Gabor小波算法在車輛追蹤系統(tǒng)中的研究應(yīng)用

1、Gabor小波算法在車輛追蹤系統(tǒng)中的研究應(yīng)用摘 要：交通運(yùn)輸系統(tǒng)是經(jīng)濟(jì)持續(xù)開(kāi)展的根底，在社會(huì)開(kāi)展和經(jīng)濟(jì)開(kāi)展中起著舉足輕重的作用。在一個(gè)復(fù)雜環(huán)境中，如何對(duì)人和車輛等運(yùn)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)的觀察，并給出對(duì)它們行為和動(dòng)作的描述。該文對(duì)采用的二維算法進(jìn)行了改進(jìn)，利用目標(biāo)圖像中所提取的輪廓曲線來(lái)代替所有的二值像素進(jìn)行模型匹配。該文提出了一種基于二維Gabor小波的車輛監(jiān)測(cè)與追蹤算法。關(guān)鍵詞：Gabor小波 車輛監(jiān)控 追蹤系統(tǒng) 研究中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-3791202106b-0041-031 車輛監(jiān)控系統(tǒng)相關(guān)研究車

2、輛監(jiān)控系統(tǒng)運(yùn)用移動(dòng)物體偵測(cè)的方法，首先建立背景圖像，再與原始圖像相減，得到移動(dòng)物體局部，接著下一步對(duì)移動(dòng)物體進(jìn)行連通表示法和空洞補(bǔ)償法的圖像處理方法，使移動(dòng)物體維持移動(dòng)物體外觀的完整性，減少移動(dòng)物體外型的破碎性;再經(jīng)由車道線信息的應(yīng)用，判斷移動(dòng)物體在車道線中是否要切割，可降低車輛交疊情況。視覺(jué)長(zhǎng)度與寬度計(jì)算在不同的CCD攝像頭架設(shè)高度與俯角下，計(jì)算大型車、小型車及機(jī)車的視覺(jué)長(zhǎng)度及寬度亦有所不同，因此視覺(jué)長(zhǎng)度和寬度作為車輛分類的依據(jù)。所利用的追蹤算法是當(dāng)移動(dòng)物體進(jìn)入到追蹤區(qū)域，將一直追蹤移動(dòng)物體到離開(kāi)追蹤區(qū)域，移動(dòng)物體追蹤期間統(tǒng)計(jì)移動(dòng)物體的圖像特征、辨識(shí)車型、車輛歸屬的車道、車速計(jì)算以及車流量統(tǒng)

3、計(jì)等。以圖像視覺(jué)技術(shù)為根底的交通監(jiān)控系統(tǒng)，在前景物的特征采集上，使用車輛的特征角進(jìn)行追蹤，再使用top-view轉(zhuǎn)換之后的特征角坐標(biāo)，使得前景物的車輛形狀能顯示出來(lái)。物體追蹤上，取得以top-view轉(zhuǎn)換后的特征角坐標(biāo)，追蹤這些特征角，來(lái)計(jì)算出每個(gè)特征角的運(yùn)動(dòng)參數(shù)，以提供角群集分割與合并，來(lái)找出車輛的運(yùn)動(dòng)軌跡，進(jìn)而估算出個(gè)別車輛的運(yùn)動(dòng)參數(shù)，并得到完整的車輛行進(jìn)軌跡以及大概的車體形狀圖【1】。研究利用光流的方式特征向量偵測(cè)高速公路上的車輛，使用動(dòng)態(tài)背景和靜態(tài)背景的方式將車輛找出來(lái)，此研究定義的動(dòng)態(tài)背景包含道路和天空等都是動(dòng)態(tài)背景，使用光流的方式找出動(dòng)態(tài)背景，將背景中的動(dòng)態(tài)背景減去剩下來(lái)的就是所要

4、偵測(cè)車輛的前景局部，雖然還會(huì)包含一些噪聲，但是已經(jīng)可以偵測(cè)出車輛，然后追蹤車輛的方法是先記錄先前所框出的車輛位置，之后再將現(xiàn)在所框出的車輛位置比對(duì)先前框出的位置，看看框線是否有重疊，假設(shè)有重疊那么視同一部車輛，假設(shè)沒(méi)有重疊那就是另一部新偵測(cè)到的車輛，模擬的場(chǎng)景包含下雪的背景與陽(yáng)光很強(qiáng)的背景，皆可偵測(cè)出車輛，此研究的缺點(diǎn)就是當(dāng)攝影機(jī)有很大的震動(dòng)時(shí)，利用光流偵測(cè)的方法就不管用了。同時(shí)，有研究表示，也使用路口監(jiān)視器系統(tǒng)來(lái)對(duì)移動(dòng)中的物體來(lái)做辨識(shí)及分類，主要是運(yùn)用在車輛分類上，先利用相減的方法來(lái)將移動(dòng)的對(duì)象采集出來(lái)，對(duì)這些對(duì)象做一些形態(tài)學(xué)上的處理讓采集出來(lái)的對(duì)象更具有準(zhǔn)確性，最后使用這些采集出來(lái)后的對(duì)象

