摘 要:在基于視頻的智能交通系統(tǒng)中，利用車輛底盤陰影特征，并結(jié)合車輛邊緣及穩(wěn)定背景和可信前景等特征，抑制局部遮擋導(dǎo)致的車輛粘連問題，將遮擋的車輛準(zhǔn)確分離。實(shí)驗(yàn)結(jié)果表明，車輛底盤特征能較好地用于粘連車輛的精確分割。

關(guān)鍵詞:車輛底盤陰影;車輛檢測;車輛粘連;智能交通

中圖分類號:TP39141文獻(xiàn)標(biāo)識碼:A

文章編號:1004-373X(2010)05-154-03

Accurate Segmentation Algorithm of Vehicles Based on Shadow of Chassis

LIU Jianwei1，WANG Jiarui1，CAO Quan2，YANG Xiaoping1

(1.Shenzhen Graduate School，Harbin Institute of Technology，Shenzhen，518055，China;

2.ITS Research Development Center，Harbin Institute of Technology，Shenzhen，518055，China)

Abstract:In video-based intelligent transportation system，using the shadow of the vehicle chassis，combined with the edge of the vehicles and the prospects of stability and credibility of the background characteristics，the partial inhibition caused by vehicles blocking the adhesion problem，the vehicles can be accurately separated from adhesions.The experimental results show that the characteristics of the vehicle chassis for better adhesion to the precise division of vehicles.

Keywords:shadow of the vehicle chassis;vehicle detection;adhesion vehicles;intelligent transportation

近年來，智能交通系統(tǒng)的研究取得了長足的進(jìn)展，然而由于局部遮擋而造成的車輛粘連問題嚴(yán)重影響了統(tǒng)計(jì)車流量，車輛跟蹤等問題的準(zhǔn)確性。本文提出了利用車輛底盤陰影特征，并結(jié)合車輛邊緣特征，分離因局部遮擋而粘連車輛的方法。實(shí)驗(yàn)證明，該方法可以準(zhǔn)確地分離車輛。

1 運(yùn)動物體的檢測

在運(yùn)動物體檢測中，常常要提取前景，再對前景進(jìn)行相應(yīng)的處理。最常用的提取前景的方法有幀間差分法[1]、光流場法[2，3]和背景差分法。

1.1 前景的提取

幀間差分法是在序列圖像中，通過逐像素比較直接求取前后兩幀圖像之間的差別。假設(shè)在多幀圖像之間，內(nèi)容基本不變化，那么差分后圖像的不為零處表明該處的像素發(fā)生了移動。換言之，對時(shí)間相鄰的兩幅圖像進(jìn)行差分運(yùn)算，可以將圖像中目標(biāo)的位置和形狀突顯出來。幀間差分法有易于實(shí)時(shí)監(jiān)控系統(tǒng)的應(yīng)用，算法簡單，如果相鄰幀的時(shí)間間隔較短，該方法對場景光線的變化不太敏感，受目標(biāo)陰影的影響也不大，因此這種方法適用范圍廣泛，但是對選擇差分連續(xù)幀的時(shí)機(jī)要求較高，而且有賴于運(yùn)動物體的運(yùn)動速度，如果運(yùn)動速度較快，而選取的時(shí)間間隔過大，就會造成兩幀之間同一目標(biāo)無覆蓋區(qū)域，從而無法識別且分割出運(yùn)動物體的連續(xù)性;如果運(yùn)動速度過慢，而選取的時(shí)間過小，就會造成過度覆蓋，最壞的情況就是物體幾乎完全重疊，根本就檢測不到物體。

光流法采用了運(yùn)動目標(biāo)隨時(shí)間變化的光流特性。所謂光流是指圖像中灰度模式運(yùn)動的速度，它是景物中可見點(diǎn)的三維速度矢量在成像平面上的投影，表示了景物表面點(diǎn)在圖像中位置的瞬時(shí)變化，同時(shí)光流場攜帶了有關(guān)運(yùn)動和結(jié)構(gòu)的豐富信息。光流法的計(jì)算結(jié)果通常誤差較大，分割結(jié)果的精確性依賴于估算的光流場的精確性。然而準(zhǔn)確計(jì)算光流場一直是一個(gè)難以解決的問題，而且光流法的計(jì)算很復(fù)雜，如果沒有硬件支持，很難滿足系統(tǒng)實(shí)時(shí)性的要求。

