【正文】 合高斯模型背景提取算法 ,當讀入一定幀數(shù)的圖像之后認為背景達到穩(wěn)定狀態(tài) ,讀入新的視頻幀時 ,對當前幀進行判斷 ,如果像素點和穩(wěn)定背景圖像的像素點差值大于閾值 7,就對該像素點進行更新 ,反之就不更新。GMM 背景更新模塊主要是實現(xiàn)本文的背景提取算法 。 第 2 章介紹了常用的三種目標檢測算法 ,包括光流法、幀間差分法以及背景減除法 ,并且對光流法和幀間差分法進行了實驗仿真。 2 車流量統(tǒng)計算法相關研究 基于視頻的交通流量統(tǒng)計系統(tǒng)安裝調(diào)試方便，維護也 很簡單，對路面和土木設施不會產(chǎn)生破壞，對道路交通狀況不會產(chǎn)生影響，具有直觀、可監(jiān)視范圍廣、 費用較低等優(yōu)點，而且容易提供大量交通管理實時信息便于擴展其它功能，因而 可廣泛應用于交叉道口和公路干線的交通監(jiān)測系統(tǒng)中，具有廣闊的應用前景。本章將針對基于視頻的交通流量統(tǒng)計系統(tǒng)中的車輛檢測和車輛跟蹤這兩大核心技術進行研究。車輛檢測的重要性不單局限于視頻交通流量統(tǒng)計系統(tǒng)，對于整個視頻智能交通系統(tǒng)，車輛檢測也是運用最為廣泛、同時也是最為基礎的一個分支。 而車輛確認階段則是對上一處理過程中獲得的候選區(qū)域作進一步處理，精確的提取出該區(qū)域中的車輛，確定其位置。 因此，車輛檢測算法和人們預想的 ITS 中達到的要求還有很大差距，無論是識別性能還是處理速度都還有很大的發(fā)展?jié)摿ΑD像差分法又分基于背景差分的方法和基于幀間差分的方法，前者定位精確、速度快，但缺乏合理的背景更新方法；后者可以提取出物體的運動信息，但由于相對運動與物體位置并非完全一致，存在檢測出的運動目標位置不精確的情況。 2． 2． 2 核心技術 車輛檢測的目標是：針對視頻幀，區(qū)分出運動的車輛目標和道路背景。其中檢測線法又可以根據(jù)不同的規(guī)則再作細分。它以假設路面顏色與車輛顏色不同作為前提條件。首先，為了保證車輛之間的空隙路面能夠被攝像頭捕獲，以實現(xiàn)車輛確認，攝像頭與路面必須 形成 90 度左右夾角，而且必須安裝得很高才能拍到整個路面；其次，由于這種方法是直接進行對應區(qū)域顏色對比的，攝像頭不能晃動，否則會導致對應像素的位置不匹配而產(chǎn)生錯誤。 ①幀差法 幀差法是將視頻序列中兩幀 (或多幀 )連續(xù)圖像逐像素相減，以去除基本不動的物體及背景。 在最簡單的形式幀 f(x,y,t1)和 f(x,y,t2)之間的變化可用一個二值差分圖像表 示化的結(jié)果。由于將連續(xù)幀差方法運用于車輛運動檢測，效果往往不理想，因此有很多變種方法隨即產(chǎn)生。在采集的一系列圖像中連續(xù)三幀 (或者更多的圖像 )做兩兩差分。 ②背景差法 背景差法是選取一幅固定交通場景的背景圖像作為參考圖像，將當前待檢測的視頻幀和該參考圖像逐像素相減作差 分，如果參考圖像選取得當，理想情況 下差值圖像中非 0的像素點表示了運動物體，由此可以實現(xiàn)運動車輛的較準確提 取。 采用閾值進行目標分割的目的是把運動車輛和微小變化的背景分開。閾值技術的核心是區(qū) 分出前景和背景。這種方法對前景和背景有較強對比的情況特別有效。