的研究[J].通信电源技术，2020，37（09）：42-44.

[4]刘培泉.基于视频图像再融合技术和灾害性气候监测的高速公路交通安全监测及预警分析[J].中国交通信息化，2019（07）：114-116.

[5]鲍金玉.基于视频分析的车辆智能监测技术研究[D].北京：北方工业大学，2019.

[6]徐成伟，张德强，张昊，等.基于雷达与视频分析技术的铁路崩塌落石自动监测报警系统设计与实现[J].铁路计算机应用，2017，26（11）：22-27.

作者简介：张豪（1983），男，安徽省枞阳县人，本科学历，毕业于西北农林科技大学；主要研究方向为机电工程。