第１５卷 第３２期 ２０１５年１１月１６７１—１８１５（２０１５）３２－０１６８－０７
科 学 技 术 与 工 程
ＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇ
Ｖｏｌ畅
１５ Ｎｏ畅３２ Ｎｏｖ畅２０１５憋 ２０１５ Ｓｃｉ畅Ｔｅｃｈ畅Ｅｎｇｒｇ畅
通信技术
公路视频中实时车流密度检测算法
王燕玲１
李广伦２
丁玉连１
林 晓
１
（洛阳师范学院信息技术学院１，洛阳４７１０２２；洛阳理工学院电气工程与自动化系２，洛阳４７１０１３）
摘 要 公路上固定相机拍摄的视频中背景难以自动更新、运动目标难以快速准确识别和车流密度难以快速获得的问题，提出了一种车流密度实时检测算法。首先，将统计直方图法和多帧平均法相结合，提出固定窗口背景自动更新算法来获得视频的背景图像；其次，使用背景差分法获得前景区域、前景掩码和背景区域；第三，使用腐蚀和膨胀的方法去除微小区域，以及将较大区域内部的空白点进行填充；第四，提出使用行扫描标记算法获得运动目标的最大矩轮廓，并消除运动目标的部分阴影；最后，根据设定阈值过滤掉微小目标，统计瞬时车流量，并根据预设值计算车流密度。该系统使用ＶｉｓｕａｌＳｔｕｄｉｏ２０１０和ＯｐｅｎＣＶ实现，实时效果良好。
关键词 固定窗口统计算法 行扫描标记算法 矩轮廓 瞬时车流量 车流密度中图法分类号 ＴＮ９４１畅１； 文献标志码 Ａ
２０１５年７月２日收到国家自然科学基金项目（Ｕ１３０４６１６）、
河南省科技攻关计划项目（２０１０Ｂ５２００１９）资助
第一作者简介：王燕玲（１９７６—），女，硕士，讲师，ＣＣＦ会员（Ｅ２０００２６５９８Ｍ）。研究方向：图像处理、模式识别。Ｅ－ｍａｉｌ：ｌｉｎｇ＿ｓｃｕ＠１６３．ｃｏｍ。
交通监控技术［１—１０］
在事件检测、交通管理和时间估计中起着至关重要的作用。目前，交通监控系
统分为两类：基于感应环探测器［１—３］
和基于视频［４—１０］。基于感应环探测器应用比较成熟，但是需要破坏路面；基于视频的交通监控系统具有响应速度较快、易于安装、方便维护和监视范围比较广等优点。基于视频的交通监控系统中车辆的速度、流量和密度为后期应用（如智能控制交通信号等）提供参数。车流密度通过计算车流量和估计监控视域内最大车数可得。监控视域内最大车数可以通过人工方式进行设置，而车流量分为一般车流量和瞬时车高考成绩今日公布
流量（或帧车流量）。一般车流量通过跟踪［４—８］
算
法获得，实时性能较差；瞬时车流量［９，１０］
计算每帧车辆数，实时性较好。计算车流密度使用瞬时车流量即可。
本文提出一种新的车流密度检测算法。首先提出使用固定窗口背景自动更新算法自适应获取视频背景；其次使用背景差分法获得当前帧的前景区域、前景掩码和背景区域；第三提出使用行扫描标记算法用自然数标记运动区域的最大矩轮廓同时部分消除阴影；最后统计当前帧中运动目标的数量获得车流密度。
中石油职称英语１ 相关工作
