劉博藝，程杰仁,2+，唐湘滟，殷建平

1.海南大學(xué) 信息科學(xué)技術(shù)學(xué)院，?？?570228

2.海南大學(xué) 南海海洋資源利用國(guó)家重點(diǎn)實(shí)驗(yàn)室，?？?570228

3.國(guó)防科學(xué)技術(shù)大學(xué) 高性能計(jì)算國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410073

復(fù)雜動(dòng)態(tài)環(huán)境下運(yùn)動(dòng)車(chē)輛的識(shí)別方法*

劉博藝1，程杰仁1,2+，唐湘滟1，殷建平3

1.海南大學(xué) 信息科學(xué)技術(shù)學(xué)院，?？?570228

2.海南大學(xué) 南海海洋資源利用國(guó)家重點(diǎn)實(shí)驗(yàn)室，?？?570228

3.國(guó)防科學(xué)技術(shù)大學(xué) 高性能計(jì)算國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410073

LIU Boyi,CHENG Jieren,TANG Xiangyan,et al.Moving vehicles recognition in complex dynamic environment.Journal of Frontiers of Computer Science and Technology,2017,11(1)：134-143.

針對(duì)目前車(chē)輛識(shí)別方法在動(dòng)態(tài)變化的復(fù)雜環(huán)境中車(chē)輛識(shí)別正確率低的問(wèn)題，提出了一種基于動(dòng)態(tài)自適應(yīng)閾值的車(chē)輛識(shí)別方法。該方法首先利用基于熵權(quán)法的圖像質(zhì)量量化算法計(jì)算交通流視頻中背景圖像的質(zhì)量值；然后通過(guò)對(duì)樣本交通流設(shè)置的車(chē)輛檢測(cè)閾值和基于該閾值識(shí)別車(chē)輛的正確率進(jìn)行多項(xiàng)式擬合，獲得該樣本的車(chē)輛最佳檢測(cè)閾值；最后對(duì)樣本背景圖像的質(zhì)量值和樣本車(chē)輛的最佳檢測(cè)閾值進(jìn)行高斯擬合，得到自適應(yīng)閾值計(jì)算模型。該方法采用高斯混合模型實(shí)時(shí)獲取交通流視頻中的背景圖像，計(jì)算背景圖像的質(zhì)量值，并輸入到自適應(yīng)閾值計(jì)算模型得到實(shí)時(shí)的車(chē)輛最佳檢測(cè)閾值以識(shí)別車(chē)輛。實(shí)驗(yàn)和理論分析表明，該方法能根據(jù)動(dòng)態(tài)變化的環(huán)境實(shí)時(shí)更新車(chē)輛檢測(cè)閾值，有效地提高了車(chē)輛識(shí)別的正確率。

車(chē)輛識(shí)別；圖像質(zhì)量；高斯擬合；熵權(quán)法

1 引言

車(chē)輛識(shí)別是智能交通系統(tǒng)中的基礎(chǔ)環(huán)節(jié)，精確的車(chē)輛識(shí)別效果是智能交通系統(tǒng)更自動(dòng)化、更智能的保障。目前對(duì)于車(chē)輛識(shí)別的研究，大部分都是局限在一個(gè)特定的環(huán)境內(nèi)，比如只是針對(duì)晴朗的天氣環(huán)境、霧霾環(huán)境等。但是現(xiàn)實(shí)中的交通攝像頭是在動(dòng)態(tài)變化的復(fù)雜環(huán)境中工作的，主要體現(xiàn)在天氣環(huán)境變化的影響。不同的天氣環(huán)境，甚至在一天中不同的時(shí)刻，攝像頭錄制的交通視頻的效果都有差異，不同的天氣環(huán)境對(duì)于視頻質(zhì)量造成的影響也不同。如果不能夠根據(jù)天氣情況自動(dòng)調(diào)整車(chē)輛識(shí)別算法的相關(guān)參數(shù)或者閾值，就會(huì)造成車(chē)輛識(shí)別結(jié)果誤差的增大，繼而影響智能交通系統(tǒng)中其他功能的實(shí)現(xiàn)，或者導(dǎo)致其他功能準(zhǔn)確率的降低。因此，只有能夠自動(dòng)適應(yīng)多種氣候環(huán)境的視頻車(chē)輛識(shí)別方法才具有實(shí)用價(jià)值。本文提出了一種基于動(dòng)態(tài)自適應(yīng)閾值的車(chē)輛識(shí)別方法，實(shí)現(xiàn)了對(duì)不同天氣環(huán)境的自適應(yīng)，具備較大的實(shí)用價(jià)值。

