0 引言

    在計(jì)算機(jī)技術(shù)迅猛發(fā)展的現(xiàn)代社會(huì)，人工智能逐漸應(yīng)用到各種場景中，其中智能駕駛技術(shù)在交通方面的應(yīng)用是研究的熱門方向。交通在平常生活中占據(jù)著越來越重要的分量。交通的技術(shù)水平成為衡量城市科技化水平的重要標(biāo)志。然而，交通的快速發(fā)展卻帶來了許多問題，如交通的擁擠、交通事故越來越多、行駛環(huán)境的變差等。這就需要有效的流量管理手段，然而由于效率低和成本高，顯然現(xiàn)如今依賴于大量人員的運(yùn)輸系統(tǒng)的管理早已不適合當(dāng)前飛速發(fā)展的交通。車輛檢測智能化是當(dāng)今世界道路智能交通的發(fā)展趨勢。

    車輛識(shí)別在道路違法行為監(jiān)控、非法套牌車輛識(shí)別以及智能交通收費(fèi)站等交通應(yīng)用中扮演著至關(guān)重要的角色。一方面，城市人口增長過快，城市道路車輛越來越擁擠，給依靠人力的交通指揮和管理造成了巨大的壓力；另一方面，伴隨計(jì)算機(jī)圖像識(shí)別技術(shù)和模式識(shí)別學(xué)科等現(xiàn)代計(jì)算機(jī)技術(shù)的研究和發(fā)展，車輛識(shí)別和檢測等技術(shù)也越來越可靠成熟，采用車輛識(shí)別技術(shù)的道路違法行為監(jiān)控、違法套牌車輛跟蹤以及智能收費(fèi)站的可靠性也越來越高。在現(xiàn)代交通管理系統(tǒng)中，隨著車輛識(shí)別和檢測的使用越來越多，越來越多的研究人員開始關(guān)注。

    如今，國內(nèi)的車輛識(shí)別檢測手段主要是指基于圖像監(jiān)控視頻的車輛檢測技術(shù)。近幾年來，隨著智能化出行概念的提出以及智慧城市等智能交通項(xiàng)目的實(shí)施，基于計(jì)算機(jī)圖像的車輛檢測技術(shù)掀起了研究熱潮。盡管目前車輛識(shí)別技術(shù)已經(jīng)取得了較多的科研成果，在交管部門也得到了大量的實(shí)戰(zhàn)應(yīng)用，車輛識(shí)別中仍然有許多值得去深入研究的話題。例如：在光線天氣等環(huán)境變化的情況下，如何保證車牌識(shí)別的準(zhǔn)確性、如何保證車輛特征提取的可靠性和魯棒性、如何確定合適的車輛分類標(biāo)準(zhǔn)等課題。

    在車輛檢測和跟蹤方面，基于運(yùn)動(dòng)車輛檢測的結(jié)果，本文采用了平均值偏移作為識(shí)別基礎(chǔ)的CAM(Continuous Adaptive Mean Shift)偏移跟蹤算法^[1]。CAM偏移跟蹤算法是一種采用目標(biāo)顏色作為特征的跟蹤方法，不受被檢測目標(biāo)明暗亮度、形狀大小等因素的變化影響，在跟蹤過程中有非常好的可靠性，本文對(duì)此算法加以改進(jìn)以實(shí)現(xiàn)對(duì)運(yùn)動(dòng)車輛的識(shí)別檢測。

1 動(dòng)態(tài)車輛檢測

    行駛中的車輛檢測是計(jì)算機(jī)視覺、圖像信息處理等研究方向的熱門研究課題，它的主要意圖是從一系列圖像中將運(yùn)動(dòng)的目標(biāo)從背景圖像中“摳”出來，使車輛目標(biāo)從圖像中被準(zhǔn)確地識(shí)別出來。動(dòng)態(tài)車輛檢測對(duì)于車輛的分類、跟蹤和動(dòng)作理解等后期處理很關(guān)鍵，是道路監(jiān)控系統(tǒng)、車輛檢測與車輛跟蹤的基礎(chǔ)部分。但是，由于圖像畫面實(shí)時(shí)變化，如受到光線的變化、氣候的變化、背景色差的干擾及其他因素的干擾等影響，使得運(yùn)動(dòng)檢測變成了相當(dāng)困難的一項(xiàng)任務(wù)，現(xiàn)有的運(yùn)動(dòng)目標(biāo)檢測法可以歸納為以下三種方法^[2]。

1.1 幀間差分法

    幀間差分法是將相鄰兩幀的彩色圖像或灰度相差，通過差分圖中各像素的灰度或顏色分量與閾值的比較判斷是否有運(yùn)動(dòng)物體以及運(yùn)動(dòng)目標(biāo)的位置。其定義公式如下：

