朱金榮，張廣杰，夏長權(quán)

　?。〒P州大學(xué) 物理科學(xué)與技術(shù)學(xué)院，江蘇 揚州 225002）

　　摘要：針對視頻車流量檢測系統(tǒng)無法識別粘連車輛的局限性，提出了基于紋理識別與濾波掃描相結(jié)合的算法，并采用聚類分析法檢測判斷粘連車輛。文章對車道的各區(qū)域采用基于紋理識別的方法計算出紋理描述子，獲得車輛頂部初步坐標(biāo)；利用濾波器掃描得到車頂部位的精確坐標(biāo)，并采用聚類分析法判斷粘連車輛，從而提高車流量檢測的精度。

　　關(guān)鍵詞：智能交通；車輛輪廓提取；紋理特征參數(shù)；濾波器掃描；聚類分析

0引言

　　隨著汽車數(shù)量的增加，道路交通流量也日益上升，交叉路口的壓力越來越大。然而絕大部分的交通信號燈為定時控制，該方法不能有效地發(fā)揮交叉路口的通行能力，因此需要建立合理的交通信號燈智能控制系統(tǒng)。

　　在以往的車輛檢測與統(tǒng)計中，最常見的是采用感應(yīng)線圈檢測器，在車流量較少的路段對車輛進(jìn)行檢測與計數(shù)，這種方法的主要缺點是影響交通、軟化路面、線圈受環(huán)境影響大、車輛粘連誤判 ［12］。

　　隨著信息科學(xué)的飛速發(fā)展，利用視頻處理技術(shù)來進(jìn)行車量的檢測與車流量統(tǒng)計逐漸取代以往的檢測方法。目前的視頻檢測有很大的局限性,當(dāng)車身粘連不嚴(yán)重時，可以實現(xiàn)計數(shù)操作［3］，但在交通擁擠的路況下，車輛粘連相當(dāng)嚴(yán)重，二值化后的兩輛車還是一個整體，不能用傳統(tǒng)的開閉操作區(qū)分粘連車輛。為了克服以上問題，本文在完成圖像預(yù)處理后進(jìn)行了車輛輪廓的提取，再采用紋理檢測與空間濾波器掃描的方法對粘連車輛進(jìn)行甄別區(qū)分，以實現(xiàn)更精確的計數(shù)。

1輪廓提取與檢測框設(shè)置

　　攝像頭采集的視頻幀中的車輛圖像是PAL制式［34］的真彩圖，數(shù)據(jù)量很大，因此在保留車輛特征的前提下，需對圖像進(jìn)行轉(zhuǎn)換。首先對圖像中的車輛進(jìn)行輪廓提取，然后采用基于局部區(qū)域檢測車輛的方法，根據(jù)車道設(shè)置檢測框，在框內(nèi)完成圖像處理操作。

　　圖1車輛檢測預(yù)處理如圖1，本文采用邊緣檢測的方法得到車輛線狀的輪廓圖，由于視場的歐幾里得距離，圖像中車輛目標(biāo)的大小會隨著距離而發(fā)生變化，因此車輛檢測不能基于全局使用同一個算法。在做具體的圖像檢測算法之前，首先要在車道線內(nèi)將道路劃分成局部區(qū)域［3，5］，因此算法中對二維的圖像要設(shè)置檢測框，將框內(nèi)的圖片數(shù)據(jù)賦值到檢測算法的變量中，各檢測框設(shè)置相應(yīng)的閾值。

2輪廓線的紋理檢測

　　上一節(jié)對車輛進(jìn)行了輪廓提取，將圖像根據(jù)車道線分為各個區(qū)域，本節(jié)對每個區(qū)域的車輛輪廓線進(jìn)行特征提取。對圖像區(qū)域進(jìn)行特征提取的一種重要方法就是量化區(qū)域的紋理內(nèi)容［6］，車輛的輪廓圖是灰度圖，不是二值圖像，保留了紋理信息，因此可以用于車輛特征的提取。紋理分析方法基于灰度直方圖的統(tǒng)計特性，以灰度值統(tǒng)計矩為度量基礎(chǔ)。

