摘要：对交通视频中的车辆计数方法进行了研究。首先采用背景更新的背景差分法获得无运动目标的背景，并采用帧差法检测是否存在运动目标，以此作为背景更新的依据。然后当前帧与背景图像做差值，并进行二值化提取运动目标。对于光线较暗车辆目标提取不完整和由于光照产生伪目标的情况，采用一种基于虚拟的横向检测线和纵向检测线相结合的检测方法计数。实验表明，本方法可较准确的实现车辆计数，并有较好的实时性。
关键词：背景差分,二值化,车辆计数,虚拟检测线
1概述
基于计算机视觉的车辆计数在智能交通领域有着重要的应用价值，它可以作为相关部门的依据和参考，进行更加科学有效的交通规划和管理。例如，可以根据车流量等信息智能控制交通灯的持续时间，提高通行效率;可以对交通堵塞情况做出评估并预警等。为实现对车辆的准确计数，首先要将车辆较完整的检测出来，本文采用背景更新的背景差分法进行目标提取，然后根据目标的长度和宽度信息，采用一种基于横向检测线和纵向检测线相结合的方法进行车辆计数。
2运动目标检测
基于运动分析的目标检测方法主要有光流场估计法，帧间差分法，背景差分法。光流场估计法的缺点是计算复杂度高，实时性差;帧间差分法的缺点是检测到的目标内部容易产生较大的空洞，不利于后续根据目标宽度、高度信息识别车辆进行计数;背景差分法的缺点是对光照和其它运动目标的干扰比较敏感[1]。由于路面背景比较单一，本文选取的路段出现的目标以机动车和少量非机动车为主，其它运动目标较少，因此可以采用背景差分法进行目标检测。
2.1背景差分
背景差分法一般能够得到较完整的运动目标，但背景对光照和场景的变化比较敏感，因此需要对背景进行更新[2]。背景更新公式为B(k+1)=(1-α)B(k)+α(Ik)(1)I(k)表示当前输入图像，B(k+1)表示累加的图像数据，用来做背景。这里α为较小的值，用来调节背景更新速率。用当前输入图像(Ik)与背景B(k)做差后，再对其进行二值化处理，运动区域就被提取出来。
但当场景中车辆由运动转为静止时，比如，红灯停车时，此车辆会被计入背景，当绿灯亮时，车辆开走，此时运用背景差分法会提取出伪目标。文献[3]采用了定时更新背景模型与实时更新背景模型结合方法获得背景。通过判断是否存在运动目标来决定是否更新背景。
本文也采用类似的方法进行背景更新。通过计算相邻帧或隔帧像素的变化来判断是否存在运动目标，并设定一个像素变化的阈值。为了避免干扰并减小计算量，计算区域选在检车线附近，如果此区域无运动车辆，即差值图像像素无满足阈值条件的变化，当前帧图像不计入背景，反之则计入背景。
图1为计算差值的视频区域，图2为相邻帧做差值并二值化的效果，可见运动的车辆被检测出来，而静止的车辆并不会被检测到。图3为背景更新效果图，场景内没有运动目标。
2.2二值化
当前帧与背景做差后再对图像进行二值化处理，目标就被提取出来。当车辆灰度值与地面接近时，如果二值化阈值选取过高，则不能较完整地检测车辆目标，但过低的阈值会产生噪声，还会使阴影、地面反光等干扰增强。因此，合理的阈值选取对于后续车辆检测具有重要意义。本文根据背景图像的灰度值来获知场景光线情况，以此来确定二值化阈值。当白天阳光较好时，选取较大阈值，天色变暗时选取较低阈值。
图4、5为天色变暗时采用15作为二值化阈值的效果图，图7为阳光充足时采用25作为阈值时的效果。
2.3形态学处理
当目标与地面灰度值接近时，二值化后的图像会出现较多的孔洞，可能会导致后续车辆计数错误。本文利用形态学处理的方法消除较小的孔洞。首先对二值化后的图像进行膨胀操作，填充较小的孔洞，但这会使目标变大，因此还要进行腐蚀操作，恢复目标的原始尺寸。
3车辆计数