因為攝像機采集到的視頻圖像必然受到外界光照變化以及其它背景中非檢測對象的運動物體的影響，例如光照產(chǎn)生的車輛陰影及周邊建筑物陰影，背景中除車輛目標外同樣運動的行人等。目前最常用的 方法是多幀平均 (Frame Averaging)39。 公式 (2． 3)的含義即為：在序列圖像中在 N幀作為當前幀，下一幀即第 N+1幀圖像對應時刻的背景，是將第 N+1 幀之前的所有圖像 的每個像素點取灰度平均值。同樣，這種方法也很大程度上依賴于閾值的選取，如果選擇不合理，背景圖像將很快變得不可用。光流場反映了圖像上每一點灰度的變化趨勢，可看成是帶有灰度的像素點在圖像平面上運動而產(chǎn)生的瞬時速度場，也是一種對真實運動場的近似估計。光流場法通常要進行運動場計算、建立光流約束方程 (optical flow constraint equation)和求解光流方程這幾步來完成。雖然在理想情況下光流與運動場相對應，但實際中也常有不對應的時候，有時有運動未必產(chǎn)生光流，而有時即使沒有發(fā)生運動，在外部照明發(fā)生變化時，也可以觀測到光流。 2． 2． 2． 3 傳統(tǒng)圖像處理的檢測方法 在 2． 2節(jié)曾經(jīng)指出，在實現(xiàn)交通流量統(tǒng)計的系統(tǒng)中，往往將車輛檢測又細分候選區(qū)確定階段和車輛確認階段，前者常常使用視頻幀中的時間信息利用目標運動的特性來進行區(qū)域確定，而后者常常是將確定出的候選區(qū)作為靜態(tài)圖像，對其中的車輛目標進行分割，做出精確提取。由于邊緣信息即使是在各種昏暗的光照環(huán)境下仍 較為明顯，因此當圖像亮度發(fā)生變化時表現(xiàn)也較為穩(wěn)健。 Canny 邊緣檢測是一種比較新的邊緣檢測算 子，具有很好的邊緣檢測性能。因此典型的邊緣檢測算法遵循用鏈接過程把像素組裝成有意義的邊緣的方法。 霍夫變換具有對噪聲的抗干擾性高，以及處理多個形狀的特點。 由于 HT 是根據(jù)局部度量 來計算全面描述參數(shù)，因而具有很強的容錯性和魯棒性。在視頻交通場景的車輛檢測階段，由于視頻幀的特性并非是多個較均勻的連 通區(qū)域，因此 區(qū)域增長方法很少單獨使用。 最早的 k均值法的分割算法由 Kottle 提出，其聚類準則利用了像素的三個特征：橫縱坐標和灰度值，其中灰度值可以將屬于不同物體的像素分離，而坐標則決定了像素的歸屬區(qū)域。 另外與 k 均值法相關的是區(qū)域合并問題。 2． 3 車輛跟蹤技術 對檢測 出來的運動車輛進行跟蹤，也是 ITS 系統(tǒng)研究的焦點之一。 2． 3． 1 概述 在車輛跟蹤技術中，根據(jù)對視頻幀中的信息的利用層次不同又可以將常用方法分為兩大類：提取像素信息結(jié)合鄰域特征，并以此為處理單位的非模型方法，以及通過對圖像內(nèi)容進行理解后的模型處理方法。車輛跟蹤與預測不是本文研究重點，所以只對 目前常用的方法作概要介紹。它綜合考慮了空域和時域信息。 運動估計的方法有基于光流方程 (OFE， Optical Flow Equation)的方法、基 于塊的分析方法、像素遞歸法、貝葉斯法等。因而有些系統(tǒng)采用復雜些的邊緣檢測算法如自動輪廓獲取或 snake 模型 1251，這些算法以求能量最小值對目標進行分割 跟蹤，抗噪聲能力突出，并且可以用專門的處理器進行實時處理，計算量相對較低。而基于模型的車輛檢測方法的突出優(yōu)點是對于視頻幀的處理，不僅僅停留像素 級別上，而是融合了對于圖像內(nèi)容的理解。 