摘要：针对城市公路交通流量测量中的实时性和确切性的要求，在背景差分的基础上提出了一种改进的基于虚拟窗口检查的方式。通过获取前景目标尽量少的帧图象，快速构建虚拟窗口的初始背景模型，并实时更新背景；将Sobel边沿检查算法引入前景目标测量，因而快速检查出前景目标变化的完整区域，增强测量的确切率；再使用基于HSV色调空间直方图势函数除去阴影算法，进一步消除前景目标中的阴影区域，有效地保留了真实的运动目标区域；最后统计交通车流量，可结合其他信息（如红绿灯状态）作出该路段相应的交通流状况判定。通过实验结果证明，所提出的检查算法可有效应用于视频交通车流量测量中。

0序言

交通车流量测量是智能交通（，ITS）的一个重要研究课题，是进行车流量预测和当前路段车流量状况判定的基础。因为传统的测量方式存在维护不便捷、检测时间长、获取信息单一等问题，使其使用范围遭到限制。随着计算机技术和图象处理信息检查技术的发展，目标测量在刑警、ITS、遥感等各方面得到了广泛的应用。当前汽车检查的主要算法有：光流法[1]、图像差分法（包括帧间差分法[2]、背景差分法[3]）。基于光流法的跟踪检测可以精确地测量出运动目标，但因为其运算时间长，无法满足实时性的应用要求，受噪音影响较大，因而极少实际使用。帧间差分法是将视频序列中的图象进行相邻帧或多帧间差分运算测量出运动前景区域，对光照硬度、天气变化不敏感，但在大多数情况下无法获得完整的运动目标。背景差分法通过当前帧和背景图象做差的运算，可以获得较为完整的运动目标，但须要获取实时确切的背景。在交通监控中，摄像头一般是被固定在道路正前斜上方的支架上，所拍摄到的图象并不是完全静止不动的，如数枝摇动、大型汽车经过时带来的显著振动以及周围建筑物的影子等，这种都应当被划入到背景当中去。

针对以上方式的异同点，本文采用背景差分法测量出运动前景区域，之后与轮廓测量相结合获取完整的目标轮廓，再采用阴影除去算法消除目标中的阴影部份，最后用自适应阀值算法更新背景与裁定阀值获取前景目标。本文中的大部份估算都只对选取的虚拟窗口的图象进行处理，进而实现快速有效的交通汽车流量监测。

1选定虚拟窗口

当汽车行驶到交通路口时，每辆车就会选择各自须要的车道行驶，因而可以在每位车道上设置检查虚拟窗口。按照摄像机安装的位置和角度，以及实际拍摄视频图象的大小范围，选定位置、大小合适的虚拟窗口，保证选定的区域方向尽量与汽车行驶方向垂直。通常都把虚拟窗口的位置选在每帧图象紧靠下方位置，汽车在此区域相互之间的距离相对较大，不会出现汽车遮挡的问题。虚拟窗口的高度通常选5到10个象素，长度尽量覆盖整个车道，本文每位车道最下方的第一个窗口取10个象素高度，再在每位车道上方超过一辆车左右的位置选定的第二个窗口取7个象素高度。每个车道上有两个虚拟测量窗口，一方面可以降低测量偏差、提高测量确切率，另一方面也可以结合红绿灯的状态判定当前该路段的交通堵车情况。虚拟窗口的选定如图1所示。

2窗口背景初始化及更新

2.1背景模型初始化

背景差分法的背景模型有人为给出、基于统计构建模型[4]等形式。自动给出要求在人观测到没有前景汽车经过时获取当前图象为背景。这些方法不但会带来成本投入降低，并且在大多数时间很难确切观测到直接的背景。而基于统计构建背景模型的形式就变得更具便捷、快捷的优势。在实际监控中，每位前景目标只能在监控画面中存在有限的时间，在视频序列帧图象中引起差别较大的象素点主要是由运动目标造成的。因此在借助统计平均模型法简单、计算速率快的优点之上，尽量选定无运动目标的窗口图象构建背景模型，除了估算时间短，但是初始化背景质量高，与真实的背景差别小。虚拟窗口背景模型初始化的步骤如下：

