【導(dǎo)讀】方法,也是目前和未來(lái)交通發(fā)展的主流方向。ITS的前提是獲得交通道路的實(shí)時(shí)。本文主要研究ITS中基于視頻檢測(cè)技術(shù)的車流量統(tǒng)。間差分法和背景差分法。針對(duì)背景提取算法,研究了均值法、統(tǒng)計(jì)中值法、單高。的陰影消除算法。有一輛車輛通過(guò),通過(guò)實(shí)驗(yàn)驗(yàn)證,本文算法的精確率能達(dá)到90%左右。更新模塊、前景構(gòu)建模塊和車輛計(jì)數(shù)模塊。車輛目標(biāo)進(jìn)行準(zhǔn)確檢測(cè)與統(tǒng)計(jì)。

　　

【正文】 運(yùn)動(dòng)，在外部照明發(fā)生變化時(shí)，也可以觀測(cè)到光流。其次，在缺乏足夠的灰度等級(jí)變化的區(qū)域，實(shí)際運(yùn)動(dòng)也往往觀測(cè)不到。另外，三維物體的運(yùn)動(dòng)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(wèn)題 (aperture problem 即無(wú)法確定在與光流場(chǎng)等亮度線方向上的光流分量 )和遮擋問(wèn)題，用光流法估算二維運(yùn)動(dòng)場(chǎng)會(huì)發(fā)生不確定，需要附加的假設(shè)模型來(lái)模擬二維運(yùn)動(dòng)場(chǎng)的結(jié)構(gòu)。此外，在準(zhǔn)確分割時(shí)，光流法還需要利用顏色、灰度、邊緣等空域特征來(lái)提高分割精度，而且由于光流法采用迭代的方法來(lái)對(duì)運(yùn)動(dòng)車輛進(jìn)行分割，因此時(shí)間復(fù)雜度較高，如果沒(méi)有特殊的硬件支 持，很難應(yīng)用于視頻序列的實(shí)時(shí)檢測(cè)。 2． 2． 2． 3 傳統(tǒng)圖像處理的檢測(cè)方法 在 2． 2節(jié)曾經(jīng)指出，在實(shí)現(xiàn)交通流量統(tǒng)計(jì)的系統(tǒng)中，往往將車輛檢測(cè)又細(xì)分候選區(qū)確定階段和車輛確認(rèn)階段，前者常常使用視頻幀中的時(shí)間信息利用目標(biāo)運(yùn)動(dòng)的特性來(lái)進(jìn)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(duì)其中的車輛目標(biāo)進(jìn)行分割，做出精確提取。因此，傳統(tǒng)的圖像處理方法在車輛檢測(cè)中也有較廣泛的應(yīng)用，下面僅對(duì)某幾種常用方法作簡(jiǎn)要介紹。 1)邊緣檢測(cè)法 邊緣是車輛目標(biāo)最基本的特征之一?；谲囕v邊緣的 邊緣檢測(cè)法通常效率較高，而且可以檢測(cè)出靜止車輛。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(dāng)圖像亮度發(fā)生變化時(shí)表現(xiàn)也較為穩(wěn)健。 由于邊緣是圖像上變化比較劇烈的地方，因此在數(shù)學(xué)上使用梯度來(lái)表示變化。使用圖像的梯度來(lái)進(jìn)行邊緣檢測(cè)不但可以應(yīng)用到灰度圖像，而且可以通過(guò)計(jì)算 RGB 彩色空間中的梯度，直接將此方法應(yīng)用于拍攝到的彩色視頻中進(jìn)行車輛 檢測(cè)。目前，常用的邊緣檢測(cè)方法有多種，如梯度算子、 Laplacian 算子、 canny算子等。 Canny 邊緣檢測(cè)是一種比較新的邊緣檢測(cè)算 子，具有很好的邊緣檢測(cè)性能。 Canny 邊緣檢測(cè)利用 Gauss 函數(shù)的一階微分濾波器進(jìn)行濾波，能在噪聲抑制和邊緣檢測(cè)之間取得比較好的平衡。 理想情況下，上述采用梯度進(jìn)行車輛邊緣檢測(cè)應(yīng)該只能產(chǎn)生邊緣上的像素。而實(shí)際上，結(jié)果像素由于噪聲，不均勻照明等引起的邊緣斷裂和雜散的亮度不連續(xù)而難以得到完全的邊緣特性。