1、编号：时间：2021年x月x日书山有路勤为径，学海无涯苦作舟页码：第8页 共8页基于视频的道路识别新算法在交通监测系统中的应用基于视频的道路识别新算法在交通监测系统中的应用郇洪江, 宫宁生，胡斌（南京工业大学信息科学与工程学院,南京,210009）摘 要：针对传统的道路识别方法过程复杂，易受干扰，识别效果不够理想等缺点，根据道路上会有大量车辆通过，而车辆通过的地方也必为道路这一特点，采用逆向思维，通过识别运动物体达到识别静态物体的目的，提出一种应用累积帧差技术通过识别道路上经过的车辆来识别道路位置的新算法。实验结果表明使用新算法识别出的道路效果比较理想，可以满足实际应用的需要。关键词：道路识别
2、；累积帧差技术；阈值分割；图像平滑中图分类号:TP391.4Vision-based method for Road Recognition Algorithm used in traffic surveillance systemHUAN Hongjiang, GONG Ningsheng , HU Bin(Department of Information Science and Engineering, Nanjing University of technology, Nanjing, 210009, China)Abstract:The traditional road recogn
3、ition algorithm is complex, sensitive and the resule is unsatisfactory. According to the fact that there will be massive vehicles get across the road and the place where vehicles get across must be road, so a new road recognition algorithm based on accumulated frame differences used in traffic surve
4、illance system is introduced. The experimental results show that our methods are useful and easy to apply.Key words: Road Recognition; Accumulated frame differences; Thresholding; Image Smoothing1引言智能交通系统(ITS)是将先进的信息技术、数据通信传输技术、电子传感技术、电子控制技术及计算机处理技术等有效地集成运用于整个交通管理而建立的一种在大范围内、全方位发挥作用的、实时、准确、高效的综合交通运输
5、管理系统。交通监测系统是智能交通系统的重要环节,负责采集有关道路交通流量的各种参数。1 基于视频的计算机视觉检测技术在 作者简介: 郇洪江(1983-),男,江苏连云港人,硕士生, 主要研究方向为神经网络, tom998877; 宫宁生,副教授; 胡斌(1982-),男,江苏无锡人,硕士生, 主要研究方向为神经网络;近年来随着计算机技术、图像处理、人工智能、模式识别等技术的不断发展, 基于视频的计算机视觉检测技术在交通监测系统中获得越来越广泛的应用。2目前基于视频的交通监测系统使用的技术主要有虚拟检测线法，背景差法，帧差法等，其中由于虚拟检测线法具有简单，方便，实时，系统开销低等特点，可以有效
6、地检测出道路上的车辆，因此该方法被大量使用。但是目前的虚拟检测线法需要事先观察用于检测的视频图像，确定视频图像中道路所在的位置，然后以人工的方式设定虚拟检测线的位置参数，使其位于图像中道路上的适当位置，这种人工设定参数的方式不够智能化，很难满足实际应用的需要，并且目前许多路口安装的视频监控探头都安装在转动云台上，可以转动，每次转动都需要重新设定检测线的位置参数，人工设定方式工作量巨大，更加显示出自动方式的必要性。如果要以自动的方式设定虚拟检测线的位置参数，则需要系统能够识别出视频图像中道路的位置，然后并根据道路的具体情况自动设定虚拟检测线的位置参数，使其位于图像中道路上的合适位置。目前道路识别
7、的主要方法是使用边缘检测技术在图像中检测道路的各条标志线，但是由于图像中的各种干扰（如通过的车辆，道路两旁的建筑，树木，以及建筑，树木在光照下留于道路上的阴影等）的影响，使得检测效果不够理想。本文考虑到在一个较长的时期内，道路的每一条车道都会有足够多的车辆通过，而有车辆通过的地方也必为道路，因此采用逆向思维椐此，通过识别运动物体达到识别静态物体的目的方法，提出一种应用累积帧差技术通过识别道路上经过的车辆来识别道路位置的新算法。实验结果表明使用新算法识别出的道路效果比较理想，可以满足实际应用的需要。2 算法思想与分析目前道路识别的主要方法是使用边缘检测技术检测道路标志线来确定道路在图像中的位置，
