《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 一種基于監(jiān)控視頻的車型識(shí)別和車流量檢測(cè)算法
一種基于監(jiān)控視頻的車型識(shí)別和車流量檢測(cè)算法
2015年微型機(jī)與應(yīng)用第7期
吳亞斌,陳淑榮
(上海海事大學(xué) 信息工程學(xué)院,上海 201409)
摘要: 針對(duì)智能交通系統(tǒng)中的實(shí)時(shí)車型識(shí)別和車流量統(tǒng)計(jì),提出了一種有效的車流量檢測(cè)和車型識(shí)別算法。首先根據(jù)機(jī)動(dòng)車道在視頻圖像中設(shè)置虛擬線圈作為檢測(cè)區(qū)域,運(yùn)用背景差分提取前景目標(biāo),并采用基于顏色和紋理的陰影檢測(cè)方法去除所檢測(cè)目標(biāo)中的陰影部分。然后采用兩步法進(jìn)行車型識(shí)別并統(tǒng)計(jì)對(duì)應(yīng)的車型的車流量。先通過(guò)提取目標(biāo)車輛輪廓的外接最小矩形框面積初步識(shí)別車型,然后引入擴(kuò)展Kalman濾波的跟蹤模型統(tǒng)計(jì)車輛輪廓目標(biāo)經(jīng)過(guò)檢測(cè)區(qū)域的幀數(shù),進(jìn)一步判斷所屬車型,最后統(tǒng)計(jì)對(duì)應(yīng)車型的車流量。實(shí)驗(yàn)表明該方法具有較高識(shí)別和統(tǒng)計(jì)精度,滿足對(duì)車輛實(shí)時(shí)監(jiān)控管理的要求。
Abstract:
Key words :

  摘  要: 針對(duì)智能交通系統(tǒng)中的實(shí)時(shí)車型識(shí)別和車流量統(tǒng)計(jì),提出了一種有效的車流量檢測(cè)和車型識(shí)別算法。首先根據(jù)機(jī)動(dòng)車道在視頻圖像中設(shè)置虛擬線圈作為檢測(cè)區(qū)域,運(yùn)用背景差分提取前景目標(biāo),并采用基于顏色和紋理的陰影檢測(cè)方法去除所檢測(cè)目標(biāo)中的陰影部分。然后采用兩步法進(jìn)行車型識(shí)別并統(tǒng)計(jì)對(duì)應(yīng)的車型的車流量。先通過(guò)提取目標(biāo)車輛輪廓的外接最小矩形框面積初步識(shí)別車型,然后引入擴(kuò)展Kalman濾波的跟蹤模型統(tǒng)計(jì)車輛輪廓目標(biāo)經(jīng)過(guò)檢測(cè)區(qū)域的幀數(shù),進(jìn)一步判斷所屬車型,最后統(tǒng)計(jì)對(duì)應(yīng)車型的車流量。實(shí)驗(yàn)表明該方法具有較高識(shí)別和統(tǒng)計(jì)精度,滿足對(duì)車輛實(shí)時(shí)監(jiān)控管理的要求。

  關(guān)鍵詞: 陰影檢測(cè);輪廓提取;車型識(shí)別;車輛跟蹤

0 引言

  近年來(lái)隨著機(jī)動(dòng)車保有量的迅速增加,交通擁堵等各類交通事故頻發(fā)。為了解決日益惡化的交通問(wèn)題,智能交通系統(tǒng)(Intelligent Transport System)應(yīng)運(yùn)而生。交通監(jiān)控系統(tǒng)是智能交通系統(tǒng)(ITS)[1]的重要組成部分,而車型識(shí)別、車流量檢測(cè)是交通監(jiān)控系統(tǒng)自動(dòng)化的基礎(chǔ)部分,為進(jìn)一步提取、分析道路交通信息和控制車輛提供依據(jù)。目前用于車量檢測(cè)的主要技術(shù)分為三類[2]:基于壓電回路的永久埋入式系統(tǒng)、懸掛式系統(tǒng)和基于圖像處理技術(shù)的視頻車輛檢測(cè)系統(tǒng)。其中基于圖像處理技術(shù)的視頻車輛檢測(cè)系統(tǒng)利用圖像處理與識(shí)別技術(shù),通過(guò)視頻信息檢測(cè)道路車流量、車型、車速等交通流信息,具有成本低廉、安裝和維護(hù)簡(jiǎn)便、應(yīng)用范圍廣等優(yōu)點(diǎn),被廣泛采用。

