文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.190198
中文引用格式: 趙鵬,豐大軍,徐一鳳. 基于改進(jìn)的CAM偏移算法實(shí)現(xiàn)運(yùn)動(dòng)車輛跟蹤[J].電子技術(shù)應(yīng)用,2019,45(6):97-100.
英文引用格式: Zhao Peng,F(xiàn)eng Dajun,Xu Yifeng. Realization of moving vehicle tracking based on improved CAM offset algorithm[J]. Application of Electronic Technique,2019,45(6):97-100.
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(chǎng)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(lái)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(lái)了許多問(wèn)題,如交通的擁擠、交通事故越來(lái)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(cè)智能化是當(dāng)今世界道路智能交通的發(fā)展趨勢(shì)。
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(zhǎng)過(guò)快,城市道路車輛越來(lái)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(cè)等技術(shù)也越來(lái)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(lái)越高。在現(xiàn)代交通管理系統(tǒng)中,隨著車輛識(shí)別和檢測(cè)的使用越來(lái)越多,越來(lái)越多的研究人員開始關(guān)注。
如今,國(guó)內(nèi)的車輛識(shí)別檢測(cè)手段主要是指基于圖像監(jiān)控視頻的車輛檢測(cè)技術(shù)。近幾年來(lái),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(cè)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(cè)和跟蹤方面,基于運(yùn)動(dòng)車輛檢測(cè)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(cè)目標(biāo)明暗亮度、形狀大小等因素的變化影響,在跟蹤過(guò)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(cè)。
1 動(dòng)態(tài)車輛檢測(cè)
行駛中的車輛檢測(cè)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(lái),使車輛目標(biāo)從圖像中被準(zhǔn)確地識(shí)別出來(lái)。動(dòng)態(tài)車輛檢測(cè)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(cè)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(cè)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(cè)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(guò)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,Difft(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(chǎng)景的圖像模型,然后從背景圖像的像素中減去要檢測(cè)的像素,即計(jì)算:
其中,F(xiàn)t(x,y)和Bt(x,y)分別為時(shí)間t的當(dāng)前幀和背景圖像,Difft(x,y)是背景差圖像。
1.3 光流法
車輛目標(biāo)檢測(cè)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(chǎng)景的其他數(shù)據(jù)的情況下檢測(cè)獨(dú)立的移動(dòng)車輛,并且可以用于相機(jī)運(yùn)動(dòng)的場(chǎng)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(cè)的目的就是通過(guò)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(cè)車輛過(guò)程中的重要參考點(diǎn)。
首先,利用車輛檢測(cè)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(cè)算法的參數(shù),通過(guò)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(lái)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Wf;
(4)增加值為Wf的±5個(gè)像素,從概率分布的二階矩評(píng)估橢圓Wf;
(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(lái)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=Ps。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),(xc,yc)為橢圓中心,i、j為對(duì)應(yīng)的計(jì)算階數(shù)。
其中,Moo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(zhǎng)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(guò)在a和b軸上投影橢圓頂點(diǎn)來(lái)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(lái)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(guò)第1節(jié)所述的方法快速地檢測(cè)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(cè)到的車輛用CAM偏移算法進(jìn)行跟蹤。通過(guò)與運(yùn)動(dòng)車輛檢測(cè)相結(jié)合,實(shí)現(xiàn)了智能的車輛檢測(cè)和識(shí)別。該優(yōu)化流程如圖3所示,過(guò)程詳述如下:
(1)通過(guò)運(yùn)動(dòng)車輛檢測(cè)算法,檢測(cè)出路面所有運(yùn)動(dòng)車輛,并用矩形框把測(cè)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(cè)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(cè)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(lái)。
(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(wèn)題,對(duì)系統(tǒng)資源要求不高,時(shí)間復(fù)雜度低,在簡(jiǎn)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(chǎng)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(guò)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(cè)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(cè)識(shí)別;否則將其忽略并認(rèn)為是運(yùn)動(dòng)誤檢測(cè)帶來(lái)的干擾。
基于顏色色差的車輛識(shí)別算法CAM偏移來(lái)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(guò)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(cè)方法具有成本低、直觀、維護(hù)方便、檢測(cè)參數(shù)多的優(yōu)點(diǎn),是未來(lái)車輛信息識(shí)別的研究方向。本文通過(guò)計(jì)算機(jī)圖像處理的方法,在車輛流參數(shù)檢測(cè)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(cè)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(guò)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(cè)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(cè)綜述[J].中國(guó)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(cè)[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)