在早期的車輛跟蹤研究中，第一種以特征為基礎的跟蹤算法是研究的熱點。另外，由于進入攝像機拍攝范圍的 車輛往往具有不同的角度和速度，因此往往會導致車輛在方向、位置、尺寸上產(chǎn)生很大的變化，因此單純以來特征提取對車輛進行跟蹤具有相當不確定性。 近些年，第二種以模型為基礎的跟蹤算法漸漸興起。但在實際應用中，為了獲得對圖像內(nèi)容的理解，在建立 攝像機模型時需要測量攝像機與交通場景之間詳細的空間幾何特征，計算很大而且獲得有難度；另外，當攝像機由于外力產(chǎn)生角度變化時可能會造成檢測失敗，而且對于遮擋情況下也會發(fā)生誤檢。這種方法數(shù)學模型簡單，運算速度快，能滿足實時高速行進車輛的跟蹤要求；同時考慮了新目標的出現(xiàn)、舊目標的消失、暫時靜止等情況。其中車輛檢測是整個車輛跟蹤過程的基礎，主要是對交通場景視頻序列中的車輛進行分割，將有可能是車輛的區(qū)域從復雜的交通場景中提取出來，以便進行車輛的跟蹤計算。 2． 4 本章總結(jié) 基于視頻技術的車輛監(jiān)測技術由于其維護方便、易于實施的特點，近年來廣受關注。對研究 Kalman 跟蹤模型的改進方法或?qū)ζヅ溥^程算法的改進也是提高車輛運動跟蹤效果的有效途徑。建立適當?shù)哪Ｐ褪沁@種方法能夠獲得對圖像內(nèi)容理解的前提條件，預先建立的模型通常包括車輛的 3D 模型和攝像機模型車輛模型描述了車輛的先驗知識 (長寬高等信息 )。主動模型 (Active Models)考慮了圖像本身的一些性質(zhì)，如顏色、紋理、邊緣、形狀等，并通過求能量函數(shù)的最小 值來跟蹤目標。 基于特征點的算法的優(yōu)點是通過特征提取，找到車輛的外形共性，不會產(chǎn)生像素陰影問題；而且，即使對于輕微遮擋的車輛，很多特征也是可見的。 關于模型法，針對車輛的形狀作為模板，實現(xiàn)中的跟蹤方法又可以分為以下兩種： 1)以被跟蹤車輛目標特征為基礎的跟蹤算法； 2)通過計算二維運動區(qū)域與運動目標三維模型的對應關系進行目標跟蹤。而且初始化具有困難。其跟蹤方法的主要思想是先初始勾勒出車輛的輪廓并且不斷地在后續(xù)幀更新輪廓進而達到跟蹤的目的。這種方法和其它車輛檢測跟蹤方法主要的不同在于分割過程 和跟蹤過程是同步進行的，而不是在跟蹤過程前就有了明確的分割結(jié)果。根據(jù)處理方法不同，又可以分為以下幾類： 1)基于時域的運動估計法 基于時域的跟蹤方法就是在時域上跟蹤車輛檢測模塊檢測出的一個個像素連通塊，這些塊區(qū)域表示檢測出的車輛。在實際的跟蹤過程中，當目標運動較快時，這些跟蹤方法可能丟掉待匹配的對像，因此往往需要對具有一定特征的運動方式進行預測。車輛跟蹤所依賴的仍然是視頻序列圖像的運動信息，它要求將同一輛車在不同時間的運動軌跡描述出來。由于不同物體間存在相對運動，而屬于同一物體的區(qū)域則不存在這種相對運動，可以利用這一特征來初步合并區(qū)域再從時域分析區(qū)域塊的運動矢量進一步合并得到 ROI。由于在復雜的交通場景中具體需要分割出的車輛數(shù)目并非已知，因此事先預測可以正確分割圖像的區(qū)域數(shù)目是相對困難的。 k均值聚類法是在視頻交通檢測系統(tǒng)中，按照一定的聚類準則將提取到的視頻序列中的數(shù)據(jù)分成幾個聚集的方法。因此，很多相關研究也在致力于對這兩方面做出改進。 