背景差分法是在建立穩(wěn)定的背景下，將當(dāng)前圖像與背景圖像做差?；诒尘安罘值倪\(yùn)動目標(biāo)檢測雖然比連續(xù)幀間差分提取出的目標(biāo)圖像更為完整，實(shí)現(xiàn)起來比較簡單，但是自適應(yīng)能力較差，一些動態(tài)變化和一些干擾沒辦法避免。背景的建立對整個(gè)系統(tǒng)的實(shí)現(xiàn)至關(guān)重要，采取的背景建模算法要求對光照和外部條件造成的場景變化有一定的魯棒性，而且對實(shí)時(shí)性的要求也高。

本文前景的獲取是利用背景差分法與幀間差分法相結(jié)合得到的，即背景差分與幀間差分得到的兩幅圖像分別利用大津法[6]進(jìn)行二值化，再將得到的兩幅二值化圖像進(jìn)行或操作，并將閉合區(qū)域進(jìn)行填充，獲取前景輪廓。

1.2 穩(wěn)定背景的建立與更新

本文利用高斯混合模型建立穩(wěn)定背景[1]。背景圖像的每一個(gè)像素分別用由K個(gè)高斯分布構(gòu)成的混合高斯模型來建模，即:

P(Xt)=∑Ki=0ωi，tη(Xt，μi，t，Σi，t)(1)

式中:K是混合高斯模型中高斯分布的個(gè)數(shù)，一般取3~5;Xt是像素在t時(shí)刻的值，本文取其灰度值;ωi，t表示t時(shí)刻混合高斯模型中第ith個(gè)高斯分布的權(quán)系數(shù)的估計(jì)值;μi，t和Σi，t分別表示時(shí)刻t混合高斯模型中第ith個(gè)高斯分布的均值向量和協(xié)方差矩陣;η表示高斯分布概率密度函數(shù)。

η(Xt，μt，Σt)=1(2π)n2Σ12e-12(Xt-μt)TΣ-1(Xt-μt)(2)

更新時(shí)，對時(shí)刻t圖像幀的每個(gè)像素值Xt和它對應(yīng)的混合高斯模型進(jìn)行匹配檢驗(yàn)，如果像素值Xt與混合高斯模型中第i個(gè)高斯分布Gi均值的距離小于其標(biāo)準(zhǔn)差的2.5倍，則定義該高斯分布Gi與像素值Xt匹配。對于不匹配的高斯分布，它們的均值和協(xié)方差矩陣保持不變，匹配的高斯分布Gi的均值μ和協(xié)方差矩陣Σ按下式更新:

μi，t=(1-ρ)μi，t-1+ρXt(3)

Σi，t=(1-ρ)Σi，t-1+ρ#8226;

diagμi，t)T(Xt-μi，t)〗(4)

其中:

ρ=αη(Xt|μi，t-1，Σi，t-1)(5)

式中:α為參數(shù)估計(jì)的學(xué)習(xí)速率，本文取1/t。

經(jīng)過實(shí)踐證明，背景的建立在500幀之后最穩(wěn)定，認(rèn)為它是可信背景。然而時(shí)間越長，背景的更新速度越慢，真實(shí)背景上的變化無法及時(shí)更新到建立的背景上，本文采用間隔700幀重新獲取一次背景，這樣既可以得到穩(wěn)定的背景，又可以及時(shí)對背景進(jìn)行更新。

2 車輛底盤陰影分割粘連車輛

本文在白天城市路和高速公路做實(shí)驗(yàn)，攝像機(jī)距地面15 m，正對車輛行駛方向安裝，攝像機(jī)是從高于車輛的方向水平向下30°的方向看去，如圖1所示，車輛底盤處總會有陰影存在。陰影有其固有的屬性[7]，首先他的顏色屬性和圖像背景差別很大，其次陰影與目標(biāo)一樣一直處于運(yùn)動狀態(tài)，而且在位置方面，陰影總是與投射它的物體相連，陰影與車輛本身是一一對應(yīng)的關(guān)系，即每輛車有且只有一個(gè)陰影。

