一種基于直方圖統(tǒng)計(jì)與多幀平均混合算法的車流量檢測(cè)模型

1、一種基于直方圖統(tǒng)計(jì)與多幀平均混合算法的車流量檢測(cè)模型摘要新一代智能視覺監(jiān)控技術(shù)的研究是一個(gè)極具挑戰(zhàn)性的前沿課題，它旨在賦予監(jiān)控系 統(tǒng)觀察分析場(chǎng)景內(nèi)容的能力，實(shí)現(xiàn)監(jiān)控的自動(dòng)化和鋝能化，因而具有巨大的應(yīng)用潛力。 在智能視頻監(jiān)控系統(tǒng)中，對(duì)包含運(yùn)動(dòng)目標(biāo)的圖像序列進(jìn)行的分析處理主要由運(yùn)動(dòng)目標(biāo)檢 測(cè)、分類、跟蹤和視頻內(nèi)容分析等幾個(gè)基本環(huán)節(jié)組成。其中目標(biāo)檢測(cè)技術(shù)作為系統(tǒng)的最 底層，是進(jìn)行各種后續(xù)處理的基礎(chǔ)。木文通過建立數(shù)學(xué)模型采用統(tǒng)計(jì)直方圖和多幀平均混合的算法解決如何從視頻圖 像中提取出高質(zhì)量的背景圖像和車輛圖像的問題，為車輛的外形、速度、流量等一系列 參數(shù)的處理提供前提，并根據(jù)附錄視頻中提取的背景圖像進(jìn)一

2、步應(yīng)用，建立了計(jì)算車流 量的模型。具體地講，針對(duì)問題一，我們利用統(tǒng)計(jì)直方圖和多幀平均混合的方法，提取出背景 圖像，并考慮到環(huán)境的光線等因素的不斷變化，及時(shí)對(duì)背景進(jìn)行更新。對(duì)于不同光線背 景下的差分閣像，采用otsu求閾值技術(shù)，得到車輛的二值化閣像。如下圖所示：圖1（a）實(shí)時(shí)路況圖像（b）對(duì)應(yīng)背景圖像（c）二值化圖像針對(duì)問題二，我們以問題一中得到的背景為基礎(chǔ)，運(yùn)用虛擬線檢測(cè)法，在采集到的 視頻圖像幀中，在每條車道上人為地設(shè)置一條橫向的虛擬線，利用檢測(cè)線處產(chǎn)生的顏色 灰度變化是否超過設(shè)定的閾值來檢測(cè)車輛是否通過并計(jì)數(shù)，得到如t結(jié)果：車道程序數(shù)車人工數(shù)車漏數(shù)多數(shù)漏檢率/%虛警率/%準(zhǔn)確率/%1687

3、0202.86097.14222220000100344430102.2797.7344343000010052828000010061314107.14092.86755530203.6496.36總計(jì)273273331.101.1097.80表1實(shí)驗(yàn)檢測(cè)數(shù)裾關(guān)鍵詞：目標(biāo)檢測(cè)技術(shù)；竹景提取與更新；虛擬線車流量檢測(cè)法：統(tǒng)計(jì)直方圖和多幀平 均；otsu閾值技術(shù)1 問題重述問題重述：傳統(tǒng)的視頻監(jiān)控由人工進(jìn)行視頻監(jiān)測(cè)發(fā)現(xiàn)安全隱患或異常狀態(tài)，或者用于事后分 析，這種應(yīng)用具有其固有的缺點(diǎn)，難以實(shí)現(xiàn)實(shí)時(shí)的安全監(jiān)控和檢測(cè)管理。為解決這一問 題，智能視頻分析技術(shù)應(yīng)運(yùn)而生。智能視頻分析在國內(nèi)又稱之為智能視頻監(jiān)控