（1）选定视频序列上面一定帧数目n（通常不大于100）对应虚拟窗口图象进行背景建模。

（2）先对每帧图象进行预处理[5]，再进行Sobel[6]轮廓提取并优化处理。

（3）假如包含轮廓的最小圆形小于整个虚拟窗口的1/8，则觉得该帧图象无前景目标，标记为1，否则为0。

flagi=1>T0≤T（0

其中，flagi是第i帧图象的标记；是第i帧图象的轮廓图最小方形大小，是虚拟窗口大小的1/8。

（4）当式（1）中i取到n时，假若标记为0的帧率不大于n/3，对所有标记为0的图象求均值作为初始化的背景模型，否则对所有n帧图象求平均作为初始化的背景模型。

其中，B0（x，y）是初始化的背景模型，Pi（x，y）是第i帧图象在点（x，y）处的象素值，N0是标记为0的总帧率。

2.2背景模型更新

因为遭到外界天气、光线等诱因的影响，背景图象是不断平缓变化的，有时都会出现诸如经过洒水车导致的突变，所以须要背景模型还能实时更新，提供可靠的背景图象。本文采用改进的递归算法更新背景，递归算法的估算公式为：

其中，Bi（x，y）是当前背景，Bi-1（x，y）是上一帧背景，Ii是当前帧图象，是学习率。当?琢取值过会议使更新速度过快，部份前景也会被错判为背景；当取值过小会造成更新速度太慢，不能提供有效的实时背景图象。由此可见，假如取值不合适都会严重影响汽车检查的确切度，通过多次试验取得最佳经验值为0.05~0.1。

改进新算法的基本思想是：当测量到汽车经过时，依然使用上一帧的背景，在没有检查汽车时仍然更新背景，同时更新背景的学习率和有汽车经过时前景判定阀值。具体步骤如下：

（1）初始化各个参数，获取当前（i）帧和上一（i-1）帧窗口图象，并进行预处理。

（2）估算当前帧和上一帧图象的均值、，并取它们差值的绝对值abs（-）。

（3）学习率更新0.05+abs（-）/1000.0，这样就有效地缩小了建模背景与真实背景之间的差别。

（4）当测量到汽车而背景没有更新时，为了分辨出更高质量的前景目标，相应的阀值调整为大律法[7]（Ostu）阀值。

（5）最终的背景更新算法估算公式为：

Bi（x，y）=Bi-1（x，y）

（6）假如程序没有结束，i自增1，返回到步骤（1）继续执行直至结束。

3前景目标测量

3.1边沿算法比较

为了获得较为完整的前景目标，可以借助边沿检查算法来获取目标轮廓。不同的边沿检查算法处理后的结果有很大的差别，常用的边沿检查算法有Sobel算法、算法、算法、算法等[8-10]。本文采用Sobel算法，其基本原理是：边沿的灰度函数是一个一次函数y=kx，对该函数求一阶行列式得到的斜率k是一个常数，而非边沿的一阶行列式则为零，这样通过求一阶行列式就可以判定图象的边沿了。并且草图大师怎么调阴影，因为实际应用到图象中没一个确切的函数可以导数，就采用一个3×3的窗口来对中间象素点进行近似导数。Sobel算子有两个，一个是水平边沿检查，另一个是垂直边沿检查。两个算子如下所示：

其中，Gx表示水平方向上的梯度，Gy表示水垂直向下的梯度。

在虚拟窗口检查的方式中，窗口与汽车运动方向垂直，并且车体本身的边沿主要在相对水平和垂直方向上，因而可以较好地检查出前景目标。将原始图象与4种测量结果进行对比，如图2所示，通过观察可以发觉Sobel算法才能较好地检查出前景目标的边沿信息。

3.2HSV色调空间直方图消除阴影

阴影是因为物体遮挡住了光线传播，不能穿过不透明的物体而产生照度较暗的区域，也就是人们常说的影子。这些现象尤其在天气较好的清晨和傍年会导致物体后面出现较大的阴影区域。在目标测量领域，阴影经常会被错判为运动目标，因而去除阴影是必需要面临的一个问题。在总结前人研究成果的基础上，本文发觉可借助HSV色调空间[11]饱和度在阴影区和非阴影区变化微小的特性，结合直方图势函数[12]获取无阴影的前景目标。算法具体步骤如下：

