摘 要: 在基于數(shù)字圖像處理技術(shù)的交通監(jiān)測(cè)系統(tǒng)中，由于攝像裝置所處的角度和高度原因，使得拍攝到的圖像存在非線性幾何形變，致使不能精確地對(duì)車輛進(jìn)行跟蹤分析。為此提出了一種基于網(wǎng)格的圖像非線性形變的校正算法，建立一個(gè)與實(shí)際路面相關(guān)的虛擬環(huán)境。在虛擬環(huán)境中，可以使車輛信息為線性變化。通過(guò)Kalman濾波器對(duì)車輛信息進(jìn)行分析、預(yù)測(cè)，達(dá)到車輛跟蹤的目的。
關(guān)鍵詞: 車輛跟蹤；非線性校正；Kalman濾波器
?
智能交通系統(tǒng)是目前世界交通運(yùn)輸領(lǐng)域的前沿課題，它將電子信息技術(shù)、數(shù)據(jù)通信技術(shù)、自動(dòng)控制和計(jì)算機(jī)技術(shù)綜合運(yùn)用于交通運(yùn)輸管理體系，從而實(shí)現(xiàn)交通運(yùn)輸服務(wù)和管理的智能化?；跀?shù)字圖像處理技術(shù)的交通監(jiān)測(cè)系統(tǒng)能對(duì)采集到的視頻數(shù)據(jù)進(jìn)行處理，從而得到關(guān)于道路交通流量的各種參數(shù)，車輛速度和車輛行駛位置軌跡是其中較為重要的兩個(gè)參數(shù)。但是攝像機(jī)所處的角度和高度的不同，會(huì)導(dǎo)致圖像的非線性形變，這種形變將使得車輛在圖像中的像素坐標(biāo)不能正確地反映車輛在交通中的實(shí)際位置，給下一步的圖像處理工作帶來(lái)困難。本文重點(diǎn)研究圖像中的非線性形變情況，進(jìn)而提出圖像網(wǎng)格算法——所謂網(wǎng)格就是根據(jù)圖像標(biāo)志線為參照物所制作的交通網(wǎng)絡(luò)，即把車輛在圖像中的位置坐標(biāo)轉(zhuǎn)換成實(shí)際坐標(biāo)，提高模型計(jì)算的精確度，減少誤差的一種方法。通過(guò)非線性網(wǎng)格校正技術(shù)，結(jié)合Kalman濾波器，可以有效地對(duì)車輛的移動(dòng)進(jìn)行預(yù)測(cè)跟蹤，同時(shí)車輛速度的計(jì)算精度也將大大提高。
1 系統(tǒng)綜述
本文采用的系統(tǒng)主要是基于視頻的車輛檢測(cè)系統(tǒng)，該系統(tǒng)由3個(gè)比較重要的部分構(gòu)成，分別為背景更新模型、非線性校正模型和車輛跟蹤模型。
系統(tǒng)對(duì)于圖像的基本處理過(guò)程如下：
(1)系統(tǒng)主要采取背景差法來(lái)獲取道路上的移動(dòng)車輛，這里的背景主要指沒(méi)有車輛出現(xiàn)的道路圖像。系統(tǒng)采用實(shí)時(shí)的背景更新模型[1]來(lái)建立道路的背景圖像。通過(guò)該模型獲得的背景圖像能適應(yīng)天氣和光照變化，且滿足實(shí)時(shí)更新的要求。
(2)當(dāng)背景與當(dāng)前幀相減后，可以得到相應(yīng)的幀差圖像，如圖1所示，其中絕大部分背景都被濾除，保留圖像中移動(dòng)車輛部分。通過(guò)選取合適的閾值，濾噪后獲得只有車輛的二值圖像如圖2所示。假定圖中黑色的部分為背景，白色區(qū)域?yàn)闄z測(cè)到車輛區(qū)域，以下稱之為斑塊，主要是獲得斑塊的信息，包括斑塊的位置信息和特征信息[2]。這里的位置信息主要是斑塊在圖像中的位置，斑塊的特征信息主要是斑塊的面積、長(zhǎng)寬比等斑塊自身信息。
(3)車輛的跟蹤[3]主要是根據(jù)這些信息對(duì)車輛的位置預(yù)測(cè)并進(jìn)行匹配來(lái)達(dá)到車輛跟蹤的目的。這里提出的非線性網(wǎng)格校正技術(shù)主要是將位置信息轉(zhuǎn)換到建立的虛擬環(huán)境中，由于虛擬環(huán)境是線性的，可以在虛擬環(huán)境對(duì)車輛的位置進(jìn)行預(yù)測(cè)分析，并將預(yù)測(cè)的結(jié)果轉(zhuǎn)換到圖像坐標(biāo)，從而達(dá)到車輛跟蹤的目的。
3個(gè)模型的應(yīng)用增加了整個(gè)系統(tǒng)的實(shí)時(shí)性和健壯性，其中非線性校正模型是承上啟下的一個(gè)重要模型，它承接了信息的轉(zhuǎn)換、分析、預(yù)測(cè)等重要的工作，并為車輛跟蹤提供了可靠的信息，同時(shí)也增加了整個(gè)系統(tǒng)的健壯性——適用不同的攝像機(jī)角度和路面的情況。?
