國內外相關研究

目前應用於車輛計數與分類的方式大約可分為：人工計數與分類、以車軸數 量偵測為主的分類計數器、以車輛長度量測為主的分類計數器、還有以雷射雷達、

感應線圈、及微波雷達等設備為主的分類計數器。上述設備有些價格非常昂貴（如：

微波雷達、雷射雷達偵測器）、有些安裝不易（如安裝感應線圈必須挖掘路面施 工等）、有的則有範圍應用的限制（例如：車軸計數器無法應用在多線道上使用）

等缺點。

而以人工方式進行計數與分類有兩個主要的缺點：第一，無法同時處理數量 眾多的資訊，例如車流量龐大時，無法有效地計數，若再加上車種分類則更是左 支右拙；第二，無法全天候做統計。因此近年來以電腦視覺技術為基礎之分類計 數器愈來愈受重視[3-5]，其優點有: 第一，能夠同時收集多樣化的交通事件，

例如道路壅塞狀態偵測及交通違規事件偵測等；第二，價格與安裝的困難度較其

他類型便宜且簡單；第三，系統的使用方式容易上手，操作人員不需做特別的額

車輛分類時還要再回到原影像取得車輛特徵進行分類，需要耗費相當龐大的儲存 空間，此外應用於相當壅擠的交通狀況準確度也略低。

因此一般基於電腦視覺為基礎之車輛分類與計數系統，主要包含以下二項主 要工作：第一為前景物的擷取，主要目的是運用輸入影像將可能是車輛的部分取 出，其中包含兩大步驟，其一為陰影去除，因為陰影的部份對道路交通影像的分 析影響很大，所以去除陰影可以提升系統的準確性及效能，其二為形態學處理，

輸入影像經由形態學處理讓車輛的輪廓與位置能更精確地被擷取出；第二為車輛 的分類與計數，首先需先判斷車輛是否有互相遮蔽或相連，假使有則須加以分離，

再判斷出數量和種類。以下二小節依序對上述二個主要工作作相關文獻的探討。

1 .2 . 1 、前景物偵測

從輸入影像中擷取出可能是車輛的部分也就是移動物的偵測，一般而言大致 上可以分為四種方法：光流法 ( optical flow ) [6]、影像相減法 ( frame differencing)[7]、背景相減法 (backgroundsubtraction)[8]以及2D/3D 模型檢測法 (2D/3Dmodel-baseddetection)[9]。

光流法能有效地偵測出移動物體，將計算連續影像相似的區域結合起來嘗試 找出可能為車輛的部份，再加入其它特徵如顏色、線條、及紋理等來增加偵測的 可靠度。此方法的優點在於適合用非固定型的攝影機，如車載型攝影機；而主要 的缺點是計算量較大且無法應用在移動速度較快之情況。

影像相減法是將連續影像彼此做相減，再由其影像間的差異值計算出影像中 的前景物，此方法對影像的明亮度較不敏感，因此較不受氣候和光線的影響、而 計算也相當簡單。由於運作主要是基於影像間的差異，當影像中的前景物移動速 度過於緩慢時便無法偵測出前景物，因此該方法較適合在交通順暢的環境。

背景相減法是建立一個可靠的背景模型，建立方法有許多種，像是統計法 [10]、與漸進法[11]等，然後再藉由輸入影像與背景影像相減，可以取出影像中

的前景物；此方法具有運算快速的優點，但也面臨如何取得完美的背景影像、如

的區塊，將它視為陰影並移除。

本研究利用現行分類法中最常見的 SupportVectorMachine(SVM)[16]進 行陰影與非陰影的分類，首先必須針對各種環境收集陰影與非陰影兩大區塊類別 進行訓練，並利用 DeterministicNon-Model BasedApproach[17]來補強 SVM 的分類，如此本系統便可運用在各種不同情況下，例如:白天或晚上，此方法具 有計算快及準確度高的優點。

1 .2 . 2 、車輛分類與計數

在陰影移除後，剩下的部分即為車子，然而車子有可能為一輛或是多輛車互 相遮蔽(occlusion)，因此必須解決車輛遮蔽的問題。對於處理車輛遮蔽的方法，

有人提出局部邊緣圖像投影的技術[18]來分開遮蔽車輛，運用 Sobel濾波器來產 生水平和垂直的邊緣圖像，垂直邊緣投影到水平軸，在互相遮蔽車輛的邊緣會有 最大的投影值，因為車輛基本上是固定形狀，根據它的長寬比便可將遮蔽車輛分 開。另外有人提出使用車體幾何模型來比對車輛[19]，不但可以解決遮掩的問題，

還可將不完整的車形回復。還有運用車輛的形狀在輪廓上擷取特徵點來算出遮蔽 車輛的數目[20]，以一個矩形區域作為車輛的模板，取矩形四個角為特徵點將特 徵點連接並依方向將其編號並排序合併，使每部車輛可以透過每四個相鄰特徵點 的組合來分離遮蔽的車輛。最後還有 [21]提出運用車輛引擎蓋牌照和前擋風玻 璃周圍的特徵來計算車輛數，運用車輛外觀的 sketch、texture、flatness和 colorconsistency等特徵，並透過 hybridimagetemplate(HIT)來建立引擎 蓋和玻璃兩個部份的模板，再去進行車輛檢測匹配的動作。

本研究提出使用 ROI累計曲線法和模糊限制滿足技術(fuzzyconstraints satisfactionpropagation)來處理遮蔽的問題，當有車輛通過偵測線時，曲線 會慢慢突起，藉由分析突起部份的曲線（curve）與成長過程，可以分別找出不 同種類車輛，同時也能解決遮蔽的問題，而且計算簡單快速。