感知交通基于视频的交通流特征参数监测及交通综合信息服务系统

感知交通----基于视频的交通流特征参数监测及交通综合信息服务系统

Perceptual traffics—video based traffic flow parameters monitoring

and integrated traffic information serve system

作者：孙浩 顾丽萍 顾灏

指导老师：张学武

参赛学校：河海大学

摘要：道路交通流特征参数是交通安全管理、交通状况态势评估和决策的重要基础信息。本项目设计了一款基于视频的交通流特征参数监测终端。通过工业相机获取交通环境场景视频序列图像，利用图像处理和分析技术实时跟踪、分析运动车辆状态属性，建立实现实时监测运动车辆的轮廓参数（长和宽）、车辆行驶速度和车头时距等交通流特征参数的视觉测量模型，间接计算和决策交通流量密度、道路占有率等影响交通流的重要道路交通基础参数。各ITS终端实现互联互通，达到各ITS监测终端之间数据动态交换和共享，实现一种集交通诱导提醒、交通状况态势评估、决策和实时发布交通状态信息的广域分布式的交通综合信息服务平台。

关键词：交通流量特征参数；监测终端；视觉感知；图像分析；

Abstract: road traffic flow characteristics parameters are the important basic information for traffic safety management, traffic condition evaluation and decision. This project designs a video-based traffic flow parameters monitoring terminal. CCD cameras are used to capture frames in video sequences in traffic environment. Image processing and analysis technologies are used to track and analyze the vehicle condition in real time, and a vision measurement model which computes the traffic flow parameters, such as length, width, speed, distance between two vehicles, traffic flow density, and occupancy ratios, etc. is constructed. ITS terminals achieve dynamic data exchange and share among ITS terminals. It realized a wide-area distributed and integrated transport information system which synthesizes transport leading, traffic condition evaluation, decision, and real time transport information release.

Key words: traffic flow parameters; monitoring terminal; visual perception; image analysis;

1 系统概况

随着汽车数量的迅速增长，道路交通流中各种车辆的独立性越来越小，即随机性变弱，规律性渐强。在现有交通资源下，导航仪在定位和导航方面局限性凸显，无法实时报道或预测道路的拥挤状况。挖掘已布设在各道路环境中的监控摄像机资源，主动利用其提供的视频图像数据来感知道路交通流参数成为目前交通研究的重要课题之一^[1]。实时准确的获取交通特征参数信息是实现智能交通诱导和交通综合信息服务重要基础信息，也是为交通管理部门进行交通管理和交通规划提供决策依据的客观需求。

1.1 系统实现的主要功能

1.1.1 基于视频的交通流特征参数的测量

利用广域分布在各道路环境下的ITS监测终端实时获取车辆轮廓参数（车辆长和宽）、车辆平均速度（每车道）、车头时距（车辆的头部和下一辆车的头部通过同一断面所用的时间）、时间占用率（检测区域内有车辆通过的时间占总调查时间的百分比）、车道占用率、交通流量、按长度和宽度以及车辆垂直俯视的面积识别车辆类型（每车道）、车型分类及统计（每车道）。

1.1.2 各终端之间交通流信息的交换和共享

相邻ITS监测终端之间利用公网或专网，动态实时交换各自的交通流信息，形成局部交通流量预测、交通安全态势和交通拥挤状态评估，利用GIS技术，直观地反映各路段的拥挤状况。

1.1.3 可视化交通诱导信息服务

通过ITS监测终端扩展的无线调制解调模块，可将道路状态信息广播或组播于交通诱导显示牌；也可以通过ITS监测终端的WLAN通信接口将道路状态信息组播于行人或驾车人员的智能设备；也可以通过ITS监测终端的3G移动通信接口接收交管部门的交通管制紧急信息并分发于交通诱导显示牌和行人或驾车人员的智能设备；