2 研究現(xiàn)狀

2.1 車(chē)輛識(shí)別研究現(xiàn)狀

基于交通流視頻的車(chē)輛識(shí)別技術(shù)[1]，包括以車(chē)輛識(shí)別為目的的背景差分法[2-3]、幀間差分法[4]、光流法[5]和以車(chē)輛跟蹤為目的的虛擬傳感器法和目標(biāo)跟蹤法[6]。背景差分法通過(guò)連續(xù)多幀的圖像序列獲取背景圖像，然后將當(dāng)前幀的圖像與背景圖像進(jìn)行差分，并通過(guò)聯(lián)通區(qū)域面積的大小或者聯(lián)通區(qū)域面積與變化區(qū)域之比對(duì)車(chē)輛目標(biāo)進(jìn)行識(shí)別。幀間差分法通過(guò)對(duì)視頻中相鄰兩幀的圖像做差分運(yùn)算得到運(yùn)動(dòng)目標(biāo)的輪廓。光流法通過(guò)在圖像中構(gòu)建速度矢量場(chǎng)的方式，實(shí)現(xiàn)對(duì)車(chē)輛的識(shí)別，但其算法復(fù)雜度高，實(shí)時(shí)性較差。虛擬傳感器法是在視頻中的道路上設(shè)置一些虛擬傳感器，當(dāng)車(chē)輛通過(guò)這些虛擬傳感器時(shí)，會(huì)引起傳感器的變化，通過(guò)對(duì)虛擬傳感器的特征變化進(jìn)行分析獲得當(dāng)前交通流信息。如Takaba等人提出的基于虛擬點(diǎn)的交通參數(shù)提取法[7]、Abramczuk等人提出的虛擬檢測(cè)線法[8]、尹朝征提出的虛擬線圈法[9]等都是基于添加虛擬傳感器的方法。目標(biāo)跟蹤法相比虛擬傳感器法的優(yōu)點(diǎn)是能夠獲取車(chē)輛的屬性信息，可以分為車(chē)輛模型法[10]、特征提取法[11]、區(qū)域檢測(cè)法[12]、輪廓提取法[13]等。車(chē)輛模型法是通過(guò)對(duì)車(chē)輛形狀的分析，建立目標(biāo)模型，再通過(guò)一定的匹配方法跟蹤目標(biāo)，并對(duì)模型進(jìn)行實(shí)時(shí)更新；特征提取法是通過(guò)提取運(yùn)動(dòng)目標(biāo)的某個(gè)不變的特征，如色彩、紋理等，并將其與設(shè)定的固定特征值相匹配，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤；區(qū)域檢測(cè)法是指通過(guò)包含車(chē)輛區(qū)域的圖像模板對(duì)圖像序列進(jìn)行匹配，超過(guò)一定的閾值后，就確定為車(chē)輛；輪廓提取法與區(qū)域檢測(cè)法相似，不同的是其采用的是運(yùn)動(dòng)目標(biāo)輪廓的匹配，要對(duì)視頻圖像中的車(chē)輛進(jìn)行輪廓提取處理。近年來(lái)提出的屬于目標(biāo)跟蹤的算法有確定性目標(biāo)關(guān)聯(lián)法[14]、視覺(jué)車(chē)輛跟蹤法[15]等，都是在以上方法的基礎(chǔ)上進(jìn)行改進(jìn)。

在實(shí)現(xiàn)了車(chē)輛識(shí)別功能的基礎(chǔ)上，為了增強(qiáng)方法的實(shí)用性，國(guó)內(nèi)外學(xué)者對(duì)不同環(huán)境下的車(chē)輛識(shí)別算法進(jìn)行了研究。例如光照條件下車(chē)輛的影子對(duì)車(chē)輛識(shí)別的影響和應(yīng)對(duì)方法[16]、夜晚時(shí)間車(chē)輛的識(shí)別方法[17]、復(fù)雜環(huán)境下車(chē)輛的識(shí)別方法[18]等。但是他們提出的算法大都只能適用于某一種特定的環(huán)境，算法中選取的車(chē)輛判斷閾值保持不變，而只是對(duì)視頻圖像進(jìn)行預(yù)處理或者改進(jìn)相關(guān)算法，不能夠?qū)崿F(xiàn)同時(shí)對(duì)多種天氣環(huán)境的適應(yīng)。針對(duì)這個(gè)問(wèn)題，本文提出了一種基于動(dòng)態(tài)自適應(yīng)閾值的車(chē)輛識(shí)別方法。因背景差分法的實(shí)現(xiàn)較為簡(jiǎn)單，故以背景差分法作為運(yùn)動(dòng)車(chē)輛識(shí)別算法。通過(guò)對(duì)背景圖像的質(zhì)量進(jìn)行量化，獲得背景差分法中的車(chē)輛判別閾值，并通過(guò)高斯混合模型不斷更新背景圖像，實(shí)現(xiàn)方法對(duì)天氣環(huán)境的自適應(yīng)功能。其中圖像質(zhì)量量化是方法的重要組成部分。

