文章信息
本文翻译自Proceedings of the Second International Conference on Innovative Mechanisms for Industry Applications (ICIMIA 2020) - IEEE Xplore Part Number: CFP20K58-ART; ISBN: 978-1-7281-4167-1, pp. 603-607.
原文标题： Real Time Vehicle Detection, Tracking and Counting Using Raspberry-Pi
原文作者： Apeksha P Kulkarni & Vishwanath P Baligar - 印度KLE理工大学计算机科学与工程学院
翻译： 启莘风
欢迎各大论坛网站转载分享。
转载请注明原文作者及中文译文出处，并以原文超链接或二维码形式注明中文译文出处：启莘风。
（为便于阅读，文章配图顺序及代码呈现的位置有所调整。）
摘要
人口爆炸导致道路上的实物或车辆数量空前增加。结果，由于交通流量非常大，道路事故的数量增加了。在本文中，通过使用计算机视觉范式来监视交通流，其中图像或图像序列可改善道路景观。为了使用低成本的电子设备检测车辆，监视和估计交通流量，本研究工作使用了raspberry pi和Raspberry Pi 3的摄像头模块。它的目的还在于开发使用raspberry-pi进行远程访问以检测，跟踪和计数仅在受监控区域发生某些变化时才可行驶。所提出的系统在受监控区域中捕获像车辆一样的视频流，以计算信息并传输压缩的视频流，以提供基于视频的解决方案，该解决方案主要通过Python编程在Open CV中实现。所提出的方法被认为是行业的经济解决方案，在这些行业中，已经开发出了具有成本效益的交通管理解决方案。
1. 引言
据观察，道路上的主要障碍是由于高峰时段的交通繁忙，尤其是当人们上下班时。车辆或物体的总数超过了其容量，导致了诸如消防员和救援车辆之类的紧急车辆的堵塞，此外，燃料的浪费进一步加剧了环境污染，这对于一个国家的经济增长而言是不可接受的。为了开发一种高效，可靠，清洁和安全的运输方式，有必要使道路运输系统尽可能地自动化。
主要的研究重点是对物体的检测和跟踪，最终将物体的数量保持在特定的监视区域。交通监控系统的需求是让建筑工程师和其他同事以经济的方式进行计划，并根据车辆的密度和低成本电子设备获得的统计信息做出适当的决定[1]。此外，它还提供了针对重大问题的解决方案，例如车辆事故，车辆盗窃检测，停车场管理以及其他安全威胁。
对交通管理活动感兴趣的主要原因是在实时条件下利用计算机视觉技术。[8]
阻碍我们工作的主要挑战是在各种大气条件下（例如夜间，下雪或多尘天气）的车辆分割。作为解决方案，我们使用了基于直方图均衡化的不同[2]预处理单元来提高视频的分辨率和形态处理，以在对象边界中添加或删除像素，其中视频取决于对象的形状和大小。在进入下一阶段之前对元素进行结构化。
还可以观察到，在较亮或较暗的区域中朝相同点移动的车辆可能具有与检测车辆的背景相同的颜色，这仍然具有挑战性，并且这会导致车辆数量出现故障[7]。因此，作为解决方案，如果车辆ID超过给定的阈值，我们将采用背景减法技术对其进行注册。
2. 方案
本文使用一个称为Linux服务器的著名平台，使用Raspberry-Pi监视和录制视频。该方法使用Raspberry pi在受监视区域内移动时录制视频。
所提出的系统有效地设法将车辆与周围环境的变化区分开来，并通过直方图均衡技术改善了低分辨率视频，以便在分辨率和视频噪声方面保持视频的一致性。然后去除背景算法的实现有助于基于粒子滤波算法的物体检测和跟踪。根据给定面积的不同大小车辆的阈值对履带车辆进行计数。
3. 系统设计
设备配置(图2)
-
Raspberry-Pi 3 Raspberry-Pi 3是具有1.2GHz的512 RAM。
-
Raspberry-Pi摄像头模块Raspberry-Pi具有一个连接器，可插入摄像头模块以捕获视频。
-
电源Raspberry-Pi使用400mA的电流来插入micro USB。
-
Micro SD卡Raspberry-Pi使用SD卡来存储和安装该设备的库并运行操作系统。至少需要64GB或更高。
-
Wi-Fi USB适配器它在相机和网络[2]之间建立连接。
远程访问Raspberry-Pi
要在Raspberry-Pi下运行，必须安装所有最新功能和驱动程序以更新的操作系统，并能正确访问Internet。
Raspberry-Pi所使用到的指令
$ sudo apt-get update # 此命令使用最新功能和驱动程序更新操作系统。
$ sudo raspi-config raspi-config # 打开由raspbian操作系统编写和维护的配置工具。
可以使用向上和向下键启用Raspi摄像机模块，如图3所示。
要从摄像机模块捕获图像，请使用命令：
$ raspistill -o veh_img.jpg Raspistill
