鄒 震，陳思聰，胡士強(qiáng)，張曉宇

1.上海交通大學(xué) 航空航天學(xué)院，上海200240

2.加州大學(xué)伯克利分校 理學(xué)院 應(yīng)用數(shù)學(xué)與經(jīng)濟(jì)學(xué)系，加利福尼亞州 伯克利4010

1 引言

在交通壓力日益增長(zhǎng)的今天，為保障大眾市民出行的通暢，政府專(zhuān)門(mén)開(kāi)辟了公交專(zhuān)用車(chē)道。但是有些社會(huì)車(chē)輛司機(jī)缺乏自覺(jué)性，經(jīng)常違章占用公交車(chē)道，影響公交車(chē)的正常運(yùn)行。尤其是在上下班高峰期，社會(huì)車(chē)輛擁堵嚴(yán)重，此時(shí)保證公交車(chē)輛的運(yùn)行通暢更顯得非常重要。針對(duì)違章占用公交車(chē)道的社會(huì)車(chē)輛，交管部門(mén)采取了許多措施對(duì)社會(huì)車(chē)輛進(jìn)行違章抓拍，比如目前北京的做法是在公交車(chē)頭部安裝攝像機(jī)，對(duì)占用公交車(chē)道的社會(huì)車(chē)輛進(jìn)行跟蹤智能抓拍并錄像取證，這種方法對(duì)社會(huì)車(chē)輛起到了很好的威懾作用。在其他一些城市則采用在路口附近架設(shè)固定監(jiān)測(cè)探頭，對(duì)公交車(chē)道進(jìn)行持續(xù)監(jiān)測(cè)，實(shí)時(shí)抓拍占道車(chē)輛。對(duì)于基于固定攝像頭的違章車(chē)輛檢測(cè)方法，已經(jīng)開(kāi)展了許多先期研究[1-2]。文獻(xiàn)[3]是實(shí)現(xiàn)了基于背景差分法建立了智能交通監(jiān)測(cè)系統(tǒng)；文獻(xiàn)[4]則基于道路邊界檢測(cè)和車(chē)輛檢測(cè)跟蹤提出了視覺(jué)跟蹤的交通監(jiān)控方法；文獻(xiàn)[5]基于紅外攝像頭，該方法能夠抑制可見(jiàn)光不足或可見(jiàn)光變化強(qiáng)烈對(duì)系統(tǒng)的影響；文獻(xiàn)[6]通過(guò)基于像素的在線向量支持回歸動(dòng)態(tài)調(diào)整閾值進(jìn)行前景分割方法，提高抑制光線的變化；文獻(xiàn)[7]針對(duì)交通監(jiān)測(cè)攝像機(jī)拍攝的視頻流提出了高斯混合模型和背景差分相結(jié)合的方法進(jìn)行處理，實(shí)現(xiàn)了交通監(jiān)測(cè)。但在實(shí)際應(yīng)用系統(tǒng)中，由于早晚及陰晴天氣引起的光線變化，這些方法都不能很好地實(shí)時(shí)更新背景或智能適應(yīng)環(huán)境變化，導(dǎo)致檢測(cè)算法的魯棒性不強(qiáng)，為抑制光線變化而采用的算法實(shí)時(shí)性又不能滿(mǎn)足要求，不能快速準(zhǔn)確地實(shí)現(xiàn)違章車(chē)輛監(jiān)測(cè)和抓拍。

本文利用城市路口對(duì)準(zhǔn)公交專(zhuān)用車(chē)道的固定攝像頭拍攝的實(shí)際視頻，提出了一種魯棒顏色差分直方圖檢測(cè)算法，實(shí)現(xiàn)了對(duì)違章占用公交車(chē)道的違章車(chē)輛快速監(jiān)測(cè)和準(zhǔn)確抓拍。