目前，基于计算机视觉的车流量检测主要有虚拟检测线法[4]和目标跟踪法[5]。其中基于虚拟检测线的方法准确率较高且易于实现，其原理是：当车辆进入和离开横向检测线时，横向检测线上的像素值为较高值和较低值的交替变化，当横向检车线出现高像素值到低像素值的跳变时，车辆计数值加一。文献[6]、[7]的方法对于白天光线较好的情况效果较好。但当天色较暗且车辆颜色与背景接近时，可能会出现目标二值图像有空洞或断裂情况的情况，如图5方框区域所示。其在横向检测线上像素值随视频帧数会出现高低值交替变化，示意图如图6所示。
另外，阳光直射到车后部时，地面的反光会导致二值图出现拖尾现象，如图7方框区域所示。这两种情况都可能会导致重复计数。因此，为了提高计数准确率，本文采用一种基于横向检测线和纵向检测线相结合的车辆检测方法进行计数。即在待检测车道上设置一个虚拟的横向检测线和纵向检测线，如图8所示。本文仅以右侧的两个车道为例来进行计数研究。对于横向检测线上高像素值的判断，本文采用的方法是：首先在横向检测线上取高度为4像素左右的矩形，向x轴做累加和求均值;再向y轴做累加和求均值，并设定阈值，如果满足则认为在横向检测线上出现了车辆。此阈值应根据目标宽度和横向检测线长度来确定。
对于图5和图7的情形，本文的计数方法是：(1)当横向检测线上出现了从高到低的像素值变化时，在纵向检测线上计算目标长度，如果目标长度超过阈值，计数值加一;如果目标长度小于阈值，且与上一目标离开横向检测线时间间隔满足条件，则保留长度值，但不计数。(2)读取后续帧，当横向检测线上再次出现高低像素变化时，计算目标长度，如果大于阈值，计数值加一，上次保留的小目标长度丢弃;如果小于阈值，且与上一目标离开横向检测线的时间间隔满足条件，则加上上次保留的小目标长度，如果长度仍然小于阈值，则继续执行步骤(2)。
处理结果如图9-图12所示，图9、10显示左车道计数值由20增加到了21，其对应的二值图像为图5;图11、12的右车道计数值由8增加到了9，其对应的二值图为图7。可见，实现了正确计数。本文对同一路段采集的视频进行了车辆计数统计，如表1所示。
准确率达到了94%以上。基于检测线的车辆计数的特点是可以计算出一段时间内通过此检测线的车辆数目，要求检测线上能出现高低像素的变化。如果交通拥堵，车速较慢时，会出现车辆首尾粘连的排队情况。此时，横向检测线的位置选取及相机的角度将对计数结果产生较大影响。对于本文相机的位置和角度，横向检测线选取在图像偏下方，即车辆刚进入监控区域的位置效果较好。另外，如果要计算正在排队的车辆数目，可以向纵向做投影计算车队长度。对于固定场景，精度要求不高的情况下，可根据车队的长度估算出此时排队车辆的数目。
4结束语
对交通视频中的车辆计数进行了研究，并针对天色变暗导致的车辆目标提取不完整和由于光照产生伪目标的情况提出了解决办法。并利用VC++和OpenCV库进行了编程实验，结果表明本方法能够实时有效的对车辆计数。但当车速较慢，会出现多辆车辆粘连的情况;车辆变道时，车辆处于两条横向检测线中间，都会影响计数的准确性。另外，雨雪天气、光线等因素，都会影响目标检测效果，可能会导致计算错误。因此，要适应更复杂的情况需要做进一步的研究。
参考文献：
[1]郝菲.智能监控系统中运动目标检测跟踪的研究[D].北京：北京交通大学，2009，6：13-15.
[2]DrAlanM.Mclvor.BackgroundSubtractionTechniques[J].IVCNZ00，Hamilton，NewZealand，2000.
[3]杨大勇，杨建华，等.基于动态阈值的核密度估计前景检测算法[J].计算机应用，2015，35(7)：2033-2038.
[4]常志国，李晶，等.基于视频的车流量统计算法[J].计算机系统应用，2016，25(7)：187-191.
[5]唐雨操.基于车辆识别的车辆追踪与计数[J].信息与电脑，2016，13：97-98.
[6]张韬.基于视频的车流量检测建模与分析[J].计算机与数字工程，2014，6(42)：1075-1078.
[7]杨昌瑞.基于视频图像的车辆计数新方法[J].公路工程，2015，40(3)：250-252.