其中，Pt(x，y)表示t時(shí)刻的幀，Diff_t(x，y)表示t時(shí)刻兩個(gè)相鄰幀之間圖像的差，(x，y)表示像素點(diǎn)對(duì)應(yīng)的坐標(biāo)。

1.2 背景差分法

    背景差分法的基本思路是預(yù)先建立道路場景的圖像模型，然后從背景圖像的像素中減去要檢測的像素，即計(jì)算：

其中，F(xiàn)_t(x，y)和B_t(x，y)分別為時(shí)間t的當(dāng)前幀和背景圖像，Diff_t(x，y)是背景差圖像。

1.3 光流法

    車輛目標(biāo)檢測采用的光流方法利用了運(yùn)動(dòng)車輛跟隨時(shí)間動(dòng)態(tài)變化的光流特點(diǎn)。這種方法的優(yōu)點(diǎn)是能夠在不需要預(yù)先收集道路場景的其他數(shù)據(jù)的情況下檢測獨(dú)立的移動(dòng)車輛，并且可以用于相機(jī)運(yùn)動(dòng)的場景。但是大多數(shù)光流計(jì)算非常復(fù)雜且反差很小，抗干擾能力弱。如果沒有較好的研究設(shè)備進(jìn)行數(shù)據(jù)的采集，則此方法是不能應(yīng)用于實(shí)際應(yīng)用的，因此實(shí)用性較差^[3]。

2 運(yùn)動(dòng)車輛跟蹤

    道路車輛檢測的目的就是通過對(duì)一系列圖像進(jìn)行分析研究，計(jì)算出運(yùn)動(dòng)車輛在連續(xù)幀中的偏差，得到車輛大小、速度、車流密度等實(shí)時(shí)參數(shù)，從而對(duì)解決城市車輛擁擠、交通擁堵現(xiàn)象提供依據(jù)?？煽啃院途_度是檢測車輛過程中的重要參考點(diǎn)。

    首先，利用車輛檢測事先準(zhǔn)備的一些有用數(shù)據(jù)：車輛在圖像中的方位、車輛在圖像中的占比、車輛的RGB數(shù)據(jù)^[4]。把這些數(shù)據(jù)，作為CAM偏移檢測算法的參數(shù)，通過對(duì)出現(xiàn)在圖像可視范圍內(nèi)的每輛車進(jìn)行差分，并記錄每一時(shí)刻每輛車的移動(dòng)信息，計(jì)算每輛車的平均速度等實(shí)時(shí)參數(shù)，從而為道路交通的車流量控制提供可靠依據(jù)。接下來對(duì)CAM偏移車輛跟蹤算法進(jìn)行詳細(xì)介紹。

2.1 CAM算法理論

    CAM偏移算法最先應(yīng)用于生物中人臉的識(shí)別，它使用顏色信息進(jìn)行計(jì)算，以識(shí)別具有特定顏色的目標(biāo)。CAM偏移為均值偏移的優(yōu)化算法，最初由Gary Bradsky等研究學(xué)者提出并將其應(yīng)用在連續(xù)圖像序列的人臉跟蹤中^[5]，稱其為CAM偏移(Cominuously Adaptive Mean Shift)算法。均值偏移是一種魯棒的非參數(shù)密度梯度估算，它在顏色概率分布圖像中找到概率分布的極值。用CAM偏移算法進(jìn)行彩色目標(biāo)跟蹤的流程如圖1所示。

    CAM算法的不同階段^[6-8]：

    (1)計(jì)算大于均值偏移初始窗口的搜索區(qū)域的概率分布；

    (2)初始化均值偏移的W窗口；

    (3)應(yīng)用均值偏移直到收斂，獲得收斂窗口W_f；

    (4)增加值為W_f的±5個(gè)像素，從概率分布的二階矩評(píng)估橢圓W_f；

    (5)計(jì)算下一幅圖像的平均移動(dòng)的初始矩形，并將其放大±20％來定義搜索區(qū)域；

    (6)對(duì)下一幀圖像重復(fù)執(zhí)行步驟(1)～(5)。

    從概率分布的二階矩估計(jì)橢圓參數(shù)I=P_s。當(dāng)平均移動(dòng)收斂時(shí)，CAM偏移算法擴(kuò)大窗口W并計(jì)算在其范圍內(nèi)包含99％的點(diǎn)的置信橢圓。假設(shè)這些點(diǎn)具有高斯2D分布，如圖2所示，這使得可以從感興趣區(qū)域W的二階矩估計(jì)該橢圓的參數(shù)。(x，y)代表像素點(diǎn)坐標(biāo)，(x_c，y_c)為橢圓中心，i、j為對(duì)應(yīng)的計(jì)算階數(shù)。