以捕获静态图像，其中–o表示要以jpg格式保存在veh_img中的输出格式。
要从摄像机捕获视频，请使用命令：
$ raspivid -o video.h264 -t 1000
Raspivid捕获以h264格式编码的视频1000秒。
打开RaspiCam Remote应用程序，提供登录详细信息，例如IP地址，用户名和密码，如图4所示。
4. 实例验证
拟议的系统主要利用三个重要模块，即A.车辆检测 B.车辆跟踪 C.车辆计数
A.车辆检测
计算机视觉范式提供了视觉，用于识别视频中可能属于车辆或人的类的对象。在计算机视觉范例中使用对象检测[4]是为了解决诸如图像搜索和视频监视以检测人或车辆等领域的现实挑战。
为了检测车辆，我们从道路上有车辆的另一个图像中减去没有车辆的道路图像。背景像素将相互抵消，并且出现在前景中的车辆或物体将出现。
背景扣除很容易实现，并且为检测车辆提供了合适的阈值，该区域仍小于20000。图6显示了在给定阈值内检测到的对象。可以看出，车辆并不是在道路上/穿过道路移动的唯一物体。有行人，动物，有推车的人等。此外，物体在视图中移动时会改变大小和形状[5]。
图7显示了检测到的对象的蒙版图像。进行遮罩以突出显示视频帧中的所需对象。面积小于阈值的对象将被忽略。选择感兴趣区域（ROI）有助于检测对象，以进行车辆检测，并通过跟踪检测到的车辆来进一步实施。
背景扣除是从原始图像中提取目标图像的过程。 公式如下：
其中，origin(x,y)是原始图像为彩色或灰度图像的8位或32位浮点数；target(x,y)是图像的32位或64位浮点；alpha是输入图像的权重。更新速度由alpha决定，在现有帧中为此变量设置了一个较低的值。
B.车辆跟踪
路径后跟一个对象，目的是在不影响人机干预的情况下，在交通控制的近实时监视和安全性上确定观察到的目标方向。跟踪的主要目标是确定视频连续帧中的目标对象。在这种情况下，对象的形状和大小会随时间变化[3]，因此，用于恢复轨迹的运动模型和用于少量车辆的高精度模型。
可以看到检测到的对象周围的边界框。边界框的质心确定检测到的对象。对于跟踪当前对象，我们将输入质心与现有对象质心进行匹配，并计算每对对象之间的距离，例如欧几里得距离[8]。如果对象的连续帧数消失，则需要注册该对象。为了将新的质心注册为可跟踪对象，它必须满足以下条件：输入质心应大于现有质心的数量。
C.车辆计数
所跟踪的车辆在离开车架或在车架出口处越过直线时被计数[4]。为了对在两个不同方向上行驶的车辆进行计数，我们使用计数线，向下计数为红线，向上计数为蓝线。计数的车辆基于周长进行分类，如果边界框的周长小于300，则将其计为自行车；如果边界框的周长小于500，则将其计为汽车，并且如果边界框的周长大于500被计为卡车/公共汽车。图8显示了根据给定的阈值对车辆进行计数和分类。
5. 结果分析
从实验分析可以明显看出，车辆的准确率约为97.39％，而车辆的追踪率约为98.26％，如下所示。
图6显示检测到给定阈值内的对象。可以看出，车辆并不是在道路上/过马路上行驶的唯一物体。
图7显示了检测到的对象的蒙版图像。进行遮罩以突出显示视频帧中的所需对象。
图8显示了根据给定的阈值对车辆进行计数和分类。
最终，关于经过高度，宽度和车辆ID的车辆的信息仅被保留，以跟踪车辆以对向上或向下移动进行计数，如图9所示。
表1 系统计数和准确率结果
| 输入帧数 | 递增计数 | 递减计数 | 实际车辆总数 | 检测到的车辆 | 跟踪的车辆 | 车辆检测的准确性 | 车辆跟踪的准确性 |
|---|---|---|---|---|---|---|---|
| 60 | 1 | 3 | 4 | 4 | 4 | 100% | 100% |
| 300 | 2 | 7 | 9 | 9 | 9 | 100% | 100% |
| 450 | 11 | 6 | 17 | 18 | 18 | 94.4% | 100% |
| 1401 | 17 | 21 | 38 | 40 | 42 | 95% | 95.23% |
| 1812 | 34 | 48 | 82 | 85 | 81 | 96.47% | 95.29% |
| 2512 | 67 | 45 | 112 | 115 | 113 | 97.39% | 98.26% |
6. 结论与展望
在本文中，我们介绍了在车辆检测和计数过程中实现改进和超越性能的统一技术。用于改善车辆检测的主要技术是使用背景减法算法。所提出的方法消除了不必要的部分并且以更准确的方式区分了车辆。此外，我们根据从前一帧获得的信息跟踪每一帧中的车辆。使用Open CV进行的实验结果表明，目标检测的准确率达到97.1％，目标跟踪的准确率达到98.4％。从表中我们可以看出，所提出的方法可以有效，更准确，更成功地检测，跟踪和计数运动中的车辆，而不受天气条件的影响，例如夜间，下雪或多尘的天气条件[2]。 作为将来的工作，可以通过升级到更高版本的raspberry pi进行重大改进。这大大减少了处理时间。高速公路上的交通会造成交通阻塞，此处将两辆车合并在一起，将两辆车视为一个实体。由于大风，相机可能会因振动而受到影响。这导致车辆的部分检测。警报系统可能会作为将来的附加增强功能并入。