4、，是在近 年計(jì)算機(jī)網(wǎng)絡(luò)和硬件技術(shù)飛速發(fā)展的大竹景下逐步發(fā)展起來的一門新興技術(shù)，它旨在利 用計(jì)算機(jī)視覺技術(shù)、圖像視頻處理技術(shù)和人工智能技術(shù)對(duì)監(jiān)控視頻的內(nèi)容進(jìn)行描述、理 解和分析，并能根據(jù)分析的結(jié)果對(duì)視頻監(jiān)控系統(tǒng)進(jìn)行控制，從而使視頻監(jiān)控系統(tǒng)異有較 高層次的智能化水平，0前已成為提高視頻監(jiān)控系統(tǒng)效能的主要發(fā)展方向和產(chǎn)品競(jìng)爭的 一個(gè)研究熱點(diǎn)。具體應(yīng)用在交通管理中，帶冇智能分析功能的監(jiān)控系統(tǒng)，如智能交通系 統(tǒng)(its)，可以通過區(qū)分監(jiān)控對(duì)象的外形、動(dòng)作等特征，做到主動(dòng)收集、分析數(shù)據(jù)，并根 據(jù)預(yù)設(shè)條件執(zhí)行報(bào)警、記錄、分析等動(dòng)作。視頻檢測(cè)技術(shù)能夠利用計(jì)算機(jī)視覺和圖像處 理方法建立一個(gè)智能交通管理系統(tǒng)，在不需

5、要人干預(yù)或者很少人干預(yù)的情況下，通過 對(duì)攝像機(jī)拍錄的視頻序列進(jìn)行分析以實(shí)現(xiàn)車輛的定位、識(shí)別和跟蹤，并在此基礎(chǔ)上分析 和判斷車輛的行為，對(duì)車輛的行為給出語義描述，做到了既能完成日常管理，乂能在發(fā) 生異常情況時(shí)做出及時(shí)反應(yīng)。由于rrs的信息具有多源、異構(gòu)等典型特征，所以對(duì)信 息的處理、檢索和提取，己成為its發(fā)展和運(yùn)用的關(guān)鍵。而進(jìn)一步對(duì)于信息處理而言， 其關(guān)鍵技術(shù)是建立合理的數(shù)學(xué)模型。請(qǐng)你們利用所學(xué)知識(shí)解決以下兩個(gè)問題：問題一： 根據(jù)提供的視頻，建立提取附錄提供的視頻圖像的數(shù)學(xué)模型；問題二：結(jié)合己提取的背 景，建立計(jì)算車流量數(shù)學(xué)模型。2 問題分析題a為我們提出y兩個(gè)問題。其一是根據(jù)提供的視頻，建立

6、提取附澩提供的視頻圖 像的數(shù)學(xué)模型；其二是結(jié)合己提取的背景，建立計(jì)算車流量數(shù)學(xué)模型。問題一要求我們 通過建立數(shù)學(xué)模型監(jiān)視公路上是否有行使的車輛，并為提取視頻閣像，為相關(guān)參數(shù)如該 車速、車牌、交通流特征等的獲取做好前提工作。這一過程耍完成2個(gè)任務(wù)，一是目標(biāo) 檢測(cè)，即檢測(cè)視頻序列圖像中被監(jiān)視的場(chǎng)景圖像是否有所變化，如果圖像有變化，則說 明有新的目標(biāo)出現(xiàn)，反之則認(rèn)為沒有新目標(biāo)出現(xiàn)；二是目標(biāo)提取，即檢測(cè)有目標(biāo)時(shí)，把 這個(gè)b標(biāo)從視頻序列圖像中分割提取出來，為下一步s標(biāo)跟蹤和識(shí)別提供數(shù)據(jù)。問題二 要求我們基于己提取的背景圖像，建立合適的數(shù)學(xué)模型，并完成交通牟流量的交通參數(shù) 的計(jì)算。為此，我們應(yīng)該首先將附錄

7、屮提供的視頻壓縮的avi格式的文件保存在計(jì)算機(jī)屮 (每秒25幀，每幀320x240像素)，然后再通過對(duì)視頻序列進(jìn)行數(shù)字化處理，提取出閣 像像素點(diǎn)(xy)的灰度值，之后設(shè)計(jì)合理高效的算法提取出高質(zhì)量的車輛二值化圖像，并 應(yīng)用已提取的竹景圖像，建立合適的數(shù)學(xué)模型，完成交通車流量計(jì)算，最后結(jié)合實(shí)驗(yàn)實(shí) 際效果，分析模型的優(yōu)缺點(diǎn)，提出模型的一些改進(jìn)方向和擴(kuò)展應(yīng)用。3 模型一3.1模型假設(shè)假設(shè)h假設(shè)為陰天，即不考慮車輛陰影假設(shè)2:假設(shè)除車輛以外道路上沒有其它運(yùn)動(dòng)物體假設(shè)3:不考慮運(yùn)動(dòng)物體的臨吋停靠3.2符號(hào)說明uy):二維圖上的圖像點(diǎn)t :時(shí)間t :閾值i :巾貞標(biāo)號(hào)n :等分的灰度區(qū)間數(shù)n :灰度區(qū)間標(biāo)