  針對(duì)交通視頻中的運(yùn)動(dòng)車輛目標(biāo)檢測(cè),當(dāng)前主要方法有:幀間差分法、光流法、背景差分法[3]。其中背景差分法計(jì)算簡(jiǎn)單,是目前最常用的方法。Wren等人[4]提出了通過(guò)單高斯背景模型對(duì)每一個(gè)像素建立高斯模型來(lái)表征像素在時(shí)間軸上的變化,但當(dāng)固定位置的像素值不斷改變,像素顏色值不是單峰分布時(shí),單高斯模型描述不夠準(zhǔn)確。周世付等人[5]提出高斯混合模型(Gaussian Mixture Model,GMM),用K個(gè)單高斯分布來(lái)描述每個(gè)像素,再對(duì)每個(gè)單高斯分布進(jìn)行加權(quán)?;旌细咚贡尘澳P碗m然能夠處理復(fù)雜、非靜止的多模態(tài)背景,但它在背景變化較快的時(shí)候效果極巨下降,除此之外它的時(shí)間復(fù)雜度也較大。背景差分法可以獲取完整運(yùn)動(dòng)物體外形,但是通常計(jì)算量也較大,綜合考慮檢測(cè)效果以及計(jì)算量等因素,本文采用均值背景差分和自適應(yīng)閾值選取相結(jié)合的方法[6],獲取可靠前景、背景。

  車輛陰影的存在嚴(yán)重影響了車輛檢測(cè)的效果,需要對(duì)其進(jìn)行檢測(cè)與去除。馮文剛[7]等提出一種基于多顏色空間的車輛陰影分割方法。殷保才[8]等提出了一種融合紋理和陰影屬性的陰影檢測(cè)去除算法。然而,這些單獨(dú)利用陰影顏色、紋理不變等特征檢測(cè)陰影的方法在實(shí)際使用中效果均不夠理想。因此本文采用綜合顏色和紋理的陰影檢測(cè)算法[9]實(shí)現(xiàn)對(duì)陰影的去除。

  車流量統(tǒng)計(jì)和車型識(shí)別的研究經(jīng)過(guò)多年的發(fā)展也總結(jié)出許多方法,參考文獻(xiàn)[10]中利用長(zhǎng)寬比和占空比的聯(lián)合概率進(jìn)行判定。參考文獻(xiàn)[11]提出了快速的連通區(qū)域標(biāo)記算法和基于邊緣檢測(cè)的鄰近區(qū)域連接算法,可以做到實(shí)時(shí)、準(zhǔn)確地提取物體輪廓。本文采用判斷輪廓最小矩形框面積結(jié)合統(tǒng)計(jì)車輛跟蹤幀數(shù)的方法,該方法首先通過(guò)提取的車輛輪廓外接最小矩形框的面積初步識(shí)別車型,再引入擴(kuò)展Kalman濾波跟蹤模型,跟蹤車輛輪廓目標(biāo)經(jīng)過(guò)檢測(cè)區(qū)域的幀數(shù),進(jìn)一步判斷所屬車型并統(tǒng)計(jì)對(duì)應(yīng)車型的車流量。