2 魯棒顏色差分直方圖前景提取方法

針對(duì)環(huán)境光線變化對(duì)檢測(cè)的影響，參考文獻(xiàn)[8]給出的魯棒顏色差分直方圖算法分割前景，通過(guò)給出的背景圖像，前景可以通過(guò)計(jì)算輸入圖像與背景圖像每個(gè)像素的顏色差分值來(lái)提取。如果每個(gè)像素的顏色差分值比設(shè)定閾值大，這個(gè)像素就會(huì)被認(rèn)為是前景；反之，該像素就會(huì)被認(rèn)為是背景。由于該閾值能夠自適應(yīng)地根據(jù)當(dāng)前幀圖像改變，因此該算法能夠適應(yīng)環(huán)境以及光線的變化。

2.1 背景模糊匹配

為了更快地將當(dāng)前背景圖像更新至與當(dāng)前環(huán)境相適應(yīng)的圖像，采用背景模糊匹配方法選擇與當(dāng)前環(huán)境最接近的初始背景圖像。具體方法如下：

（1）選擇不同的天氣條件，在視野中沒(méi)有車(chē)輛時(shí)拍攝當(dāng)前圖像，建立靜態(tài)背景圖像庫(kù)。

（2）程序開(kāi)始獲取第一幀圖像，選取特定區(qū)域，與背景庫(kù)中圖像的同樣區(qū)域進(jìn)行比較。

（3）取差異最小的背景庫(kù)中圖像作為當(dāng)前初始背景圖像，參與檢測(cè)。

2.2 改進(jìn)的前景提取算法

顏色分割算法從顏色差分直方圖中提取閾值，以適應(yīng)環(huán)境和光照的影響。因?yàn)殚撝档挠?jì)算是根據(jù)輸入圖像和背景圖像的顏色差分直方圖實(shí)時(shí)地計(jì)算求得，每一幀的閾值由當(dāng)前幀計(jì)算得出用于當(dāng)前幀前景分割，而文獻(xiàn)[8]中，當(dāng)前幀的前景分割用的是上一幀計(jì)算得出的閾值，這與實(shí)際情況不符。它能根據(jù)環(huán)境和光照的變化自適應(yīng)改變，所以該閾值的選取具有一定的魯棒性。為了使分割的車(chē)輛更清晰，需要對(duì)分割的結(jié)果進(jìn)行處理，包括去除陰影，填補(bǔ)和去噪等過(guò)程。最后，背景圖像根據(jù)顏色的分割結(jié)果進(jìn)行更新。

顏色差分直方圖算法對(duì)光照變化的抑制具有一定的魯棒性，該算法步驟如下：

（1）計(jì)算輸入和背景圖像在公交車(chē)道區(qū)域?qū)?yīng)位置的顏色差分值ΔI。

（2）利用ΔI計(jì)算運(yùn)動(dòng)目標(biāo)分割左右閾值。其中閾值設(shè)定理論表述為：在每一個(gè)顏色差分直方圖中背景像素的分布類(lèi)似于零均值的高斯分布，前景像素分布在零均值的兩側(cè)。文獻(xiàn)[8]是從零均值開(kāi)始往兩側(cè)遍歷拐點(diǎn)，而本文是先找出峰值，再?gòu)姆逯甸_(kāi)始往兩側(cè)遍歷高低閾值。這種方法更符合實(shí)際，因?yàn)樵趯?shí)際情況中峰值不一定落在零點(diǎn)。在峰值兩邊的第一個(gè)拐點(diǎn)分別定義為右閾值H和左閾值L。

（3）利用L,H和ΔI分割輸入圖像：

if (L≤ΔI≤H)

該像素是背景；

(1)干預(yù)前后評(píng)估兩組關(guān)節(jié)活動(dòng)度。(2)評(píng)估護(hù)理滿(mǎn)意度,根據(jù)評(píng)分分為滿(mǎn)意、基本滿(mǎn)意與不滿(mǎn)意,以滿(mǎn)意與基本滿(mǎn)意之和占比統(tǒng)計(jì)護(hù)理滿(mǎn)意度。