正确且快速地统计车流量是车流密度检测的前提。运动车辆的跟踪是一般车流量统计算法的基
础。ＣｈｉｒａｇＩ畅Ｐａｔｅｌ［４］
使用基于决策树的机器学习算法限制感兴趣区域，并使用Ｈａａｒ级联分类器和ＫＬＴ算法对运动区域的角点进行跟踪，从而实现车
辆的计数和分类功能。ＺｅｈａｎｇＳｕｎ［５］
提出使用Ｇａ－ｂｏｒ滤波器提取车辆的特征，并使用支持向量机
（ＳＶＭ）用于车辆检测。Ｈ畅Ｙ畅Ｃｈｅｎｇ［６］
使用动态贝
叶斯网络模型对车辆进行跟踪。Ｔ畅Ｈ畅Ｃｈｅｎ［７］
对于晚上黑暗状态下司机打开前灯的视频信息进行分类
和检测。Ｊ畅Ｍｅｌｏ［８］
使用卡尔曼滤波对车辆进行跟踪，使用聚类求得车道中心。这些方法都是基于跟踪的方法获得车流量，这些算法虽然可以较好地统计一段时间之内的车辆数，但是实时性能较差。
周世付［９］
设置检测带，跟据车辆是否通过检测带来计算瞬时车流量，从而估计一般车流量。朱华生［１０］
costume jewelry按车道分别设置相应的虚拟区域来实现计算瞬时车流量。这些算法能够快速地提取车辆目标且准确统计瞬时车流量，实时性能较好。本文计算车流密度采用瞬时车流量进行计算。
expressionism鲁棒地自适应背景的获得是车流量检测完成的
基础。ＹｏａｎｎＤｈｏｍｅ［１１］、强振平［１２］、冯华文［１３］
和陈雷等［１４］
分别使用不同的高斯模型来获得前景目标。
ＫｉｎｊａｌＡＪｏｓｈｉ［１５］
在运动目标识别时采用了模糊相似度测量来区分前景和背景，并可以自动更新阈值。这些方法都使用统计模型，运算量较大。统计直方
图法［１６］提取出的背景较中值法好，但该算法的主要缺陷为需要保存大量信息，运算量大，提取背景速度慢；虽然对于图像中的近景能得到较好的背景图像；但是对于图像远景得到的远景背景图像失真；当光照等环境因素发生变化时，由于前期背景像素值计数累计较大，新背景图像的像素值从零开始累计，更新响应较慢。多帧平均法［１７］在视频中前几帧图像，对坐标（ｘ，ｙ）处的像素值求加权平均值。方法计算比较简单，仅仅将前景和背景像素值求加权平均得到背景，但是当视频中运动目标移动速度较快或运动车辆出现频繁时，会产生“鬼影”。
本文基于统计直方图法提出一种固定窗口背景自动更新算法，该方法减少了数据处理量，当背景变化时能够较快更新背景。准确获得背景之后，通过背景差分法获得前景区域经过二值化后需要对最大连通区域进行标记。目前二值图像连通区域标记算
法有三类：像素标记法［１８，１９］、游程编码方法［２０—２２］和区域生长法［２３，２４］。其中，像素标记法是对每个点进行扫描标记目标像素点并得到等价标记表，根据等价标记表获得连通区域。游程编码方法将直线段作为连通区域检测的基本单元。像素标记法和游程编码方法都容易生成等价对，等价对之间的匹配受目标数量影响；区域生长法一次标记整个连通区域，它可以避免出现等价标记，不需要对等价标记进行配对，但是当区域面积较大时，算法效率下降。本文采用行标记算法求得运动区域的最大矩轮廓。
