摘要：隨著社會發(fā)展，汽車數(shù)量快速增長，人們的生產(chǎn)和生活因此變得更加便利，但交通擁堵等一系列問題也隨之而來。因此，城市發(fā)展中的一個重要問題是如何解決城市道路交通擁堵問題。為了提高交通管理部門的工作效率，智能交通視頻圖像處理技術發(fā)展日漸成熟。如果智能交通的相關技術能夠實現(xiàn)，將直接影響道路交通的控制能力。在處理和分析交叉路口的車輛圖像時，用到計算機圖像處理及其分析技術，同時獲取道路交叉處的交通參數(shù)，并對交通燈的紅綠燈持續(xù)時間進行實時調整。介紹了道路監(jiān)控系統(tǒng)中的圖像處理技術，希望能為相關人員提供一些參考和意見。

　　關鍵詞：智能交通;信息采集;信號控制;目標追蹤

　　1 國內外先進交通管理系統(tǒng)研究現(xiàn)狀

　　1.1 國內研究現(xiàn)狀

　　在中國道路交通和經(jīng)濟發(fā)展的過程中，國家逐漸意識到交通狀況管理的重要性，并逐步引入智能交通管理系統(tǒng)。中國在這方面的發(fā)展與其他國家相比比較緩慢。在技術人員的研究下，中國的城市智能交通管理系統(tǒng)的發(fā)展也越來越快。相關調查顯示，目前市場上有數(shù)千家智能交通行業(yè)企業(yè)。城市智能交通管理系統(tǒng)是目前中國交通運輸業(yè)最重要的產(chǎn)品，在市場中占據(jù)主導地位，將為中國的交通運輸業(yè)發(fā)展帶來一個很大的空間。

　　1.2 國外研究現(xiàn)狀

　　智能交通目前在各大國家和地區(qū)尚處于嘗試探索階段，如美國、日本、歐洲等。美國政府因為重視智能交通系統(tǒng)的開發(fā)和建設，所以在這方面取得了很好的成果。歐洲基于遠程信息處理技術的發(fā)展，目前專用的交通無線數(shù)據(jù)通信網(wǎng)絡也已經(jīng)建立起來，先進的公共交通信息服務系統(tǒng)也已開發(fā)。

　　1.3 城市智能交通管理系統(tǒng)的組成

　　1.3.1 智能交通監(jiān)控系統(tǒng)

　　交通監(jiān)控系統(tǒng)的智能化可以協(xié)助疏導道路交通。在監(jiān)控區(qū)域內可以通過監(jiān)控系統(tǒng)，實時監(jiān)測交通的堵塞情況以及信號燈的狀態(tài)等，并通過監(jiān)測的信息實施恰當?shù)拇胧┚徑饨煌〒矶?，具體組成如圖1所示。

　　1.3.2 城市交通流誘導系統(tǒng)

　　智能交通管理系統(tǒng)需要先對車輛進行定位分析，規(guī)劃車輛行駛路線，及時解決重要路段和交叉路口的擁堵問題，提供道路交通實時信息。交通誘導系統(tǒng)組成如圖2所示。交通信息控制中心可以實現(xiàn)信息的采集，這些信息包括道路狀態(tài)、流量等，然后處理信息，對交通流進行誘導疏通。

　　2 視頻圖像處理相關技術

　　2.1 圖像預處理

　　2.1.1 圖像灰度化

　　從監(jiān)控視頻中提取的待處理幀的圖像序列主要是彩色圖像，反映瞬時真實交通場景。交通狀況分很多種，不同情況應該選擇最恰當?shù)哪Ｐ汀１O(jiān)視視頻通常是彩色圖像，圖像灰度的轉換方法有均值方法、最大值法和加權平均法等。例如加權平均方法，通過設置圖像像素的R、G、B的權重占比來計算。彩色圖像灰度化如圖3所示。