1 算法理論

001.jpg

  算法原理如圖1所示,首先對(duì)視頻監(jiān)控圖像預(yù)處理,根據(jù)粗糙背景設(shè)置虛擬線圈作為檢測(cè)區(qū)域,以便最大限度地減少冗余計(jì)算。接著采用均值法提取背景,用Ostu自適應(yīng)閾值進(jìn)行圖像二值化,再對(duì)所得前景部分去除陰影,接著檢測(cè)前景輪廓,根據(jù)包圍輪廓的最小矩形框面積結(jié)合虛擬檢測(cè)區(qū)域跟蹤車輛的幀數(shù),進(jìn)而識(shí)別判斷車型以及統(tǒng)計(jì)對(duì)應(yīng)車型的車流量。

  1.1 虛擬檢測(cè)區(qū)域設(shè)置

  根據(jù)道路監(jiān)控?cái)z像頭的安裝要求及通常攝像頭近端車輛遮擋較少的情況,本文將虛擬線圈放置于圖像中下部的車道上。線圈的長(zhǎng)度設(shè)置為整個(gè)道路的寬度,線圈的寬可以根據(jù)需要進(jìn)行控制,通常取普通車型的70%車長(zhǎng)[8],以實(shí)現(xiàn)對(duì)多車道車流量的檢測(cè)。

  1.2 前景目標(biāo)提取

  為了保證整個(gè)算法的時(shí)效性,采用均值法進(jìn)行背景提取,獲取運(yùn)動(dòng)的前景目標(biāo)。算法如下:

 ?。?)將彩色圖像灰度化,對(duì)灰度圖的每一像素求取平均值。如式(1):

  1.png

  其中i=1,2,…,n;Pi(x,y)為第i幀對(duì)應(yīng)點(diǎn)(x,y)的像素值,A(x,y)為該點(diǎn)的平均值。

  (2)將n幅圖像中同一點(diǎn)像素與對(duì)應(yīng)的均值A(chǔ)(x,y)求差值,再將絕對(duì)差值累加,然后取平均值,并遍歷圖像中其他的所有像素。如式(2):

  2.png

  其中n為提取的幀數(shù)。

 ?。?)修正差異大的點(diǎn),假如某像素點(diǎn)與均值的絕對(duì)差值大于平均絕對(duì)值誤差,則該點(diǎn)就取平均值像素值,否則就取當(dāng)前幀對(duì)應(yīng)像素的值。如式(3):

  3.png

 ?。?)對(duì)修正好的每一個(gè)像素求平均值,記為B(x,y),得到的圖像即為背景圖像。如式(4):

  4.png

  獲得初始背景后,通過(guò)計(jì)算當(dāng)前幀與背景圖像的差值獲得前景運(yùn)動(dòng)圖像,得到的前景圖像Dk(i,j),如式(5):

  5.png

  由于背景圖像會(huì)隨著環(huán)境的變化而變化,需要對(duì)背景進(jìn)行實(shí)時(shí)更新。更新方法如式(6):

  6.png

  其中?茲為0~1之間的數(shù)。

  如果Dk(i,j)≠0,則判斷它為前景,背景保持原來(lái)的值。如果Dk(i,j)=0,則判斷它是背景,更新背景值。

002.jpg

  不同的光線背景下分割出的差分圖像,不能用固定閾值進(jìn)行二值化,通常交通監(jiān)控圖像的灰度分布比較集中,因此采用Ostu算法(最大類間方差法)[3],確定一個(gè)最佳閾值進(jìn)行圖像二值化處理,從而較好地區(qū)別背景和前景。圖2(a)中為提取出的背景圖,(b)為提取出的帶陰影的前景目標(biāo)。

  1.3 前景目標(biāo)陰影消除

  經(jīng)過(guò)前述方法提取的前景目標(biāo)圖存在陰影干擾,這給后續(xù)的車型識(shí)別跟蹤等帶來(lái)困難,因此需要去除陰影。本文采用基于顏色和紋理的運(yùn)動(dòng)車輛陰影檢測(cè)方法[6]進(jìn)行運(yùn)動(dòng)區(qū)域中的陰影檢測(cè)并去除。