2?非線性圖像網(wǎng)格校正算法
非線性圖像網(wǎng)格校正理論基礎(chǔ)主要來(lái)自圖像處理中的幾何失真校正思想和數(shù)值分析中的最小二乘法函數(shù)逼近算法。由于交通圖像中，交通標(biāo)志線是圖像中的唯一標(biāo)志線，通過(guò)對(duì)其的連接，可以發(fā)現(xiàn)呈網(wǎng)格狀，如圖3所示，對(duì)應(yīng)于實(shí)際道路中網(wǎng)格如圖4所示，故該算法起名非線性圖像網(wǎng)格校正算法。
?
2.1? 幾何失真校正
在許多實(shí)際的圖像采集處理過(guò)程中，圖像中像素之間的空間關(guān)系會(huì)發(fā)生變化，這時(shí)圖像產(chǎn)生了幾何失真或幾何畸變[4,5]（顯示器上出現(xiàn)枕形或桶形的情況也可看作一個(gè)例子）。在交通圖像中，主要是攝像機(jī)架設(shè)的高度和角度問(wèn)題導(dǎo)致拍攝的圖像產(chǎn)生了幾何失真。
2.2? 最小二乘法
最小二乘法[6]主要是采用近似的方法來(lái)盡可能地逼近所求函數(shù)，其逼近過(guò)程如下：
設(shè)y=f(x)為原函數(shù)，給定一組數(shù)據(jù)(xi,fi)(i=1,2,…,m)，
?????????????????????????????????????????
2.3?校正過(guò)程
在所攝取的圖像上建立坐標(biāo)系，規(guī)定圖像的左上角頂點(diǎn)為坐標(biāo)原點(diǎn)。根據(jù)道路的交通標(biāo)志線設(shè)定圖像中的網(wǎng)格線（如圖3所示），對(duì)應(yīng)到實(shí)際道路中的網(wǎng)格線和坐標(biāo)系（如圖4所示）。通過(guò)在圖像上取點(diǎn)獲取坐標(biāo)可以計(jì)算出圖像網(wǎng)格中每條直線的方程，從而得到各線交點(diǎn)的坐標(biāo)，在實(shí)際道路中由道路的寬度和交通標(biāo)志線得到實(shí)際網(wǎng)格的交點(diǎn)坐標(biāo)，這兩類交點(diǎn)坐標(biāo)有一一對(duì)應(yīng)的關(guān)系。根據(jù)這些點(diǎn)坐標(biāo)的對(duì)應(yīng)關(guān)系，可以找到一個(gè)函數(shù)關(guān)系來(lái)反映圖像中所有點(diǎn)的坐標(biāo)到實(shí)際坐標(biāo)的映射。
由于圖像上不同位置的點(diǎn)非線性形變的程度不同，若所有點(diǎn)都對(duì)應(yīng)一個(gè)映射關(guān)系則不能保證校正的準(zhǔn)確性，為了使坐標(biāo)的變換更為準(zhǔn)確，可以建立小網(wǎng)格模型。在圖像中的每一個(gè)網(wǎng)格上取8個(gè)點(diǎn)，分別對(duì)應(yīng)到實(shí)際網(wǎng)格的8個(gè)點(diǎn)上，由這8個(gè)點(diǎn)的坐標(biāo)對(duì)應(yīng)關(guān)系建立每個(gè)網(wǎng)格的坐標(biāo)映射函數(shù)。這樣在進(jìn)行非線性坐標(biāo)變換時(shí)，首先判斷被計(jì)算點(diǎn)所處的網(wǎng)格位置，再由相應(yīng)的映射函數(shù)進(jìn)行變換。這里可以根據(jù)工程需求來(lái)選擇參考點(diǎn)的數(shù)量，參考點(diǎn)數(shù)量越多，逼近函數(shù)次數(shù)可以越高，精度也越高。