根據(jù)式（1）背景更新；

else 該像素是前景；

其 中RB(x,y)、GB(x,y)、BB(x,y)分別是該背景圖像像素紅、綠、藍(lán)三個(gè)通道的像素值，Ri(x,y)、Gi(x,y)、Bi(x,y)分別為該輸入圖像像素紅、綠、藍(lán)三個(gè)通道的像素值，n=3。

（4）定義圖像Q為檢測(cè)圖像，其大小為M×N。先將其中所有像素都置為0，根據(jù)步驟（2）中得到的前景像素的坐標(biāo)，將Q(xi,yi)置為1，即認(rèn)為是前景。

（5）根據(jù)文獻(xiàn)[9]的方法對(duì)Q去除陰影，定義：

若TH_S1≤Ra≤TH_S2,則Q(xB,yB) =0,即為背景。其中閾值參數(shù)TH_S1和TH_S2分別設(shè)為0.98 和1.6。

（6）根據(jù)文獻(xiàn)[10]方法對(duì)圖像Q進(jìn)行腐蝕膨脹。此時(shí)圖像Q即為檢測(cè)前景的結(jié)果圖像。

圖1 初始處理

實(shí)驗(yàn)結(jié)果證明，基于魯棒顏色差分直方圖的方法能夠?qū)崿F(xiàn)不同光照條件下（早晨和傍晚、陰天和晴天等）車(chē)輛的魯棒檢測(cè)，為后續(xù)跟蹤和判別車(chē)輛違章?tīng)顟B(tài)和抓拍提供了可靠的檢測(cè)視頻。

圖2 陰天條件下檢測(cè)結(jié)果

圖3 多云條件下檢測(cè)結(jié)果

3 目標(biāo)跟蹤與違章判斷

3.1 目標(biāo)跟蹤

根據(jù)目標(biāo)檢測(cè)的結(jié)果，在圖像中框定前景團(tuán)塊，其大小為W×H,并且計(jì)算出其質(zhì)心的坐標(biāo)。通過(guò)卡爾曼濾波對(duì)其進(jìn)行跟蹤，預(yù)測(cè)目標(biāo)在下一時(shí)刻出現(xiàn)的位置區(qū)域，其大小為1.4W×1.4H,在該區(qū)域內(nèi)進(jìn)行下一時(shí)刻的檢測(cè)，以確認(rèn)跟蹤的是同一目標(biāo)。

設(shè)車(chē)輛質(zhì)心坐標(biāo)為(xp,yp),車(chē)輛運(yùn)動(dòng)狀態(tài)向量為。卡爾曼濾波采用勻速模型，狀態(tài)轉(zhuǎn)移矩陣為：

量測(cè)矩陣為：

因?yàn)樵趯?shí)際系統(tǒng)中視頻刷新周期為8 f/s，所以T=0.125 s 。初始狀態(tài)X=[7 00 0 1 200 0]T，初始過(guò)程噪聲協(xié)方差矩陣P( 0 |0 )與量測(cè)噪聲協(xié)方差矩陣R 均為4×4單位矩陣。根據(jù)卡爾曼濾波基本方程：

得到預(yù)測(cè)狀態(tài)X=x(k+1|k+1)，即可得到車(chē)輛質(zhì)心坐標(biāo)的預(yù)測(cè)值。

圖4 不同天氣條件下跟蹤結(jié)果

3.2 違章判斷

在本十字路口，最右側(cè)車(chē)道為公交專(zhuān)用車(chē)道。當(dāng)社會(huì)車(chē)輛借用公交車(chē)道右轉(zhuǎn)彎時(shí)，并不構(gòu)成違章；但當(dāng)社會(huì)車(chē)輛占用公交車(chē)道，越過(guò)十字路口中心線并且繼續(xù)直行的，則視為違章車(chē)輛。因此，當(dāng)車(chē)輛越過(guò)停車(chē)線時(shí)，需要對(duì)車(chē)輛進(jìn)行持續(xù)檢測(cè)與跟蹤，依據(jù)劃定的邊界線判斷其是右轉(zhuǎn)彎還是直行。此時(shí)，將車(chē)輛越過(guò)停車(chē)線的圖像保存在緩沖區(qū)作為第一張圖片。若跟蹤的車(chē)輛質(zhì)心越過(guò)設(shè)定的邊界線時(shí)，判斷該目標(biāo)是直行還是轉(zhuǎn)彎，決定是否抓拍。如圖在視野中劃定車(chē)輛右轉(zhuǎn)彎的界線橫坐標(biāo)為1 500,當(dāng)xp≥1 500 時(shí)，認(rèn)為車(chē)輛右轉(zhuǎn)彎，釋放緩沖區(qū)中保存的圖像；劃定車(chē)輛直行的界線縱坐標(biāo)為520,當(dāng)yp≥520 時(shí)，則認(rèn)為該車(chē)輛直行了，屬于違章車(chē)輛，將此時(shí)的圖像與緩沖區(qū)中的圖像一起保存，該組圖像即可作為違章的證據(jù)。

