李楊

【摘要】：城市交通問題是人們關(guān)注的熱點(diǎn)，智能交通系統(tǒng)可有效緩解城市交通壓力。而智能交通系統(tǒng)離不開車輛檢測(cè)技術(shù)和車輛跟蹤技術(shù)的支持，本文以復(fù)雜交通場(chǎng)景中上述兩種技術(shù)研究對(duì)象，提出了一種可以有效辨別車輛性質(zhì)，即臨時(shí)車輛和確定車輛的跟蹤與檢測(cè)方法。

【關(guān)鍵詞】：復(fù)雜交通場(chǎng)景；車輛檢測(cè)；跟蹤

城市交通壓力隨著時(shí)代進(jìn)步越來越大，智能交通系統(tǒng)的出現(xiàn)可有效緩解城市交通壓力。而視頻圖像檢測(cè)器是智能交通系統(tǒng)中關(guān)鍵的組成部分，它通過捕捉車輛運(yùn)行中的圖像，使相關(guān)人員可全面掌握交通現(xiàn)狀。本文以復(fù)雜交通場(chǎng)景中車輛檢測(cè)技術(shù)和車輛跟蹤技術(shù)為研究對(duì)象，提出了一種可有效辨別車輛性質(zhì)，即臨時(shí)車輛和確定車輛的跟蹤與檢測(cè)方法。

一、復(fù)雜交通場(chǎng)景中的車輛檢測(cè)與跟蹤

本文設(shè)計(jì)的車輛檢測(cè)與跟蹤監(jiān)測(cè)系統(tǒng)分為三部分，一是鎖定感興趣區(qū)域，二是對(duì)重要區(qū)域內(nèi)的車輛進(jìn)行識(shí)別和檢測(cè)，三是對(duì)車輛進(jìn)行跟蹤處理。感興趣區(qū)域（ROI，region of interesting），簡(jiǎn)稱ROI。鎖定感興趣區(qū)域即提取包含目標(biāo)車輛的場(chǎng)景，這樣才能開展下一步車輛檢測(cè)和跟蹤工作。在鎖定感興趣區(qū)域時(shí)筆者使用的是背景差法，最終得到很多ROI圖像，每幅ROI圖像代表一個(gè)“疑似車輛”。但需注意ROI圖像之間可能存在重疊現(xiàn)象，主要有兩類重疊現(xiàn)象：第一類，不同車輛之間重疊；第二類，一臺(tái)車不同部分之間重疊。針對(duì)第二類重疊現(xiàn)象，需要進(jìn)行一定的融合處理，目的是避免出現(xiàn)同一臺(tái)車反復(fù)出現(xiàn)的現(xiàn)象。具體融合過程如下：

假定兩個(gè)ROI圖像重疊，第一個(gè)ROI圖像對(duì)應(yīng)的外接框面積可表示為，第二個(gè)ROI圖像對(duì)應(yīng)的外接框面積可表示為，兩者之間重疊部分的面積可表示為，假定兩個(gè)ROI圖像的重疊率分別為和，那么可得出，。在開展融合操作時(shí)需遵照一定的原則，主要有兩三個(gè)原則：

第一，若和的數(shù)值大小滿足一定的條件，即，或者是，其中表示的是事先設(shè)定的閾值，在本系統(tǒng)中筆者以經(jīng)驗(yàn)為依據(jù)選擇閾值為0.7，若和可以滿足上述條件，就可開展融合操作。

第二，如果和的數(shù)值大小滿足一定的條件，即，或者是，其中表示的是事先設(shè)定的閾值，在本系統(tǒng)中筆者以經(jīng)驗(yàn)為依據(jù)選擇的閾值是0.1。此時(shí)，假定重疊部分中感興趣區(qū)域的有效像素集合是A，而兩個(gè)外接框中有效像素集合分別是B和C，檢查集合A、B和C之間的關(guān)系，如果，其中是集合B的一部分，而是集合C的一部分。此時(shí)若子集和滿足下述兩個(gè)條件中任意一個(gè)，則原始圖像就可以融合：（1）子集是空集，或者子集是空集；（2）子集中的元素個(gè)數(shù)要比事先設(shè)定的閾值少，或者子集中的元素個(gè)數(shù)要比事先設(shè)定的閾值少。如果子集和滿足不能滿足上述兩個(gè)條件中的任意一個(gè)，那么原始圖像就無法融合。

第三，如果，同時(shí)，那么原始圖像無法開展融合操作。

融合操作結(jié)束后，需開展特征提取過程，特征提取的主要目的是找出ROI圖像中的一些有用信息。筆者需要提取的特征主要有以下幾種：質(zhì)心點(diǎn)坐標(biāo)、平均灰度、方向、面積和描述區(qū)域形狀的坐標(biāo)集。筆者將上述特征分為兩類，第一類是主要特征，如、，第二類是次要特征，如、。特征提取操作結(jié)束之后，可得到表征ROI圖像的兩組特征向量，分別是主要特征向量以及次要特征向量。