3?算法應(yīng)用
在系統(tǒng)綜述中提到斑塊的位置信息，以下處理框圖表示了位置信息通過(guò)非線性轉(zhuǎn)換來(lái)建立車輛預(yù)測(cè)從而達(dá)到車輛跟蹤的目的。整個(gè)跟蹤處理過(guò)程主要包括兩個(gè)階段，如圖5所示。
?
?
整個(gè)跟蹤過(guò)程主要遵循了Kalman濾波器對(duì)目標(biāo)預(yù)測(cè)而進(jìn)行跟蹤的思想，同時(shí)引入了非線性轉(zhuǎn)換模型，使得目標(biāo)的預(yù)測(cè)更加可靠、準(zhǔn)確。在預(yù)測(cè)的同時(shí)，對(duì)車輛的信息進(jìn)行及時(shí)更新，這樣即使一開(kāi)始獲得位置信息不足，也可以隨著幀數(shù)的增加慢慢自適應(yīng)，達(dá)到跟蹤征輛車的目的。
將該算法應(yīng)用于智能交通車輛跟蹤中，實(shí)驗(yàn)結(jié)果如圖6所示。從圖中可以看出，該算法不僅對(duì)單獨(dú)車輛跟蹤有很好的效果，而且對(duì)多目標(biāo)的跟蹤也適用。
?
非線性圖像網(wǎng)格校正算法對(duì)基于視頻的車輛跟蹤起到了很大的作用，提高了跟蹤效率，對(duì)圖像中的非線性失真有較好的改善。
當(dāng)然該算法在配合跟蹤算法時(shí)也有不足。首先，車輛的初始信息必須建立非常準(zhǔn)確，這樣才能確保接下來(lái)的跟蹤可以正常進(jìn)行；其次，前后兩幀中車輛的變化不能太大，也就是幀間隔時(shí)間不能太長(zhǎng)，如果幀間隔時(shí)間過(guò)長(zhǎng)，車輛預(yù)測(cè)的位置將不是十分準(zhǔn)確。
該算法雖然在車輛跟蹤上有一定的改進(jìn)，但是對(duì)于特殊情況，如彎道非線性轉(zhuǎn)換、變焦后非線性系數(shù)的轉(zhuǎn)換等，還需要進(jìn)一步深入研究。
參考文獻(xiàn)
[1]? BEYMER D, MCLAUCHLAN P，COIFMAN B,et al. A real-time computer vision system for measuring traffic parameters, in Proc. IEEE Conf. Computer Vision and Pattern Recognition, Puerto,? 1997:? 496-501.
[2]? MASOUD, PAPANIKOLOPOULOS N P. Robust pedestrian tracking using a model-based approach, inProc. IEEE Conf. Intelligent Transportation Systems, 1997:338-343.
[3]? 鐘慧湘，王鉦旋，龐云階.圖像重建中的有理逼近方法[J].中國(guó)圖像圖形學(xué)報(bào)，2000，7(11)：65-71.
[4]? 韓鳳磊，龐其昌.一種圖像非線性形變的恢復(fù)方法[J] .光學(xué)技術(shù),2003,(5).
[5]? 李慶揚(yáng)，王能超，易大易.數(shù)值分析[M].武漢：華中理工大學(xué)出版社，1995.