圖5 違章判斷流程圖

圖6 直行（橫）轉(zhuǎn)彎（豎）邊界線

圖7 違章證據(jù)

4 程序?qū)崿F(xiàn)與實(shí)驗(yàn)結(jié)果分析

系統(tǒng)主程序采用Visual Studio 2008 編譯環(huán)境，MFC和OpenCV2.0 庫(kù)函數(shù)編寫(xiě)[11]。為了進(jìn)一步加快運(yùn)算速度，處理時(shí)將原圖分辨率從1 600×1 200 縮放至320×240，而抓拍時(shí)為了保證圖像清晰度，仍然保存1 600×1 200 的高清晰圖像。攝像頭型號(hào)為CY-DC2035J，讀取速率為8 f/s，圖8為系統(tǒng)主程序運(yùn)行流程圖。

表1 不同方法現(xiàn)場(chǎng)處理結(jié)果比較

表2 不同方法處理同一段視頻結(jié)果比較

圖8 系統(tǒng)流程圖

為了驗(yàn)證本文提出算法的有效性，利用同一路口監(jiān)測(cè)場(chǎng)景，分別在光照變化不明顯的陰天、光照變化相對(duì)穩(wěn)定的晴天和光照變化劇烈的多云天氣進(jìn)行違章車(chē)輛抓拍實(shí)驗(yàn)，記錄實(shí)際違章車(chē)輛數(shù)和程序抓拍車(chē)輛數(shù)，采用平均背景分割法、Codebook 法與本文方法作為比較，在一個(gè)綠燈周期內(nèi)對(duì)違章車(chē)輛進(jìn)行檢測(cè)抓拍。得到的對(duì)比結(jié)果如表1所示。

表1 中每個(gè)條件下的4 個(gè)數(shù)據(jù)分別為：實(shí)際違章車(chē)輛數(shù)，抓拍車(chē)輛數(shù)，準(zhǔn)確率和處理速率。通過(guò)分析表中數(shù)據(jù)可以看出，Codebook方法處理速度有限，每秒只能處理4幀，導(dǎo)致在不同環(huán)境下違章辨別準(zhǔn)確率不足20%。而背景剪除法在光照變化不明顯的環(huán)境下能夠滿(mǎn)足要求，但是環(huán)境發(fā)生變化后就會(huì)失效崩潰，其處理速度由于算法簡(jiǎn)單而能夠滿(mǎn)足8 f/s 的要求。本文提出的魯棒顏色差分直方圖方法能夠?qū)崟r(shí)處理攝像頭讀取的圖像，滿(mǎn)足攝像頭讀取速率，并且在環(huán)境變化時(shí)違章辨別準(zhǔn)確率均能保證在80%以上。表2 中列出了對(duì)三種不同天氣環(huán)境下同一段視頻的處理結(jié)果，通過(guò)實(shí)驗(yàn)數(shù)據(jù)可以看出，當(dāng)播放速率達(dá)到12 f/s 時(shí)，本文方法依然能夠跟上播放速率，處理速率也能達(dá)到12 f/s，并且能夠保證準(zhǔn)確率在80%以上，而背景剪除法不能適應(yīng)環(huán)境變化，Codebook 方法不能滿(mǎn)足實(shí)時(shí)性要求。以上實(shí)驗(yàn)結(jié)果證明在不同的場(chǎng)景和天氣條件下，該方法能夠保證準(zhǔn)確性和實(shí)時(shí)性，是一種可應(yīng)用于實(shí)際系統(tǒng)的快速檢測(cè)方法。