２ 系统概述
本系统实现了智能交通监控的车流密度实时检测。系统流程图如图１所示。
其主要步骤为：
（１）使用固定窗口背景检测算法自适应获得背景图像。
（２）使用背景差分法获得前景运动目标。
（３）通过将前景进行二值化处理和腐蚀膨胀操作来消除目标内部的空隙和去除微小目标。
（４）使用最大连通区域检测和行扫描标记算法，找出最小外截距。
（４）根据所设阈值再次去除较小目标。
（５）统计每帧的瞬时车辆数和计算每帧的车流密度。
３ 固定窗口背景自动更新算法
由于统计直方图法需要记录每个像素点的统计信息，进行处理时需要大量计算，且更新响应速度较慢，不能及时反映光照等条件的变化。在统计直方
图１ 系统流程图
Ｆｉｇ．１ ＳｙｓｔｅｍＦｌｏｗＣｈａｒｔ图的基础上进行改进，提
出了固定窗口背景自动更
新算法。该算法减少了处
理的数据量，能快速适应
环境的变化。
３畅１ 固定窗口
通过为每个像素点设
置窗口减少计算量。窗口
设为长度为ＭＡＸ＿ＱＵＥＵＥ
＿ＳＩＺＥ的队列，每单元存
放ＰＸ＿ＲＥＣＸＯＲＤ结构。
ＣｕｒＰｏｓ指向队列的当前位
置。ＰＸ＿Ｖａｌｕｅ记录该点
出现的像素值，ＰＸ＿ｃｏｕｎｔ
记录该像素值出现的次
数。初始时将所有记录初
始化为０，依次接收后续帧
对应点的像素值，每接收
一个像素值，就与已有的
记录比较，如果队列中有相同的记录值，就将该计数点的ＰＸ＿ｃｏｕｎｔ增加１。如果队列未满，就将新的像素值插入到ＣｕｒＰｏｓ指向位置，如果队列已满，就将新的像素值替换掉计数最小的记录。Ｑｕｅｕｅ结构图如图２
所示。
图２ 窗口的逻辑结构图
Ｆｉｇ．２ Ｔｈｅｌｏｇｉｃａｌｓｔｒｕｃｔｕｒｅｄｉａｇｒａｍｏｆｗｉｎｄｏｗ
３畅２ 基于固定窗口的背景自动更新算法
算法描述：每个像素点设置大小为Ｎ个单元的窗口，每个单元记录该点出现的像素值及其出现的次数。当窗口填满后，新出现的值会替换计数最小的记录，并更新背景图像。具体步骤见图３。
算法的详细描述如下。
１）初始化
在每个像素点上设置大小为Ｎ的窗口。
２）接收第ｊ帧图像，计算更新像素值。
（１）计算像素值及其次数。
接收第ｊ帧图像之后，计算每个像素点的像素值（在误差范围ｒ内）出现的次数。见式（１）。
９６１
３２期王燕玲，等：公路视频中实时车流密度检测算法
图３ 基于固定窗口背景自动更新算法流程图
Ｆｉｇ．３ Ａｕｔｏｍａｔｉｃｕｐｄａｔｅｂａｃｋｇｒｏｕｎｄａｌｇｏｒｉｔｈｍｆｌｏｗｃｈａｒｔ
ｂａｓｅｄｏｎｔｈｅｆｉｘｅｄｗｉｎｄｏｗ
ｃｉ＝
ｃｉ＋１，｜Ｒｉ（ｘ，ｙ）－Ｉ（ｘ，ｙ）／Ｉ（ｘ，ｙ）≤Ｔｒ；ｉ＝１，２，…，ｎ
１， 其他
（１）式（１）中ｉ表示窗口记录的序号，ｃｉ表示第ｉ个记录的计数值，Ｒｉ（ｘ，ｙ）表示在第ｉ个窗口中的像素值，Ｉｊ（ｘ，ｙ）表示第ｊ帧图像坐标（ｘ，ｙ）处的像素值，Ｔｒ表示允许误差范围。若Ｉｊ（ｘ，ｙ）与第ｉ个窗口记录中像素值相似，ｃｉ就会自增１。进入第２步。否则若