8、但是由于图像中的各种干扰的存在，使得检测效果不够理想。本文采用逆向思维，通过识别运动物体达到识别静态物体的目的，提出一种应用累积帧差技术通过识别道路上经过的车辆来识别道路位置的新算法。新算法的思想可分为如下几个步骤：将输入的用于识别道路的视频序列中的每两个相邻帧图像之间采用帧差进行处理获得相邻帧差图像，对相邻帧差图像进行平滑处理和阈值分割得到相邻帧差图像的二值化图像，将所有相邻帧差图像的二值化图像累加，即获得累积帧差图像。对获得的累积帧差图像通过阈值进行图像分割，就可以将道路与周围的背景区分开，同时可以去除掉绝大部分的干扰点。因为道路上有大量车驶过，所以图像中位于道路上的像素点会被车辆反复覆盖
9、，输入的用于识别道路的视频序列图像越多，道路上的像素点会被车辆覆盖的次数越多，则累积帧差图像中对应像素点的灰度值越高。而大部分的干扰点只是偶然出现的，所以累积帧差图像中对应像素点的灰度值比较低，通过设定阈值进行图像分割就可以很容易的除掉这些偶然出现的干扰点。提取道路边界线，已知道路在图像中的方向为竖直方向，所以可以通过水平方向扫描二值化后的累积帧差图像中的突变点来获得道路边界线，同时可以通过判断突变点是由白变黑或是由黑变白来确定得到的是道路左侧还是右侧边界线。由于累积帧差图像中仍然会存在干扰区域，但是干扰区域的边界线长度一般比较短，所以可以通过判断获得的边界线长度是否达到阈值来确定是否为道路边
10、界线。新算法具有如下特点：第一，传统算法首先需要首先获得整幅画面都没有车辆的图像，而新算法则不需要，因为新算法需要利用的正是这些道路上行驶的车辆。第二，传统算法会受到建筑物和树木的边缘，以及建筑和树木在光照下留于道路上的阴影的边缘的影响，而新算法由于只检测运动物体，因此不会受到这些静态因素的影响。第三，新算法由于采用了累积帧差技术，因此可以去除掉图像中大部分偶然出现的干扰点的影响。3 算法设计采用累积帧差的方法，通过运动车辆来识别道路的具体步骤如下：(1)设置变量和参量：设输入的用于识别道路的视频序列共N帧灰度图像，每帧图像的大小为WH (W和H 分别为每帧图像的宽度和高度)，第n帧图像的像素
11、点(x, y) 的灰度值为 (1nN , 0xW-1 , 0yH-1)。当n2时，第n帧图像与第n-1帧图像的帧差图像的像素点(x, y) 的灰度值为。为帧差图像处理过程中使用的临时变量。N-1次的累积帧差图像的像素点(x, y) 的灰度值为为。分割车辆和背景的阈值为T1，分割道路和背景的阈值为T2。用于存储疑似道路边界线的临时道路边界线链表TL，用于存储确定道路边界线的道路边界线链表L。链表的每个节点中包含一个坐标动态数组，用于存储道路边界线的坐标，节点中还设置道路边界线类型标志，用于标记边界线为左边界或是右边界。用于判别突变点是否属于已有标志线的横坐标误差阈值T3，用于判别疑似道路边界线是
12、否为确定道路边界线的长度阈值T4。(2)初始化，(x=0,1,W-1 ; y=0,1,H-1)。n=1。(3)若nN则转到(9)；否则获得第n帧图像，若n=1，则转到(8)。(4)求第n帧图像与第n-1帧图像的帧差图像，(x=0,1,W-1 ; y=0,1,H-1)。(5)采用 Gauss 滤波处理的方式平滑帧差图像，尽量的排除噪声干扰。Gauss 模板为，帧差图像经Gauss滤波为，(x=0,1,W-1 ; y=0,1,H-1)。 (x=0,1,W-1 ; y=0,1,H-1)。(6)使用迭代法求得最佳阈值T1, 帧差图像中像素点的灰度值大于T1的判断为属于车辆的像素，灰度值小于T1的判断为
13、属于背景的像素。使用阈值T1分割帧差图像将其二值化，灰度值低于T1的像素赋值为0，而高于T1的像素赋值为255， ，(x=0,1,W-1 ; y=0,1,H-1)。(7)更新累积帧差图像，扫描帧差图像的每一个像素，当扫描到的像素点的灰度值为255时，将累积帧差图像对应位置的像素的灰度值累加1，(x=0,1,W-1 ; y=0,1,H-1)。(8)n=n+1；转到(3)。(9)使用阈值T2分割累积帧差图像，累积帧差图像中像素点的灰度值大于T2的判断为属于道路的像素，灰度值小于T2的判断为属于背景的像素。二值化累积帧差图像时，灰度值低于T2的像素赋值为0，而高于T2的像素赋值为255，(x=0,1
14、,W-1 ; y=0,1,H-1)。(10)水平方向扫描二值化后的累积帧差图像，若扫描结束则转到(14)，否则获取像素点(x,y)。(11)若像素点(x,y)是由黑变白的突变点，则说明像素点(x,y)是疑似道路左边界线，转到(12)。若像素点(x,y)是由白变黑的突变点，则说明像素点(x,y)是疑似道路右边界线，转到(13)。若像素点(x,y)不是突变点，转到(10)。(12)搜索TL中所有代表左边界线的节点，获取每个节点中坐标动态数组的最后一个坐标值(x_end,y_end),若，则判定像素点(x,y)是该节点所代表的左边界线上的点，将坐标(x,y)加入到该节点中坐标动态数组的尾部；若像素点