5、特征，進(jìn)而分辨出這些物件是屬于何種類型的車輛，到達(dá)車輛分類的效果。在橫面的車道影片中，主要就是以抓到車輛的框圍大小來(lái)判斷車輛種類，在斜面或是正面的車道影片里，以框圍里面的物體密度跟形狀來(lái)做比對(duì)，快速處理之后過(guò)的辨識(shí)率相當(dāng)高。2 車輛追蹤算法技術(shù)根據(jù)物體識(shí)別任務(wù)所在的空間，目前基于視頻的車型識(shí)別算法大致可以分為二維識(shí)別和三維識(shí)別。二維識(shí)別研究利用路口周邊路段車流量之間的關(guān)系，以及流量守恒來(lái)建立一個(gè)可以利用設(shè)置在省道上少數(shù)的偵測(cè)器所偵測(cè)到的車流量、占有率等信息推算此路線中其他沒(méi)有偵測(cè)器之路段車流量的模式。實(shí)驗(yàn)推估出的路段車流量范圍大小與路線網(wǎng)絡(luò)中偵測(cè)器分布設(shè)置密度低，那么所推測(cè)出車流量范

6、圍大的路段占較大之百分比;反之，當(dāng)?shù)缆肪W(wǎng)絡(luò)中偵測(cè)器的分布設(shè)置密度高時(shí)，那么所推斷出車流量小的路段那么占較大之百分比，亦即所推估出的車流量較為精確【2】。二維識(shí)別提出運(yùn)用在高速公路上的車流量分析，并且使用兩種方法：一個(gè)是數(shù)值模擬，另一個(gè)是實(shí)際觀測(cè)。在數(shù)值模擬方面，使用car-followingmodel及決定性的路由方式去模擬車道會(huì)合處附近的車流量表現(xiàn)，可以在不同位置的車速以及相鄰車輛之間的距離分布中觀測(cè)到一個(gè)波，提出了一組方程式去解釋這個(gè)波，這一組方程式屬于delaydifferentialequations。在實(shí)際觀測(cè)的局部，取3個(gè)量是車流量、車速以及車輛之間的距離。在道路的上方架設(shè)攝像頭，

7、然后設(shè)計(jì)一些算法由影片中取得想要的信息。由于計(jì)算機(jī)不知道什么是車輛，因此，利用supportvectormachines讓計(jì)算機(jī)學(xué)會(huì)分辨路面和車輛。利用流量守恒、路口轉(zhuǎn)向比之關(guān)系來(lái)得到偵測(cè)器之路口分布設(shè)置模塊，并對(duì)位置做些微調(diào)后，得到道路網(wǎng)絡(luò)中之偵測(cè)器之分布設(shè)置的位置。接著從車流量推算模式中各式之關(guān)系，來(lái)推算得到移除偵測(cè)器之原那么。透過(guò)這些原那么配合，在預(yù)算限制之下移除偵測(cè)器后，同時(shí)利用車流量估算模式來(lái)推算與原道路網(wǎng)路車流量之比率，借以評(píng)估推算效率【3】。三維識(shí)別判斷移動(dòng)物體在車道線中是否要切割，可降低車輛交迭疊情況。視覺(jué)長(zhǎng)度與寬度計(jì)算在不同的CCD攝像頭架設(shè)高度與俯角下，計(jì)算大型車、小型車及

8、機(jī)車的視覺(jué)長(zhǎng)度及寬度亦有所不同，因此視覺(jué)長(zhǎng)度和寬度作為車輛分類的依據(jù)。所利用之追蹤算法是當(dāng)移動(dòng)物體進(jìn)入到追蹤區(qū)域，將一直追蹤移動(dòng)物體到離開(kāi)追蹤區(qū)域，移動(dòng)物體追蹤期間統(tǒng)計(jì)移動(dòng)物體的影像特征，辨識(shí)車型、車輛歸屬的車道、車速計(jì)算以及車流量統(tǒng)計(jì)等【4】。3 車輛定位設(shè)計(jì)對(duì)車輛進(jìn)行檢測(cè)、跟蹤和追蹤是自主車環(huán)境感知研究的重要環(huán)節(jié)。在現(xiàn)有的融合研究中，該文提出了一種新的圖像傳感器的融合跟蹤方法。為滿足路面車輛的機(jī)動(dòng)特性，融合圖像的灰度信息，精確地“捕捉到目標(biāo)中心，確立適合目標(biāo)大小的視覺(jué)窗口尺寸，結(jié)合改進(jìn)的Gabor小波建立姿態(tài)優(yōu)化函數(shù)，并通過(guò)改進(jìn)的分布算法全局尋優(yōu)獲取目標(biāo)準(zhǔn)確度。同時(shí)車輛追蹤系統(tǒng)建

