基于机器视觉的公路车流量检测系统

3 软件部分

3.1 车流量统计算法

由于白天和晚上路面光强变化非常大，这对算法的适应性提出了更高的要求，为了能全天得到车流量的信息，所以整个算法将白天和晚上分别开来处理。程序结合当时光线的不同情况，对两种算法进行自动的切换，从而保障整个算法的运行环境。

图3夜间算法流程图

3.1 虚拟线圈的选取

虚拟线圈的选取关系到检测算法的精度和速度，并且受到摄像头安装的高度和倾角，以及摄像头景深的影响。一般情况下，虚拟线圈靠近图像底部的位置，车辆的间距较大，便于检测。虚拟线圈越大，相对检测精度就越高，相应的算法执行的时间也会越长。由于整个系统要适 应各种路口、路面，所以虚拟线圈的选取交给了用户。我们用VC6.0开发了PC机软件，用户使用此软件，通过串口，对各个车道的虚拟线圈的大小和位置进行设置。

3.2 相邻检测帧的时间间隔

由于整个系统要与信号机通信，所以要求我们处理每条道路上图像的总时间不能超过0.25秒。这里选取每帧相隔0.125秒。

3.3 车流量检测算法

由于白天使用改进后的帧差法已经在PC上有很成熟的应用。如公式1所示：



i=1,2,3,......80, j="1",2,3,......10

在公式1中，E保存帧差后的检测窗平均值，R是当前帧检测窗灰度值，R'是前一帧检测窗灰度值，m,n为虚拟线圈的长宽，在此就不再赘述。

晚上的路面能见度比较低，算法主要是对车灯的识别。在晚上，车灯有很强的亮度，所以只要能正确的检测到车灯就可以进行车辆的测量。算法的干扰来自路面对车灯发出来的光线的反射。通过使用Matlab仿真试验后发现，二值化去噪以后，车灯的亮斑基本上是车灯的形状，而路面反光区向前发散，据此可以通过检测窗上亮斑的形状特征来识别车灯和路面反光区。夜间的算法如图2夜间算法流程图所示。对虚拟线圈二值化的阈值选取是通过大津法得到的，与经验法相比，大津法是通过计算方差得到阈值，环境适应能力比较强，但这也增加了算法的时间和空间复杂度。图像去噪是使用3×3的中值滤波器，我们对其进行了快速算法的改进，并且只对虚拟线圈进行。

采集到路面原始灰度图像如图4，图5为其二值化处理后的图像，图中矩形区域为虚拟线圈，线圈中有两个白色区域。以像素为单位，根据白色区域的最大长宽比确定是否为车灯。车灯对应的白色区域长一般长小于等于宽，如图6所示。路面反光对应的白色区域长大于宽如图9所示，虚拟线圈内的白色区域为路面反光。

图4夜间路面灰度图

　
图5路面二值化后图

　
图6虚拟线圈

　
图7夜间路面灰度图

　
图8路面二值化后图

　
图9虚拟线圈

4 系统基于DSP/BIOS的软件框架

系统软件开发环境为CCS，使用了TI提供的DSP/BIOS内核以及TI倡导的RF5软件参考框架。通过DSP/BIOS,配置了输入、处理、输出等线程，这些线程之间的同步通过旗语进行。使用DSP/BIOS内核，配置DSP/BIOS方便易行，便于更改，比传统方法有许多优势。使用DSP软件架构RF5(Reference Framework 5)，大大缩短了开发时间，同时也最大限度的保证了代码的可移植性和健壮性。软件架构从下往上依次为CSL(芯片支持库)、DSP/BIOS以及Driver层，信号处理库层，算法标准层，这三层构成RF5，最上面一层是用户应用程序层。用户修改维护代码方便，只需要上层改动即可。

输入驱动采用TI公司提供的FVID类驱动，如图10所示，此驱动通过对结构体配置参数，实现DM642的IIC模块对视频采集口，以及对A/D转换芯片TVP5150的配置，使TVP5150输出PAL制式的数字视频流，并将采集到的图像通过视频口的FIFO写入到指定内存区。当图像采集完成后，通过旗语发送消息给处理模块，消息结构存储了图像数据所在内存的空间的首地址。随后输入模块等待输出模块的回复，以继续处理下一帧的图像。处理模块负责执行车流量统计算法。从输入模块发送的消息结构中提取图像数据地址，以进行图像算法处理，运算结果通过CPLD扩展的I/O口输出，将车流量的监测信息传给信号机。

5 代码优化

程序主要用C语言编写，一些核心的代码要满足实时性的要求进行了汇编优化。C语言程序优化的好坏直接影响程序的效率。程 序中广泛运用以空间换时间的方法来提高代码的运行效率。代码优化的方法比较多，主要的方法有：编译器优化，在编译时选择不同的编译优化选项，如-pm-oe选项；优化C语言编写的代码，加入常用的指示性信息如#Pragma MUST_ITERATE等；编写线性汇编程序，提高程序运行速度；编写汇编程序，实现软件流水。排流水线可以使用多种技术手段，如依赖图和迭代间隔时序表。在TI提供的技术文档中有详细描述，这里不再重复。