2.2 圖像質(zhì)量量化研究現(xiàn)狀

對(duì)圖像質(zhì)量量化的研究可以追溯到40多年前，1974年，Mannos和Sakrison提出了圖像保真度的判斷依據(jù)[19]，開(kāi)創(chuàng)了圖像質(zhì)量量化的先河。發(fā)展到今天，圖像質(zhì)量的評(píng)價(jià)方法包括主觀評(píng)價(jià)法和客觀評(píng)價(jià)法。主觀評(píng)價(jià)法中，平均意見(jiàn)分?jǐn)?shù)（mean opinion score，MOS）被認(rèn)為是最佳方法。但是，主觀評(píng)價(jià)法難以在軟硬件系統(tǒng)中實(shí)現(xiàn)，幾乎不可能實(shí)際應(yīng)用。顯然客觀評(píng)價(jià)法更具有實(shí)用性，其中，基于均方差（mean squared error，MSE）的圖像質(zhì)量估計(jì)法[20]和基于峰值信噪比（peak signal to noise ratio，PSNR）的圖像質(zhì)量估計(jì)法是最為普遍的質(zhì)量量化方法，易于實(shí)現(xiàn)。近年來(lái)，基于全仿真人類(lèi)視覺(jué)系統(tǒng)（human visual system，HVS）的圖像質(zhì)量量化法[21]得到了發(fā)展，但是尚不成熟，且算法復(fù)雜度較高，不適用于實(shí)時(shí)系統(tǒng)，故本文沒(méi)有采用這種方法。另外，基于灰度梯度函數(shù)、頻譜函數(shù)和熵函數(shù)[22]等的圖像清晰度評(píng)價(jià)方法也是實(shí)現(xiàn)本文所提出的自適應(yīng)多種環(huán)境的車(chē)輛識(shí)別系統(tǒng)的重要組成部分。然而以上方法都具有各自的固有缺陷，往往只適用于具備某些特征的圖像，不能做到對(duì)所有圖像的精確評(píng)價(jià)。針對(duì)這些問(wèn)題，本文在分析了不同天氣環(huán)境對(duì)圖像的影響后，提出了利用熵權(quán)法進(jìn)行圖像質(zhì)量量化的方法。

3 基于動(dòng)態(tài)自適應(yīng)閾值的車(chē)輛識(shí)別方法

在本文提出的基于動(dòng)態(tài)自適應(yīng)閾值的車(chē)輛識(shí)別方法中，自學(xué)習(xí)和系統(tǒng)運(yùn)行過(guò)程的結(jié)構(gòu)圖如圖1所示。以背景差分法為例，添加了系統(tǒng)獲取車(chē)輛檢測(cè)閾值的自學(xué)習(xí)過(guò)程，包括基于熵權(quán)法的圖像質(zhì)量量化算法和最佳閾值的獲取算法，以實(shí)現(xiàn)面積閾值的自動(dòng)獲取。其中圖像質(zhì)量量化算法的評(píng)價(jià)指標(biāo)包括對(duì)比度、PSNR、信息熵、與參考圖像的相似度[23]、逆差矩[24]。

在圖像質(zhì)量量化模塊，系統(tǒng)首先根據(jù)各個(gè)指標(biāo)的計(jì)算方法，得出當(dāng)前背景圖像的各項(xiàng)指標(biāo)得分；然后利用熵權(quán)法計(jì)算出各項(xiàng)指標(biāo)應(yīng)占的權(quán)重，將得分與權(quán)重分別相乘并相加，得出圖像質(zhì)量的量化值。在最佳閾值的獲取模塊，方法通過(guò)求閾值和正確率之間擬合函數(shù)的最值得到最佳閾值。最后通過(guò)高斯擬合，得到最佳閾值和背景圖像質(zhì)量量化值之間的轉(zhuǎn)化模型，完成自學(xué)習(xí)過(guò)程。

