視頻圖像中的車輛檢測(cè)跟蹤和分類

1、視頻圖像中的車輛檢測(cè)跟蹤和分類視頻圖像中的車輛檢測(cè)跟蹤和分類摘要：摘要：介紹了一種在固定的單攝像頭拍攝的交通圖像序列中檢測(cè)、跟蹤、分類車輛的方法。該方法大致可分為三部分：抽取背景圖像和圖像分割；基于針孔模型的攝像機(jī)定標(biāo)，計(jì)算透視投影矩陣；利用區(qū)域特性進(jìn)行匹配跟蹤，建立目標(biāo)鏈，恢復(fù)目標(biāo)三維信息，采用模型匹配法對(duì)車型分類。實(shí)驗(yàn)證明該方法簡(jiǎn)單可行。 ; mso-hansi-font-family: Times NewRoman關(guān)鍵詞：關(guān)鍵詞：圖像分割 車型識(shí)別 目標(biāo)跟蹤 模型匹配在現(xiàn)代交通管理和道路規(guī)劃中，交通流量和通行車輛的類型、速度是重要的參數(shù)。自動(dòng)獲取這些數(shù)據(jù)的方法大致可以分為兩類：一類是利用

2、壓電、紅外、環(huán)形磁感應(yīng)線圈等傳感器獲得車輛本身的參數(shù)， 這類方法跟蹤識(shí)別率較高，但是容易損壞，安裝也不方便；還有一類就是基于圖像處理和模式識(shí)別的方法，克服了前面一類方法的局限，由于圖像處理識(shí)別技術(shù)的進(jìn)步和硬件性價(jià)比的大幅提高，有一定實(shí)用價(jià)值的系統(tǒng)已經(jīng)出現(xiàn)。這些系統(tǒng)的使用證明；圖像處理識(shí)別車輛的方法晶趨成熟，環(huán)境適應(yīng)能力較強(qiáng)，能長(zhǎng)期穩(wěn)定工作，但是計(jì)算量大，識(shí)別正確率不如感應(yīng)線圈、激光讀卡等方法高。本文的研究屬于后者，利用安裝在高處的單個(gè)靜止攝像頭監(jiān)視路面，利用運(yùn)動(dòng)分割與模型匹配的方法，檢測(cè)并統(tǒng)計(jì)多車道的車流信息。識(shí)別過(guò)程分三步：分割、跟蹤和車型判定。運(yùn)動(dòng)目標(biāo)的分割常采用幅差法。在監(jiān)控場(chǎng)合，攝像頭

3、大多是固定的，背景基本沒(méi)有變化或者變化緩慢，可以從圖像序列中逐漸取出背景圖像，然后利用幀差法檢測(cè)出目標(biāo)區(qū)域，同時(shí)還可以檢測(cè)靜止目標(biāo)。由于識(shí)別過(guò)程中利用二值邊緣，所以本文在圖像分割中對(duì)輸入圖像進(jìn)行了梯度二值化處理。三維空間和二維圖像平面之間映射關(guān)系的確定，采用基于針孔模型的攝像機(jī)定標(biāo)來(lái)計(jì)算。對(duì)目標(biāo)區(qū)域的跟蹤，采用了區(qū)域特征向量的匹配跟蹤方法，減小了運(yùn)算量。由于圖像處理的方法很難提取輪數(shù)、軸距等車輛本身參數(shù)，所以在圖像車型識(shí)別中一般都采用三維模型在圖像上投影和車輛邊緣相匹配的方法。1 1 背景重建和圖像分割背景重建和圖像分割由于攝像頭固定，背景變化緩慢，因此，可以利用圖像序列逐漸恢復(fù)出背景圖像。其

4、基本原理是：對(duì)每一個(gè)像素進(jìn)行監(jiān)控，如果在較長(zhǎng)時(shí)鐘內(nèi)灰度不發(fā)生明顯變化，則認(rèn)為該象素屬于背景區(qū)域，將該象素灰度值復(fù)制到背景緩沖區(qū)，否則屬于前景區(qū)域。由于光照以及車輛陰影等影響，采用這種方法恢復(fù)出來(lái)的 背景圖像存在較大噪聲。因此大實(shí)驗(yàn)中對(duì)原始輸入圖像進(jìn)行了梯度二值化處理，然后進(jìn)行背景重建。這樣可以減小陰影的干擾，加快背景重建速度。由于識(shí)別是利用邊緣信息，所以度化對(duì)后面的識(shí)別過(guò)程沒(méi)有影響。在得到背景邊界圖像后，利用幀差法可以分割出感興趣的目標(biāo)。但是，如果目標(biāo)區(qū)域和背景邊界后果合（都興趣的目標(biāo)。但是，如果目標(biāo)區(qū)域和背景邊界重合（值都為“1”），相減之后該目標(biāo)區(qū)域被錯(cuò)誤判定為背景區(qū)域（來(lái)0）。為了減小錯(cuò)