窗口未满，在空白处记录窗口记录号和像素值Ｉｊ（ｘ，ｙ）。进入第３步；若窗口已满，进入第（２）步。
（２）窗口记录排序。
若窗口填满，对窗口记录根据ＰＸ＿ｃｏｕｎｔ进行排序求得最小次数（ｍｉｎ）。进入第（３）步。
themoment（３）更新最小次数的像素值。
将Ｉｊ（ｘ，ｙ）替换最小次数的像素值，且将其次数（ｐｘ＿ｃｏｕｎｔ）改为１。进入第３步。
３）更新背景图像
根据设置的更新速率（α）和窗口信息更新背景图像，见式（２）。
Ｂ（ｘ，ｙ）＝（１－α）Ｂ（ｘ，ｙ）＋αＩｊ（ｘ，ｙ）；０≤α≤１
（２）式（２）表示更新变化较大点处的背景像素值，α表示更新速率，值越大，新的像素值对背景影响就越大。根据实验，将α限制在小于０畅３的范围内，减小了突变产生的影响。由于窗口长度较小，当背景发生变化后，在Ｎ帧后就可以得到背景，更新周期较短。
使用基于固定窗口的背景自动更新算法可以减少直方图统计的项数，也就减少了查找记录表的时间，因此本算法更新背景速度较快，效果较好。
４ 行扫描标记算法
二值化前景图像数据矩阵中，目标区由亮度值为２５５的像素点组成连通区域，非目标区域亮度值为０，通过行扫描进行标记所有最大连通区域，然后计算最小外截矩，即为车辆的矩形轮廓。最大连通区域常用算法运算量较大，需要对图像进行大量的查找和扫描操作。本节提出一种行扫描标记算法，只通过一次行扫描，即可得到去掉部分车辆阴影的最大连通区域。
将第３节提取的背景与当前帧进行背景差分获得的运动区域二值化且经过腐蚀和膨胀之后使用本节的行扫描标记算法提取运动区域的矩形轮廓。本节介绍了最大连通区域和行扫描标记算法，并提取运动区域的矩形轮廓。
４．１ 行扫描标记算法
对每一幅图像，先建立一个与图像等宽等高的二维标记表Ｔ，然后逐行扫描图像，当遇到亮度为２５５的点，如果邻域内没有大于零的标记，就设其标记为序号ｉ，否则便在标记表Ｔ中将该亮点的标记设为八邻域内最小标记。因为所有具有相同标记的点组成一个连通区域，所以连通区域内的像素点的标记ｉ就是该连通区域的标记。
算法具体步骤如下：（设Ｆ为将要扫描的图像，Ｔ为标记表，ｃＴａｇ为区域标记）
（１）初始化Ｔ中的每一个元素为０，ｃＴａｇ初始化为０。
（２）从图像Ｔ的第一行第一列开始，找到Ｔ中亮度值为２５５的一个像素点Ｐｉ。
天津软件工程师培训（３）如果在二维标记表相应位置Ｑｉ的八邻域范围内存在大于零的标记，就将Ｑｉ处的标记值设为八邻域内大于零标记的最小值，否则就将ｃＴａｇ自增１，并将Ｑｉ位置的标记设为ｃＴａｇ。
（４）继续扫描图像Ｔ，找到下一个亮度值为２５５的像素点然后进行第（３）步直到扫描完图像Ｔ。
上面算法中当二维标记表中相应位置的八邻域内没有一个大于零的标记，则说明该点是一个新邻
０７１科 学 技 术 与 工 程１５卷
域内的点，ｃＴａｇ自增１，标记了这个新邻域。本算法的关键之处是在取标记八邻域内最小标记作为这个点的标记，这样有效防止了小邻域的交叉和重叠。