上述操作都是為了后續(xù)匹配工作做準(zhǔn)備，ROI圖像代表行駛中的不同車輛，本系統(tǒng)中的匹配就是指根據(jù)ROI圖像來找相似區(qū)域，進(jìn)而確定和定位行駛中的某一輛車。具體匹配過程如下：

匹配過程中涉及兩個(gè)鏈表，分別是車輛鏈表和當(dāng)前幀圖像臨時(shí)鏈表，和匹配過程相關(guān)的變量是不同區(qū)域特征向量之間的空間距離。所有區(qū)域中都包含兩類特征向量，分別是主要特征向量V，以及次要特征向量W，將車輛鏈表中第k個(gè)主要特征向量記為Vk，第k個(gè)次要特征向量記為Wk；將臨時(shí)鏈表中第n個(gè)主要特征向量記為Vn，第n個(gè)次要特征向量記為Wn；將空間距離記為DVkn和DWkn，其中=（Vk-Vn）T（Vk-Vn），=（Wk-Wn）T（Wk-Wn）。

第一，確定特定區(qū)域K和臨時(shí)鏈表中所有區(qū)域的空間距離DVkn，將計(jì)算得到的DVkn數(shù)值和事先設(shè)定的閾值進(jìn)行比較，若所有的DVkn都大于閾值，則表示臨時(shí)鏈表中不存在和區(qū)域K相似的區(qū)域；第二，若存在一個(gè)DVkn值小于閾值，則表示臨時(shí)鏈表中存在一個(gè)和當(dāng)前區(qū)域K相似的區(qū)域；第三，若小于閾值的DVkn的數(shù)量大于1，此時(shí)需要進(jìn)一步計(jì)算上述區(qū)域和K之間的DWkn值，其中DWkn最小的那一個(gè)區(qū)域就是和K最為相似的區(qū)域。不斷重復(fù)上述過程一直到瀏覽完車輛鏈表中所有元素，然后對(duì)車輛鏈表進(jìn)行更新處理，具體做法是將成功匹配的臨時(shí)鏈表區(qū)域替換原有的車輛鏈表區(qū)域，將未能匹配的臨時(shí)鏈表區(qū)域加入車輛鏈表。

完成匹配操作后，筆者進(jìn)一步提出了一種確定有效匹配和無效匹配次數(shù)的方法。筆者將有效匹配的次數(shù)記錄為ms，將無效匹配的次數(shù)記錄為mf，在初始時(shí)刻，當(dāng)車輛鏈表中存在數(shù)據(jù)時(shí)就將該車輛記為臨時(shí)車輛，此時(shí)該車輛的ms數(shù)值是1，mf數(shù)值是0，在接下來的匹配操作中，如果出現(xiàn)了有效匹配，那么ms的數(shù)值就加1，如果出現(xiàn)了無效匹配，那么mf數(shù)值就相應(yīng)的加1。隨著匹配操作的不斷開展，mf和ms的數(shù)值都在不斷增加，當(dāng)mf的數(shù)值達(dá)到n/2（n取決于采樣頻率）時(shí)，表示該區(qū)域是不正確的，從車輛鏈表中剔除該區(qū)域；當(dāng)ms的數(shù)值增加到n時(shí)，表示該車輛是可完全確認(rèn)的。

二、實(shí)驗(yàn)與分析

為驗(yàn)證本文提出方法的有效性，筆者通過實(shí)驗(yàn)進(jìn)行驗(yàn)證。實(shí)驗(yàn)中所用圖像大小是576×768，一共600幀，其中n的取值是30。圖1顯示的是通過本文方法處理圖像的結(jié)果。通過本文方法處理后，最終準(zhǔn)確率高達(dá)96%，這充分說明本文方法的有效性。

三、結(jié)語

背景差法是非常有效的車輛跟蹤方法，基于區(qū)域的方法是非常有效的車輛檢測(cè)方法，筆者將背景差法和區(qū)域跟蹤法有機(jī)融合，形成了一種有效的區(qū)分臨時(shí)車輛和確定車輛的車輛跟蹤與檢測(cè)方法。

參考文獻(xiàn)：

[1]郁梅，王圣男，蔣剛毅.復(fù)雜交通場(chǎng)景中的車輛檢測(cè)與跟蹤新方法[J].光電工程，2005，02：67-70.

[2]袁俊，喻擎蒼，曾瑤.一種復(fù)雜交通場(chǎng)景中的車輛檢測(cè)與跟蹤方法[J].工業(yè)控制計(jì)算機(jī)，2013，02：87-88+90.