8、號(hào)5 :區(qū)間計(jì)數(shù)統(tǒng)計(jì)/ :灰度平均值co 類直方圖之和<7 :類分離指標(biāo)cz(x,y) : f吋刻背景圖像中點(diǎn)(x,y)的灰度值:第以貞屮點(diǎn)u,y)的灰度值/,(%，>) z時(shí)刻路況圖像屮點(diǎn)的(x,)，)灰度值3.3模型準(zhǔn)備圖像數(shù)字化：將圖像分成x，y的二維坐標(biāo)圖，用m表示背景像素點(diǎn)(xj，)的灰度值， 則背景圖像可表示為(x ,y,m)的集合。3.4模型分析提取背景圖像即如何求每幀中每一點(diǎn)的灰度值m，可以根據(jù)視頻序列特定象素位置 出現(xiàn)頻率最高的象素值作為背景象素值這一基本原理，利用直方圖與多幀復(fù)合的算法11 把每一個(gè)m確定。得出初始背景后，因?yàn)樵诓煌瑫r(shí)刻的背景圖像也不同，所以背景

9、圖像 應(yīng)可以隨時(shí)更新，所以必須有一個(gè)背景更新的算法，求每一幀新背景的棊本原理就是先 得到當(dāng)前背景差分閣像，若點(diǎn)cr,y)的為0,則新背景中該點(diǎn)的灰度不變，若不為0,則該點(diǎn)的灰度取原背景灰度的90%與差分值的10%相加的和。這樣新背景與原背景 之間是漸變的，與實(shí)際也相吻合。最后利用實(shí)時(shí)路況圖像與對(duì)應(yīng)時(shí)刻的背景圖像作差分 處理，采用otsu法選定一個(gè)最佳灰度閾值，得到車輛的二值化圖像。3.5模型建立與求解3.5.1背景提取將圖像中某點(diǎn)qcf)的灰度范圍0, 255等分為若干區(qū)間0, 256 / n, 256 / n, 2x256 / aq叫(256-256/a0, 2551, /v為等分區(qū)間數(shù)。對(duì)

10、應(yīng)于某個(gè)象素的每個(gè)區(qū)間，我們考慮 其落在區(qū)間內(nèi)象素點(diǎn)的灰度值的平均值/及區(qū)間的計(jì)數(shù)統(tǒng)計(jì)么當(dāng)前神貞的在第n個(gè)區(qū)間上的平均值的表達(dá)式可參照多幀平均的更新公式，即:收，力=士 z以 i=f-n+l其屮c,. h，w為第/幀屮圖像點(diǎn)（x ,，）的灰度值當(dāng) c,u，y)e(n-dx,256a， (x,y) = (l-a)-y) + a-cf(x, y) (2)當(dāng)c,u，y）茫(/一 l)x256 . 2567tjxna,（y） = a-u（30在計(jì)算區(qū)間的計(jì)數(shù)統(tǒng)計(jì)s時(shí)也引入計(jì)數(shù)貢獻(xiàn)因子，主要是為了能更好的跟蹤背景的 變化，當(dāng)前圖像象素值對(duì)區(qū)間計(jì)數(shù)值的貢獻(xiàn)是1,而前一幀圖像象素值對(duì)區(qū)間計(jì)數(shù)統(tǒng)計(jì) 值的貢獻(xiàn)為

11、/?,則區(qū)間的計(jì)數(shù)統(tǒng)計(jì)s可表示為下式：(n-l)x,nx256(4)當(dāng) c,（x，y）芒256 . 256 njxny)(5)這樣將直方圖灰度劃分成區(qū)間段，對(duì)幀中的每個(gè)象素點(diǎn)計(jì)算和l后，比較不同 區(qū)間段的,，后，將具冇最人么的區(qū)間上的/，,作為背景像素（x,y,m）中的灰度值m。求出了所冇的灰度m，從而知道所冇的圖像點(diǎn)（x,y，m）,即得出了背景圖像。用上述方法得到附錄視頻中竹景圖像如圖:圖2 （a）原始視頻序列圖像（b）提収的背景圖像3. 5. 2背景更新由于環(huán)境的光線等因素在不斷地變化，要準(zhǔn)確檢測(cè)出運(yùn)動(dòng)車輛，需要及時(shí)對(duì)背景進(jìn) 行更新。獲得初始背景閣像后，接下來就是在獲得初始閣像的基礎(chǔ)上進(jìn)行

