文/李大成 李樹立 李金紅

引言

密度是交通流十分重要參數(shù)之一，也是判別交通流狀態(tài)的一個(gè)重要指標(biāo)。在道路通行能力評(píng)價(jià)中，密度是道路服務(wù)水平分級(jí)的重要指標(biāo)。由于道路結(jié)構(gòu)的差異性，僅通過交通量等參數(shù)難以全面描述交通流的實(shí)際狀態(tài)。例如交通量趨近于零，既可以是描述車輛很少時(shí)的道路交通，也可以表示交通嚴(yán)重?fù)頂D，車流處于停滯狀態(tài)。而交通流密度可以直接判定擁擠程度，從而決定采用何種交通管理和控制措施。

交通流密度檢測概述

交通密度是指單位長度車道上，某一瞬間所存在的車輛數(shù)，一般用輛/(km*車道)表示。根據(jù)以上定義，密度基本上是在一段道路上測得的瞬時(shí)值，它不僅隨時(shí)間的變化而變動(dòng)，也隨測定區(qū)間的長度而變化。為此，常將瞬時(shí)密度用某總計(jì)時(shí)間的平均值表示。此外，必須選擇適當(dāng)?shù)膮^(qū)間長度，因?yàn)樗c總計(jì)的時(shí)間有關(guān)。在選定的區(qū)間長度內(nèi)，視不同的需要按不同的方向或者不同的車道取值。

交通流密度主要通過交通調(diào)查法和基于定點(diǎn)檢測器數(shù)據(jù)進(jìn)行估計(jì)的方法得到。交通調(diào)查法又分為出入量調(diào)查法和高空航拍法，而定點(diǎn)檢測器數(shù)據(jù)估計(jì)法主要是通過感應(yīng)線圈、紅外檢測器、微波雷達(dá)等檢測器得到的數(shù)據(jù)來進(jìn)行估計(jì)。

由于高空航拍法的調(diào)查成本極高，只有在極特殊的場合應(yīng)用，觀測部分重要的道路，不能遍及所有城市道路，應(yīng)用范圍非常小；并且無法全天候、實(shí)時(shí)的進(jìn)行交通流密度檢測，進(jìn)而無法與城市信號(hào)控制系統(tǒng)和交通誘導(dǎo)系統(tǒng)進(jìn)行協(xié)調(diào)，調(diào)查結(jié)果無法及時(shí)發(fā)揮應(yīng)有的價(jià)值。

地面高處攝影法就是用動(dòng)態(tài)錄像儀在高處進(jìn)行攝影。測定區(qū)間的長度視地區(qū)內(nèi)的狀況和周圍條件而變化，一般取50-100m。攝影時(shí)間間隔一般取每秒1畫面。但是該方法需要人工來讀取攝影觀測區(qū)間內(nèi)存在的車輛數(shù)，不具備推廣性。在實(shí)際應(yīng)用當(dāng)中，往往還采用較易測量的車輛的道路占用率來間接表征交通密度，車輛占用率越高，車流密度越大。它包括空間占用率和時(shí)間占用率。

基于線圈等定點(diǎn)檢測器數(shù)據(jù)估計(jì)法，主要包括感應(yīng)線圈、紅外檢測器、微波雷達(dá)等檢測器，可以得到的時(shí)間占有率、交通流量和空間平均車速等交通參數(shù)，一方面可以通過時(shí)間占有率的大小來反應(yīng)交通流密度，時(shí)間占有率越大，則表明交通流密度越大，但是該方法并沒有通過定量地描述時(shí)間占有率和交通流密度之間的關(guān)系；另一方面，根據(jù)交通流密度公式，通過交通流量和空間平均車速來間接計(jì)算交通流密度，當(dāng)交通流量和區(qū)間平均車速出現(xiàn)較大誤差時(shí)，檢測結(jié)果存在較大出入。

