基于道路监控系统的城市智能交通解决方案

陆荧洲朱宏源刘晓宇

（南京林业大学信息科学技术学院江苏南京２１００００）

摘要：智能交通系统（ＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔＳｙｓｔｅｍ，ＩＴＳ）是一种旨在提供更优质高效的交通管理模式的先进系统，致力于运用较为科学的算法，结合强大的ＯｐｅｎＣＶ库，实现对道路通过的车流量较为准确的实时检测，从而实时掌握城市的交通状况，助力智慧城市的建设。

教育期刊网 http://www.jyqkw.com
关键词：车辆识别；视频处理；智慧交通

中图分类号：T27 文献标识码：Ａｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６６５－２２７２．２０１5．14．０47

智能视频分析技术是解决上述交通问题的一项新兴技术。它利用机器视觉，对视频画面监控判断，并进行数据分析，将提炼的特征形成算法植入机器，形成“机器脑”对视频画面自动检测分析，并做出相应动作，从而使摄像机不但成为人的眼睛，也使计算机成为人的大脑，在很大程度上节省了人力物力，高效地对道路信息进行有效分析及对道路环境进行管理。

１相关研究

从20世纪５０年代开始，美国等一些发达国家就开始了对智能交通系统的探索。１９９０年，美国开发出了智能车辆公路系统（ＩＶＨＳ），以提高交通运输效率，促进国家经济。２００５年１１月，美国运输部与密歇根州运输研究所（ＵＭＴＲＩ）合作建成防追尾车辆安全系统，功能包括前方碰撞预警（ＦＣＷ），车道偏离警告（ＬＤＷ），车道变更警示（ＬＣＷ）和曲线测速预警（ＣＳＷ）。

欧洲和日本对这一领域的研究起步也较早，政府在早期斥巨资研究和开发智能交通系统，现在技术已经比较成熟。

我国在这一领域的发展起步较晚，尽管在智能监控领域已经取得了一定的进展，但是还是过去的研究还是存在运动分割、遮挡处理、多摄像机的综合与运用等难点问题。

２架构与布局

智慧交通系统包括前段设备、传输部件和联网平台。前段设备包括摄像头、红外接收器、传感器网络等，中间部件通常为电缆等进行数据传输。联网平台通常为公安系统的监控管理系统。监控摄像头采集到视频后，会实时传输回数据中心，进行运算与分析（见图１）。通过计算机视觉和视频分析技术，可以实时监测城市的交通状况，及时发现并解决潜在的问题。同时这些信息可以有针对性得商业化和提供给民众，为生活带来便利。

通常，在一条道路上会架设两个摄像头，将这两个摄像头的数据汇总在一起，就能了解这条路上的交通状况。将城市中所有道路的数据汇总到一起就可以反应城市实时的交通状况（见图２）。

３技术及其实现

３．１视频文件的提取

视频预处理是采用等间隔的方法抓取视频，使之成为静态图像，帧率为每秒钟２４帧，与原视频相同，不会造成信息缺失。

３．２灰度化处理

彩色图像一个像素点有１６００多万个（２５５×２５５×２５５）取值，而一个灰度图像的取值只有２５５个。处理彩色视频所用的时间和空间成本比灰度图像高很多，对于车辆识别来说灰度化图片像素已经足够。我们将监控视频进行灰度转换，运用如下公式：

Ｇｒａｙ＝０．２９９Ｒ＋０．５８７Ｇ＋０．１１４Ｂ（１）

Ｒ＝Ｇ＝Ｂ＝Ｇｒａｙ（Ｇｒａｙ－灰度值、Ｒ－红色分量、Ｇ－绿色分量、Ｂ－蓝色分量）

３．３利用ｈａａｒ算法提取样本特征

计算机可以通过学习和归纳，模拟或实现人类的行为，代替人们进行高效的劳动。通过充分训练的机器可以识别监控视频中的车流量。训练过程是从Ｈａａｒ特征中选取出一些，并对ＡｄａＢｏｏｓｔ分类器进行训练。

Ｈａａｒ－ｌｉｋｅｆｅａｔｕｒｅｓ，即Ｈａａｒ特征，它是计算机视觉领域一种常用的特征算子。最早用于人脸描述，通常分为四类：线性特征、边缘特征、点特征（即中心特征）、对角线特征（见图３）。

（１）矩形特征的计算。在ｍ×ｍ大小的子窗口（见图４）中，可以计算其中存在多少个矩形特征。

以像素分辨率为ｍ×ｍ的检测器为例，在ｍ×ｍ的子窗口中，只要确定左上顶点Ａ（ｘ１，ｙ１）和右下顶点Ｂ（ｘ２，ｙ２），这个矩形便可以确定；如果矩形的大小是ｗ×ｈ的话，矩形特征的数量为：

把Ｗ／ｗ、Ｈ／ｈ称为条件矩形（相当于缩放）。

矩形特征的通式为：

（２）用积分计算Ｈａａｒ－ｌｉｋｅ特征。由于计算一个６０×６０的图像就能算出远远大于像素数的矩形特征数，同时在计算特征值时要计算矩形内的像素和，所以计算一个矩形特征就要计算一遍像素和，会造成运算量相当大。Ｖｉｏｌａ等提出的利用积分图求特征值的是解决这个问题的突破，这种方法简化了特征值的计算。

图５中，坐标Ａ（ｘ１，ｙ１）的积分图是其左上角的所有像素之和（图５中的阴影部分）。定义为：

式（４）中，ｉ（ｘ，ｙ）表示原始图像，ｉｉ（ｘ，ｙ）表示积分图，如果是彩色图像，得出的结果表示这个点的彩色值；如果是灰度图像，得出的结果是其灰度值，范围为０～２５５。

图５中，点（ｘ，ｙ）的积分图可以用Ａ（ｘ，ｙ）表示；点（ｘ，ｙ）的ｙ方向的所有原始图像之和用ｓ（ｘ，ｙ）表示。积分图也可以用公式（５）和公式（６）得出：

根据积分图像算出特征值。

（３）样本的选取。手动截取了７０００张正样本——汽车的图片，还有５０００张负样本（即与车辆无关的物体），包括行人、骑摩托车者、骑自行车者、路灯、建筑物、树等的图片，然后开始训练分类器。

３．４ＡｄａＢｏｏｓｔ分类器的构成

１９９５年，Ｆｒｅｕｎｄ和Ｓｃｈａｐｉｒｅ提出了Ａｄａｂｏｏｓｔ算法，是对Ｂｏｏｓｔｉｎｇ算法的一大提升。Ａｄａｂｏｏｓｔ是Ｂｏｏｓｔｉｎｇ家族的代表算法之一，全称为ＡｄａｐｔｉｖｅＢｏｏｓｔｉｎｇＡｄａｐｔｉｖｅｌｙ，即适应地，该方法根据弱学习的结果反馈适应地调整假设的错误率，所以Ａｄａｂｏｏｓｔ不需要预先知道假设的错误率下限。也正因为如此，它不需要任何关于弱学习器性能的先验知识，而且和Ｂｏｏｓｔｉｎｇ算法具有同样的效率，所以在提出之后得到了广泛的应用。

算法如下：