12、背景的動(dòng)態(tài)更 新，得出每一時(shí)間段內(nèi)的n景圖像。記當(dāng)前幀中圖像點(diǎn)（x,y）在塒刻的灰度值為背景圖像中相同點(diǎn)的灰度值為,通過計(jì)算當(dāng)前幀和背景幀的差值，得到當(dāng)前背景差分圖像有：（又，），）=|/（>,） -ct（x,y）（6）對(duì)背景進(jìn)行更新：alt （又，），）十（l-a）ct （x，），），！），（又，），）*0時(shí)（7）、（u），£）, （x，），）=0時(shí)查閱資料得到上式中6z取0.1時(shí)效果比較好，即表明在新的背景中，原來的背景占有 90%的比例，這一點(diǎn)也是與實(shí)際相符合的，背景之間的變化只能是漸變的，所以在相鄰 的背景之間有著很大的相似性。因此利用上述方法，得到的更新結(jié)果是比較理想

13、的。詳圖如下：圖3 (a)初始背景圖像(b)財(cái)刻背景圖像(c)z+1時(shí)刻背景圖像3.5.3二值化處理提取視頻圖像的最終目的就是把車輛從背景中提取出來，所以必須利用實(shí)時(shí)路況圖 像與對(duì)應(yīng)吋刻的背景圖像作差分處理，即選定一個(gè)灰度閾值r將圖像分成大于時(shí)勺像素群 和小于r的像素群，只耍7選取合適就可以將車輛從閣像中提取出來?？梢圆捎?978年提 出的otsu法|2選取最佳閾值：對(duì)于灰度級(jí)為0255, x xy的一副閣像，記c(x，以為閣像點(diǎn)(xj、)處的灰度值。otsu具體步驟：(1) 計(jì)算圖像的直方圖統(tǒng)計(jì)結(jié)果，得到灰度值為的頻率為：(8)(2) 計(jì)算圖像的灰度均值為:(9)255=()(3) 計(jì)算灰度

14、類均值和類直方圖之和仍g；)為:(10)a=()外k=q(4)計(jì)算類分離指標(biāo)7為：xa)(s)-(s)2(j 69(5)1-69()(11)(12)最后求出使7達(dá)到最大值的a則最佳閾值7xv。如圖所示為用otsu法得到的r=40作為閾值的二值化處理圖像。圖4（a）實(shí)時(shí)路況圖像（b）對(duì)應(yīng)背景圖像（c）二值化圖像3.6模型應(yīng)用：3. 6.1視頻圖像提取模型在靜態(tài)交通參數(shù)分析中的應(yīng)用在道路交通監(jiān)控體系中，常常需要對(duì)車輛的一些靜態(tài)交通參數(shù)進(jìn)行分析，比如說車 輛的牟牌、外形等。對(duì)于靜態(tài)參數(shù)只需一幀圖像中即可檢測(cè)出，下面以車輛的形狀為例， 下面是利用視頻圖像提取模型提取出的二值化圖像：圖5 （a）實(shí)時(shí)灰度

15、圖像（b）分割后的圖像（c）處理后的圖像對(duì)于智能監(jiān)控體系中的分析系統(tǒng)而言，從處理后的圖像圖5（c）中分析出的該車輛矩 形形狀大小來判斷車型是可行的。3. 6.2視頻圖像提取模型在動(dòng)態(tài)交通參數(shù)分析中的應(yīng)用的重要性對(duì)于車輛的檢測(cè)，除了外形等靜態(tài)參數(shù)以外，更多地是檢測(cè)其動(dòng)態(tài)交通參數(shù)，因?yàn)?是動(dòng)態(tài)數(shù)據(jù)，所以需要多幀圖像做對(duì)比，發(fā)現(xiàn)一幀圖像與先前幀的不同之處，從不同之 中構(gòu)建出求動(dòng)態(tài)參數(shù)的算法，因此視頻提取模型提取出高質(zhì)量的二值化圖像尤為重要。 這是所有動(dòng)態(tài)參數(shù)檢測(cè)的根基，根基出錯(cuò)，后續(xù)步驟的正確性就沒有保障。4 模型二4.1模型假設(shè)假設(shè)h除車輛外無其他運(yùn)動(dòng)物體 假設(shè)2:假設(shè)為陰天，即不考慮車輛陰影 假