5、誤判決區(qū)域，本文在分割時(shí)參考了相鄰兩幀的二值化幀差fdmask，判決準(zhǔn)則如下：如果 fdmask 中革像開(kāi)綠素為“0”，則輸入圖像和背景圖像相應(yīng)像素相減；否則直接復(fù)制輸入圖像中相應(yīng)的像素值。分割結(jié)果經(jīng)過(guò)噪聲消除、形態(tài)學(xué)平滑邊辦、種子填充、區(qū)域標(biāo)記等后續(xù)處理，就分字出了目標(biāo)。2 2 攝像機(jī)定標(biāo)攝像機(jī)定標(biāo)在模型匹配中，需要從二維圖像恢復(fù)目標(biāo)三維信息，同時(shí)將三維模型投影到圖像平面上，因此必須計(jì)算三維空間到圖像平面的投影關(guān)系矩陣。這個(gè)過(guò)程就是攝像機(jī)定標(biāo)。本文采用基于針孔模型的攝像機(jī)定標(biāo)方法，其基本原理是利用給定的一組三維世界的點(diǎn)坐標(biāo)和這些點(diǎn)在圖像中的坐標(biāo)，求解線性方程組，計(jì)算透視投影矩陣中的各個(gè)元素。

6、透視投影矩陣如下：其中：（u,v）是圖像坐標(biāo)，（Xw,Yw,Zw）是三維坐標(biāo)，M 為投影矩陣，Zc為三維空間中點(diǎn)到攝像機(jī)鏡頭的矢量在光主軸上的投影距離。要求解 M 的各個(gè)元素，通常方程組不獨(dú)立，沒(méi)有唯一解，采用近似計(jì)算的誤差羅大。在（21）式基礎(chǔ)上經(jīng)過(guò)變形，將 12 階方程分拆成三個(gè) 4 階方程組，只需要利用 4 個(gè)點(diǎn)的投影關(guān)系，方程組的階次也只有 4 階，可以有效避免出現(xiàn)奇異矩陣，求出唯一解。由式（1）可以得出：另外，除了 4 組點(diǎn)的坐標(biāo)之外，還需測(cè)定鏡頭主光軸的水平垂直傾角。3 3 車輛的跟蹤和分類車輛的跟蹤和分類在區(qū)域分割后，接下來(lái)進(jìn)行區(qū)域跟蹤，利用相鄰兩幀的區(qū)域匹配從而圖像序列中建立目

7、標(biāo)鏈，跟蹤目標(biāo)從進(jìn)入監(jiān)視范圍到駛離監(jiān)視范圍的整個(gè)過(guò)程。首稱要確定區(qū)配準(zhǔn)則。常用的圖像匹配方法有 Hausdorff 距離區(qū)域法和圖像互相關(guān)。這兩種方法都需要逐個(gè)含金量紗的計(jì)算。為了減小計(jì)算量，采用區(qū)域特片跟蹤法。目標(biāo)區(qū)域的特征包括區(qū)域形心坐標(biāo)、區(qū)域包圍矩形、區(qū)域運(yùn)動(dòng)速度及運(yùn)動(dòng)方向和區(qū)域面積。本文匹配準(zhǔn)則采用了兩個(gè)假定：同一目標(biāo)所對(duì)應(yīng)區(qū)域在相鄰兩幀中面積相近；同一目標(biāo)在前一幀中的區(qū)域形心加上運(yùn)動(dòng)速度所得到的形心預(yù)測(cè)值與后一幀中區(qū)域形心距離相近。跟蹤過(guò)程如下：（1）將第一幀的各個(gè)區(qū)域當(dāng)作不同的目標(biāo)，對(duì)各個(gè)目標(biāo)區(qū)域啟動(dòng)目標(biāo)鏈。（2）根據(jù)判決準(zhǔn)則，如果某目標(biāo)鏈中的區(qū)域在當(dāng)前幀找到了匹配區(qū)域，則用找到的