5 結(jié)語(yǔ)

針對(duì)交通監(jiān)測(cè)中對(duì)違章車(chē)輛辨別不能滿(mǎn)足魯棒性和實(shí)時(shí)性的要求，本文采用魯棒顏色差分直方圖方法抑制環(huán)境變化，分割前景和背景，準(zhǔn)確分辨違章車(chē)輛。采用設(shè)定感興趣區(qū)域ROI 和圖像縮放提高處理速度，精確跟蹤公交車(chē)道上的車(chē)輛，區(qū)分和記錄違章車(chē)輛。本文方法特點(diǎn)如下：（1）采用背景圖像模糊匹配，對(duì)初始背景圖像進(jìn)行篩選，以便更快將背景更新至適應(yīng)當(dāng)前環(huán)境。（2）對(duì)顏色差分直方圖閾值自適應(yīng)算法進(jìn)行改進(jìn)，當(dāng)前幀閾值用于分割當(dāng)前幀前景，改善檢測(cè)效果。（3）采用劃定感興趣區(qū)域和圖像縮放，加快運(yùn)算速度。實(shí)驗(yàn)結(jié)果表明該方法可靠有效，并且滿(mǎn)足實(shí)時(shí)性要求，目前該系統(tǒng)已應(yīng)用于路口違章車(chē)輛實(shí)時(shí)檢測(cè)系統(tǒng)中。

[1] 王為，姚明海.基于計(jì)算機(jī)視覺(jué)的智能交通監(jiān)控系統(tǒng)[J].浙江工業(yè)大學(xué)學(xué)報(bào)，2010，38（5）：574-579.

[2] 馮軍，金立.基于視覺(jué)跟蹤的交通監(jiān)控[J].電腦知識(shí)與技術(shù)，2010，6（24）：62-67.

[3] 白立崗，賈冬冬.紅外攝像機(jī)在交通監(jiān)控系統(tǒng)中的應(yīng)用[J].中國(guó)交通信息產(chǎn)業(yè)，2009，11（11）：89-90.

[4] 高韜，劉正光，岳士宏，等.用于智能交通的運(yùn)動(dòng)車(chē)輛跟蹤算法[J].中國(guó)公路學(xué)報(bào)，2010，23（3）：89-94.

[5] 陳功，楊奎元，周荷琴，等.魯棒的實(shí)時(shí)多車(chē)輛檢測(cè)與跟蹤系統(tǒng)設(shè)計(jì)[J].信號(hào)處理，2009，25（4）：607-612.

[6] Wang Junxian，Bebis G，Miller R.Robust video-based surveillance by integrating target detection with tracking[C]//Proceedings of the 2006 Conference on Computer Vision and Pattern Recognition Workshop（CVPRW’06），2006.

[7] Kun A J.Traffic monitoring with computer vision[C]//7th International Symposium on Date of Conference on Applied Machine Intelligence and Informatics，2009.

[8] Chiu Chung-Cheng，Ku Min-Yu，Liang Li-Wey.A robust object segmentation system using a probability-based background extraction algorithm[J].IEEE Transactions on Circuits and Systems for Video Technology，2010，4（20）：68-76.

[9] Bevilacqua A.Effective shadow detection in traffic monitoring applications[J].WSCG，2004，1（11）：57-64.

[10] Wahl F M，Wong K Y，Casey R G.Block segmentation and text extraction in mixed text/image documents[J].Computer Graphics Image Process，1982，20（4）：375-390.

[11] Bradski G，Kaehler A.Learning OpenCV[M].[S.l.]：Newgen Publishing，2008：68-108.

[12] Salvador E.Cast shadow segmentation using invariant color features[J].Computer Vision and Image Understanding，2004，2（6）：238-259.