Gazis，D.，Knapp，C.提出了利用路段進(jìn)出口的流量和速度數(shù)據(jù)來估計(jì)路段密度，并通過一個(gè)連續(xù)修正方案來過濾掉密度估計(jì)過程中的隨機(jī)誤差。NE Nahi，AN Trivedi.提出了基于車輛守恒的密度估計(jì)方法，但是該方法需要知道初始路段密度，并且建立在同質(zhì)交通流的假定之上。Kurkjian，A.，Gershwin，S.，Houpt，P.提出了估計(jì)路段密度的卡爾曼濾波方法，但是卡爾曼濾波也是基于路段同質(zhì)交通流的假設(shè)。丹尼爾等給出了時(shí)間占有率和有效車長來估算交通流密度的方法，其不足之處是，一是需要估算有效車長，二是建立在空間同質(zhì)交通流的假設(shè)之上。胡小文等提出了一種利用定點(diǎn)檢測器數(shù)據(jù)（流量和時(shí)間平均速度）來獲取交通流密度的方法，該方法首先利用交通工程學(xué)的知識(shí)，將時(shí)間平均速度轉(zhuǎn)化為空間平均速度，然后根據(jù)交通流理論中的流密速關(guān)系，求解交通流密度，但是當(dāng)交通流量和區(qū)間平均車速檢測出現(xiàn)較大誤差時(shí)，檢測結(jié)果存在較大出入。通過以上分析，本文提出了一種基于視頻檢測算法的交通流密度檢測系統(tǒng)。

基于視頻檢測的交通流密度檢測系統(tǒng)

基于視頻檢測算法的交通流密度檢測系統(tǒng)（下文稱本系統(tǒng)）是通過城市高點(diǎn)監(jiān)控設(shè)備實(shí)時(shí)采集道路圖像，通過背景差分法等技術(shù)對(duì)圖形進(jìn)行分析處理，實(shí)時(shí)統(tǒng)計(jì)特定區(qū)域某一瞬間的車輛數(shù)，然后利用交通流密度概念模型計(jì)算出城市各個(gè)道路的交通流密度，最終確定道路的交通流狀態(tài)。

相比高空航拍法等其他檢測方法，高點(diǎn)監(jiān)控檢測法價(jià)格相對(duì)低廉，可進(jìn)行多個(gè)區(qū)域同時(shí)高點(diǎn)監(jiān)控檢測，實(shí)現(xiàn)多區(qū)域道路的覆蓋，而每個(gè)高點(diǎn)監(jiān)控點(diǎn)的覆蓋半徑可達(dá)到1km，輻射面之廣，盡可能的反應(yīng)出區(qū)域內(nèi)所有道路的交通流密度情況；精確度較高，為交通管理部門提供準(zhǔn)確的決策依據(jù)。

系統(tǒng)結(jié)構(gòu)

本系統(tǒng)包括以下幾個(gè)模塊：圖像信息采集模塊、圖形信息預(yù)處理模塊、交通流密度建模模塊和交通流狀態(tài)識(shí)別模塊。

交通流參數(shù)信息采集模塊，用于從高點(diǎn)監(jiān)控系統(tǒng)中獲取目標(biāo)道路的實(shí)時(shí)圖像信息；交通流參數(shù)信息預(yù)處理模塊，用于目標(biāo)道路實(shí)時(shí)圖像信息的預(yù)處理，包括對(duì)圖像分割處理、車輛多目標(biāo)捕捉技術(shù)；交通流密度建模模塊，用于構(gòu)建目標(biāo)道路交通流密度模型；交通狀態(tài)實(shí)時(shí)識(shí)別模塊，根據(jù)交通流密度狀態(tài)分級(jí)閥值，結(jié)合實(shí)時(shí)的交通流密度，實(shí)時(shí)判別出目標(biāo)道路的交通流狀態(tài)。

圖1 交通流密度檢測系統(tǒng)結(jié)構(gòu)圖

系統(tǒng)檢測周期

對(duì)于城市道路，特別是道路長度不是很長的路段，由于受到信號(hào)控制，往往會(huì)出現(xiàn)短時(shí)間內(nèi)交通密度上下劇烈波動(dòng)，即紅燈時(shí)交通流密度較大，而綠燈時(shí)間交通流密度逐漸減小，為了削弱信號(hào)控制帶來的檢測干擾，本文要求交通流數(shù)據(jù)檢測周期錯(cuò)開信號(hào)的紅、綠燈啟亮?xí)r間，并且確定出合理的檢測間隔。

為了確定出最佳的檢測間隔，本文選擇30s，1min，1.5min，2min，2.5min，3min，3.5min，4min，4.5min，5min，6min，7min，8min，9min，10min，15 min的短時(shí)序列進(jìn)行分析，分析結(jié)果如下圖2和圖3所示。

圖2 不同間隔預(yù)測的平均誤差示意圖

圖3 不同間隔預(yù)測的最大誤差示意圖

根據(jù)以上兩圖的變化趨勢可知，當(dāng)檢測間隔大于5min時(shí)，預(yù)測的平均誤差和最大誤差都趨于平緩，因此檢測間隔應(yīng)該大于5min，但是檢測間隔太長會(huì)使得交通流密度檢測的時(shí)效性降低、價(jià)值喪失，因?yàn)榻煌髅芏鹊臋z測往往同城市信號(hào)控制系統(tǒng)、交通流誘導(dǎo)系統(tǒng)進(jìn)行協(xié)同合作，通過交通流密度的準(zhǔn)確預(yù)測為信號(hào)控制系統(tǒng)、交通流誘導(dǎo)系統(tǒng)提供決策，檢測間隔太長，則無法及時(shí)提供決策，造成車輛更大的延誤，系統(tǒng)效率低下。綜合各方面的因素，最終選擇5min作為檢測間隔。