图４中有３个连通区域，其中标记３是突出的点，标记为２的点构成一个小的连通区域，标记为１的点构成一个最大连通区域。３个连通区域各自确定了一个外接矩形，然后通过计算面积就可以排除一些像标记３标记的孤立点，具体计算方法见４畅
２。
（ａ）中深色阴影部分是未扫描但存在的亮度为２５５的点；（ｂ）扫描剩下的点，可以看到这些深色的点被标记“１”
图４ 行扫描标记算法示意图
Ｆｉｇ．４ Ｌｉｎｅｓｃａｎｓｃｈｅｍａｔｉｃｔａｇｓａｌｇｏｒｉｔｈｍ
４畅２ 最小外截矩
最小外截距定义：位于连通区域中点的最小横坐标、纵坐标和最大横坐标、纵坐标构成的矩形。４畅２畅１ 最小外截距模型
二值化图像中车辆的边缘和阴影等容易形成较大的“突刺”，可将其简化为一个交叉线模型，这个模型构成一个连通区域，然后使用上面的行扫描标记算法进行扫描标记。
在一幅３２０×２４０图像中画成夹角的交叉线［图５（ａ）］，然后标记图像［图５（ｂ）］，图５（ｃ）为交叉线标记的部分表值。图５（ｂ）可见交叉线所形成的连通区域确定了两个外接矩形，较大的矩形包含了整个交叉线，而右上角的还有一个较小的矩形，这个矩形框包含在大矩形框的内部。
图５（ｃ）可见，交叉线的交叉点处只有右上部分标记２，在进行行扫描时，交叉点的八邻域中最小标记为１，当向下扫描时，交叉线下半部分都被记为１。因此，在标记车辆的二值图像时，只要二值化图像中车辆的像素点是连通的，就可以用这种方法来标记。４畅２畅２ 映射表
扫描图像之后，标记好连通区域和建立标记表Ｔ。扫描标记表Ｔ，建立线性映射表（Ｌｉｓｔ）统计每个连通区域内标记点横坐标，纵坐标的最小值和最大值。标记表到映射表的映射见图６。
映射表的记录结构定义：（１）ｓｔｒｕｃｔＴＡＧ＿
ＲＥＣＯＲＤ｛；
图５ 交叉线模型
Ｆｉｇ．５ Ｃｒｏｓｓｏｖｅｒｃａｂｌｅ
小学五年级英语上册ｍｏｄｅｌ
图６ 连通区域标记表和映射表
Ｆｉｇ．６ Ｒｅｇｉｏｎａｌｃｏｎｎｅｃｔｉｖｉｔｙｍａｒｋｉｎｇｔａｂｌｅａｎｄｍａｐｔａｂｌｅ
（２）ｕｉｎｔ３２ＭｉｎＸ； ／／最小横坐标
（３）ｕｉｎｔ３２ＭａｘＸ； ／／最大横坐标（４）ｕｉｎｔ３２ＭｉｎＹ； ／／最小纵坐标（５）ｕｉｎｔ３２ＭａｘＹ； ／／最大纵坐标（６）ｕｉｎｔ３２ｃｏｕｎｔ； ／／标记计数，表示面积（７） ｝。４畅２畅３ 最小外截距算法
最小外截距是由最小的横坐标和最小的纵坐标组成最小外截矩的左上顶点，由最大的横坐标和最大的纵坐标组成最小外截矩的右下顶点。最小外截距的面积是映射表中的计数记录被这个标记所标记的点数。根据经验设置高度、宽度和面积的阈值过滤掉部分阴影。
１
sympathetic７１３２期王燕玲，等：公路视频中实时车流密度检测算法
算法描述如下：
（１）构造一个大小为最大标记值的线性映射表，将ｃｏｕｎｔ初始化为０，ＭｉｎＸ初始化为该帧图像的宽度，ＭｉｎＹ初始化为该帧图像的高度，ＭａｘＸ，ＭａｘＹ初始化为０；