1.1.4 基于事件的图像、视频流的记录

基于RFID技术识别特定车辆（通常是指肇事车辆和被盗车俩），并对其进行路线跟踪和图像、视频的记录。

1.1.5 强大的数据管理功能

系统采用SQL server作为数据库管理。对监测点的年、月、日曲线显示和数据报表显示，自动生成系统中监测数据的报表。

1.1.6 历史数据的调查和查询

系统可应用于离线，结合对历史数据进行统计分析，供科研人员和交管部门技术人员作为交通状况调查的辅助功能，方便交通安全管理、交通状况态势评估和决策等重要基础信息的全天候搜集，并为交管部门进行交通管理、规划和决策提供依据。

1.2系统特色及创新点

(1) 基于MENLOW嵌入式平台，设计了一种道路交通流特征参数视觉感知终端，本终端具有交通流特征参数感知、数据处理、控制、通信和信息交换和发布等功能和特点。

(2) 将各终端利用通信网络互联互通，在GIS平台下，构建了一种与道路交通网络一一对应的视觉感知网动态实时交换和共享道路交通流量特征参数。

(3) 基于道路交通流量特征基础参数，对道路交通局部拥挤和全局拥挤进行决策、管理和安全态势评估，并以多种方式共享和发布交通诱导信息。

(4) 系统可应用于离线或在线状态下，供科研人员和交管部门技术人员作为交通状况调查的辅助软件，方便交通安全管理、交通状况态势评估和决策等重要基础信息的全天候搜集。

2 系统方案

2.1 系统设计目标

(1) 基于Intel Menlow 平台，以视觉传感技术、视频图像分析技术、GIS技术和网络通信技术为核心，设计一款集道路交通流特征参数感知、数据处理和数据发布于一体的道路交通流特征参数监测终端（以下简称ITS监测终端）。

(2) 各ITS监测终端之间利用公网或专网（交通部门的光纤环网、WLAN、Internet和3G）互联互通，采用TCP/IP标准协议实现各终端之间数据动态交换和共享，实现交通诱导服务、交通状况态势评估、决策和实时发布交通状态信息等实时的交通综合信息服务。

2.2 系统体系结构

针对交通流监测的实际应用，整个系统分四个层次。交通流特征参数信息采集层，交通信息传输、交换和共享层，交通管理和决策层，交通信息综合服务层。系统架构如图2.1所示。

2.2.1 交通流特征参数信息采集层

该层主要利用Intel提供的GENE－8310嵌入式工业处理板为核心，充分挖掘该板资源，设计了一款集多功能的监测监控终端（其结构如图2.2所示）

各ITS终端采用视觉传感器实时获取道路图像信息，利用图像处理和分析理论和方法，实时处理、跟踪和分析车辆状态参数，建立视觉感知计算模型，监测车辆轮廓参数（长和宽）、车辆行驶速度、车头时距和车型等交通流特征参数，实现图像到数据的解译。ITS终端通过网络通信接口接入公网或专网，对各道路交通流特征参数信息进行广域、分布式的获取、处理和发布。将这些测量数据自定义规范统一的数据包格式，提交给交通信息传输、交换和共享层，其软件架构如图2.3所示，系统软件界面如图2.4所示。

                   图2.1 终端互联网络架构图                     图2.2 ITS交通流监测终端部署ITS终端硬件组成

图2.3 软件架构

图2.4 系统软件界面

2.2.2 交通信息传输、交换和共享层

本层主要利用公网和专网实现ITS终端之间、ITS终端与交通部门管理中心、ITS终端与交通诱导系统、ITS终端与车载信息终端、ITS终端与行人携带的智能设备之间的信息传输、交换和共享。

2.2.3 交通管理和决策层

该层主要利用交通流基础参数计算道路交通局部和全局车流量、道路占有率间接参数和知识库来决策交通状况，结合GIS技术实现交通拥挤状况的可视化。同时，对交通部门进行实施交通管制提供辅助决策，交通状况态势评估、决策。