16、設(shè)3:在虛擬檢測(cè)線附近無占道行駛車輛4.2符號(hào)說明 t :時(shí)刻n :虛擬檢測(cè)線長度5 :車輛的計(jì)數(shù)統(tǒng)計(jì)linen :檢測(cè)線上對(duì)應(yīng)時(shí)刻的灰度值init-backn :背景的初始估計(jì)值sum-diff :不同時(shí)刻灰度差之和sum-dijf-min :不同時(shí)刻灰度差之和的最小值4.3模型分析車輛檢測(cè)和交通流參數(shù)檢測(cè)是its的基礎(chǔ)，其中基于視頻虛擬檢測(cè)線的交通流參數(shù) 檢測(cè)是當(dāng)前視頻檢的一個(gè)熱點(diǎn)。虛擬線檢測(cè)法121是指在采集到的視頻圖像幀中，在每條 車道上人為地設(shè)置一條橫向或縱向的虛擬線，利用虛擬檢測(cè)線處產(chǎn)生的顏色灰度變化是 否超過設(shè)定的閾值來檢測(cè)車輛是否通過，運(yùn)算量小，可以滿足實(shí)時(shí)性要求，同時(shí)還可以

17、測(cè)量與交通控制相關(guān)的多個(gè)參數(shù)。另外由于越靠近閣像于底部的地方車輛越大，車輛之 間的間隔也越大。因此，檢測(cè)線的位罝應(yīng)盡量靠近圖像底部，減少由于車輛跟得太緊而 引起的漏檢現(xiàn)象。現(xiàn)在匝道路口設(shè)立虛擬檢測(cè)線，每條車道設(shè)一條檢測(cè)。（如圖為方便 計(jì)算，設(shè)定水平的檢測(cè)線，且車道從左至右依次標(biāo)記為17）圖6虛擬檢測(cè)線的位置4.4模型建立下面以任意一個(gè)車道為例說明車流量計(jì)算的方法。4.4.1初始背景提取設(shè)計(jì)通過虛擬檢測(cè)線的方法進(jìn)行交通車流量等交通參數(shù)的計(jì)算。在實(shí)時(shí)閣像中，根 據(jù)虛擬檢測(cè)線設(shè)置在圖像上的位罝,對(duì)應(yīng)于采集到的某一幀實(shí)時(shí)圖像的灰度信號(hào)，得到 檢測(cè)線上某一時(shí)刻的灰度值，設(shè)為。其中77為檢測(cè)線的長度。應(yīng)用

18、模型一中的背景提取方法，設(shè)求得檢測(cè)線位置的背景灰度值作為背景的初始估 計(jì)值，記為把對(duì)應(yīng)不同相鄰時(shí)刻（似幀為單位）的/耐n設(shè)為咖，將/zne lnjine llnjine 21川,line 31川,line 41m檢測(cè)線上像素點(diǎn)的灰度值（y信號(hào)）分別存入五個(gè)數(shù)組 1mvback-buff 5中。通過對(duì)相隔50幀的兩個(gè)這樣的數(shù)組的對(duì)應(yīng)像素作差，再用差 值的絕對(duì)值累加和來確定沒有車經(jīng)過的檢測(cè)線。hp, line 51川與/z>w 1川作差，/zw 6n與line lln作差,并以zfne 51n覆蓋/fwe ln,并以zzne 61n覆蓋lln,以此類推，分 別存在鄕7n中，m，2,3,4,5

19、。設(shè)n姍h/爐 u娜 o|(13)k=l這樣，只有當(dāng)作差的兩個(gè)時(shí)刻檢測(cè)線上都沒有車，或有完全相同的兩輛車或同一輛 車經(jīng)過時(shí)，5,醐-砌ti值最小。因此，第一次背景建立用100幀的時(shí)間，以后每次用50幀的時(shí) 間即可求得一組新的5畫-/,并從中求出一個(gè)最小值鑛該最小5醐研 / 對(duì)應(yīng)的/ne znl認(rèn)為是檢測(cè)線上沒有車的圖像數(shù)據(jù)。比如當(dāng)前緩沖區(qū)存的是如 ln到 41n,那么輸入的/zm 5nline 1 hl的間隔 是50幀(2秒，pal制)。這樣在車速大于20km/h,車長小于11m的條件下(通常情況下滿足 此條件)，不可能有同一輛車既經(jīng)過時(shí)刻1又經(jīng)過時(shí)刻51。但是有完全相同的兩輛車既經(jīng) 過時(shí)刻1