因此典型的邊緣檢測(cè)算法遵循用鏈接過(guò)程把像素組裝成有意義的邊緣的方法。一種常用的處理方式是采用 Hough 變換。 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(cè)。它利用點(diǎn)線對(duì)偶性原理進(jìn)行坐標(biāo)變換，把直角坐標(biāo)系下的直線檢測(cè)問(wèn)題轉(zhuǎn)換到參數(shù)空間中，通過(guò)在參數(shù)空間中進(jìn)行簡(jiǎn)單的點(diǎn)分布累加統(tǒng)計(jì)完成直線檢測(cè)。 霍夫變換具有對(duì)噪聲的抗干擾性高，以及處理多個(gè)形狀的特點(diǎn)。而其推廣 的廣義霍夫變換 (General Hough Transformation GHT)可以將檢測(cè)推廣到任意形狀。 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(diǎn)滿足某種參數(shù)形式來(lái)描述圖像中的曲線。實(shí)現(xiàn)方法是尋找在參數(shù)空間有參數(shù)累加器形成的峰值。 由于 HT 是根據(jù)局部度量 來(lái)計(jì)算全面描述參數(shù)，因而具有很強(qiáng)的容錯(cuò)性和魯棒性。但是， GHT 也有幾個(gè)較大的缺陷：首先由于每個(gè)邊緣點(diǎn)映射成參數(shù)空間的一個(gè)曲線，是一對(duì)多的映射，因此計(jì)算量大，占用內(nèi)存空問(wèn)大；其次是提取的參數(shù)受參數(shù)空間的量化間隔制約。因此，很多相關(guān)研究也在致力于對(duì)這兩方面做出改進(jìn)。 2)區(qū)域分割進(jìn)行車輛檢測(cè) 、 典型的區(qū)域分割方法有區(qū)域增長(zhǎng)法例如分水嶺算法和聚類方法等。在視頻交通場(chǎng)景的車輛檢測(cè)階段，由于視頻幀的特性并非是多個(gè)較均勻的連 通區(qū)域，因此 區(qū)域增長(zhǎng)方法很少單獨(dú)使用。下面主要介紹一種基于聚類的區(qū)域分割方均值聚類法在車輛檢測(cè)中的使用。 k均值聚類法是在視頻交通檢測(cè)系統(tǒng)中，按照一定的聚類準(zhǔn)則將提取到的視頻序列中的數(shù)據(jù)分成幾個(gè)聚集的方法。 K均值法就是將拍攝到的交通場(chǎng)景中的像素聚類為 k個(gè)表示不同物體的區(qū)域塊。 最早的 k均值法的分割算法由 Kottle 提出，其聚類準(zhǔn)則利用了像素的三個(gè)特征：橫縱坐標(biāo)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(biāo)則決定了像素的歸屬區(qū)域。這種方法考慮到了像素所屬物體在空間上的連 續(xù)性，但缺點(diǎn)是分割區(qū)域的數(shù)目要作為算法處理的初始參數(shù)。由于在復(fù)雜的交通場(chǎng)景中具體需要分割出的車輛數(shù)目并非已知，因此事先預(yù)測(cè)可以正確分割圖像的區(qū)域數(shù)目是相對(duì)困難的。為了解決這個(gè)問(wèn)題， Badenas 提出了一種多段 (Multi stage)分割方法，事先固定初始分割區(qū)域數(shù)目 (6～ 10 個(gè) )，然后根據(jù)初始分割區(qū)域的大小、密度等信息再來(lái)決定是否對(duì)此區(qū)域進(jìn)行繼續(xù)劃分。 另外與 k 均值法相關(guān)的是區(qū)域合并問(wèn)題。由于算法產(chǎn)生的最后分割區(qū)域數(shù)目不固定，產(chǎn)生的每一個(gè)區(qū)域塊屬于單一物體，但一個(gè)物體卻可能包含多個(gè)區(qū)域，因此需 要后續(xù)的融合操作將多個(gè)區(qū)域合并為單個(gè)的感興趣區(qū)域 (Region Of Interesting， ROI)。由于不同物體間存在相對(duì)運(yùn)動(dòng)，而屬于同一物體的區(qū)域則不存在這種相對(duì)運(yùn)動(dòng)，可以利用這一特征來(lái)初步合并區(qū)域再?gòu)臅r(shí)域分析區(qū)域塊的運(yùn)動(dòng)矢量進(jìn)一步合并得到 ROI。 