2.2.4交通信息综合服务层

交通信息综合服务层主要利用交通诱导显示牌提供可视化的；ITS终端利用广播或组播方式向车载终端提供实时交通状态信息；行人利用智能手机被动接收或主动查询交通状态信息。

3 图像处理关键技术

3.1卡尔曼背景建模及车辆跟踪的实现

系统软件设计中图像采集、处理、背景估计和运动目标的提取均利用HALCON提供的函数库开发，具有开发周期短，跟踪效果好的特点，适用于摄像机固定为背景渐变的场合下运动目标的跟踪^[2]。

背景估计和提取的时候，为了提高处理的速度，对处理的图像先进性降低分辨率处理，即根据给定的比例缩小图像，在缩小的图像上估计背景和提取前景。用于背景估计的初始图片如果是完全静止的物体，不包括移动的目标，则背景的变化就完全是由于光照、噪声等因素引起，前景的自适应速度可以选择低一点；得不到干净的背景图片，则前景的自适应速度必须提高。根据视频流中跟踪目标具有一定大小的特点，可以选取一定面积的区域作为滤波特征，消除微小运动对提取车辆的影响，滤波后将目标区域用最小外接矩形跟踪运动物体^[3]。

3.2交通流特征参数的测量

交通流量是指在单位时间内道路上行驶的车辆数量，它反映出车道的密集程度。交通流量是一个重要的参数，交通流量大的时刻往往是事故多发时刻，自然也就是车辆交通研究和交通管理的重点。当有车进入检测区域中时，开始检测跟踪车辆，当车辆刚要出检测区时，车辆数量增加相应的值，这样得到的车辆数量也就是系统所要检测的交通流量^[4]。流程图如图3.1所示。

对于其他交通流特征参数的测量也是采用类似的方法，这里不再赘述。

4 系统测试

4.1实验室测试环境

当前共有车模数量四种，包括:编号1：黑色宝马（1:24）21cm×8cm;编号2：黑色奥迪（1:24）21.5cm×8cm;编号3：银白色轿车（1:20） 22.5cm×9cm.;编号4：卡车，车头红色，车体银白色（1:20）27cm×8cm;为了方便测试，对编号1、2、4的车模加装了调速电路。

实验室的地面为大理石地面，表面光滑，在早上和傍晚地面反光现象较强。测试区域选择为0.8m×0.5m，虚拟线圈距离0.8m。

图 3.1 图像处理流程图

4.1.1实验室正常环境下车流量检测稳定性测试

测试内容：程序算法能够正确跟踪进入标记区域内的车辆的准确率

测试次数：每种车模测试100次

测试方法：不同车辆以不同速度多次进行测试，每次进入一辆车，改变车的速度和车型分别进行测试

测试环境：时间9:30~11:30 阳光较强 高度9.8cm的车模阴影长度8.5cm.

测试结果：

表4.1 实验室正常环境下车流量检测稳定性测试

车模编号	测试次数	正确跟踪次数	跟踪正确率	车型识别正确次数	识别正确率
1	100	100	100%	100	100%
2	100	100	100%	99	99%
3	100	97	97%	87	87%
4	100	100	100%	97	97%

测试结果分析：

通过本项测试可以发现，在正常情况下对不同速度不同类型的车模均能够进行正确的跟踪和识别，在3号车模测试过程中由于没有加装调速装置车模速度较快，车模长度的计算比实际值明显偏大导致车型识别错误，而车模的速度最高也达到了3.2m/s，相当于实际速度276km/h，因此这种情况在实际生活中不可能出现。在4号车模的测试过程中出现了跟踪区域偏小和跟踪为两辆车的情况，通过分析认为4号车模的车厢颜色为银白色和有部分反光的地面颜色相近另外车头车身颜色差别较大所以可能会出现以上情况。