20、又經(jīng)過時(shí)刻51的可能性卻不能排除。但這種情況的幾率很小，可用時(shí)間域求平均 的辦法予以消除。4. 4.2閾值的確定與車流量計(jì)算方法背景的初始估計(jì)值建立之后，即可以根據(jù)設(shè)定的閾值確定檢測(cè)線上有沒有車通過。 閾值設(shè)定的正確性及其自適應(yīng)能力直接決定能否正確地檢測(cè)出車輛。下面介紹了取閾值 =3x 似的方法。sum-diff= | linen - init-backn(14)a-1當(dāng)胃n-d砍時(shí),認(rèn)為有車經(jīng)過。但實(shí)驗(yàn)證明，該法有時(shí)會(huì)出現(xiàn)每幀都檢測(cè)到車的錯(cuò)亂 現(xiàn)象。這是由于的最小值理論上為零，零的倍數(shù)仍為零。這樣，檢測(cè)線上受外 界影響產(chǎn)生的一些小波動(dòng)就很容易被誤檢為有車經(jīng)過。設(shè)s -| linen init

21、-backn > n(15)a-l初始閾值取仍對(duì)應(yīng)的/aw z按上式得到的s值，閾值更新值取檢測(cè)到無車的/z7 zn按上式得到的5與原來閾值的加權(quán)平均，則既可以消除瞬間閣像亮度信號(hào)的突變，乂可以消除檢測(cè)線上個(gè)別亮點(diǎn)的影響。new-t=g.sxold-t+q.2x /nxs(16)其中nav-偽新的閾值，ow-t為舊的閾值，加權(quán)系數(shù)由實(shí)驗(yàn)得到。4. 4.3背景更新算法仍用前述數(shù)組/m f川，每隔10幀對(duì)檢測(cè)線取樣。但是只有檢測(cè)線上沒有車時(shí)才對(duì)和 應(yīng)數(shù)組碩<更新。例如，當(dāng)檢測(cè)到/ne 151hl上沒有車時(shí)才用其覆蓋加 101川， 并記錄更新次否則跳過此次更新。當(dāng)5個(gè)數(shù)組更新次數(shù)累計(jì)達(dá)到

22、5次吋，束sum-diff-min 和相應(yīng)的/fn,用其與當(dāng)前背景求加權(quán)和作為新的背景值。new-backn=0.9xold-backn+0a x line tn (17)其中肥為新的閾值，為舊的岡值，加權(quán)系數(shù)由實(shí)驗(yàn)得到。4.5模型求解和檢驗(yàn)通過對(duì)算法的求解，現(xiàn)將程序數(shù)車的結(jié)果和人工數(shù)車的結(jié)果進(jìn)行比較，用漏檢率、 虛警率、準(zhǔn)確率作為指標(biāo)來評(píng)價(jià)系統(tǒng)的性能，艽各自定義如下：漏檢率=系統(tǒng)漏檢車輛的數(shù)目/程序數(shù)車的總數(shù)量；虛警率=系統(tǒng)多數(shù)車輛的數(shù)a/程序數(shù)車的總數(shù)量；準(zhǔn)確率=1-漏檢率-虛警率。根據(jù)附件提供視頻圖像文件，實(shí)驗(yàn)測(cè)得數(shù)據(jù)如表1所示。車道程序數(shù)車人工數(shù)車漏數(shù)多數(shù)漏檢率/%虛警率/%準(zhǔn)確率/%

23、16870202.86097.14222220000100344430102.2797.7344343000010052828000010061314107.14092.86755530203.6496.36總計(jì)273273331.101.1097.80表2實(shí)驗(yàn)檢驗(yàn)數(shù)據(jù)從以上實(shí)驗(yàn)結(jié)果可以看出檢測(cè)系統(tǒng)的準(zhǔn)確率較高，平均97.80%,造成車輛目標(biāo)的提 取出現(xiàn)一些誤差。初步分析是由于車輛陰影和變道、占道行為導(dǎo)致的。5 模型評(píng)價(jià)5.1模型一的優(yōu)缺點(diǎn)5.1.1模型一的優(yōu)點(diǎn)視頻運(yùn)動(dòng)檢測(cè)i要有模板匹配法、光流法、特征匹配法、幀間差分法、背景差分法 等。模板匹配法和特征匹配法由于現(xiàn)實(shí)中車輛本身外形多變，因此比

