【導讀】方法,也是目前和未來交通發(fā)展的主流方向。ITS的前提是獲得交通道路的實時。本文主要研究ITS中基于視頻檢測技術的車流量統(tǒng)。間差分法和背景差分法。針對背景提取算法,研究了均值法、統(tǒng)計中值法、單高。的陰影消除算法。有一輛車輛通過,通過實驗驗證,本文算法的精確率能達到90%左右。更新模塊、前景構建模塊和車輛計數模塊。車輛目標進行準確檢測與統(tǒng)計。

　　

【正文】 運動，在外部照明發(fā)生變化時，也可以觀測到光流。其次，在缺乏足夠的灰度等級變化的區(qū)域，實際運動也往往觀測不到。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構。此外，在準確分割時，光流法還需要利用顏色、灰度、邊緣等空域特征來提高分割精度，而且由于光流法采用迭代的方法來對運動車輛進行分割，因此時間復雜度較高，如果沒有特殊的硬件支 持，很難應用于視頻序列的實時檢測。 2． 2． 2． 3 傳統(tǒng)圖像處理的檢測方法 在 2． 2節(jié)曾經指出，在實現交通流量統(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。因此，傳統(tǒng)的圖像處理方法在車輛檢測中也有較廣泛的應用，下面僅對某幾種常用方法作簡要介紹。 1)邊緣檢測法 邊緣是車輛目標最基本的特征之一。基于車輛邊緣的 邊緣檢測法通常效率較高，而且可以檢測出靜止車輛。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，因此當圖像亮度發(fā)生變化時表現也較為穩(wěn)健。 由于邊緣是圖像上變化比較劇烈的地方，因此在數學上使用梯度來表示變化。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。目前，常用的邊緣檢測方法有多種，如梯度算子、 Laplacian 算子、 canny算子等。 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。 Canny 邊緣檢測利用 Gauss 函數的一階微分濾波器進行濾波，能在噪聲抑制和邊緣檢測之間取得比較好的平衡。 理想情況下，上述采用梯度進行車輛邊緣檢測應該只能產生邊緣上的像素。而實際上，結果像素由于噪聲，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算法遵循用鏈接過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，經典的霍夫變換常被用于直線段、圓 和橢圓的檢測。它利用點線對偶性原理進行坐標變換，把直角坐標系下的直線檢測問題轉換到參數空間中，通過在參數空間中進行簡單的點分布累加統(tǒng)計完成直線檢測。 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。而其推廣 的廣義霍夫變換 (General Hough Transformation GHT)可以將檢測推廣到任意形狀。 其基本思想是將圖像的空間域變換到參數空間，用大多數邊界點滿足某種參數形式來描述圖像中的曲線。實現方法是尋找在參數空間有參數累加器形成的峰值。 由于 HT 是根據局部度量 來計算全面描述參數，因而具有很強的容錯性和魯棒性。但是， GHT 也有幾個較大的缺陷：首先由于每個邊緣點映射成參數空間的一個曲線，是一對多的映射，因此計算量大，占用內存空問大；其次是提取的參數受參數空間的量化間隔制約。因此，很多相關研究也在致力于對這兩方面做出改進。 2)區(qū)域分割進行車輛檢測 、 典型的區(qū)域分割方法有區(qū)域增長法例如分水嶺算法和聚類方法等。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。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中的使用。 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據分成幾個聚集的方法。 K均值法就是將拍攝到的交通場景中的像素聚類為 k個表示不同物體的區(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。這種方法考慮到了像素所屬物體在空間上的連 續(xù)性，但缺點是分割區(qū)域的數目要作為算法處理的初始參數。由于在復雜的交通場景中具體需要分割出的車輛數目并非已知，因此事先預測可以正確分割圖像的區(qū)域數目是相對困難的。為了解決這個問題， Badenas 提出了一種多段 (Multi stage)分割方法，事先固定初始分割區(qū)域數目 (6～ 10 個 )，然后根據初始分割區(qū)域的大小、密度等信息再來決定是否對此區(qū)域進行繼續(xù)劃分。 另外與 k 均值法相關的是區(qū)域合并問題。由于算法產生的最后分割區(qū)域數目不固定，產生的每一個區(qū)域塊屬于單一物體，但一個物體卻可能包含多個區(qū)域，因此需 要后續(xù)的融合操作將多個區(qū)域合并為單個的感興趣區(qū)域 (Region Of Interesting， ROI)。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。 k 均值法是一種有效的分割方法，后續(xù)的改進方法雖然克服了根據先驗知識來預先對聚類個數進行設定的缺陷，但在聚類過程中均會涉及到迭代運算，這使其在實時性要求極高的交通檢測應用中受到了一定的限 ,Or23l。 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。由于視頻監(jiān)視器中的運動車輛目標跟蹤不但可以提供被監(jiān)視目標的運動軌跡，也為進入場景中目標的運動分析和場景分析提供了可靠的數據來源，因此不但是在交通流量統(tǒng)計中得到車速、車流量等的基礎，也在輔助駕駛、自動導航、交通監(jiān)控、事故檢測等方面發(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。理想的系統(tǒng)要求實現對運動車輛的快速有效跟蹤，并且能處理跟目標之間的重疊以及目標的暫時消失等情況。 2． 3． 1 概述 在車輛跟蹤技術中，根據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，以及通過對圖像內容進行理解后的模型處理方法。