在車(chē)輛識(shí)別過(guò)程中，方法首先依次按幀讀取視頻，每間隔一定時(shí)間就獲取視頻的當(dāng)前背景圖像；然后根據(jù)數(shù)學(xué)形態(tài)學(xué)原理和背景差分法獲得前景區(qū)域（前景像素點(diǎn)數(shù)量）的各個(gè)聯(lián)通圖像塊的面積，將該面積與通過(guò)熵權(quán)法確定的面積閾值相比較，大于該閾值的被認(rèn)為是車(chē)輛。

3.1 基于熵權(quán)法的圖像質(zhì)量量化算法

本文實(shí)現(xiàn)基于視頻的車(chē)輛自動(dòng)識(shí)別系統(tǒng)的環(huán)境自適應(yīng)功能是以實(shí)現(xiàn)對(duì)背景差分法聯(lián)通區(qū)域面積閾值自動(dòng)獲取為基礎(chǔ)的，采用的實(shí)現(xiàn)聯(lián)通區(qū)域面積閾值的自動(dòng)獲取方法是通過(guò)圖像相關(guān)屬性的量化實(shí)現(xiàn)的。圖像的屬性有很多，而實(shí)現(xiàn)自適應(yīng)環(huán)境的車(chē)輛識(shí)別系統(tǒng)則需要使用與車(chē)輛識(shí)別算法中相關(guān)的圖像屬性，即主要能夠反映出圖像中的目標(biāo)可被識(shí)別的容易程度。本文提出的圖像質(zhì)量量化，是指圖像中的對(duì)象可被計(jì)算機(jī)識(shí)別的容易程度，其主要是指通過(guò)主觀觀察或者對(duì)圖像屬性的客觀評(píng)價(jià)對(duì)圖像的質(zhì)量進(jìn)行描述，其指標(biāo)包括圖像的清晰度、圖像壓縮之后的保真度、對(duì)比度等。除了這些基本的圖像屬性，還應(yīng)包括一些經(jīng)典的圖像質(zhì)量評(píng)價(jià)方法，其評(píng)價(jià)值也可以作為重要的評(píng)價(jià)指標(biāo)。圖像的質(zhì)量是衡量圖像的一個(gè)重要指標(biāo)，在模式識(shí)別、計(jì)算機(jī)視覺(jué)等領(lǐng)域發(fā)揮著越來(lái)越重要的作用。

不同的天氣環(huán)境，對(duì)于圖像質(zhì)量的影響是不同的，這也是實(shí)現(xiàn)自適應(yīng)環(huán)境的車(chē)輛識(shí)別方法的主要難點(diǎn)。因此，本文對(duì)不同天氣環(huán)境對(duì)視頻圖像的影響進(jìn)行了分析。圖2是從文獻(xiàn)[25]中獲取到的同一個(gè)拍攝地點(diǎn)在霧天、雨天、陰天、晴天環(huán)境下的圖像。

Fig.1 Structure of vehicle recognition-system based on dynamic adaptive threshold圖1 基于動(dòng)態(tài)自適應(yīng)閾值的車(chē)輛識(shí)別方法的系統(tǒng)結(jié)構(gòu)

Fig.2 Images of same site under different weather conditions圖2 同一地點(diǎn)不同天氣環(huán)境下的圖像

針對(duì)上述4幅圖片，分別將圖像的對(duì)比度、峰值信噪比、信息熵、相似度、逆差矩作為量化方法，計(jì)算圖像質(zhì)量量化值。圖3是在不同的評(píng)價(jià)方法下圖像的得分情況。

從圖3中可以看出，不同天氣情況下的圖像屬性得分有很大差異。僅僅采用其中的某一種評(píng)價(jià)方法或者評(píng)價(jià)指標(biāo)難以準(zhǔn)確地對(duì)圖像質(zhì)量進(jìn)行量化。因此，本文提出了基于熵權(quán)法的圖像質(zhì)量量化算法。