k 均值法是一種有效的分割方法，后續(xù)的改進(jìn)方法雖然克服了根據(jù)先驗(yàn)知識(shí)來(lái)預(yù)先對(duì)聚類個(gè)數(shù)進(jìn)行設(shè)定的缺陷，但在聚類過(guò)程中均會(huì)涉及到迭代運(yùn)算，這使其在實(shí)時(shí)性要求極高的交通檢測(cè)應(yīng)用中受到了一定的限 ,Or23l。 2． 3 車輛跟蹤技術(shù) 對(duì)檢測(cè) 出來(lái)的運(yùn)動(dòng)車輛進(jìn)行跟蹤，也是 ITS 系統(tǒng)研究的焦點(diǎn)之一。由于視頻監(jiān)視器中的運(yùn)動(dòng)車輛目標(biāo)跟蹤不但可以提供被監(jiān)視目標(biāo)的運(yùn)動(dòng)軌跡，也為進(jìn)入場(chǎng)景中目標(biāo)的運(yùn)動(dòng)分析和場(chǎng)景分析提供了可靠的數(shù)據(jù)來(lái)源，因此不但是在交通流量統(tǒng)計(jì)中得到車速、車流量等的基礎(chǔ)，也在輔助駕駛、自動(dòng)導(dǎo)航、交通監(jiān)控、事故檢測(cè)等方面發(fā)揮著重要的作用。車輛跟蹤所依賴的仍然是視頻序列圖像的運(yùn)動(dòng)信息，它要求將同一輛車在不同時(shí)間的運(yùn)動(dòng)軌跡描述出來(lái)。理想的系統(tǒng)要求實(shí)現(xiàn)對(duì)運(yùn)動(dòng)車輛的快速有效跟蹤，并且能處理跟目標(biāo)之間的重疊以及目標(biāo)的暫時(shí)消失等情況。 2． 3． 1 概述 在車輛跟蹤技術(shù)中，根據(jù)對(duì)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(guò)對(duì)圖像內(nèi)容進(jìn)行理解后的模型處理方法。具體說(shuō)有：基于區(qū)域匹配相關(guān)的方法、基于特征點(diǎn)的跟蹤算法、基于變形模板的跟蹤方法、基于 3． D 模型的運(yùn)動(dòng)目標(biāo)跟蹤方法等。在實(shí)際的跟蹤過(guò)程中，當(dāng)目標(biāo)運(yùn)動(dòng)較快時(shí)，這些跟蹤方法可能丟掉待匹配的對(duì)像，因此往往需要對(duì)具有一定特征的運(yùn)動(dòng)方式進(jìn)行預(yù)測(cè)。常用的預(yù)測(cè)方法有多項(xiàng)式預(yù)測(cè)法及卡爾曼濾波器法。車輛跟蹤與預(yù)測(cè)不是本文研究重點(diǎn)，所以只對(duì) 目前常用的方法作概要介紹。 2． 3． 2 核心技術(shù) 2． 3． 2． 1 非模型方法 非模型法的特點(diǎn)是將視頻監(jiān)視器中獲取的視頻序列中的車輛目標(biāo)作為一組像素的集合進(jìn)行處理。根據(jù)處理方法不同，又可以分為以下幾類： 1)基于時(shí)域的運(yùn)動(dòng)估計(jì)法 基于時(shí)域的跟蹤方法就是在時(shí)域上跟蹤車輛檢測(cè)模塊檢測(cè)出的一個(gè)個(gè)像素連通塊，這些塊區(qū)域表示檢測(cè)出的車輛。這種車輛檢測(cè)方法的核心思想是通過(guò)時(shí)域的運(yùn)動(dòng)估計(jì)跟蹤圖像序列中的運(yùn)動(dòng)物體來(lái)提高分割的準(zhǔn)確性，將車輛跟蹤過(guò)程和圖像分割過(guò)程結(jié)合起來(lái)，進(jìn)而減少計(jì)算 復(fù)雜度，提高系統(tǒng)的實(shí)時(shí)處理能力。它綜合考慮了空域和時(shí)域信息。在匹配不同圖像幀中表示同一車輛的運(yùn)動(dòng)塊的過(guò)程中，可以得到被跟蹤車輛在 n幀序列圖像中的形態(tài)演變，因而也就有可能預(yù)測(cè)其在 n+l幀中的形狀，從而能糾正車輛圖像的誤分割情況，如運(yùn)動(dòng)塊突然出現(xiàn)、消失以及形狀突變等。