由圖1可知，陰影分為全影和半影，全影要比半影顏色更暗些，陰影的特征也更明顯些。車輛底盤陰影則屬于全影。

圖1 陰影的光照模型

根據(jù)陰影的這些特征，利用車輛底盤陰影來分離由于局部遮擋而引起的粘連車輛是完全可行且可靠的。

2.1 車輛底盤陰影的提取

檢測陰影的方法很多，其中文獻(xiàn)[8]中提出的基于亮度和三色值的陰影提取方法，是利用顏色特征和亮度來提取陰影，該方法實(shí)現(xiàn)起來繁瑣，在實(shí)際運(yùn)用中，亮度特征不是很明顯;文獻(xiàn)[9]提出了基于HSV顏色空間陰影提取算法的使用十分廣泛，但在視頻交通檢測應(yīng)用上效果并不理想，由于輸入的視頻與真實(shí)場景相比有一定的模糊，導(dǎo)致HSV各分量變化規(guī)律不明顯，文獻(xiàn)[9]中還提出基于邊緣相減的陰影檢測算法，它的處理速度快，需要的信息少，然而當(dāng)車輛邊緣不清晰時(shí)，將無法區(qū)分車輛與陰影。

本文提出一種簡單有效的方法進(jìn)行實(shí)時(shí)檢測車輛底盤的陰影，即利用路面灰度分布范圍和紋理信息檢測車輛底盤陰影。該方法的思想是:在穩(wěn)定背景下，統(tǒng)計(jì)路面灰度分布范圍，陰影的灰度值一定比路面的灰度值小，這樣就可以用較小的路面灰度值做閾值來區(qū)分路面與陰影，即可準(zhǔn)確提取出車輛底盤陰影。這種方法提高了處理速度，而且是在白天的城市路和高速路上，光照條件好，都可以很好地檢測出車輛陰影。

車輛底盤陰影提取的具體步驟如下:

(1) 用混合高斯模型建立穩(wěn)定的背景模型。

(2) 提取前景圖像，獲取每個(gè)前景的位置。

(3) 對每個(gè)前景塊統(tǒng)計(jì)路面的灰度分布情況。

(4) 用最小的灰度值作為閾值，對當(dāng)前幀圖像二值化。

(5) 提取出比路面黑的車輛底盤陰影及其在圖片中的位置。

在統(tǒng)計(jì)背景路面灰度分布時(shí)發(fā)現(xiàn)，背景的灰度直方圖分布形狀與高斯分布相似，而且背景上會有一些干擾點(diǎn)。為了去除這些干擾點(diǎn)且準(zhǔn)確判斷背景的灰度分布范圍，采用了90%的灰度分布值為路面的灰度分布范圍。

σ=∑ki=0sum/sum(6)

式中:sum表示整幅圖像中像素值為i的個(gè)數(shù);sum表示整幅圖像的像素個(gè)數(shù);k為從0~255的像素值。當(dāng)σ≥0.02時(shí)，對應(yīng)的k值即為路面灰度分布范圍的左邊界。因?yàn)橹恍枰米筮吔缱鲩撝祦矶祷瘓D像，所以不需要求出路面灰度分布范圍的右邊界。二值化時(shí)，將圖像中小于閾值的像素點(diǎn)設(shè)為255，將大于閾值的像素點(diǎn)設(shè)為0，這樣即可提取出比路面灰度值小的部分，得出的團(tuán)塊即為車輛底盤陰影區(qū)域，團(tuán)塊的寬即為車輛底盤陰影的寬，團(tuán)塊的高即為車輛底盤陰影的高。

2.2 分割局部遮擋而粘連的車輛

利用陰影與車輛一一對應(yīng)的原理，分離被部分遮擋的車輛。在前景與背景分離時(shí)，經(jīng)常把局部被遮擋的車輛與遮擋的車輛劃分成同一輛車。本文提出利用車輛底盤陰影分離被遮擋的車輛，只要前景中檢測出不止一個(gè)陰影，再加上車輛邊緣的定位，就可實(shí)現(xiàn)分離被遮擋的車輛。

在獲取前景后，如果檢測到只有一個(gè)車輛底盤陰影，則通過前面所述的方法認(rèn)為只有一輛車。當(dāng)檢測到不止一個(gè)陰影時(shí)，將檢測出的陰影與相對應(yīng)的前景相結(jié)合，判斷前景上對應(yīng)檢測出車輛底盤陰影位置的正下方是否還有前景目標(biāo)，如果有，則認(rèn)為該陰影是車體的一部分或其他干擾，并不是車輛底盤陰影，如果沒有，則認(rèn)為該陰影是車輛底盤陰影，最后確認(rèn)出幾個(gè)車輛底盤陰影就認(rèn)為有幾輛車。

假設(shè)前景在圖像的上、下、左、右分別為TOP，BOTTOM，LEFT，RIGHT，檢測出來的車輛底盤陰影在圖像的上、下、左、右分別為top，bottom，left，right;sum_255表示特定區(qū)域的前景目標(biāo)像素個(gè)數(shù);color(i，j)表示前景圖像上第i行第j列的像素值，則:

sum_255=∑bottomj=BOTTOM∑righti=left(color(i，j)==255)?