9、立在目標(biāo)跟蹤定位的根底上，記錄下采樣時(shí)間內(nèi)不同模型精確定位后所對(duì)應(yīng)的評(píng)價(jià)值，車輛類型通過(guò)計(jì)算其時(shí)間平均值獲得，從而防止了車輛處于某種特殊姿態(tài)時(shí)引起的誤追蹤。4 Gabor小波算法由于特征提取與匹配過(guò)程對(duì)遮擋、光照、噪聲敏感，且時(shí)間損耗大，因此難以滿足實(shí)際應(yīng)用的需要。Gabor小波變換與其他方法相比：一方面其處理的數(shù)據(jù)量較少，能滿足系統(tǒng)的實(shí)時(shí)性要求;另一方面小波變換對(duì)光照變化不敏感，且能容忍一定程度的圖像旋轉(zhuǎn)和變形，當(dāng)采用基于歐氏距離進(jìn)行識(shí)別時(shí)，特征模式與待測(cè)特征不需要嚴(yán)格的對(duì)應(yīng)，故能提高系統(tǒng)的魯棒性。通過(guò)求解目標(biāo)圖像與三維模型平面投影之間的匹配函數(shù)，即姿態(tài)評(píng)價(jià)函數(shù)的最優(yōu)解獲得目標(biāo)的方

10、向角。采用改進(jìn)的二維Gabor小波，作為模型投影與目標(biāo)圖像的匹配量測(cè)，防止建立模型與圖像之間精確的點(diǎn)-點(diǎn)對(duì)應(yīng)，且以帶有權(quán)值的目標(biāo)輪廓點(diǎn)通過(guò)輪廓提取獲得代替二值圖像同模型進(jìn)行匹配，既降低了計(jì)算損耗，又進(jìn)一步防止了傳統(tǒng)Gabor小波中遠(yuǎn)離邊界的噪聲點(diǎn)對(duì)模型匹配的影響。它在提取目標(biāo)的局部空間和頻率域信息方面具有良好的特性。雖然Gabor小波本身并不能構(gòu)成正交基，但在特定參數(shù)下可構(gòu)成緊框架。Gabor小波對(duì)于圖像的邊緣敏感，能夠提供良好的方向選擇和尺度選擇特性，而且對(duì)于光照變化不敏感，能夠提供對(duì)光照變化良好的適應(yīng)性。在空間域，二維Gabor小波是高斯函數(shù)被一個(gè)正弦平面波所調(diào)變的結(jié)果，可以表示為：這里的

11、z=x，y，ks，d=ksexpj，ks=kmax/fs為頻率，d=d/8，d為方向，kmax為最大頻率，f是Gabor小波變化在頻域的間隔系數(shù)spacingfactor。波向量ks，d控制Gabor小波變化的空間解析度和方向，s控制Gabor小波變化的尺寸，也就是決定小波變化的頻域中心;而d控制的是Gabor小波變化的方向;尺寸系數(shù)ks使得不同空間頻率的小波變化有大致相等的能量;決定了高斯窗Gaussianwindow的寬度與波向量長(zhǎng)度的比例。由于4式的虛局部量的平均值為0，但實(shí)局部量的平均值不為0，所以要減去，使得小波變化對(duì)于照明的變化敏感度降低。該文使用的是3種尺寸0，1，2、8個(gè)方向d

12、0，7，并設(shè)定=2的Gabor小波變化，如圖1所示。Gabor小波作為匹配測(cè)度建立模型集投影與車輛輪廓點(diǎn)集的匹配函數(shù)。由于它無(wú)需建立模型和圖像之間精確的點(diǎn)-點(diǎn)對(duì)應(yīng)，因此比其他匹配方法更具容錯(cuò)性。但傳統(tǒng)的Gabor小波依賴于一個(gè)物體和另一個(gè)物體中最不匹配點(diǎn)的距離，從而對(duì)任何遠(yuǎn)離中心的噪聲點(diǎn)非常敏感。文中采用的二維算法進(jìn)行了改進(jìn)，利用目標(biāo)圖像中所提取的輪廓曲線來(lái)代替所有的二值像素進(jìn)行模型匹配。參考文獻(xiàn)【1】ZhaoJiyin，ZhengRuirui，LiMin，etal.LicenseplaterecognitionbasedongeneticalgorithmC/Proceedingsofthe2004IEEEInter-nationalConferen