高點(diǎn)監(jiān)控?cái)z像機(jī)作為信息采集前端，每5min的時(shí)間采集一次虛擬區(qū)域的圖像信息，并將采集到的圖像信息傳回到圖像信息處理模塊，經(jīng)過圖像處理之后得到較為準(zhǔn)確的信息，即瞬間的車輛數(shù)，5min內(nèi)多次采集圖像信息，分析處理之后對(duì)瞬時(shí)的車輛數(shù)求取算數(shù)平均值。根據(jù)交通流密度概念模型，即可計(jì)算出目標(biāo)區(qū)域的交通流密度。

本系統(tǒng)通過視頻攝像頭和計(jì)算機(jī)模仿人眼的功能，首先需要根據(jù)各個(gè)道路結(jié)構(gòu)形態(tài)在視頻范圍內(nèi)劃定虛擬區(qū)域，并且實(shí)時(shí)的提取虛擬區(qū)域內(nèi)的參考背景，當(dāng)車輛進(jìn)入檢測區(qū)域使背景灰度發(fā)生變化，系統(tǒng)從而感知車輛的存在，對(duì)進(jìn)入該區(qū)域的車輛進(jìn)行捕捉并計(jì)數(shù)，然后將得到的車輛數(shù)信息，應(yīng)用于交通流密度概念模型，最終計(jì)算出交通流密度。

本系統(tǒng)假定：攝像機(jī)是固定不動(dòng)的，固定地朝向道路的某一方向。

高點(diǎn)監(jiān)控?cái)z像機(jī)相關(guān)參數(shù)：

①適應(yīng)范圍：白天≥2km，夜間≥1km；

②焦距∶ 4.3-129mm，30倍光學(xué)；

③分辨率：50Hz∶25fps(1920×1080)、25fps(1280×960)、25fps(1280×720)、60Hz∶30fps(1920×1080)、30fps(1280×960)、30fps(1280×720)。

④有效像素∶ 327萬像素。

根據(jù)道路結(jié)構(gòu)劃定虛擬區(qū)域

由于城市道路環(huán)境較為復(fù)雜，視頻當(dāng)中的任何運(yùn)動(dòng)的物體都可以被檢測到，為了更精確的捕捉到高點(diǎn)監(jiān)控?cái)z像機(jī)視野內(nèi)的車輛數(shù)，本系統(tǒng)在高點(diǎn)監(jiān)控?cái)z像機(jī)的視野內(nèi)劃定虛擬區(qū)域，同時(shí)用中央分隔線隔開上下行車流（如圖4的紅色標(biāo)線），系統(tǒng)只會(huì)在虛擬區(qū)域內(nèi)提取參考背景和實(shí)時(shí)視頻圖像信息，并進(jìn)行車輛捕捉和車輛數(shù)統(tǒng)計(jì)，可避免其他路外移動(dòng)因素的干擾。虛擬區(qū)域需要根據(jù)道路結(jié)構(gòu)來劃定，并且事先標(biāo)定出目標(biāo)區(qū)域的路段長度。

圖4 高點(diǎn)監(jiān)控檢測區(qū)域

由于判斷某一點(diǎn)是否屬于虛擬區(qū)域的算法相對(duì)復(fù)雜，為化簡算法，本文規(guī)定：虛擬線圈盡可能是平行四邊形或者梯形，而且四邊形的其中兩條對(duì)邊必須平行于圖像的水平方向。做出這樣的限制后可以簡化點(diǎn)是否在區(qū)域內(nèi)部的判斷。

圖5 矩形虛擬線圈示意圖

以梯形虛擬線圈為例。首先，關(guān)于判斷一點(diǎn)是否在梯形內(nèi)部。由于梯形的兩條邊與圖像的水平方向是水平的，因此，梯形在圖像中的位置可以由以下參數(shù)來判斷：梯形左上坐標(biāo)為(x1,y1) ，梯形右上角的坐標(biāo)為(x2,y1)，高度為I1,I2，水平方向上底和下底的兩側(cè)偏差分別為 和 ，通過以上參數(shù)可得：虛擬線圈的起始掃描位置就是點(diǎn)(x1,y1)、各行的起始位置為，終點(diǎn)位置為各行的掃描長度為x2-x1，總的掃描行數(shù)為H。