其中，M_oo表示像素矩陣零階矩。如果a<b，當(dāng)橢圓與水平方向形成一個(gè)大于45°的角度時(shí)，會(huì)發(fā)生這種情況，這些長度會(huì)被置換，并且會(huì)產(chǎn)生角度θ被視為等于π/2-θ。

    然后通過在a和b軸上投影橢圓頂點(diǎn)來推導(dǎo)下一個(gè)圖像的平均移動(dòng)的初始窗口的高度w和寬度h：

2.2 算法優(yōu)化改進(jìn)

2.2.1 CAM算法優(yōu)劣

    CAM偏移跟蹤算法是一種基于顏色特征的運(yùn)動(dòng)目標(biāo)跟蹤方法，由于目標(biāo)的顏色特征不受目標(biāo)運(yùn)動(dòng)形狀的影響，是一種較為穩(wěn)定的特征，因此可以用來實(shí)現(xiàn)對(duì)運(yùn)動(dòng)物體的跟蹤。由于CAM偏移在每一幀的均值偏移計(jì)算中都用到了上一幀計(jì)算的結(jié)果，因此即使跟蹤目標(biāo)被部分遮擋也能夠持續(xù)地跟蹤目標(biāo)。但是之前的CAM偏移算法在實(shí)際運(yùn)行中也存在缺點(diǎn)。搜索窗口的初始位置需要人工設(shè)定，運(yùn)動(dòng)物體的樣本也要人工選擇，由于引入了人的參與，使得該算法不能實(shí)現(xiàn)全自動(dòng)地實(shí)時(shí)跟蹤。

2.2.2 CAM算法優(yōu)化

    首先在系統(tǒng)初始化時(shí)通過第1節(jié)所述的方法快速地檢測出道路上的車輛，并提取每輛車的位置、尺寸和顏色等數(shù)據(jù)。然后再用綁定每輛車的矩形框的位置和大小初始化CAM偏移搜索窗口，從而為每一輛檢測到的車輛用CAM偏移算法進(jìn)行跟蹤。通過與運(yùn)動(dòng)車輛檢測相結(jié)合，實(shí)現(xiàn)了智能的車輛檢測和識(shí)別。該優(yōu)化流程如圖3所示，過程詳述如下：

    (1)通過運(yùn)動(dòng)車輛檢測算法，檢測出路面所有運(yùn)動(dòng)車輛，并用矩形框把測檢到的每輛車綁定，同時(shí)計(jì)算每個(gè)矩形框內(nèi)的Hue通道直方圖^[9]，把得到的數(shù)據(jù)作為車輛的顏色查詢表。

    (2)為檢測到的車輛都設(shè)置一個(gè)“CAM偏移跟蹤器”，即對(duì)每個(gè)檢測到的運(yùn)動(dòng)物體都使用CAM偏移算法跟蹤，算法的初始搜索區(qū)域和Hue通道直方圖均從上一步中獲得。

    (3)計(jì)算搜索區(qū)域內(nèi)的彩色概率分布圖像，也就是反向的投影計(jì)算。

    (4)執(zhí)行均值偏移算法，獲得新的搜索區(qū)域的范圍和區(qū)域位置，并將其數(shù)據(jù)記錄下來。

    (5)在下一幀獲取的圖像里，利用上一步獲得的數(shù)值更新搜索區(qū)域車輛的范圍和區(qū)域位置，并跳轉(zhuǎn)到步驟(3)繼續(xù)執(zhí)行。該算法重復(fù)進(jìn)行，直到被跟蹤車輛駛出圖像范圍，CAM偏移算法才可以終止。

2.2.3 優(yōu)化結(jié)果

    優(yōu)化后的算法能有效解決目標(biāo)變形和遮擋的問題，對(duì)系統(tǒng)資源要求不高，時(shí)間復(fù)雜度低，在簡單背景下能夠取得良好的跟蹤效果。僅當(dāng)背景非常復(fù)雜時(shí)，或者有許多與目標(biāo)顏色相似像素干擾的情況下，才會(huì)導(dǎo)致跟蹤失敗。因?yàn)樗鼏渭兊乜紤]顏色直方圖，忽略了目標(biāo)的空間分布特性。對(duì)于如圖4所示的場景，可以很好地實(shí)現(xiàn)對(duì)車輛的動(dòng)態(tài)跟蹤。