参考文献/扩展阅读
[1] Li, D., Liang, B., & Zhang, W. (2014). Real-time moving vehicle detection, tracking, and counting system implemented with OpenCV. 2014 4th IEEE International Conference on Information Science and Technology.
[2] Sorwar, T., Azad, S. B., Hussain, S. R., & Mahmood, A. I. (2017). Real-time Vehicle monitoring for traffic surveillance and adaptive change detection using Raspberry Pi camera module. 2017 IEEE Region 10 Humanitarian Technology Conference (R10-HTC).
[3] Chauhan, N. S., Rahman, F., Sarker, R., & Pious, M. M. H. (2018). Vehicle detection, tracking and counting using linear quadratic estimation technique. 2018 2nd International Conference on Inventive Systems and Control (ICISC).
[4] Yang, H., & Qu, S. (2017). Real-time vehicle detection and counting in complex traffic scenes using background subtraction model with low-rank decomposition . IET Intelligent Transport Systems.
[5] Soleh, M., Jati, G., Sasongko, A. T., Jatmiko, W., & Hilman, M. H. (2017). A real time vehicle counting based on adaptive tracking approach for highway videos. [6] Chhadikar, N., Bhamare, P., Patil, K., & Kumari, S. (2019). Image processing based Tracking and Counting Vehicles. 2019 3rd International Conference on Electronics, Communication and Aerospace Technology (ICECA).
[7] Robert, K. (2009). Video-based traffic monitoring at day and night vehicle features detection tracking. 2009 12th International IEEE Conference on Intelligent Transportation Systems.
[8] Aqel, S., Hmimid, A., Sabri, M. A., & Aarab, A. (2017). Road traffic: Vehicle detection and classification. 2017 Intelligent Systems and Computer Vision (ISCV).
[9] Foresti, G. L., & Snidaro, L. (2005). Vehicle Detection and Tracking for Traffic Monitoring. Lecture Notes in Computer Science.
[11] Arya, K. V., Tiwari, S., & Behwalc, S. (2016). Real-time vehicle detection and tracking. 2016 13th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTICON).
[12] Chen, Z., Ellis, T., & Velastin, S. A. (2012). Vehicle detection, tracking and classification in urban traffic. 2012 15th International IEEE Conference on Intelligent Transportation Systems.
网友评论