這種方法和其它車輛檢測(cè)跟蹤方法主要的不同在于分割過(guò)程 和跟蹤過(guò)程是同步進(jìn)行的，而不是在跟蹤過(guò)程前就有了明確的分割結(jié)果。這種方法在車輛稀少時(shí)效果比較好。 運(yùn)動(dòng)估計(jì)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。 2)基于動(dòng)態(tài)輪廓的方法 基于動(dòng)態(tài)輪廓的方法實(shí)質(zhì)上是對(duì)待檢測(cè)圖像中的一組像素進(jìn)行檢測(cè)和跟蹤， 屬于非模型方法。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(jìn)而達(dá)到跟蹤的目的。以車輛輪廓為跟蹤對(duì)象的方法有很多，雖然輪廓可以通過(guò)簡(jiǎn)單的邊緣檢測(cè)的方法得到，但這些簡(jiǎn)單的方法往往同時(shí)檢測(cè)出背景中的一些干擾邊緣。因而有些系統(tǒng)采用復(fù)雜些的邊緣檢測(cè)算法如自動(dòng)輪廓獲取或 snake 模型 1251，這些算法以求能量最小值對(duì)目標(biāo)進(jìn)行分割 跟蹤，抗噪聲能力突出，并且可以用專門的處理器進(jìn)行實(shí)時(shí)處理，計(jì)算量相對(duì)較低。 但是基于動(dòng)態(tài)輪廓的方法也有其自身的缺點(diǎn)：在陰影和道路擁擠的情況下其效果會(huì)變得很差，因?yàn)殛幱昂蛙囕v之間的遮擋都會(huì)將本來(lái)相鄰的多個(gè)連通塊變?yōu)橐粋€(gè)，造成漏檢和誤檢。而且初始化具有困難。 2． 3． 2． 2 模型法 上面講到的非模型的處理方法只是將處理得到的待檢測(cè)圖像中的運(yùn)動(dòng)塊看作是一組像素的集合，缺點(diǎn)在于有可能把誤分割形成的像素集合也檢測(cè)為車輛目標(biāo)。而基于模型的車輛檢測(cè)方法的突出優(yōu)點(diǎn)是對(duì)于視頻幀的處理，不僅僅停留像素 級(jí)別上，而是融合了對(duì)于圖像內(nèi)容的理解。 在視頻交通流量統(tǒng)計(jì)系統(tǒng)中，車輛運(yùn)動(dòng)目標(biāo)是剛體，不同于行人等非剮體目標(biāo)，因此對(duì)車輛目標(biāo)的跟蹤可以利用其精確的外形先驗(yàn)知識(shí)，即以形狀作為模型匹配的模板，這是使用模型法進(jìn)行車輛目標(biāo)跟蹤的前提。 關(guān)于模型法，針對(duì)車輛的形狀作為模板，實(shí)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(biāo)特征為基礎(chǔ)的跟蹤算法； 2)通過(guò)計(jì)算二維運(yùn)動(dòng)區(qū)域與運(yùn)動(dòng)目標(biāo)三維模型的對(duì)應(yīng)關(guān)系進(jìn)行目標(biāo)跟蹤。如通過(guò)計(jì)算二維運(yùn)動(dòng)區(qū)域的中心位置、運(yùn)動(dòng)方向，然后在二維運(yùn) 動(dòng)的區(qū)域中計(jì)算與三維模型中線段的對(duì)應(yīng)關(guān)系，由此來(lái)判別運(yùn)動(dòng)區(qū)域是否與目標(biāo)模型相匹配。 在早期的車輛跟蹤研究中，第一種以特征為基礎(chǔ)的跟蹤算法是研究的熱點(diǎn)。匹配特征的選取一般包括那些與物理運(yùn)動(dòng)關(guān)系密切的信息，如位置、大小等，以及目標(biāo)的形狀拐點(diǎn)和顏色等，或?qū)⑦@些特征按照重要性進(jìn)行權(quán)重組合來(lái)表示車輛。 基于特征點(diǎn)的算法的優(yōu)點(diǎn)是通過(guò)特征提取，找到車輛的外形共性，不會(huì)產(chǎn)生像素陰影問(wèn)題；而且，即使對(duì)于輕微遮擋的車輛，很多特征也是可見(jiàn)的。但是，算法在車輛彼此太近時(shí)，一般無(wú)法正確提取到足以識(shí)別車輛的特征，而 且特征提取的選取和數(shù)臥 281 直接影響著算法的優(yōu)劣。