  經(jīng)典的基于紋理的陰影檢測(cè)算法和SNP(統(tǒng)計(jì)無(wú)參)陰影檢測(cè)算法均能較好地檢測(cè)出陰影,但各自存在一定的缺陷[9]。SNP陰影算法當(dāng)物體的顏色和陰影顏色相近時(shí),處理效果較差,基于紋理的檢測(cè)算法適用于陰影較淺時(shí),當(dāng)陰影很重時(shí)幾乎不存在紋理,算法即會(huì)失效。通過(guò)分析交通車輛陰影的特點(diǎn),本文采用一種綜合顏色和紋理的陰影檢測(cè)算法,其流程如圖3所示。

003.jpg

  具體步驟如下:

  (1)對(duì)采集的交通監(jiān)控視頻進(jìn)行預(yù)處理,通過(guò)均值差分、ostu等方法提取出前景目標(biāo)塊Q。

  (2)對(duì)前景圖像進(jìn)行形態(tài)學(xué)的腐蝕處理,得到Qe。

 ?。?)將Q與Qe作差得到前景圖像的邊緣信息:Qd=Q-Qe。

 ?。?)將前景圖像Qe分別進(jìn)行基于紋理的陰影檢測(cè)和基于SNP的陰影檢測(cè),兩種處理得到的結(jié)果做“與”運(yùn)算。

 ?。?)對(duì)邊緣圖像Qd進(jìn)行基于顏色的SNP陰影檢測(cè)。

 ?。?)依據(jù)式(7)和(8)標(biāo)記出上述圖像中的陰影點(diǎn)。

  SNP算法陰影判斷標(biāo)準(zhǔn)為:

  7.png

  其中Ts和Tc均為閾值,ai和CDi分別為亮度失真度和顏色失真度。

  紋理檢測(cè)算法陰影判別準(zhǔn)則為:

  8.jpg

  其中ε、τ為閾值,GBε,x、GBε,y代表背景像素點(diǎn)各通道水平和垂直方向的一階梯度,GFε,x、GFε,y代表當(dāng)前幀像素各通道水平和垂直方向的一階梯度。

 ?。?)將標(biāo)記為陰影點(diǎn)的像素從前景中去除,得到屬于車輛的前景目標(biāo)塊。將得到的前景進(jìn)行形態(tài)學(xué)處理,先用3×3的結(jié)構(gòu)元素開運(yùn)算,再用7×7的結(jié)構(gòu)元素進(jìn)行閉運(yùn)算,從而得到完整的飽滿的車輛目標(biāo)塊信息。

  1.4 車輛輪廓提取和車型識(shí)別

  針對(duì)去除陰影后的前景目標(biāo)塊,由于每個(gè)車輛目標(biāo)都是以在空間上連通的區(qū)域表示的,識(shí)別不同車型的關(guān)鍵是提取出車型的輪廓再加以判斷,這里進(jìn)行兩步法中的第一步,即提取目標(biāo)車輛輪廓的外接最小矩形框面積,初步識(shí)別車型。提取輪廓的算法步驟如下:

 ?。?)對(duì)去除陰影后的前景目標(biāo)圖像采用canny邊緣檢測(cè),得到目標(biāo)車輛的邊緣輪廓。

 ?。?)針對(duì)canny邊緣檢測(cè)存在著斷裂的情況,對(duì)其進(jìn)行形態(tài)學(xué)處理,即膨脹、腐蝕等操作,得到完整的輪廓圖。

 ?。?)求取包含輪廓的最小矩形框的面積A。

  車輛的種類一般按車輛的大小分為大型車、中型車、小型車等,這里通過(guò)各車型的外接最小矩形框面積A的大小初步判斷車輛的類別,按照式(9)對(duì)車輛進(jìn)行車型識(shí)別劃分。