8、的匹配區(qū)域特片更新該目標(biāo)鏈中的區(qū)域特征。（3）如果在形心預(yù)測(cè)值所在位置，當(dāng)前幀區(qū)域和目標(biāo)鏈中區(qū)域面積相差很大，則可以認(rèn)為發(fā)生了合并或者分裂現(xiàn)象。對(duì)目標(biāo)鏈中的區(qū)域包圍矩形，在本幀查找該矩形覆蓋了幾個(gè)區(qū)域，如果多于一個(gè)區(qū)域，則認(rèn)為發(fā)生了分裂現(xiàn)象。對(duì)分裂現(xiàn)象出現(xiàn)的新區(qū)域，啟動(dòng)新目標(biāo)鏈。同理，對(duì)于本幀區(qū)域的包圍矩形，查找該矩形覆蓋了幾個(gè)目標(biāo)鏈中的區(qū)域，如果多于一個(gè)，則認(rèn)為發(fā)生了合并現(xiàn)象，利用合并區(qū)域啟動(dòng)新的目標(biāo)鏈，同時(shí)終止那些被合并區(qū)域的目標(biāo)鏈。（4）對(duì)于目標(biāo)鏈中的區(qū)域，如果在本幀沒(méi)有與之相匹配的區(qū)域存在，則認(rèn)為發(fā)生了消失現(xiàn)象。目標(biāo)鏈并不立即終止，只有在經(jīng)過(guò)數(shù)幀仍沒(méi)有找到匹配之后，才終止該目標(biāo)鏈。（5

9、）查找本幀是否還存在新進(jìn)入的區(qū)域，如果存在，則啟動(dòng)新的目標(biāo)鏈。采用這種方法可以快速跟蹤圖像序列中的目標(biāo)，同時(shí)得到車輛在監(jiān)視范圍的平均速度。在計(jì)數(shù)時(shí)，只有目標(biāo)在連續(xù)數(shù)幀里出現(xiàn)才認(rèn)燭一個(gè)真正的目標(biāo)區(qū)域，只有目標(biāo)在連續(xù)數(shù)幀都沒(méi)有出現(xiàn)才認(rèn)為消失，因此可以消除那些暫時(shí)消失引起的計(jì)數(shù)錯(cuò)誤。車輛分類是個(gè)很復(fù)雜的問(wèn)題。圖像處理方法要獲得輪數(shù)、軸距等車輛本身參數(shù)比較困難，因此圖像識(shí)別車型通常采用模型匹配方法?，F(xiàn)有的研究大多是先抽取車輛的幾條直線邊緣，然后用線條和模型邊緣匹配。由于在圖像中抽取直線本身的計(jì)算量相當(dāng)大，所以本文沒(méi)有抽取車輛邊緣直線，而是直接利用了Canny 邊緣檢測(cè)的整體結(jié)果與模型相匹配。Canny

10、 邊緣與模型邊緣之間存在較大的形變，Hausdorff 距離匹配對(duì)形變不敏感，所以采用 Hausdorff 距離作為匹配準(zhǔn)則是很適宜的。設(shè)有兩組有限點(diǎn)集 A=a1,，ap和 B=b1,，bq，則二者之間的Hausdorff 距離定義為：H（A，B）=max(h(A,B),h(B,A)(3)其中：bj-ai,h(A,B)被稱為從 A 到 B 的有向 Hausdorff 距離，它反映了 A 到 B 的不匹配程度。h(B,A)的意義與 h(A,B)相似。在具體計(jì)算 Hausdorff 距離時(shí)，通常采用距離變換的方法。車輛分類步驟如下：（1）在分割結(jié)果的基礎(chǔ)上，對(duì)目標(biāo)區(qū)域進(jìn)行 Canny 算子邊緣檢測(cè)

11、，僅僅處理分割出目標(biāo)區(qū)域的邊緣，減小了運(yùn)算量。（2）對(duì) Canny 邊緣，采用串行距離變換，得到距離變換圖像。距離變換圖像的每個(gè)像素灰度值等于該像素到目標(biāo)邊緣的最近距離。（3）對(duì)各分割目標(biāo)，恢復(fù)車輛的三維信息，只計(jì)算長(zhǎng)度和寬度。由于二維圖像平面上一點(diǎn)對(duì)應(yīng)了攝像機(jī)坐標(biāo)中不同深度的一第洌 點(diǎn)，所以在從圖像上一點(diǎn)恢復(fù)該點(diǎn)在世界傺 標(biāo)中的信息時(shí)，首先要給定該點(diǎn)在世界坐標(biāo)值中一個(gè)分量以減少不確定度（這樣恢復(fù)出來(lái)的數(shù)值有些誤差，通常給出 Z 方向高度值Zw）。（4）在計(jì)算目標(biāo)區(qū)域長(zhǎng)度和寬度的同時(shí)，可以求出車輛底盤(pán)形心在地面上的位置（X，Y），根據(jù)速度方向判斷車輛在地面上的角度。利用車輛本身的三維模型數(shù)據(jù)以