熵權(quán)法是一種客觀評(píng)價(jià)方法，在信息論中，熵是描述系統(tǒng)無(wú)序程度的量。當(dāng)某一項(xiàng)評(píng)價(jià)指標(biāo)的值差別比較大時(shí)，說(shuō)明這項(xiàng)指標(biāo)提供的信息量越大，其權(quán)重就應(yīng)越大，熵權(quán)法就是實(shí)現(xiàn)這個(gè)功能的方法。在用上文的指標(biāo)進(jìn)行評(píng)價(jià)時(shí)，4幅同一地點(diǎn)不同天氣的圖片中，同一圖片在不同的評(píng)價(jià)方法上得分不同，這是由于天氣情況對(duì)圖像的影響不同所導(dǎo)致的。例如雨天圖像主要受雨點(diǎn)噪聲的影響，如果用峰值信噪比法進(jìn)行評(píng)分的話得分就較低，但是采用其他評(píng)分指標(biāo)得分就比較高一些。如果僅僅采用其中某一種評(píng)價(jià)指標(biāo)對(duì)圖像質(zhì)量進(jìn)行評(píng)價(jià)，或者僅僅采用將幾個(gè)評(píng)價(jià)指標(biāo)的得分相加的方式，不能夠突出具體的某種天氣對(duì)圖像質(zhì)量的影響。為了反映出具體的天氣影響，本文采用了熵權(quán)法對(duì)6種評(píng)價(jià)指標(biāo)賦予權(quán)重，將圖像對(duì)6種評(píng)價(jià)指標(biāo)的得分與指標(biāo)權(quán)重相乘，便可得到最后的圖像質(zhì)量量化結(jié)果。本文使用的熵權(quán)法公式為：

Fig.3 Score based on different evaluation methods圖3 不同的評(píng)價(jià)方法下圖像的得分情況

其中，Ymax表示圖像評(píng)價(jià)指標(biāo)中最大的得分值；Ymin則表示最小的得分值；Yi表示圖像對(duì)第i個(gè)評(píng)價(jià)指標(biāo)的得分。通過(guò)該公式，便可以確定針對(duì)當(dāng)前圖像各個(gè)指標(biāo)的得分情況所賦予的各個(gè)指標(biāo)的權(quán)重，特點(diǎn)是圖像對(duì)某個(gè)評(píng)價(jià)指標(biāo)得分越少，則該指標(biāo)在評(píng)價(jià)背景圖像時(shí)權(quán)重越大。本文認(rèn)為，圖像的對(duì)比度、PSNR、信息熵、與參考圖像的相似度、逆差矩這5項(xiàng)能夠充分反映出圖像質(zhì)量，并將它們作為圖像質(zhì)量的評(píng)價(jià)指標(biāo)。這5種指標(biāo)的計(jì)算方法如下所示。

（1）對(duì)比度

（2）峰值信噪比（PSNR）

（3）信息熵

（4）與參考背景圖像的相似度

（5）逆差矩

公式中，D表示圖像的對(duì)比度；Imax表示圖像中的最大灰度值；Imin表示圖像中的最小灰度值；H表示灰度均值；m表示圖像矩陣的行數(shù)；n表示圖像矩陣的列數(shù)；I(i,j)表示背景圖像第i行第j列的像素點(diǎn)的灰度；PSNR表示當(dāng)前背景圖像的峰值信噪比；C(i,j)表示參考背景圖像第i行第j列的像素點(diǎn)的灰度；L表示圖像的最大灰度等級(jí)，8位圖像為255；X表示圖像的信息熵；Pk表示圖像中灰度級(jí)k出現(xiàn)的概率；HD表示當(dāng)前背景圖像與參考背景圖像的相似度；IDM表示圖像的逆差矩。在上述6項(xiàng)指標(biāo)中，圖像的對(duì)比度能夠反映出圖像的清晰程度，一般來(lái)說(shuō)，對(duì)比度越強(qiáng)，圖像越清晰；圖像的灰度均值能夠反映出圖像的亮度，晴天的環(huán)境更有利于進(jìn)行車(chē)輛的識(shí)別；圖像的PSNR值是被廣泛使用的評(píng)價(jià)圖像質(zhì)量的標(biāo)準(zhǔn)，但具有一定的局限性，因此本文將其作為評(píng)價(jià)指標(biāo)之一，而沒(méi)有直接采取PSNR值作為圖像的質(zhì)量量化值；圖像的信息熵能夠反映出圖像的信息量大小，也能從側(cè)面反映圖像的模糊程度，即模糊的圖像提供的信息量比清晰的圖像提供的信息量更小一些；圖像與參考背景圖像的相似度反映出實(shí)際圖像和理想的清晰背景圖像的相似程度，顯然具有很大的參考價(jià)值；圖像的逆差矩反映出圖像的局部均勻性，體現(xiàn)圖像的紋理特征和模糊程度。