（1）获取当前帧图象并转化到HSV色调空间，取出饱和度份量，估算其直方图函数。

消除阴影的前景目标如图3所示。

3.3交通流量测量

每位车道上的检查窗口都在同一水平线上，每辆车只能通过一个检查窗口，假如同时通过两个窗口，则在通常情况下是一个窗口测量到得多，另一个测量到得少，只有测量到多的窗口才计数，另一个窗口忽视计数。每位窗口会出现两种测量结果：（1）测量到汽车；（2）没检查到汽车。将前一帧检查结果与当前帧检查结果进行比较得到以下几种推论：从（1）到（2）表示汽车步入检查区；从（2）到（2）表示汽车还没离开监测区；从（2）到（1）表示汽车离开监测区；从（1）到（1）表示无汽车步入检查区。每位虚拟窗口的检查流程如图4所示。

结合红绿灯的状态和每位车道上的第二个检查窗口的测量结果，可以作出相应的判定：当绿灯亮时，每位车道上的两个测量窗口测量到汽车，但是在一定时间内没有计数的窗口超过一定数目就可判定该路段如今处于堵车状态；或则将测量计数结果与该路段的吞吐量相比较也可作出相应的交通状况判断。

4实验结果与剖析

为了验证本文算法的有效性，实验选定了一段有显著阴影的交通监控视频，分别在有消除阴影算法和没有消除阴影算法的情况下进行检查对比。以第46、47帧和第366帧图象左下角虚拟窗口为例进行检查，结果如图5所示，测量结果的上图是没有消除阴影算法的测量结果，右图是本文有消除阴影算法的监测结果。

对比第46、47帧图象的测量结果，本文算法可以有效地消除阴影区域。在第366帧图象的检测区域中，全部测量区域被小型汽车的阴影覆盖，同时又有大型汽车从阴影区经过，本文算法也能挺好地测量出前景目标，并去不仅阴影区，满足了交通流量对测量确切性的要求。不同多车道测量结果如表1所示。从表1的结果可以看出本文检查算法的确切率可达97%以上，才能满足测量系统的确切性要求。

5推论

本文采用只对虚拟窗口内图象处理的算法，在具体算法上快速构建背景模型，并实时更新后，结合背景差分法和Sobel边沿检查算法提取出前景目标，再用消除阴影算法得到的前景与其融合得到更确切的前景目标区域。并且大多数运算是在灰度图的基础上进行的，只针对有效的信息进行处理，这样就大大推动了估算速率，使测量系统的确切性和实时性都有显著的改善，在ITS上将会有一定的实用性。而且阴影清除在虚拟窗口更窄的情况下测量疗效会显得不理想，还需进一步研究，有望实现更复杂的功能。

参考文献

[1]L.by-flow[J].IEEEonand，2000，22（8）：774-780.

[2]TSAIDM草图大师怎么调阴影，LAISC.basedfor[J].IEEEonImage，2009，18（1）：158-160.

[3]王静，保文星.一种基于差分算法的视频运动目标测量技术[J].计算机应用与软件，2009，26，（12）：68-70.

[4]KATOJ，T，TOGAS，etal.AnHMM/MRF-basedfor[J].IEEEon，2004，5（3）：142-154.

[5]RC，WOODSRE.数字图象（第二版）[M].阮秋琦，阮宇智，译.上海：电子工业出版社，2007.

[6]付光远.一种基于Sobel分解算子的图象边沿检查并行算法[J].微电子学与计算机，2006（9）：132-134.

[7]ZhuQidan，JingLiqiu，Bi.One-fortwo-Ostu[J].of2010and，2010（10）：2783-2788.

[8]ZhangLei，BAOP.Edgebyscalein[J].，2002（23）：1771-1784.

[9]郑莹，孙燮华.图象边沿测量算子的改进[J].北京建筑学院学报（自然科学版），2005，21（3）：268-271.

[10]Zhang，Zhao，suLi.Anewedgeinimage[C].ofIEEESymposiumonand，2005：445-448.

[11]张丽，李志能.基于阴影测量的HSV空间自适应背景模型的汽车追踪检查[J].中国图像图形学报（A辑），2003，8（7）：778-782.

[12]陈云彪，郑贤超.运动目标消除阴影的跟踪[J].电子世界，2014（6）：252-253.