　　2.1.2 圖像濾波

　　交通監(jiān)控捕獲的圖像信息，在傳輸和接收的過程中，會受到各種噪聲干擾，比如高斯白噪聲。在后續(xù)操作期間不能提取圖像的一些重要特征，執(zhí)行圖像處理和分析時會有困難，這不利于交通部門進行觀察和記錄。鑒于此，有必要采取一定的措施來抗噪聲，如對圖像做濾波處理等，從而提高視頻圖像的質量。域濾波方法有均值濾波、中值濾波、高斯濾波等。圖像濾波如圖4所示。

　　2.1.3 圖像二值化

　　當檢測到車輛區(qū)域移動時，需要將檢測到的區(qū)域轉換為二值化圖像，這對于諸如圖像分割的后續(xù)操作是必要的。通過設置合理的閾值，灰度級別分為白色( 255)和全黑色(0)兩種，如圖5所示。

　　2.1.4 圖像形態(tài)學操作

　　當檢測到車輛區(qū)域時，經(jīng)過二值化處理的圖像存在許多缺陷，例如小孔、孤立的小區(qū)域和孤立點，這導致目標車輛區(qū)域信息不完整，不利于圖像分割。在這種情況下，通常使用數(shù)學形態(tài)學運算來解決問題并提取完整的目標車輛區(qū)域，最常用的有膨脹、腐蝕等，具體效果如圖6所示。

　　2.2 圖像分割

　　圖像分割，即將圖像根據(jù)性質劃分為多個區(qū)域，之后分析和處理相關的區(qū)域。同時，在圖像處理和分析領域，圖像分割具有不尋常的位置，即關鍵點和難點，良好的分割精度決定了整個實驗的成敗。圖像分割的主要方法有基于灰度劇烈突變的邊緣檢測、邊緣連接和基于灰度值相似性的閾值分割方法等。

　　3 交通視頻中目標車輛檢測

　　3.1 檢測方法

　　3.1.1 光流法

　　由于車輛在不停運動，在某一時刻，車輛的空間運動被投射到平面圖像上，并且光流是投影運動的過程，表示圖像的像素點瞬時速度。

　　3.1.2 幀間差分法

　　幀間差分方法的原理如圖7所示。

　　3.1.3 背景差分法

　　背景差分方法的實質是在當前幀圖像與背景圖像的基礎上做減法運算。車輛在監(jiān)控視野內運動，當圖像集內某個像素點x在時刻t和時刻t+△t的灰度值差異超過一定閾值，時，該像素被放人移動目標區(qū)域Sm，反之則放人背景區(qū)域(靜態(tài)區(qū)域)Sb。背景差分法原理如圖8所示。

　　3.2 目標追蹤

　　對于區(qū)域跟蹤方法，如果可以在背景建模中恢復真實場景并且可以消除影響最終建模的相關特征，則可以最大化最大值。在提高區(qū)域跟蹤方法的跟蹤效率的問題上，該領域人員在跟蹤方法中遇到的最常見困難是如何處理遮擋問題。與區(qū)域跟蹤相比，動態(tài)輪廓跟蹤在邏輯和實際操作方面更簡單。如果初始值參數(shù)足夠明確、清晰，則可以快速執(zhí)行預算和比較。

　　如果初始參數(shù)有缺陷或必要參數(shù)模糊，則使得整個操作效率都大幅度下降。在一些環(huán)境中，車輛的局部特征可能更明顯和容易捕獲，在對象捕獲過程中會有旋轉運動的對象。此時，根據(jù)一般信息提取方法難以收集足夠的有效圖像，并且在鏈路中提取數(shù)據(jù)時將存在一定比例的失真現(xiàn)象，從而導致系統(tǒng)無法進行正常跟蹤，這會影響最終結果的準確性。為了解決這個問題，系統(tǒng)需要進行額外的計算，用程序計算方法提高數(shù)據(jù)捕獲的準確性，但這又會增加系統(tǒng)的計算壓力。在進行大量計算時需要強大的計算基礎，如果不滿足此要求，計算過程將花費大量時間，從而降低系統(tǒng)的整體效率，有時由于計算時間錯位而導致系統(tǒng)失去原有的跟蹤目標，此問題還有待繼續(xù)研究。

　　推薦閱讀：交通類期刊列表