視頻圖像中的車輛檢測跟蹤和分類

1、視頻圖像中的車輛檢測跟蹤和分類視頻圖像中的車輛檢測跟蹤和分類摘要：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、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，采用模型匹配法對車型分類。實(shí)驗(yàn)證明該方法簡單可行。 ; mso-hansi-font-family: Times NewRoman關(guān)鍵詞：關(guān)鍵詞：圖像分割 車型識別 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別的方法，克服了前面一類方法的局限，由于圖像處理識別技術(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；圖像處理識別車輛的方法晶趨成熟，環(huán)境適應(yīng)能力較強(qiáng)，能長期穩(wěn)定工作，但是計(jì)算量大，識別正確率不如感應(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靜止攝像頭監(jiān)視路面，利用運(yùn)動分割與模型匹配的方法，檢測并統(tǒng)計(jì)多車道的車流信息。識別過程分三步：分割、跟蹤和車型判定。運(yùn)動目標(biāo)的分割常采用幅差法。在監(jiān)控場合，攝像頭

3、大多是固定的，背景基本沒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出目標(biāo)區(qū)域，同時還可以檢測靜止目標(biāo)。由于識別過程中利用二值邊緣，所以本文在圖像分割中對輸入圖像進(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)來計(jì)算。對目標(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：對每一個像素進(jìn)行監(jiān)控，如果在較長時鐘內(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)出來的 背景圖像存在較大噪聲。因此大實(shí)驗(yàn)中對原始輸入圖像進(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。由于識別是利用邊緣信息，所以度化對后面的識別過程沒有影響。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)域被錯誤判定為背景區(qū)域（來0）。為了減小錯

5、誤判決區(qū)域，本文在分割時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。這個過程就是攝像機(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 的各個元素，通常方程組不獨(dú)立，沒有唯一解，采用近似計(jì)算的誤差羅大。在（21）式基礎(chǔ)上經(jīng)過變形，將 12 階方程分拆成三個 4 階方程組，只需要利用 4 個點(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)視范圍的整個過程。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)動速度及運(yùn)動方向和區(qū)域面積。本文匹配準(zhǔn)則采用了兩個假定：同一目標(biāo)所對應(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)動速度所得到的形心預(yù)測值與后一幀中區(qū)域形心距離相近。跟蹤過程如下：（1）將第一幀的各個區(qū)域當(dāng)作不同的目標(biāo)，對各個目標(biāo)區(qū)域啟動目標(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區(qū)域，如果多于一個區(qū)域，則認(rèn)為發(fā)生了分裂現(xiàn)象。對分裂現(xiàn)象出現(xiàn)的新區(qū)域，啟動新目標(biāo)鏈。同理，對于本幀區(qū)域的包圍矩形，查找該矩形覆蓋了幾個目標(biāo)鏈中的區(qū)域，如果多于一個，則認(rèn)為發(fā)生了合并現(xiàn)象，利用合并區(qū)域啟動新的目標(biāo)鏈，同時終止那些被合并區(qū)域的目標(biāo)鏈。（4）對于目標(biāo)鏈中的區(qū)域，如果在本幀沒有與之相匹配的區(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)過數(shù)幀仍沒有找到匹配之后，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)，同時得到車輛在監(jiān)視范圍的平均速度。在計(jì)數(shù)時，只有目標(biāo)在連續(xù)數(shù)幀里出現(xiàn)才認(rèn)燭一個真正的目標(biāo)區(qū)域，只有目標(biāo)在連續(xù)數(shù)幀都沒有出現(xiàn)才認(rèn)為消失，因此可以消除那些暫時消失引起的計(jì)數(shù)錯誤。車輛分類是個很復(fù)雜的問題。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，所以本文沒有抽取車輛邊緣直線，而是直接利用了Canny 邊緣檢測的整體結(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，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，對目標(biāo)區(qū)域進(jìn)行 Canny 算子邊緣檢測

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 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像素灰度值等于該像素到目標(biāo)邊緣的最近距離。（3）對各分割目標(biāo)，恢復(fù)車輛的三維信息，只計(jì)算長度和寬度。由于二維圖像平面上一點(diǎn)對應(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，首先要給定該點(diǎn)在世界坐標(biāo)值中一個分量以減少不確定度（這樣恢復(fù)出來的數(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)域長度和寬度的同時，可以求出車輛底盤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，在每一個位置，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，取其中最小值對應(yīng)的那種模型那為車型識別結(jié)果。實(shí)驗(yàn)過程中為了減小計(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，來自采用單個固定 CCD 攝像機(jī)于杭州天目山路拍攝的交通場影片斷。主要算法在 Trimedia1300 DSP 上用 C 語言實(shí)現(xiàn)，在圖像分割過程中進(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 0.3s。算法流程全過程如圖 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，分貧窮交為準(zhǔn)確。對于比較淡的陰影，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)過新穎度二值化處理在上升

14、幀之后仍然沒有較好的背景，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，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，分裂出來的區(qū)域就會被當(dāng)作新區(qū)域，造成計(jì)數(shù)偏大。為了簡化跟蹤算法，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，效果會好一些，但是算法比較復(fù)雜。對于大小相差懸殊的車輛，如公共汽車和轎車，根據(jù)長度、寬度信息就很容易分別開來，根本不用進(jìn)行后面的模型匹配。所以本文試驗(yàn)要針對了街道上常見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車型加以判判別。由于沒有逐條抽取邊緣直線來與模型輪廓線匹配，計(jì)算量大為減小，算法實(shí)現(xiàn)簡單。由于轎車的外形大小變化相對較小，識別正確率最高，可達(dá)90%；輕型卡車次之；面包車的識別率最低，大約 5060%，錯誤部分主要被識別成轎車