　　令Z表示灰度的隨機(jī)變量，則zi的值為0~255，p(zi)表示zi灰度的出現(xiàn)概率，通過計算得到6種紋理的描述子：

　　采用上述方法對近景區(qū)域內(nèi)車輛輪廓進(jìn)行紋理描述子的計算，遠(yuǎn)景車輛圖片粘連太嚴(yán)重，已經(jīng)失去了輪廓信息，因此不統(tǒng)計。圖2中的9張圖片歸納了車輛的各部位。圖2中①②③樣本是車頂部位的輪廓圖，④是前窗玻璃遮光板部位，⑤中包含了車輛后視鏡，⑥是車輛的散熱器格柵和前大燈部位，⑦是車牌位置，⑧⑨是兩輛車粘連的位置?！?/p>

　　經(jīng)過紋理檢測，計算出所有紋理描述子，得到圖2各個樣本的局部紋理參數(shù)。數(shù)據(jù)表明，圖2中車輛的各個部位的均值、標(biāo)準(zhǔn)差、平滑度和熵值的大小都沒有明顯規(guī)律，但車頂輪廓線的三階矩和一致性對于紋理變化的響應(yīng)很強(qiáng)。在監(jiān)控攝像頭下，車頂部位一般不會被遮擋，車頂部位又具有很強(qiáng)的紋理響應(yīng)，因此三階矩和一致性的紋理描述子可以作為車輛的判定依據(jù)。

3車輛數(shù)統(tǒng)計

　　檢測區(qū)域在經(jīng)過第2節(jié)中的車頂輪廓線檢測后，需要尋找線端點。根據(jù)車輛線狀輪廓圖的特點發(fā)現(xiàn)，圖像中車的兩側(cè)的像素點亮度值很高。因此，為了計算出端點，本文提出了濾波器平移掃描的方法［7］，以橫線端點靠內(nèi)側(cè)一點為原點進(jìn)行平移掃描，可以得到所需參數(shù)。本文設(shè)計的濾波器是基于車輛先驗條件的濾波器，車輛的左側(cè)面和右側(cè)面需要鏡像對稱的兩個濾波器，函數(shù)表達(dá)式分別為：

　　濾波器的權(quán)值分布呈現(xiàn)為平行四邊形， H1、H2濾波器分別向左、右方向掃描，計算出圖像中每個位置的H1、H2的值就是濾波器平移掃描的結(jié)果，得到濾波值曲線并根據(jù)峰值確定端點位置。圖3中3個檢測模型為典型的粘連情況，阿拉伯?dāng)?shù)字代表了檢測到的車頂輪廓線。圖(a)中兩輛車緊挨著，其中一側(cè)幾乎平行，(b)中表現(xiàn)為距離稍遠(yuǎn)的遮擋；(c)中距離稍遠(yuǎn)，且被擋車的車身前方露出很大一部分。掃描得到的端點坐標(biāo)用于聚類分析，從而統(tǒng)計車輛數(shù)。

　　聚類分析又稱群分析，它是研究樣本分類問題的一種統(tǒng)計分析方法，常用的聚類方法有類平均法、可變類平均法、最短距離法、重心法等?？紤]到端點坐標(biāo)的空間分布特性和需要提取的有效信息，本文選擇最短距離法。以所有車頂輪廓線的左端點坐標(biāo)作為分析樣本，坐標(biāo)數(shù)據(jù)放入數(shù)組A中，將A分為兩類數(shù)組Ai和Aj，用dij表示樣本Xi與Xj之間的距離，Dij表示類Ai與Aj之間的距離，則兩類最近樣本之間的距離為：

　　Dij=minXi∈Ai,Xj∈Ajdij(3)

　　對圖3中線端點的聚類分析步驟如下：

　　(1)定義樣本之間的距離,計算樣本的兩兩距離，得到距離矩陣D(0)，開始時每個樣本自成一類，這時的Dij=dij。

　　(2)找出距離最小元素，設(shè)為Dpq，將Ap和Aq合并成一個新類，記為Ar，即Ar={Ap,Aq}。

　　(3)計算新類Ar與其他類Ak的距離：

　　Dkr=minXi∈Ak,Xj∈Ardij=min{minXi∈Ak,Xj∈Apdij,minXi∈Ak,Xj∈Aqdij}=min{Dkp,Dkq}(4)