12、及（X，Y，），通過(guò)式（1）透視投影，消隱處理，可以確定車輛模型在圖像平面上的投影。（5）當(dāng)目標(biāo)進(jìn)入指定區(qū)域后，以模型投影圖像為模板，將投影圖像在距離變換圖像上移動(dòng)，在每一個(gè)位置，求出模型影圖像下距離變換圖像被模型輪廓線覆蓋的像素值之和，以這個(gè)和值作為在該位置當(dāng)前模型與實(shí)際車輛的匹配程度。將當(dāng)前模型在各位置所得區(qū)配程度的最小值作為當(dāng)前模型與車輛的實(shí)際匹配程度，該最小值除以模型輪廓線的像素?cái)?shù)目，即該模型與車輛之間的Hausdorff 距離。對(duì)各種模型，分別求出它們與車輛之間的 Hausdorff 距離，取其中最小值對(duì)應(yīng)的那種模型那為車型識(shí)別結(jié)果。實(shí)驗(yàn)過(guò)程中為了減小計(jì)算量，搜索方法采用了三步搜索法

13、。4 4 實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)結(jié)果本實(shí)驗(yàn)所采用的 352288 視頻圖像，來(lái)自采用單個(gè)固定 CCD 攝像機(jī)于杭州天目山路拍攝的交通場(chǎng)影片斷。主要算法在 Trimedia1300 DSP 上用 C 語(yǔ)言實(shí)現(xiàn)，在圖像分割過(guò)程中進(jìn)行了較多的梯度、降低噪聲、填充和標(biāo)記運(yùn)算，平均處理一幀大約耗時(shí) 0.3s。算法流程全過(guò)程如圖 1 所示。實(shí)驗(yàn)證明，抽取背景和當(dāng)前幀之間進(jìn)行差異檢測(cè)，分貧窮交為準(zhǔn)確。對(duì)于比較淡的陰影，用梯率二值化方法可以部分消除陰影影響。由于只監(jiān)視邊緣變化部分，背景重建速度比直接利用灰度圖像重建背景快很多，干擾也較小。梯度二值化處理之后得建背景只需 150-200 幀，而不經(jīng)過(guò)新穎度二值化處理在上升

14、幀之后仍然沒(méi)有較好的背景，并且點(diǎn)狀噪聲和去霧狀模糊比較嚴(yán)重。跟蹤計(jì)數(shù)的結(jié)果表明，利用形心和面積作為特征，可以快速跟蹤圖像序列中的目標(biāo)，計(jì)數(shù)正確率可達(dá) 95%.計(jì)數(shù)誤差主在于遮擋引起的分合并處理不能完全如實(shí)反映目標(biāo)的運(yùn)動(dòng)，把合并區(qū)域當(dāng)作新出現(xiàn)的區(qū)域。如果合并區(qū)域再次分裂，分裂出來(lái)的區(qū)域就會(huì)被當(dāng)作新區(qū)域，造成計(jì)數(shù)偏大。為了簡(jiǎn)化跟蹤算法，實(shí)驗(yàn)僅在相鄰兩幀之間進(jìn)行跟蹤匹配，這樣處理分裂合并的能力并不強(qiáng)，如果在多幀之間進(jìn)行跟蹤，效果會(huì)好一些，但是算法比較復(fù)雜。對(duì)于大小相差懸殊的車輛，如公共汽車和轎車，根據(jù)長(zhǎng)度、寬度信息就很容易分別開(kāi)來(lái)，根本不用進(jìn)行后面的模型匹配。所以本文試驗(yàn)要針對(duì)了街道上常見(jiàn)的大小相差不太大的車輛，將它們分成了轎車、輕卡和面包車。試驗(yàn)證明：直接利用 Canny 邊緣，根據(jù) Hausdorff 距離匹配可以有效地對(duì)車型加以判判別。由于沒(méi)有逐條抽取邊緣直線來(lái)與模型輪廓線匹配，計(jì)算量大為減小，算法實(shí)現(xiàn)簡(jiǎn)單。由于轎車的外形大小變化相對(duì)較小，識(shí)別正確率最高，可達(dá)90%；輕型卡車次之；面包車的識(shí)別率最低，大約 5060%，錯(cuò)誤部分主要被識(shí)別成轎車