系統(tǒng)根據(jù)各個(gè)指標(biāo)的計(jì)算方法，得出當(dāng)前背景圖像的各項(xiàng)指標(biāo)得分，然后利用熵權(quán)法計(jì)算出各項(xiàng)指標(biāo)應(yīng)占的權(quán)重，將得分與權(quán)重分別相乘并相加，得出圖像質(zhì)量的量化值。

3.2 動(dòng)態(tài)自適應(yīng)閾值計(jì)算方法

在獲得了圖像質(zhì)量的具體量化值后，需要將這一量化值轉(zhuǎn)化成能夠用于車(chē)輛識(shí)別系統(tǒng)的閾值，例如背景差分法中的面積閾值。本文通過(guò)對(duì)多個(gè)不同天氣下的交通流視頻進(jìn)行多次實(shí)驗(yàn)后，得到每段實(shí)驗(yàn)視頻在不同的閾值取值中的準(zhǔn)確率數(shù)據(jù)；再對(duì)準(zhǔn)確率進(jìn)行二次函數(shù)擬合并求解二次函數(shù)的極值，便可以得出對(duì)該交通視頻進(jìn)行背景差分法車(chē)輛識(shí)別的最佳面積閾值；得出該值后，再利用提取出的背景圖像，采用基于熵權(quán)法的圖像質(zhì)量量化算法得出圖像質(zhì)量的量化值，并與對(duì)應(yīng)的最佳閾值數(shù)據(jù)進(jìn)行高斯擬合，可得出圖像質(zhì)量閾值和面積閾值之間的轉(zhuǎn)化模型。以其中一個(gè)視頻為例，獲得轉(zhuǎn)化模型的步驟為：

步驟1設(shè)定閾值并得出當(dāng)前閾值情況下方法的準(zhǔn)確率，進(jìn)行函數(shù)擬合或利用逼近法求最佳閾值。

步驟2更換交通流視頻并對(duì)其執(zhí)行步驟1，得到一組交通流視頻所對(duì)應(yīng)的最佳閾值數(shù)據(jù)。

步驟3獲得交通流視頻的背景圖像，并用本文所提出的基于熵權(quán)法的圖像質(zhì)量量化方法獲得背景圖像的具體量化值。

步驟4依次對(duì)應(yīng)各段交通流視頻的背景圖像質(zhì)量值和最佳閾值，并通過(guò)高斯擬合得出圖像質(zhì)量值和最佳閾值之間的關(guān)系，即為圖像質(zhì)量量化值與基于背景差分法的面積閾值之間的轉(zhuǎn)化模型。

其中，對(duì)于步驟1中的擬合方法，可以采用最小二乘法，因?yàn)槠涫褂脧V泛，算法復(fù)雜度低，根據(jù)不同道路的車(chē)流量特點(diǎn)也可以選取矩估計(jì)法或最大似然估計(jì)法等其他曲線擬合方法，3種算法的優(yōu)缺點(diǎn)比較和應(yīng)用場(chǎng)景分析在文獻(xiàn)[26]中有詳細(xì)分析。另外，當(dāng)交通流視頻較為清晰時(shí)，會(huì)出現(xiàn)面積閾值小于某個(gè)值時(shí)，準(zhǔn)確率一直保持在最高值的情況。這是因?yàn)楫?dāng)交通視頻比較清晰時(shí)，背景差分法利用數(shù)學(xué)形態(tài)學(xué)原理，可以把車(chē)輛的聯(lián)通區(qū)域塊非常準(zhǔn)確地從背景當(dāng)中提取出來(lái)，而不會(huì)出現(xiàn)其他非車(chē)輛的聯(lián)通區(qū)域的干擾，所以當(dāng)閾值小于最小聯(lián)通區(qū)域塊的面積后，無(wú)論閾值如何繼續(xù)變小，都能夠準(zhǔn)確地獲得當(dāng)前的車(chē)輛數(shù)量。此時(shí)，應(yīng)獲取在拐點(diǎn)處閾值單位相差更小的實(shí)驗(yàn)，并得到拐點(diǎn)的橫坐標(biāo)，當(dāng)閾值小于這一橫坐標(biāo)時(shí)，便可以達(dá)到最高準(zhǔn)確率。但為了進(jìn)一步得到圖像質(zhì)量和閾值之間的關(guān)系，應(yīng)將橫坐標(biāo)和其最高準(zhǔn)確率相乘，作為最佳閾值。