24、較難建立準(zhǔn)確的模 型，且運(yùn)算復(fù)雜，達(dá)不到實(shí)時(shí)性要求；而光流法計(jì)算復(fù)雜，現(xiàn)階段無法用于實(shí)時(shí)處理； 幀間差分法易受噪聲的影響，檢測(cè)精度和可靠性不高。因此背景差分法被認(rèn)為是比較適 合于交通視頻中運(yùn)動(dòng)b標(biāo)檢測(cè)的方法，其計(jì)算開銷較小，對(duì)噪聲的抗干擾能力較強(qiáng)，檢 測(cè)精度較高。而背景差分法的效果主要取決于背景圖像提取的準(zhǔn)確性，其主要涉及到對(duì) 于背景如何估計(jì)的問題，同時(shí)在交通場(chǎng)景屮由于環(huán)境的變化，如場(chǎng)景屮光照條件引起的 亮度改變、物體運(yùn)動(dòng)引起的背景遮擋、臨時(shí)?？柯访孳囕v等，異致背景閣像并不是靜止 不變的。在實(shí)際應(yīng)用中，如果直接用當(dāng)前閣像與未動(dòng)態(tài)更新的背景閣像差分進(jìn)行分割， 則會(huì)產(chǎn)生不理想甚至是錯(cuò)誤的分割，因此

25、需耍采用好的背景提取與自適應(yīng)更新算法以期 減少動(dòng)態(tài)場(chǎng)景對(duì)于準(zhǔn)確分割的影響?，F(xiàn)有的背景提取算法一般都可分為3類：（1）時(shí)域 濾波；（2）直方圖分析；（3）祌經(jīng)網(wǎng)絡(luò)。這些算法性能各有優(yōu)缺點(diǎn)，適合的場(chǎng)景也不盡相 同。在幾種背景提取與自適應(yīng)算法中，多幀圖像平均算法計(jì)算量小，在前景s標(biāo)較少吋 比較理想，而在處理實(shí)際復(fù)雜場(chǎng)景屮的車速過慢、堵車現(xiàn)象時(shí)將出現(xiàn)模糊和拖尾現(xiàn)象， 實(shí)驗(yàn)數(shù)據(jù)表明這種算法特別是在城市交通視頻的應(yīng)用在提取出的背景圖象效果很不穩(wěn) 定。而基于判決反饋的改進(jìn)多幀平均算法在一定的程度上緩解了這些問題，但閣像還不 夠平滑。木文采用的將直方圖的統(tǒng)計(jì)方法與多幀平均相結(jié)合的方法是一種新穎的嘗試，相關(guān) 的

26、文獻(xiàn)資料介紹也比較少，這種算法克服單純的多幀圖像在車流量多、車速低時(shí)出現(xiàn)拖 尾和模糊的現(xiàn)象，且相對(duì)于混合高斯模型，其計(jì)算復(fù)雜度較低，它受場(chǎng)景的影響較小， 估計(jì)的背景也較為穩(wěn)定，所得到的背景估計(jì)圖最接近真實(shí)的背景，且能被應(yīng)用到實(shí)際的 場(chǎng)合。此外該算法能夠利用現(xiàn)有的tidm642dsp硬件平臺(tái)實(shí)現(xiàn)，從實(shí)驗(yàn)圖像可以看出 其結(jié)果與前兩種算法相比，提取的背景更符合實(shí)際場(chǎng)景。5.1.2模型一的缺點(diǎn)基于直方圖統(tǒng)計(jì)與多幀平均混合的算法處理的是圖像的灰度信息，受車輛陰影的影 響較大，因?yàn)殛幱芭c和與運(yùn)動(dòng)物體一樣都顯著區(qū)別于背景，且與其對(duì)應(yīng)物體是相鄰的， 運(yùn)動(dòng)規(guī)律相同，在分割的時(shí)候常常被合并成-個(gè)整體。5.2模型二