（２）按行扫描标记表，当遇到大于零的标记Ｔ（ｘ，ｙ）时，就用该标记的坐标将映射表第Ｔ（ｘ，ｙ）个元素的内容按照如规则更新：
ｉ畅ｃｏｕｎｔ自增１；ｉｉ畅如果ｘ＜ＭｉｎＸ，则ＭｉｎＸ＝ｘ；ｉｉｉ畅如果ｘ＞ＭａｘＸ，则ＭａｘＸ＝ｘ；ｉｖ畅如果ｙ＜ＭｉｎＹ，则ＭｉｎＹ＝ｙ；ｖ畅如果ｙ＞ＭａｘＹ，则ＭａｘＹ＝ｙ。
（３）按照（２）继续更新映射表直到标记表扫描结束。
根据该算法，更新完映射表后，就记录了该帧图像中所有连通区域的最小外截矩。将截取的最小外截矩画在当前视频帧中，如图７所示。从实验结果来看，车辆识别效果较好。
在图７中可见部分阴影已经被去掉。可以看到由于光照偏向左边，车辆阴影形成较大的“突刺”，行扫描时，阴影部分和车辆虽然属于一个较大的连通区域。但是，并不在彼此的八邻域范围内，所以对每一个车辆的阴影部分都会被标记为一个新的标记值，在阴影的像素点和车辆的像素点交叉的地方，将
会被较小的标记“染色”，阴影部分就会被截断，这
样就将阴影与车辆分离开来。
图７ 最小外截距
Ｆｉｇ．７ Ｍｉｎｉｍｕｍｏｕｔｅｒｉｎｔｅｒｃｅｐｔ
５ 实验
５畅１ 实验环境及测试集midland
在ＰＣ上进行测试，硬件配置如下：Ｉｎｔｅｌｃｏｒｅｉ５，２畅５ＧＨｚ，内存４Ｇ。系统平台是：Ｗｉｎｄｏｗｓ７Ｘ６４。开发语言是Ｃ＋＋。开发工具：ＶｉｓｕａｌＳｔｕｄｉｏ２０１０。采用的ＯｐｅｎＣＶ为：ＯｐｅｎＣＶ２畅４８。
以公路标准测试集ｈｉｇｈｗａｙ１、ｈｉｇｈｗａｙ２、ｖｉｐｔｒａｆ－ｆｉｃ、ｖｉｄｅｏ进行实验。具体数据见表１。
sncf
５畅２ 背景提取算法比较实验
采用常见的多帧平均法和新提出的基于窗口的固定背景更新算法进行实验。根据实验结果可知，基于窗口的固定背景更新算法背景更新效果较好，与多帧平均法比较没有残留车辆“鬼影”。５．２．１ 多帧平均法
根据多帧平均法求得背景图像见图８，其中图８（ａ）是前１０帧提取的背景，图８（ｂ）是前３０帧提取的背景。由图可见背景更新较慢，且残留车辆“鬼
影”。
图８ 多帧平均法求背景
Ｆｉｇ．８ Ｔｈｅｂａｃｋｇｒｏｕｎｄｂｙｍｕｌｔｉ－ｆｒａｍｅａｖｅｒａｇｉｎｇ
５．２．２ 基于固定窗口的背景更新算法
窗口的长度设置为１０帧。实验效果见图９，图９（ａ）为采用本方法在第６帧时提取的背景，图９（ｂ）为第１３帧时提取的背景，可见读取新帧会更新部分
背景。
图９ 固定窗口自适应更新背景
Ｆｉｇ．９ Ａｄａｐｔｉｖｅｕｐｄａｔｅｂａｃｋｇｒｏｕｎｄｂａｓｅｄｏｎ
ｆｉｘｅｄｗｉｎｄｏｗ
５畅３ 车流密度结果分析
使用本文算法对表１中视频集进行测试。表１中显示了数据集的总帧数、视频帧速、真实车辆数（真实车流量和，ｔｒｕｅｎｕｍｂｅｒ）、总正检出数（瞬时车流量和，ｉｎｓｔａｎｔａｎｅｏｕｓｆｌｏｗ）和总误检出数（ｅｒｒｏｒｎｕｍｂｅｒ）。另外，准确率（Ａｃ）定义如下：
准确率＝总正检数
总真实运动目标数
（３）
基于表１的结果，总真实运动目标数为９４３５，
２７１科 学 技 术 与 工 程１５卷