  9.png

  1.5 車輛跟蹤及統(tǒng)計(jì)車流量

  對(duì)檢測(cè)出來(lái)的車輛進(jìn)行形態(tài)學(xué)處理后,再進(jìn)行兩步法的第二步,即引入擴(kuò)展Kalman濾波的跟蹤模型統(tǒng)計(jì)車輛輪廓目標(biāo)經(jīng)過(guò)檢測(cè)區(qū)域的幀數(shù),進(jìn)一步判斷所屬車型。通過(guò)分析連通區(qū)域獲得每個(gè)車輛目標(biāo)的質(zhì)心位置,利用Kalman預(yù)測(cè)方法對(duì)每個(gè)車輛在虛擬檢測(cè)區(qū)域內(nèi)進(jìn)行跟蹤。本文采用標(biāo)準(zhǔn)Kalman濾波器擴(kuò)展方法[10]進(jìn)行車輛運(yùn)動(dòng)估計(jì),預(yù)測(cè)方程和觀測(cè)方程定義如下:

  10.png

  式中參數(shù)F、P等取值見參考文獻(xiàn)[10],跟蹤過(guò)程中,由于相鄰2幀之間的時(shí)間間隔很短,目標(biāo)運(yùn)動(dòng)變化較小,因此假設(shè)目標(biāo)在單位時(shí)間內(nèi)是勻速運(yùn)動(dòng)?;贙alman濾波的車輛跟蹤算法通過(guò)運(yùn)動(dòng)估計(jì)和目標(biāo)匹配兩個(gè)步驟實(shí)現(xiàn)對(duì)車輛的跟蹤,利用前一幀獲得的參數(shù)作為狀態(tài)變量t,當(dāng)前幀獲得的參數(shù)作為觀測(cè)值z(mì)t+1,通過(guò)濾波推導(dǎo)獲得估計(jì)值。再以估計(jì)值為中心進(jìn)行目標(biāo)匹配,具體跟蹤方法見參考文獻(xiàn)[10]。

  利用跟蹤模型跟蹤統(tǒng)計(jì)目標(biāo)輪廓通過(guò)虛擬檢測(cè)區(qū)域所需的幀數(shù)f,對(duì)經(jīng)過(guò)式(9)判斷的目標(biāo)輪廓采用式(11)做進(jìn)一步車型判斷,分別統(tǒng)計(jì)相應(yīng)車型的車流量。

  11.png

  其中數(shù)字代表各車型通過(guò)檢測(cè)區(qū)域需要的幀數(shù)。

2 算法步驟描述

  本文建立的基于監(jiān)控視頻的車型識(shí)別和車流量檢測(cè)算法步驟如下:

  (1)從交通監(jiān)控視頻中讀取視頻幀圖像,設(shè)定檢測(cè)區(qū)域,運(yùn)用均值法、ostu法提取出目標(biāo)前景信息。

 ?。?)判斷前景目標(biāo)中是否存在車輛目標(biāo)信息。如無(wú)則轉(zhuǎn)步驟(1)讀取下一幀。

 ?。?)采用基于顏色和紋理的陰影檢測(cè)算法對(duì)提取的前景去除陰影。

 ?。?)對(duì)去除陰影后的目標(biāo)塊采用canny邊緣檢測(cè)法檢測(cè)輪廓并提取輪廓的最小外接矩形,按照式(9)判定車型。

  (5)利用卡爾曼濾波器跟蹤車輛,統(tǒng)計(jì)車輛經(jīng)過(guò)檢測(cè)區(qū)域需要的幀數(shù),按照式(11)對(duì)車輛類型做進(jìn)一步判斷,統(tǒng)計(jì)相應(yīng)車型的車流量。

3 實(shí)驗(yàn)仿真及結(jié)果分析

  為了驗(yàn)證算法的有效性,運(yùn)用交通監(jiān)控視頻圖像進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)環(huán)境為:vs2010,計(jì)算機(jī)配置為酷睿i3處理器和4 GB內(nèi)存,OpenCV2.4.4開源庫(kù)。