15、(x,y)不属于所有已有边界线，说明(x,y)为新边界线的起点，则新建一个节点添加到TL中，将坐标(x,y)加入到该节点中坐标动态数组的尾部，设置道路边界线类型标志为左边界，转到(10)。(13)搜索TL中所有代表右边界线的节点，获取每个节点中坐标动态数组的最后一个坐标值(x_end,y_end),若，则判定像素点(x,y)是该节点所代表的右边界线上的点，将坐标(x,y)加入到该节点中坐标动态数组的尾部；若像素点(x,y)不属于所有已有边界线，说明(x,y)为新边界线的起点，则新建一个节点添加到TL中，将坐标(x,y)加入到该节点中坐标动态数组的尾部，设置道路边界线类型标志为右边界，转到(10
16、)。 (14)从TL所有中筛选出坐标动态数组长度大与T4的节点，并按坐标动态数组中横坐标的平均值由小到大的顺序添加到L中，则L中就得到了所有的确定道路边界线。4 实验与分析根据上面的道路识别算法，使用Visual C+编程实现该算法，本课题得到南京市交管局的大力支持，交管局提供南京二条巷路口的监控录像用于实验，用于识别道路的视频序列为连续的200帧352288的灰度图像，即N=200，W=352，H=288，图像的采样频率为10帧/秒。分割车辆和背景的阈值T1在程序运行时由迭代法自动求出，设定分割道路和背景的阈值T2=8，设定用于判别突变点是否属于已有标志线的横坐标误差阈值T3=6，设定用于判
17、别疑似道路边界线是否为确定道路边界线的长度阈值T4= H/2=144。(a) (b)(c) (d)(e) (a) 用于识别道路的视频图像；(b) 帧差图像通过平滑处理和阈值分割后的二值图像；(c) 处理完N帧视频图像后的累积帧差图像；(d) 使用阈值T2分割后的累积帧差图像；(e) 提取出的确定道路边界线和实际道路边界线对比图，图中红色线为实际道路边界线，黑色线为实验提取出的边界线图1实验过程中各步骤结果图实验过程中各步骤的结果如图1所示，由实验的最终结果可以比较直观的看出，实验提取出的边界线与实际道路边界线基本吻合，精度比较高，实验的效果还是比较理想的，可以比较准确的识别出道路的左右边界线。
18、当输入的用于识别道路的灰度图像帧数比较多，道路上行驶过的车辆也比较多时，对于普通的中小型车辆来讲，每条车道通过200辆以上的车辆时，本算法就可以达到令人满意的效果。5 结论本文针对传统的道路识别方法过程复杂，易受干扰，识别效果不够理想等缺点，提出一种应用累积帧差技术通过识别道路上经过的车辆来识别道路位置的新算法，并且使用Visual C+编程实现了该算法。实验结果显示新算法过程简单，抗干扰性强，最终获得的道路位置与原图像中的道路位置基本吻合，识别道路的效果可以令人满意。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J.计算机应用研究,2005,9:9-
19、142魏武,张起森,王明俊,黄中祥.基于计算机视觉和图像处理的交通参数检测J.信息与控制,2001,30(3):257-2613许悦雷,左继章,张雄,毕笃彦.一种累积帧差视频对象分割算法J.光电工程, 2004, 31(7):69-724 蒋刚毅，郁梅，叶锡恩.一种基于视觉的车辆跟踪及交通流量参数估计新方法J.电路与系统学报，2001，6(4)：69-73.5左奇,史忠科.一种新的交通流视频检测方法J.西安交通大学学报, 2004, 38(4) : 396-3991.联系人：郇洪江 ；2.通讯地址：南京市新模范马路5号南京工业大学213信箱（邮政编码：210009）； 3.电子信箱：tom99
20、8877 电话：13851585635。修改说明：在引言中针对实际环境中的一些问题对本课题研究的重要性做了进一步的阐述。根据专家所提问题：“车流要多大才能满足算法的需要？算法的精度如何？均未提及。而且文章中给出的几幅实验图片也未注明出处。”在第四部分实验与分析中加上了量化的或直观的说明，本算法每条车道需要200辆以上的车辆通过就可以得到比较良好的效果，如果车流量小可以加长算法执行时间。在结果图（e）中加入了红色的实际道路边界线与实验提取出的边界线做对比，可以很直观的反映算法的执行效果。本课题实验使用了南京交管局提供的南京二条巷路口的监控录像。郇洪江：您好！A08120021稿件已审完,贵稿专家审稿意见为：整篇文章介绍的纯粹是有关道路识别的算法，涉及的也是常规的图像处理技术，虽然文章称“实验结果表明使用新算法识别出的道路效果比较理想，可以满足实际应用的需要”，但我个人还是保留不同的意见。例如，车流要多大才能满足算法的需要？算法的精度如何？均未提及。而且文章中给出的几幅实验图片也未注明出处。文章的文笔较差。 鉴于作者“有车流的地方必为道路”的思路，对原文作了一些简单的删节。 请您尽快按照专家审稿意见修改并进入网站“在线投稿”上传(请在修改稿件后附上“修改说明”)。非常感谢您的支持。计算机应用与软件编辑部2009-1-22 第 8 页 共 8 页
