一种公路场景下基于视觉的车辆检测和计数系统

1 文章信息

本次介绍的是题目为《Vision-based vehicle detection and counting system using deep learning in highway scenes》的一篇目标检测相关文章

2019年发表在European Transport Research Review上面

2 摘要

在公路管理领域，车辆的智能检测和计数越来越重要。然而，由于车辆的大小、尺寸、类型等的不同，基于视觉的车辆检测依然是一项比较有挑战性的工作。针对这一问题，本文提出了一种基于视觉的车辆检测与计数系统。并在团队自己建立的数据集上进行实验。

具体步骤如下：

1）对图像中的公路路面进行提取，并采用一种新的分割方法将其划分为远端区域和近端区域，该方法是提高车辆检测质量的关键

2）将上述两个区域放入到YOLOv3网络中，检测车辆的类型和位置

3）通过ORB算法得到车辆轨迹，可用于判断车辆的行驶方向，并获得不同车辆的数量

基于不同场景的高速公路监控视频对所提方法进行了验证。实验结果表明，使用本文提出的分割方法可以提供较高的检测精度，特别是对于小型车辆目标的检测。

3 数据集

本研究发布了一套全新的高速公路车辆数据集，包含11129幅图像中的57290个标注实例。与现有的公共数据集相比，本文提出的数据集在图像中包含了标注的微小物体，为基于深度学习的车辆检测提供了完整的数据基础。

数据集图片来自中国杭州市公路架设在12米高的可调节视野监控视频。拍摄的图像覆盖了高速公路的远处，包含了规模变化剧烈的车辆。数据集图像是在不同的场景、不同的时间和不同的光照条件下，从23个监控摄像机中捕获的。该数据集将车辆分为三类:小汽车、公共汽车和卡车。图片采用RGB格式，分辨率为1920*1080。

4 车辆检测部分

目前来说，基于视觉的车辆目标检测方法有两种：传统的机器学习方法和深度学习方法，由于深度学习方法相较传统方法而言，对尺度变化更为敏感，结合视频数据中车辆的尺寸会随车辆运动变化，本文采用一种One-Stage的深度学习方法YOLOv3。

输入交通现场的视频数据后，对路面进行提取并分割:

1）用高斯混合建模方法提取视频前500帧的背景(a)

2）像素值在一定时间范围内围绕某一中心值的高斯分布，统计每帧的每个像素与中心值的偏差，判断前景(b)与背景(c)

3）利用高斯滤波器平滑处理背景，再用MeanShift算法平滑图像颜色得到(d)

4）泛洪填充算法提取路面部分(e)，路面面积掩膜(f)

分割处理后的路面并检测目标:

1）生成整图矩阵外接，横向等分成五份，如左图红色虚线所示

2）与原点相近的1/5区域定义为远端区域，其余为近端区域

3）近远端重叠100个像素如左图红色条状区域所示

4）删除图像多余部分，分割两区域，分别放进YOLOv3网络中进行车辆检测

即目标检测部分整体流程:

5 车辆跟踪与计数部分

通过ORB算法提取并匹配检测对象特征点，如下流程图判断不同帧对象是否为同一目标

得到的跟踪结果如下，相邻两帧的相同目标被匹配追踪

根据追踪结果绘制轨迹线，并在图像正中设置检测线如下图红色线，用于统计车辆方向及计数

6 实验结果

文章将自己的模型结果与全图像检测结果在速度和精度两个方面进行比较，发现无论近端区域还是远端区域，目标检测精度都高于92%，与全图像检测相比，提高了至少15%。

跟踪计数的准确率在不同场景下也都比较高，并且实时率比较接近1，证明该模型可被进一步改进达到实时检测和跟踪，有利于及时处理道路事故等。

实验结果验证了所提出的公路监控视频场景车辆检测与跟踪方法具有良好的性能和实用性。与传统的硬件交通监控方法相比，本方法成本低，稳定性高，不需要对现有的监控设备进行大规模的施工或安装工作，十分具有现实意义。

7 创新点

综上，本文的创新点主要有以下三个方面：

1）建立了一个高速公路车辆的大规模高清数据集，可以在高速公路监控摄像头捕捉到的各种场景下提供多种完全标注的不同车辆对象。该数据集可用于评价多种车辆检测算法在应对车辆尺度变化时的性能

2）提出了一种公路场景中小目标的检测方法。提取公路路面面积，将其划分为远端和近端，提高了小目标的检测精度

3）提出了一种针对公路场景的多目标跟踪和轨迹分析方法

Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！