004.jpg

  圖4是對(duì)視頻的第100幀提取的圖像,其中(a)是采用均值法和ostu法提取出的帶陰影的前景目標(biāo),(b)是采用基于顏色和紋理的陰影檢測(cè)法檢測(cè)的結(jié)果,(c)是去除陰影后的結(jié)果,可以看到陰影基本被消除。

005.jpg

  圖5是從視頻中150幀圖像提取的輪廓外接最小矩形圖。(a)是未經(jīng)陰影處理時(shí)提取的結(jié)果,(b)為經(jīng)過(guò)陰影去除后的提取結(jié)果??梢钥吹剑╞)圖中經(jīng)過(guò)陰影處理排除了(a)圖中由于陰影粘連將兩個(gè)車輛目標(biāo)提取成一個(gè)輪廓的情況。

006.jpg

  應(yīng)用本算法對(duì)多段視頻進(jìn)行了實(shí)驗(yàn),針對(duì)不同天氣條件(如晴天,陰天)多車道車流量統(tǒng)計(jì)的結(jié)果分別如圖6所示。其中(a)為在陰天環(huán)境下檢測(cè)結(jié)果,(b)為在晴天環(huán)境陰影比較重時(shí)的檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果如表1所示,其中給出了小、中、大型車的數(shù)量。

4 結(jié)束語(yǔ)

  針對(duì)智能交通系統(tǒng)中實(shí)時(shí)進(jìn)行車型識(shí)別和車流量統(tǒng)計(jì)的需求,提出了一種按車道進(jìn)行機(jī)動(dòng)車車型識(shí)別并統(tǒng)計(jì)車流量的方法,該方法對(duì)陰影進(jìn)行有效去除,將車型識(shí)別和車流量統(tǒng)計(jì)結(jié)合起來(lái),計(jì)算復(fù)雜度低,穩(wěn)健性好。實(shí)驗(yàn)結(jié)果表明,本算法識(shí)別檢測(cè)精度較高,能達(dá)到系統(tǒng)的實(shí)時(shí)性要求。

參考文獻(xiàn)

  [1] 李瑞.基于視頻的車輛檢測(cè)與跟蹤算法研究[D].上海:上海交通大學(xué),2008.

  [2] 李百惠,楊庚.混合高斯模型的自適應(yīng)前景提取[J].中國(guó)圖象圖形學(xué)報(bào),2013,18(12):1620-1627.

  [3] 墨芹.運(yùn)動(dòng)車輛視頻檢測(cè)與車流量檢測(cè)方法的研究[D].長(zhǎng)沙:中南大學(xué),2012.

  [4] WREN C R, AZARBAYEJANI A, DARRELL T, et al. Pfinder: real-time tracking of the human body[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):780-785.

  [5] 周世付,李建雄,沈振乾,等.基于高斯混合模型的多車道車流量檢測(cè)算法[J].計(jì)算機(jī)仿真,2012,(10):331-335.

  [6] 甘新勝.基于碼書的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].中國(guó)圖象圖形學(xué)報(bào),2008,18(2):365-371.

  [7] 馮文剛,高雋,BUEKLES B,等.多顏色空間中目標(biāo)約束的車輛陰影分割研究[J].中國(guó)圖象圖形學(xué)報(bào),2011,16(9):1599-1606.

  [8] 殷保才,劉羽,汪增福.結(jié)合色度和紋理不變性的運(yùn)動(dòng)陰影檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào),2014,19(6):896-905.

  [9] 盧清華,吳志偉,范彥斌.基于顏色和紋理的運(yùn)動(dòng)車輛陰影檢測(cè)算法[J].測(cè)試技術(shù)學(xué)報(bào),2013(2):252-254.

  [10] Yang Yanfang, Qi Meibin, Wang Qian, et al. Multi-object tracking based on motion detection and motion search[J]. Computer Engineering, 2008,34(19): 222-224.

  [11] 周增剛.基于視頻監(jiān)控的車輛識(shí)別技術(shù)的研究[D].上海:東華大學(xué),2013.


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。