虛擬區(qū)域的參考背景提取

參考背景是否準(zhǔn)確將會(huì)影響交通流密度的精確度。但是由于室外光照和天氣時(shí)刻變化，固定的參考背景給檢測帶來較大誤差，必須實(shí)時(shí)的更新參考背景。設(shè)I(x,y,t)表示坐標(biāo)(x,y)為的像素點(diǎn)在t時(shí)刻的灰度值，t B(x,y,t)表示該像素點(diǎn)在t時(shí)刻參考背景的灰度值，I和B通常取[0，255]間的整數(shù)。在實(shí)際的系統(tǒng)中普遍采用遞增的方法來進(jìn)行背景學(xué)習(xí)，其函數(shù)表達(dá)式如下所示：

其中a是（0，1）之間的一個(gè)常數(shù)，決定了背景學(xué)習(xí)的快慢，由此可知參考背景由上一時(shí)刻的參考背景和當(dāng)前一幀圖像的灰度值來決定。

基于局部動(dòng)態(tài)閾值的運(yùn)動(dòng)分割

運(yùn)動(dòng)分割就是把視頻圖像中運(yùn)動(dòng)的部分與相對(duì)靜止的部分分割開來。由于攝像機(jī)與路面位置（即背景）保持相對(duì)靜止，通常采用背景差分法來進(jìn)行分割。通過實(shí)時(shí)的獲取參考背景，然后把當(dāng)前幀圖像與參考背景按每個(gè)像素對(duì)應(yīng)相減，并將差值進(jìn)行二值化處理，即如果相減的差值超過某個(gè)閾值，就認(rèn)為該像素上存在著物體運(yùn)動(dòng)，最后統(tǒng)計(jì)發(fā)生變化的像素的數(shù)量，當(dāng)變化超過噪聲閾值后便認(rèn)為有車輛經(jīng)過了虛擬區(qū)域。

對(duì)于圖像處理技術(shù)的研究，學(xué)者們提出了許多觀點(diǎn)，本系統(tǒng)在圖像處理技術(shù)上采用基于局部動(dòng)態(tài)閾值的運(yùn)動(dòng)分割方法，經(jīng)過實(shí)踐發(fā)現(xiàn)檢測結(jié)果相對(duì)準(zhǔn)確，算法也較為簡單。

運(yùn)動(dòng)分割就可以根據(jù)以下式子進(jìn)行(依RGB三種顏色計(jì)算)：

式中：紅、綠、藍(lán)三個(gè)顏色通道在t時(shí)刻的值記為IR(t)、IG(t)、IB(t)；把相應(yīng)參考背景的三個(gè)通道記為BR(t)、BG(t)、BB(t) 。

以上三個(gè)式子只要有一個(gè)成立，點(diǎn)（x,y）就被判斷為“運(yùn)動(dòng)”，否則，就是背景點(diǎn)。對(duì)于這三個(gè)式子的理解如下∶

1）,α β都是常數(shù)。

圖6 像素點(diǎn)(x,y)及其八鄰域C8

μ(x,y)是數(shù)學(xué)期望。有時(shí)為了節(jié)省內(nèi)存空間和運(yùn)算時(shí)間，標(biāo)準(zhǔn)差可以利用遞增的方法進(jìn)行計(jì)算（以紅色通道為例）：

其中ρ可以是一個(gè)時(shí)間的變量，也可以地近似認(rèn)為是一個(gè)常數(shù)。其他兩個(gè)顏色通道的標(biāo)準(zhǔn)差的計(jì)算與紅色通道相同。

4）kt(x,y)是對(duì)照條件變化的考慮。如圖7所示，先把當(dāng)前一幀的圖像劃分為一個(gè)個(gè)小的正方形區(qū)域Wi,j，每個(gè)窗口的邊長是m個(gè)像素，m的取值根據(jù)被檢測物體的大小確定，對(duì)于車輛的檢測，一般取5-9。(x,y)必屬于所有正方形區(qū)域中的一個(gè)，記為S，那么

圖7 圖像分塊及照明因子的計(jì)算

實(shí)時(shí)車輛數(shù)的統(tǒng)計(jì)