3 算法分析

    均值偏移是一個(gè)聚類的圖像識(shí)別技術(shù)，這是一種非參數(shù)密度估計(jì)算法。均值偏移算法被用于找到在距離概率分布的梯度最近的部分圖像。

    在用CAM偏移跟蹤算法跟蹤運(yùn)動(dòng)車輛的同時(shí)，為了確保車輛識(shí)別過程中識(shí)別的可靠性和準(zhǔn)確性，需要增加一些人為設(shè)定的限制條件：

    (1)受光線強(qiáng)弱的干擾，均值偏移算法計(jì)算得到的搜索窗的寬度可能會(huì)比道路還寬，但由于真實(shí)車輛的寬度不可能比車道的寬度更寬，因此人為設(shè)定計(jì)算得到搜索窗的寬度也不寬于路面車道的寬度。

    (2)出現(xiàn)路況較為復(fù)雜的時(shí)候，對(duì)運(yùn)動(dòng)車輛的檢測會(huì)造成干擾，所以約定當(dāng)車輛被連續(xù)跟蹤若干幀以上才將其認(rèn)定為車輛并繼續(xù)檢測識(shí)別；否則將其忽略并認(rèn)為是運(yùn)動(dòng)誤檢測帶來的干擾。

    基于顏色色差的車輛識(shí)別算法CAM偏移來跟蹤和識(shí)別車輛，并且CAM移位跟蹤用移動(dòng)車輛定位算法初始化。車身的色彩特征不會(huì)被車輛的形狀大小所影響，是識(shí)別過程中較為穩(wěn)定的特征，是可以采取的特征。本文完成了迅速、可靠、智能自動(dòng)地去進(jìn)行運(yùn)動(dòng)車輛的識(shí)別。

4 結(jié)論

    運(yùn)動(dòng)車輛數(shù)據(jù)采集與處理中，與其他方法相比，基于計(jì)算機(jī)圖像識(shí)別的檢測方法具有成本低、直觀、維護(hù)方便、檢測參數(shù)多的優(yōu)點(diǎn)，是未來車輛信息識(shí)別的研究方向。本文通過計(jì)算機(jī)圖像處理的方法，在車輛流參數(shù)檢測方面進(jìn)行了研究，獲得了初步的研究成果。在移動(dòng)車輛跟蹤方面，基于運(yùn)動(dòng)車輛檢測結(jié)果，本文采用基于均值偏移算法的CAM偏移跟蹤算法，使得該算法實(shí)現(xiàn)全自動(dòng)地實(shí)時(shí)跟蹤運(yùn)動(dòng)車輛。CAM偏移算法是一種利用目標(biāo)顏色特征的跟蹤方法，它不受車輛的車型和結(jié)構(gòu)影響，并且在跟蹤過程中具有良好的準(zhǔn)確性和可靠性。

參考文獻(xiàn)

[1] 王磊，王瀚漓，何良華.基于雙邊緣檢測的車牌識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49(8)：169-173.

[2] 陳文藝，張龍，楊輝.HDR圖像色調(diào)映射的自適應(yīng)色彩調(diào)節(jié)算法[J].電子技術(shù)應(yīng)用，2018，44(11)：107-110.

[3] 蔡念，周楊，劉根.魯棒主成分分析的運(yùn)動(dòng)目標(biāo)檢測綜述[J].中國圖象圖形學(xué)報(bào)，2016(10)：1265-1275.

[4] 張涵，閆懷平，張展.多特征融合及最小均方誤差優(yōu)化的陰影檢測[J].電子技術(shù)應(yīng)用，2018，44(10)：153-157.

[5] Cong Bin，Wang Zhefu.Camshift target tracking based on Gaussian background difference and AdaBoost combination[C].Conference on Complex，Intelligent，and Software Intensive Systems Springer，Cham，2018：1087-1096.

[6] 初紅霞.基于均值移動(dòng)和粒子濾波的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D].哈爾濱：哈爾濱工程大學(xué)，2012.

[7] 蔡勇智.一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法車牌識(shí)別算法研究[J].科技通報(bào)，2012，28(10)：128-130.

[8] SIMONYAN K，ZISSERMAN A.Very deep convolutional networks for large-scale image recognition[C].ICLR 2015，2015：1-14.

[9] 劉芳輝，郭慧，張培，等.基于基元自相關(guān)圖和結(jié)構(gòu)元直方圖的圖像檢索[J].電子技術(shù)應(yīng)用，2017，43(8)：115-118.

作者信息:

趙  鵬，豐大軍，徐一鳳

(華北計(jì)算機(jī)系統(tǒng)工程研究所，北京100083)