《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于改進(jìn)的CAM偏移算法實(shí)現(xiàn)運(yùn)動(dòng)車輛跟蹤
基于改進(jìn)的CAM偏移算法實(shí)現(xiàn)運(yùn)動(dòng)車輛跟蹤
2019年電子技術(shù)應(yīng)用第6期
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
摘要: 與無(wú)人車駕駛相關(guān)的計(jì)算機(jī)技術(shù)發(fā)展火熱,其中車輛識(shí)別技術(shù)在智能交通監(jiān)控、智能交通信息系統(tǒng)等方面應(yīng)用越來(lái)越廣泛。車輛識(shí)別包含了運(yùn)動(dòng)車輛檢測(cè)、型別分類、車輛跟蹤等內(nèi)容。對(duì)智能車無(wú)人駕駛技術(shù)中的車輛識(shí)別檢測(cè)等關(guān)鍵技術(shù)進(jìn)行了深入的探究,采用車輛的圖像識(shí)別結(jié)果,選擇用平均值求色差值作為識(shí)別基礎(chǔ)的CAM偏移算法。該算法采用車輛顏色作為特征進(jìn)行跟蹤檢測(cè),不會(huì)隨著車輛的明暗、形狀變化被干擾,在車輛識(shí)別過(guò)程中具有較高的可靠性。對(duì)該算法加以改進(jìn),實(shí)現(xiàn)了對(duì)車輛更好的識(shí)別。
中圖分類號(hào): TP311
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.
Realization of moving vehicle tracking based on improved CAM offset algorithm
Zhao Peng,F(xiàn)eng Dajun,Xu Yifeng
National Computer System Engineering Research Institute of China,Beijing 100083,China
Abstract: The computer technology related to unmanned vehicle driving is developing rapidly, and the vehicle identification technology is more and more widely used in intelligent traffic monitoring and intelligent traffic information systems. Vehicle identification includes sports vehicle detection, type classification, vehicle tracking and so on. In this paper, the key technologies such as vehicle identification detection in smart car unmanned technology are deeply explored. Using the image recognition result of the vehicle, this paper chooses the CAM offset algorithm based on the average color difference value as the basis for identification. The algorithm uses the vehicle color as the feature to perform the tracking detection method, and does not follow the light and dark of the vehicle. The shape change is disturbed, and the reliability in the vehicle identification process is high. This algorithm is improved to achieve better recognition of the vehicle.
Key words : image recognition;vehicle detection;recognition algorithm

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:

    jsj1-gs1.gif

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:

    jsj1-gs2.gif

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。

jsj1-t1.gif

    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)。

jsj1-t2.gif

jsj1-gs3-10.gif

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:

     jsj1-gs11-12.gif

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。

jsj1-t3.gif

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。

jsj1-t4.gif

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)

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