經(jīng)過道路背景的提取和動(dòng)態(tài)閥值的確定，可以確定哪些是運(yùn)動(dòng)的車輛，并對(duì)這些車輛進(jìn)行統(tǒng)計(jì)，即可得到道路上實(shí)時(shí)的車輛數(shù)。監(jiān)控?cái)z像機(jī)在5min內(nèi)連續(xù)多次捕捉虛擬區(qū)域內(nèi)的車輛數(shù)，并對(duì)這些數(shù)據(jù)進(jìn)行分析、處理，最終得到能夠準(zhǔn)確反映當(dāng)前時(shí)間內(nèi)的交通流密度情況。

依據(jù)交通流密度模型計(jì)算交通流密度

本系統(tǒng)既不是通過時(shí)間占有率、空間占有率來間接反映交通流密度的情況，也不是通過流量——速度公式來求得交通流密度，而是直接根據(jù)交通流密度的概念建立簡單的模型。該模型雖然簡單，卻可以準(zhǔn)確的反映出目標(biāo)區(qū)域的交通流密度情況。

通過第（4）點(diǎn)可以得到高點(diǎn)監(jiān)控目標(biāo)區(qū)域某一時(shí)段的瞬時(shí)平均車輛數(shù)，由于路段長度事先標(biāo)定好，后續(xù)可根據(jù)交通流密度的概念模型，計(jì)算出交通流密度。具體模型如下所示：

式中：

K——交通流密度，輛/km*車道；

L——虛擬區(qū)域的路段長度，km；

N——車道數(shù)；

Q——虛擬區(qū)域路段內(nèi)的瞬時(shí)平均車輛數(shù)，輛。

判定交通流狀態(tài)

獲取到目標(biāo)道路的交通流密度情況，可以根據(jù)交通狀態(tài)分級(jí)閥值判別目標(biāo)道路交通流狀態(tài)。由于道路交通流密度受到道路結(jié)構(gòu)和道路車輛組成等因素影響，不同的道路設(shè)定的交通密度臨界值及交通流密度的變化特性應(yīng)該有所不同。所以根據(jù)實(shí)測的交通流密度數(shù)據(jù)來確定某個(gè)特定路段的臨界值非常必要。在實(shí)踐中一般根據(jù)測得的交通流密度與設(shè)定的臨界值比較后直接來判斷道路的交通流狀況。如下表所示，為某一條道路的交通流狀態(tài)判定臨界值。

表1 交通流狀態(tài)判定閥值

圖8 交通流密度算法流程圖

應(yīng)用實(shí)例

為了檢驗(yàn)基于視頻檢測算法的交通密度計(jì)算方法的實(shí)施效果，本文對(duì)廣東省某城市的高點(diǎn)監(jiān)控點(diǎn)（如圖9所示）進(jìn)行了測試。該高點(diǎn)監(jiān)控視野較好，檢測路段長度為200m，道路為雙向6車道，設(shè)計(jì)車速為40km/h。

圖9 高點(diǎn)監(jiān)控畫面

如圖10所示，系統(tǒng)提取道路參考背景，并根據(jù)該道路結(jié)構(gòu)畫出虛擬區(qū)域（紅色矩形框），標(biāo)定道路長度為200m；最后通過車輛捕捉技術(shù)捕捉運(yùn)動(dòng)的車輛。

圖10 視頻處理結(jié)果

交通流密度的計(jì)算是否準(zhǔn)確，關(guān)鍵在于實(shí)時(shí)捕捉的車輛數(shù)與實(shí)際車輛數(shù)是否相符，為了比較分析該方法的準(zhǔn)確程度，本文選取樣本視頻進(jìn)行計(jì)數(shù)，并計(jì)算出實(shí)時(shí)的交通流密度。另外通過與傳統(tǒng)計(jì)算方法對(duì)比，即由交通流量和區(qū)間平均車速計(jì)算得到交通流密度。通過下表可知，基于視頻檢測算法的交通密度計(jì)算方法與實(shí)際值更為接近，相比傳統(tǒng)的方法（基于交通流量和區(qū)間車速計(jì)算）也更為精確。

表2 兩種檢測方法對(duì)比

從實(shí)驗(yàn)結(jié)果可以看出，基于視頻檢測算法的交通流密度計(jì)算方法相比傳統(tǒng)的方法相對(duì)簡單，也更為準(zhǔn)確。但是交通流密度檢測受到視頻檢測技術(shù)和城市建筑、植被遮擋的限制，檢測結(jié)果是否精確，關(guān)鍵在于視頻檢測算法是否準(zhǔn)確；檢測范圍是否廣闊，關(guān)鍵在于城市高點(diǎn)監(jiān)控的方位、高度和視野等關(guān)鍵因素。本文對(duì)于交通嚴(yán)重?fù)矶聲r(shí)和夜間時(shí)段檢測效果較差，今后將會(huì)朝著這一方向研究。