另外，由于進(jìn)入攝像機(jī)拍攝范圍的 車輛往往具有不同的角度和速度，因此往往會(huì)導(dǎo)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(lái)特征提取對(duì)車輛進(jìn)行跟蹤具有相當(dāng)不確定性。 此外車輛的其它特征也受到了廣泛關(guān)注。主動(dòng)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(guò)求能量函數(shù)的最小 值來(lái)跟蹤目標(biāo)。此外，美國(guó)加州大學(xué)的 David Beymer， Jitendra Malik 等則引入了車輛的高度信息來(lái)提高跟蹤能力。 近些年，第二種以模型為基礎(chǔ)的跟蹤算法漸漸興起。這種算法是一個(gè)二維到三維的匹配過(guò)程，將這些像素看作是三維世界中的車輛在二維圖像平面上的投影，經(jīng)過(guò)與預(yù)先建立的模型在圖像塊同一位置的投影相匹配，直接得到車輛的長(zhǎng)、寬、高及車輛類型等信息。建立適當(dāng)?shù)哪Ｐ褪沁@種方法能夠獲得對(duì)圖像內(nèi)容理解的前提條件，預(yù)先建立的模型通常包括車輛的 3D 模型和攝像機(jī)模型車輛模型描述了車輛的先驗(yàn)知識(shí) (長(zhǎng)寬高等信息 )。 模型法的優(yōu)點(diǎn)是在確定車輛類別和幾何模型細(xì)節(jié)時(shí)具有較高的精度。但在實(shí)際應(yīng)用中，為了獲得對(duì)圖像內(nèi)容的理解，在建立 攝像機(jī)模型時(shí)需要測(cè)量攝像機(jī)與交通場(chǎng)景之間詳細(xì)的空間幾何特征，計(jì)算很大而且獲得有難度；另外，當(dāng)攝像機(jī)由于外力產(chǎn)生角度變化時(shí)可能會(huì)造成檢測(cè)失敗，而且對(duì)于遮擋情況下也會(huì)發(fā)生誤檢。 特別需要指出的是，目前采用 Kalman 濾波模型進(jìn)行車輛運(yùn)動(dòng)跟蹤是解決跟蹤問(wèn)題的研究。對(duì)研究 Kalman 跟蹤模型的改進(jìn)方法或?qū)ζヅ溥^(guò)程算法的改進(jìn)也是提高車輛運(yùn)動(dòng)跟蹤效果的有效途徑。由于 Kalman 濾波不要求保存過(guò)去的測(cè)量數(shù)據(jù)，當(dāng)新數(shù)據(jù)測(cè)得以后，根據(jù)新的數(shù)據(jù)和前一時(shí)刻諸量的估計(jì)值，借助系統(tǒng)本身的狀態(tài)轉(zhuǎn)移方程 (即動(dòng)態(tài)方程 )，按照一套 遞推公式，即可算出新的諸量的估計(jì)值，這樣大大減少了濾波裝置的存儲(chǔ)量和計(jì)算量，同時(shí)適用于信號(hào)為非平穩(wěn)的，動(dòng)態(tài)系統(tǒng)也可以是時(shí)變的。這種方法數(shù)學(xué)模型簡(jiǎn)單，運(yùn)算速度快，能滿足實(shí)時(shí)高速行進(jìn)車輛的跟蹤要求；同時(shí)考慮了新目標(biāo)的出現(xiàn)、舊目標(biāo)的消失、暫時(shí)靜止等情況。但對(duì)車輛擁擠、遮擋情況下的跟蹤處理仍有很大局限性。 2． 4 本章總結(jié) 基于視頻技術(shù)的車輛監(jiān)測(cè)技術(shù)由于其維護(hù)方便、易于實(shí)施的特點(diǎn)，近年來(lái)廣受關(guān)注?；谝曨l的交通流量統(tǒng)計(jì)是利用視頻監(jiān)視等手段，對(duì)視頻中的車輛目標(biāo)進(jìn)行檢測(cè)分割和跟蹤來(lái)實(shí)現(xiàn)對(duì)車輛流量的統(tǒng)計(jì)分 析。其中車輛檢測(cè)是整個(gè)車輛跟蹤過(guò)程的基礎(chǔ)，主要是對(duì)交通場(chǎng)景視頻序列中的車輛進(jìn)行分割，將有可能是車輛的區(qū)域從復(fù)雜的交通場(chǎng)景中提取出來(lái)，以便進(jìn)行車輛的跟蹤計(jì)算。后期的車輛運(yùn)動(dòng)估計(jì)、