其基本思想是將圖像的空間域變換到參數(shù)空間，用大多數(shù)邊界點滿足某種參數(shù)形式來描述圖像中的曲線。 霍夫變換是一種用于區(qū)域邊界形狀描述的方法，經(jīng)典的霍夫變換常被用于直線段、圓 和橢圓的檢測。 理想情況下，上述采用梯度進行車輛邊緣檢測應該只能產(chǎn)生邊緣上的像素。使用圖像的梯度來進行邊緣檢測不但可以應用到灰度圖像，而且可以通過計算 RGB 彩色空間中的梯度，直接將此方法應用于拍攝到的彩色視頻中進行車輛 檢測。 1)邊緣檢測法 邊緣是車輛目標最基本的特征之一。另外，三維物體的運動投影到二維圖像的亮度變化，本身由于部 分信息的丟失而使光流法存在孔徑問題 (aperture problem 即無法確定在與光流場等亮度線方向上的光流分量 )和遮擋問題，用光流法估算二維運動場會發(fā)生不確定，需要附加的假設模型來模擬二維運動場的結(jié)構(gòu)。但也存在明顯的缺點：首先，光流與運動場雖然有密切的關系，但又不完全對應。 假設運動可以由一系列映射參數(shù)描述，對應于同樣的表面和三維運動的流量矢量將具有映射參數(shù)的相同集合。 總的來說，實際應用中，背景差法是通過對兩幅攝自不同時刻的圖像進行查分，由于時間間隔明顯長于之前討論的幀差法，因此對于環(huán)境光照，陰影以及風等自然因素的隨機變化非常敏感，背景圖像需不斷地被調(diào)整以迎合這些變化。 選擇更新法的基本思想是只將沒有檢測到運動的區(qū)域即真正的背景進行更新。 簡單的多幀平均法是直接將前面若干輸入圖像的平均值作為當前背景，更新背景的方法如下： 其中， Bpt 為當前更新的背景， Bpt1 是前一幀背景， Cpt1，為上一幅場景圖像， Ⅳ為一個整數(shù)， K是指更新率。因此，研究重點慢慢轉(zhuǎn)變?yōu)?，如何能夠更加有效的對參考圖像進行更新?；诒尘安畹能囕v檢測的準確性很大程度上依賴于背景圖像的可靠性。不恰當?shù)拈撝颠x取會造成車輛的誤檢測，閾值過高會造成漏檢，閾值過低又會把背景檢測為車輛或?qū)⑾噜徿囕v檢測為同一輛車。現(xiàn)實中需要根據(jù)序列圖像的背景復雜度進行選擇。 這是一個最簡單最基本的背景差方法，描述了背景差的基本思想，實際環(huán)境中，背景圖像并非理想靜止狀態(tài)，由于環(huán)境的復雜和運動的多樣性，為滿足實際應用的需要算法比這復雜的多。 幀差法的優(yōu)點是計算簡單且不易受環(huán)境光線變化的影響，但它不能檢測靜止車輛，且處理效果依賴于圖像采樣頻率以及被檢測車輛的車速。 除了使用濾波器，在最基本的單幀圖像間的差分方法外，人們自然的想到了多幀差分的方法。但在實際中，單純使用上述基本相鄰幀差分法也會產(chǎn)生不良后果。 在實際應用中，運動的車輛目標相對于路面平動而且方向與于圖像平面平行，因而形成了簡單的二維平移運動。 2)基于視頻序列的灰度圖像差分檢測線法 經(jīng)過檢測線上的車輛使得序列灰度圖像在檢測線位置上的灰度值發(fā)生變化，通過對這種灰度的變化進行圖像的差分計算，來實現(xiàn)對運動車輛的檢測。如果顏色差值小于某個閾值，則認為時背景微變，使用新的背景色代替原先設定的參考色；如果對比后的顏色差值大于與先設好的閾值，那么認為有車輛通過，可以據(jù)此實現(xiàn)車輛的通行檢測。例如均值聚類法、邊緣檢測法，區(qū)域分割法等，這些方法雖然沒有