具體說有：基于區(qū)域匹配相關的方法、基于特征點的跟蹤算法、基于變形模板的跟蹤方法、基于 3． D 模型的運動目標跟蹤方法等。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。常用的預測方法有多項式預測法及卡爾曼濾波器法。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。 2． 3． 2 核心技術 2． 3． 2． 1 非模型方法 非模型法的特點是將視頻監(jiān)視器中獲取的視頻序列中的車輛目標作為一組像素的集合進行處理。根據處理方法不同，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。這種車輛檢測方法的核心思想是通過時域的運動估計跟蹤圖像序列中的運動物體來提高分割的準確性，將車輛跟蹤過程和圖像分割過程結合起來，進而減少計算 復雜度，提高系統(tǒng)的實時處理能力。它綜合考慮了空域和時域信息。在匹配不同圖像幀中表示同一車輛的運動塊的過程中，可以得到被跟蹤車輛在 n幀序列圖像中的形態(tài)演變，因而也就有可能預測其在 n+l幀中的形狀，從而能糾正車輛圖像的誤分割情況，如運動塊突然出現、消失以及形狀突變等。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果。這種方法在車輛稀少時效果比較好。 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。 2)基于動態(tài)輪廓的方法 基于動態(tài)輪廓的方法實質上是對待檢測圖像中的一組像素進行檢測和跟蹤， 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)幀更新輪廓進而達到跟蹤的目的。以車輛輪廓為跟蹤對象的方法有很多，雖然輪廓可以通過簡單的邊緣檢測的方法得到，但這些簡單的方法往往同時檢測出背景中的一些干擾邊緣。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。 但是基于動態(tài)輪廓的方法也有其自身的缺點：在陰影和道路擁擠的情況下其效果會變得很差，因為陰影和車輛之間的遮擋都會將本來相鄰的多個連通塊變?yōu)橐粋€，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圖像中的運動塊看作是一組像素的集合，缺點在于有可能把誤分割形成的像素集合也檢測為車輛目標。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容的理解。 在視頻交通流量統(tǒng)計系統(tǒng)中，車輛運動目標是剛體，不同于行人等非剮體目標，因此對車輛目標的跟蹤可以利用其精確的外形先驗知識，即以形狀作為模型匹配的模板，這是使用模型法進行車輛目標跟蹤的前提。 關于模型法，針對車輛的形狀作為模板，實現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。如通過計算二維運動區(qū)域的中心位置、運動方向，然后在二維運 動的區(qū)域中計算與三維模型中線段的對應關系，由此來判別運動區(qū)域是否與目標模型相匹配。 在早期的車輛跟蹤研究中，第一種以特征為基礎的跟蹤算法是研究的熱點。匹配特征的選取一般包括那些與物理運動關系密切的信息，如位置、大小等，以及目標的形狀拐點和顏色等，或將這些特征按照重要性進行權重組合來表示車輛。 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。但是，算法在車輛彼此太近時，一般無法正確提取到足以識別車輛的特征，而 且特征提取的選取和數臥 281 直接影響著算法的優(yōu)劣。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。 此外車輛的其它特征也受到了廣泛關注。主動模型 (Active Models)考慮了圖像本身的一些性質，如顏色、紋理、邊緣、形狀等，并通過求能量函數的最小 值來跟蹤目標。此外，美國加州大學的 David Beymer， Jitendra Malik 等則引入了車輛的高度信息來提高跟蹤能力。 近些年，第二種以模型為基礎的跟蹤算法漸漸興起。這種算法是一個二維到三維的匹配過程，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，經過與預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、寬、高及車輛類型等信息。建立適當的模型是這種方法能夠獲得對圖像內容理解的前提條件，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 )。 模型法的優(yōu)點是在確定車輛類別和幾何模型細節(jié)時具有較高的精度。但在實際應用中，為了獲得對圖像內容的理解，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。 特別需要指出的是，目前采用 Kalman 濾波模型進行車輛運動跟蹤是解決跟蹤問題的研究。對研究 Kalman 跟蹤模型的改進方法或對匹配過程算法的改進也是提高車輛運動跟蹤效果的有效途徑。由于 Kalman 濾波不要求保存過去的測量數據，當新數據測得以后，根據新的數據和前一時刻諸量的估計值，借助系統(tǒng)本身的狀態(tài)轉移方程 (即動態(tài)方程 )，按照一套 遞推公式，即可算出新的諸量的估計值，這樣大大減少了濾波裝置的存儲量和計算量，同時適用于信號為非平穩(wěn)的，動態(tài)系統(tǒng)也可以是時變的。這種方法數學模型簡單，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、舊目標的消失、暫時靜止等情況。但對車輛擁擠、遮擋情況下的跟蹤處理仍有很大局限性。 2． 4 本章總結 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。基于視頻的交通流量統(tǒng)計是利用視頻監(jiān)視等手段，對視頻中的車輛目標進行檢測分割和跟蹤來實現對車輛流量的統(tǒng)計分 析。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。后期的車輛運動估計、