(sum_255+1):(sum_255+0)(7)

由于不排除存在干擾的可能，選取T為閾值，在sum_255≤T時(shí)，說明所檢測的陰影為車輛底盤陰影，在sum_255>T時(shí)，則認(rèn)為所檢測的陰影不是車輛底盤陰影。

在判斷出一個(gè)陰影是車輛底盤陰影后，其陰影的寬度即認(rèn)為是車輛的寬度，高度則是由對應(yīng)前景決定的，在對應(yīng)車輛陰影位置的前景上，從陰影所在的正上方向上掃描，逐行累計(jì)前景目標(biāo)的像素個(gè)數(shù)sum_255至前景的最上端，在sum_255<T時(shí)，所對應(yīng)的位置即為車輛的頂部。

sum_255=∑TOPj=k∑righti=left(color(i，j)==255)?

(sum_255+1):(sum_255+0)(8)

式(8)中，k=top，top+1，…，TOP。當(dāng)sum_255<T時(shí)，所對應(yīng)的k即為車輛的頂端。

具體流程圖如圖2所示。

圖2 利用車輛底盤陰影分離局部被遮擋的車輛流程圖

3 實(shí)驗(yàn)結(jié)果

本文利用車輛底盤陰影分離粘連車輛的方法進(jìn)行試驗(yàn)。圖3為白天某城市路視頻錄像中的一幀。圖3(a)為沒有利用車輛底盤陰影分離粘連車輛的結(jié)果圖，圖3(b)為利用車輛底盤陰影分離粘連車輛的結(jié)果圖。

圖3 檢測車輛陰影分割被遮擋車輛測試圖

由圖3可以看出，兩輛在前景檢測中由于遮擋而連在一起的車輛，利用車輛底盤陰影可以準(zhǔn)確地將其分離。

4 結(jié) 語

利用車輛底盤陰影的特征實(shí)現(xiàn)分離由于局部遮擋而粘連的車輛，大大提高車輛檢測的準(zhǔn)確率。限于樣本的采集，本文未對雨天和雪天等路面的反光現(xiàn)象進(jìn)行實(shí)驗(yàn)，這將是以后工作的重點(diǎn)。

參考文獻(xiàn)

[1]張玲，陳麗敏，何偉.基于視頻的改進(jìn)幀差法在車流量檢測中的應(yīng)用[J].重慶大學(xué)學(xué)報(bào):自然科學(xué)版，2004，27(5):31-34.

[2]Verri A，Uras S，DeMicheli E.Motion Segmentation from Optical Flow.Proc.the 5th Alvey Vision Conference[C].1989:209-214.

[3]Barron J，F(xiàn)leet D，Beauchemin S.Performance of Optical Flow Techniques[J].International Journal of Computer Vision，1994，12(1):42-77.

[4]Stauoer C，Grimson W.Adaptive Background Mixture Models for Real-time Tracking.Proceedings of the IEEE CS Conference on Computer Vision and Pattern Recognition[C].1999，1(2):246-252.

[5]Arseneau S，Cooperstock J R.Real-time Image Segmentation for Action Recognition.Proceedings of the IEEE Paciac Rim Conference on Comunications，Computers and Signal Processing[C].1999:86-89.

[6]龐銀卓，張新榮.一種實(shí)用的多灰度層次目標(biāo)分割算法[J].微處理機(jī)，2005(3):42-46.

[7]張偉.基于視覺的運(yùn)動車輛檢測與跟蹤[D].上海:上海交通大學(xué)，2007.

[8]董曉慶.運(yùn)動檢測算法研究及其在智能監(jiān)控中的應(yīng)用[D].廣州:廣東工業(yè)大學(xué)，2008.

[9]周凱.交通視頻監(jiān)控系統(tǒng)中運(yùn)動目標(biāo)特征提取與數(shù)據(jù)傳輸實(shí)時(shí)性保證的研究[D].上海:同濟(jì)大學(xué)，2007.

[10]李全民，張運(yùn)楚.自適應(yīng)混合高斯背景模型的改進(jìn)[J].計(jì)算機(jī)應(yīng)用，2007，27(8):2 014-2 017.

智能交通與導(dǎo)航