4 實(shí)驗(yàn)

針對(duì)本文基于動(dòng)態(tài)自適應(yīng)閾值的視頻車(chē)輛識(shí)別方法，在處理速度為2.5 GHz的雙核CPU主機(jī)，Windows10系統(tǒng)下的Matlab2013a軟件中進(jìn)行了實(shí)驗(yàn)驗(yàn)證。其中3.2節(jié)中步驟1最佳閾值的實(shí)驗(yàn)數(shù)據(jù)和擬合結(jié)果如表1和圖4所示。

Table 1 Experimental data of the best threshold表1 最佳閾值實(shí)驗(yàn)數(shù)據(jù)

Fig.4 Threshold and accuracy of quadratic function fitting圖4 閾值和正確率的二次函數(shù)擬合圖

擬合結(jié)果為：

當(dāng)x約取663.23時(shí)，為最佳閾值，方法準(zhǔn)確率最高。另外，本文3.2節(jié)步驟1中所提到的當(dāng)交通流視頻較為清晰時(shí)，在不同粒度下通過(guò)逼近法獲取最佳閾值的部分實(shí)驗(yàn)過(guò)程如圖5和圖6所示。

當(dāng)方法準(zhǔn)確率和閾值符合圖6所示的關(guān)系時(shí)，可通過(guò)實(shí)驗(yàn)將轉(zhuǎn)折點(diǎn)所在橫坐標(biāo)的值和下一數(shù)據(jù)點(diǎn)橫坐標(biāo)的值繼續(xù)精確化，并不斷迭代此過(guò)程；當(dāng)轉(zhuǎn)折點(diǎn)的精確度達(dá)到要求時(shí)，取其橫坐標(biāo)，然后和其最高準(zhǔn)確率相乘，即為最佳閾值。

Fig.5 Accuracy with threshold on a scale of 100圖5 100粒度下準(zhǔn)確率隨閾值變化圖

Fig.6 Accuracy with threshold on a scale of 5圖6 5粒度下準(zhǔn)確率隨閾值變化圖

Fig.7 Function fitting圖7 函數(shù)擬合圖

最后，本文對(duì)交通流視頻進(jìn)行了仿真多種天氣環(huán)境的處理，并進(jìn)行了閾值獲取實(shí)驗(yàn)。通過(guò)最后實(shí)驗(yàn)所得出的部分視頻的背景圖像質(zhì)量值和最佳閾值如表2所示。在獲得了上述實(shí)驗(yàn)數(shù)據(jù)后，利用高斯擬合法對(duì)數(shù)據(jù)進(jìn)行函數(shù)擬合，得到圖像質(zhì)量量化值與面積閾值之間的轉(zhuǎn)化模型，擬合圖形如圖7所示。根據(jù)擬合結(jié)果可知，圖像質(zhì)量量化值面積閾值之間的轉(zhuǎn)化模型為：

由圖8可以看出，利用本文基于動(dòng)態(tài)自適應(yīng)閾值的車(chē)輛識(shí)別方法相比普通的利用人為設(shè)定的經(jīng)驗(yàn)值進(jìn)行車(chē)輛識(shí)別的方法，其車(chē)輛識(shí)別的準(zhǔn)確率要提高很多。運(yùn)動(dòng)目標(biāo)通常在不同背景圖像下像素和不同，因此經(jīng)驗(yàn)值是不能夠適應(yīng)天氣變化的，會(huì)造成車(chē)輛識(shí)別誤差的增大。

通過(guò)理論分析和實(shí)驗(yàn)驗(yàn)證可以看出，本文基于動(dòng)態(tài)自適應(yīng)閾值的車(chē)輛識(shí)別方法具有以下優(yōu)點(diǎn)：

（1）使用基于熵權(quán)法的圖像質(zhì)量量化算法對(duì)圖像質(zhì)量進(jìn)行量化，解決了只使用其中一種評(píng)價(jià)指標(biāo)或方法不能反映不同的天氣情況對(duì)圖像影響的問(wèn)題，使得圖像質(zhì)量量化算法精確度更高，具有更強(qiáng)的適應(yīng)性。