　　(4)重復(fù)步驟(2)和(3)，直到所有元素并成一類為止。如果某一步距離最小的元素不止一個，則同時合并對應(yīng)這些最小元素的類。

　　(5)得到的最后兩個類的距離Dth用于閾值分析，分離粘連車輛。

　　計算得到左端點聚類結(jié)果（Ai，Aj,a)，右端點聚類結(jié)果（Bu,Bv,b）。 Ai，Aj和Bu，Bv是聚類運算的最后兩個類，a、b是最終聚為一類的簇值，下標(biāo)值的對應(yīng)與否和簇值差值都是車頂輪廓對稱性的體現(xiàn)，是車輛分離的判斷依據(jù)。下標(biāo)值不對等時，判斷為兩個車輛；當(dāng)下標(biāo)值對等(i=u,j=v)，要對簇值進(jìn)行比較，簇值的差值比例 |a－b|/max(a,b)小于閾值Th時判斷為一輛車，否則為兩輛車。經(jīng)過測試，Th值設(shè)為0.3較好。

　　對圖3(a)、(b)、(c)車頂輪廓線端點坐標(biāo)進(jìn)行聚類分析，得到(a)的聚類結(jié)果為(A4,A3,30)、(B4,B3,60),數(shù)組下標(biāo)對等，差值比例0.5>0.3，判斷為兩輛車；(b)的聚類結(jié)果為(A5,A6,35)、(B4,B2,5),數(shù)組A、B下標(biāo)不對等，為兩輛車；(c)的聚類結(jié)果為(A6,A5,153)、(B6,B4,117), A5和B4下標(biāo)不等，判斷為兩輛車。

4結(jié)論

　　本檢測方案進(jìn)一步優(yōu)化了車輛視頻檢測的算法：將車輛圖像轉(zhuǎn)換成輪廓圖，提取出車輛的邊緣特征以減少運算量；使用基于紋理描述子的方法，搜索到車輛圖像中的車頂位置；然后依據(jù)輪廓圖中車側(cè)面的像素點亮度高的特點，采用基于先驗條件濾波器掃描的方法，尋找到車頂?shù)膬蓚?cè)位置，得到相應(yīng)坐標(biāo)參數(shù)；最后通過系統(tǒng)聚類法對坐標(biāo)參數(shù)進(jìn)行聚類分析，判斷出粘連車輛。該方法精度準(zhǔn)確，處理時車輛圖像有效信息損失量小，能夠針對交通擁堵的路況，對粘連車輛實現(xiàn)區(qū)分、檢測與計數(shù)，提高車流量計數(shù)精確度。下一步工作是優(yōu)化算法，提高算法的運行速度。

參考文獻(xiàn)

　?。?］ 夏發(fā)欽.利用地感應(yīng)線圈檢測機(jī)動車輛的原理與實現(xiàn)［D］：武漢：武漢科技大學(xué)，2011.

　?。?］ 苑宇坤. 智慧交通關(guān)鍵技術(shù)及應(yīng)用綜述［J］.電子技術(shù)應(yīng)用，2015，41（8）：912.

　?。?］ 劉騰飛.針對車體遮擋的車流量統(tǒng)計算法［J］.武漢：武漢理工大學(xué)，2012.

　?。?］ 劉濤.智能車路徑識別與控制性能提高方法研究及實現(xiàn)［J］.電子技術(shù)應(yīng)用,2016,42（1）：5457.

　　［5］ JEONG P, NEDEVSCH I S. Efficient and robust classification method using combined feature vector for lane detection［J］. IEEE Transactions on Circuits and Systems for Video Technology,2005,15(4)：528537.

　?。?］ GONZALEZ R C.數(shù)字圖像處理的MATLAB實現(xiàn)［M］.阮秋琦，譯.北京：清華大學(xué)出版社，2013.

　　［7］ 蔡梅艷.基于TMS320C642DSP的目標(biāo)圖像識別研究［D］.南京：南京航空航天大學(xué)，2007.