4.1.2车速对检测精度的影响测试

测试目的：测试车模速度对特征参数检测的影响

测试内容：程序算法能够在正确跟踪进入标记区域内的不同车模速度的准确率

测试次数：取其中一种车模测试100次

测试方法：取4车模，分为三种速度，低速0.5m/s以下，中速1m/s~2.5m/s，全速3m/s以上。

测试环境：时间15:00 实验室环境

测试结果如表4.1所示：

表4.2车速对检测精度的影响测试统计

车模速度	测试次数	正确跟踪次数	跟踪正确率	车型识别正确次数	识别正确率
低速	100	100	100%	100	100%
中速	100	100	100%	98	98%
全速	100	97	97%	89	89%

测试结果分析：

经过在不同速度下的测试，程序对车辆均能够有很好的跟踪，但是在车辆速度过高时车型识别出现出错的情况。经过分析应该为速度过快时图像处理速度有所滞后所致。

4.1.3车模的长宽检测精度测试

测试目的：测试算法对车模的长宽检测的精确度

测试内容：统计程序对固定车模的车长车宽

测试次数：取车模1测试20次

测试方法：车模速度控制在1m/s左右，由程序自行统计车辆参数。

测试环境：时间15:00 实验室环境，车模编号1，车身长宽21cm×8cm

测试结果如表4.2所示：

测试结果分析：

车模的速度在1m/s左右，按照1:24的比例换算成实际速度在80km/h左右，正常城市道路交通的车速均在此范围内，计算可得，在此范围内宽度测量误差为4.25%，长度测量误差为2.28%，车型匹配准确率为100%，但是结合前面的实验发现当车速过高时长度的测量有所偏大，根据性能指标的要求，符合测量要求。

4.2实际交通环境下交通流特征参数监测

实验地点：在江苏江阴某交通路段。现场安装支持TCP/IP协议的网络摄像机并接入Internet，获取道路视频信息并以流媒体形式向客户端传输，客户选用工业计算机接受流媒体解压并处理获得各方面交通流参数。本实验设置为50米长和8米宽的检测区域，摄像机高度一般在5～7 m，摄像头俯视路面，检测范围主要设置在摄像头的正前方。

通过实际试验，建立了不同气候条件下的交流量参数数据库,包括：车辆轮廓参数（长、宽和高）、车辆速度、本路段的车流量以及依据轮廓参数对非机动车、小客车、中客车、中货车、大客车、大货车分类。通过大量现场试验，车辆轮廓参数的测量平均误差小于1%，如表1所示。取夜晚和雨天的5个时段，对交通流量的检测情况如表2所示。通过实验证实了基于机器视觉的交通流量的检测的准确度很高，在天气较好的白天，车辆检测率为100%，没有误检测发生，而在夜晚和雨天，由于光线的影响，会发生漏检。

5 结束语

针对道路环境实际应用需求，依据交通流流体理论的空间和时间离散化数学模型参数求解为出发点，取得如下成果：（1）在较为深入地研究背景建模的基础上，提出一种改进的具有一定自适应功能的高斯背景建模法；（2）并采用基于透视变换的计算模型，建立车辆的几何尺寸的视觉测量模型，感知计算多视角下车辆的长度、宽度、车辆速度和车辆计数参数等，进而为间接计算道路占有率、道路交通流密度统计、安全态势评估及交通运输能力分析和简单的车型识别提供了可靠的基础参数信息。（3）通过实验室环境测试和现场实际测试验证系统的合理性和正确性，具有一定的实际应用前景。

参考文献：

[1] 王圣男, 郁梅, 蒋刚毅, 智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述, 计算机应用研究 (2005) 9-14.

[2] 占建云, 张毅, 王长君, 姚丹亚, 陆磊, 基于HALCON的视频交通参数检测方法, 公路交通技术 25 (2008) 126--144.

[3] 张广军, 机器视觉, 科学出版社, 2005.

[4] 张宁, 施毅, 何铁军, 基于虚拟线圈的车型识别研究, 26 (2008) 69--72.