一种基干像素探析夜间交通路况侦测方法.docVIP

一种基于像素分析的夜间交通路况侦测方法 　　摘要：交通智能化管理是智慧型交通系统的重要功能之一，当道路发生交通堵塞时，系统能及时发现并相应进行疏导。目前对于路况实时视频的监控方法侧重于白昼时段，而对于夜间条件下则因为光源情况复杂难以应用。本文提出一种适用夜间实时交通状况检测的方法，通过分析影像画面的光源亮度平衡及色彩调整，识别其中车辆刹车灯光及其光晕像素特征，并依据此类像素在连续画面中的变化情况判断所检测路口交通拥挤程度。实验结果表明，检测正确率在80%以上 关键词：智慧交通；像素分析；夜间路况侦测 中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2016）24-0217-02 1 研究背景 机动车数量的快速增长与道路运输能力不足之间的矛盾使城区交通拥塞不可避免。为提高道路运输效率，减少交通拥挤时间，各国政府对智慧交通系统（Intelligent Transportation Systems， ITS）的开发与应用日益重视。其中，视频监控系统的运用较为广泛，通过实时路况采集为交通调度提供第一手的信息，能有效地缓解在高峰时刻的拥挤现象。在白昼时段，此时交通环境的光照条件好，对前景物体的侦测与判定较为容易[1]；在光源复杂的夜间，则多采用侦测车头灯的方法来采集或识别夜间交通信息，但当出现多部车辆并排或拥塞时，光源集中且出现光晕扩散，导致交通信息的采集困难[2-3]。由于都市生活的特点，城市在夜间的交通流量与日间相比差距不大，对夜间交通状况的监控需求更为迫切 2 文献研究及建模 对视频画面中的前景物体侦测技术主要有三种：背景相减法、时间差异法、光流分析法。其中背景相减法是通过事先建立背景模型，然后将目前的影像画面与背景模型做相减后比对得出前景物体的像素的方法。该方法运算较快且实现简单，也是目前广泛使用的方法，但如果画面中有背景变化（如树枝剧烈摇晃）则会增加识别的难度。时间差异法则是通过连续画面的相减识别前景物体，与背景相减法相似，但不能识别静止物体。光流分析法是以一张影像画面上的某一个点为基础，找出其他影像画面同时具有一致性的像素点，较适合应用在追踪独立移动物体，但运算较慢 Li等人曾提出一种以活动基模型（Active Basis Model，ABM）为基础的图形结构车辆侦测方法，在车辆正向是用挡风玻璃的图形结构，反向则是用车辆尾灯的图形结构检测车辆；此方法耗时且对不同车型须手动设置系统参数，难以在实时交通监控系统中应用[4]。LiuLuo对此提出了一种改进方法，以霍夫转换法侦测所需观察的区域，并利用车辆挡风玻璃与引擎盖之间的边界统一车辆数目，该法在车辆出现拥挤时也可快速准确的判断车辆数量，但只限于光源充足的环境使用[5] 由于对于夜间的影像常用的识别方式是通过对画面上的光源观察来辨识物体，假设夜间在发生拥塞时，那么必然出现多部车辆的减速或刹车情况，此时车辆后部的刹车灯将亮起。影像画面显示，当刹车为常踩状态时，刹车灯的红色亮度会比未踩刹车时更加明亮，其光晕部分也较为明显（见图1），因此可以通过识别刹车灯及其光晕变化来判断是否发生拥塞 3 实验情况与分析 系统以Microsoft Visual Studio 2012为开发工具，使用程序语言为C#，视频采集设备为固定式枪型摄像机，采集的影像大小为720×480 Pixels，画面时间间隔为10帧/秒，在交通高峰时段采集，图像文件以AVI格式保存。当系统判定影像连续画面出现拥塞时，记录发生拥塞的起始时间点；系统判定交通顺畅时，则记录交通拥塞的结束时间点。将系统判断的拥塞起始点与结束时间点与人工识别情况对比，若两者比对小于偏差，认为系判断的拥塞情况为正确。测试结果显示，系统的正确识别率为84.6% 对于系统出现误判的原因，主要有以下两种。其一是部分道路的红绿灯在深夜的时候会将具有规则性的红绿灯变化切换为闪黄灯或闪红灯，造成系统对所采集的影像进行亮度的平衡及色彩调整处理时出现偏差；其二是在城市道路的多线道路口会以红、黄、左转绿箭头、前行绿箭头、右转绿箭头等信号灯组合来管制车流，对于左转车辆需要等到左转绿箭头亮时才能放行，此时系统判断时会误判为交通拥塞 运用本研究的方法能有效识别夜间城区交通的拥挤情况，对于出现误判的情况，希望能在交通画面的关注区域增加车道分割并识别当时的红绿灯灯号，以提高系统判定的正确率 参考文献： [1]Kong J， Zheng Y， Lu Y， et al. A novel background extraction and updating algorithm for vehicle detection and tracking[C]，Proc. IEEE Int. Conf.