27、的優(yōu)缺點(diǎn)5.2.1模型二的優(yōu)點(diǎn)該算法采用linux嵌入式平臺(tái)，內(nèi)核高效穩(wěn)定，且開發(fā)成本低，具有較高的檢測(cè)精度 和自適應(yīng)能力。所用虛擬檢測(cè)線法計(jì)算量小，因此圖像處理有較好的實(shí)時(shí)性。實(shí)驗(yàn)證明， 該系統(tǒng)的車輛存在檢測(cè)的準(zhǔn)確率達(dá)97.80%。5. 2.2模型二的缺點(diǎn)在車流量檢測(cè)時(shí)采用固定開窗的方式來進(jìn)行車輛計(jì)數(shù)，容易由于車輛變道、占道而 導(dǎo)致錯(cuò)誤和重復(fù)計(jì)數(shù)。6 模型的改進(jìn)與推廣6.1模型的改進(jìn)6.1.1針對(duì)車輛陰影影響無法避免的問題，我們考慮采用一種基于邊緣信息的背景 差車流量檢測(cè)方法l4j。該方法利用邊緣信息作為車輛的檢測(cè)特征，實(shí)時(shí)自動(dòng)提取和更新 竹景邊緣，然后用當(dāng)前的路況邊緣減去竹景邊緣來獲得運(yùn)動(dòng)

28、邊緣圖像。具體地講，在圖 像預(yù)處理和邊緣檢測(cè)中，采用sobel算子進(jìn)行邊緣檢測(cè)效果較好。之后，采用“基于變 化因子的參考背景學(xué)習(xí)”方法來進(jìn)行背景邊緣圖像的提取和更新。提取了背景邊緣圖像 之后，用實(shí)吋的路況邊緣圖像減去提取的背景邊緣圖像，所得的差值圖像就是運(yùn)動(dòng)邊緣 圖像。為了進(jìn)行后續(xù)車輛計(jì)數(shù)和車型統(tǒng)計(jì)的方便，通常要將運(yùn)動(dòng)邊緣圖像轉(zhuǎn)化為二值圖， 因此需要確定二值化的閾值。為了使算法具有較強(qiáng)的魯棒性和自適應(yīng)性，可采用迭代法 （最佳閾值法）來自動(dòng)確定二值化的閾值，最終得到二值化后的運(yùn)動(dòng)邊緣圖像。動(dòng)態(tài)開窗 的算法設(shè)計(jì)6. 1.2針對(duì)由于車輛變道、占道而導(dǎo)致的漏檢和錯(cuò)誤、重復(fù)計(jì)數(shù)問題，我們考慮在 檢測(cè)帶中

29、采用動(dòng)態(tài)開窗的方式檢測(cè)車輛的邊緣，進(jìn)行車輛計(jì)數(shù)和車型統(tǒng)計(jì)。通過觀察二 值化后的運(yùn)動(dòng)邊緣圖像可以發(fā)現(xiàn)，盡管車輛的水平邊緣可能存在斷裂和不連續(xù)點(diǎn)，但它 們?cè)诖怪狈较虻倪吘夵c(diǎn)累加數(shù)卻基本上總是非零值。因此當(dāng)車輛進(jìn)入檢測(cè)帶時(shí)，車輛所 在位置對(duì)應(yīng)的檢測(cè)帶垂直投影直方圖分量總是一串連續(xù)的非零值。而這串連續(xù)非零值的 寬度或個(gè)數(shù)，基本上就是進(jìn)入檢測(cè)帶的車輛輪廓寬度。因此本算法進(jìn)行動(dòng)態(tài)開窗的具體 做法就是：實(shí)時(shí)掃描檢測(cè)帶垂直投影直方圖，在發(fā)現(xiàn)連續(xù)非零值的地方動(dòng)態(tài)開辟一個(gè)跟 蹤檢測(cè)窗u;窗口以該連續(xù)非零值串的中間點(diǎn)為水平中心，寬度比該連續(xù)非零值串的長 度稍大一些，高度與檢測(cè)帶相同；然后在下一次掃描檢測(cè)帶垂直投影直方圖時(shí)，跳過已 有的跟蹤檢測(cè)窗門所對(duì)應(yīng)的直方圖分景，直到車輛通過檢測(cè)帶、跟蹤檢測(cè)窗門被銷毀后 才恢復(fù)對(duì)這些位置直方圖分量的掃描。此外，算法還在已有的跟蹤檢測(cè)窗門屮實(shí)時(shí)檢測(cè) 車輛輪廓的水平中心位置和最大寬度，相應(yīng)地動(dòng)態(tài)調(diào)整跟蹤檢測(cè)窗口的水平中心位置和 窗口寬度，從而實(shí)現(xiàn)對(duì)車輛位置和車輛寬度的自動(dòng)跟蹤。動(dòng)態(tài)開窗的效果如圖7所示。圖7動(dòng)態(tài)開窗的效果6.2模型的推廣6.2.1車