（2）將背景圖像的質(zhì)量進(jìn)行量化，并和方法的閾值相聯(lián)系，建立圖像質(zhì)量的得分與閾值之間的轉(zhuǎn)換模型，實(shí)現(xiàn)了基于視頻背景圖像質(zhì)量的閾值自動(dòng)調(diào)整，擺脫了對(duì)人為經(jīng)驗(yàn)的依賴(lài)。

Table 2 The best threshold and background image of traffic video in different environment表2 不同環(huán)境下交通視頻的最佳閾值和背景圖像及其質(zhì)量值

Fig.8 Comparison of experimental results圖8 實(shí)驗(yàn)結(jié)果比較

5 總結(jié)

針對(duì)目前車(chē)輛識(shí)別方法在動(dòng)態(tài)變化的復(fù)雜環(huán)境中車(chē)輛識(shí)別正確率低的問(wèn)題，本文提出了基于動(dòng)態(tài)自適應(yīng)閾值的車(chē)輛識(shí)別方法。該方法首先將視頻按幀讀取，然后獲取視頻的背景圖像并進(jìn)行圖像質(zhì)量量化。對(duì)于背景圖像的質(zhì)量量化問(wèn)題，提出了基于熵權(quán)法的圖像質(zhì)量量化算法，提高了圖像質(zhì)量量化的準(zhǔn)確度。得到圖像質(zhì)量的量化值后，通過(guò)圖像質(zhì)量量化值轉(zhuǎn)化車(chē)輛識(shí)別系統(tǒng)閾值的模型，得到車(chē)輛識(shí)別系統(tǒng)當(dāng)前的最佳閾值，提高了車(chē)輛識(shí)別準(zhǔn)確度。本文通過(guò)實(shí)驗(yàn)展示了詳細(xì)的計(jì)算步驟和方法，并驗(yàn)證了該方法能根據(jù)動(dòng)態(tài)變化的環(huán)境實(shí)時(shí)更新車(chē)輛檢測(cè)閾值，有效地提高了車(chē)輛識(shí)別的正確率。

[1]Jain R,Nagel H.On the analysis of accumulative difference pictures from image sequence of real world scenes[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1979,1(2):206-214.

[2]Tsai D-M,Lai S-C.Independent component analysis-based background subtraction for indoor surveillance[J].IEEE Transactions on Image Processing,2009,18(1):158-167.

[3]Han Jianhui,Cui Mengqiang,Yuan Yaohui.FPGA implementation for background subtraction based on Gaussian mixture models[J].Journal of Harbin University of Science and Technology,2013,18(4):89-93.

[4]Wang Kongqiao,Xu Lei,Fang Yikai,et al.One-against-all frame differences based on hand detection for human and mobile interaction[J].Neurocomputing,2013,120(11):185-191.

[5]Xin Yunhong,Hou Jie,Dong Leming,et al.A self-adaptive optical flow method for the moving object detection in the video sequences[J].Optik-International Journal for Light and Electron Optics,2014,125(19):5690-5694.

[6]Wan Weibing,Huo Hongwei,Zhao Yuming.Object detection and tracking in intelligent video surveillance[M].Shanghai:Shanghai JiaoTong University Press,2009.

[7]Takaba S,Sakauchi M,Kaneko T,et al.Measurement of traffic flow using real time processing of moving pictures [C]//Proceedings of the 32nd IEEE Vehicular Technology Conference.Piscataway,USA:IEEE,1982:488-494.

[8]Abramczuk T.A microcomputer based TV detector for road traffic[J].Symposium on Road Program,1984,3(2):145-147.

[9]Yin Chaozheng.Traffic parameters detection based on video virtual-loop sensors[D].Beijing:Tsinghua University,2002.

[10]Sulivan G D,Baker K D,Worrall A D,et al.Model-based vehicle detection and classification using orthographic approximations[J].Image and Vision Computing,1997,15(8): 649-654.

[11]Badenas J,Sanchiz J M,Pla F.Motion-based segmentation and region tracking in image sequences[J].Pattern Recognition,2001,34(3):661-670.

[12]Battiato S,Farinella G M,Furnari A,et al.An integrated system for vehicle tracking and classification[J].Expert Systems withApplications,2015,42(21):7263-7275.

[13]Akula A,Khanna N,Ghosh R,et al.Adaptive contourbased statistical background subtraction method for moving target detection in infrared video sequences[J].Infrared Physics&Technology,2014,63(11):103-109.

[14]Zhou Junjing,Duan Jianmin,Yang Guangzu.Vehicle tracking based on improved deterministic data association[J].Pattern Recognition and Artificial Intelligence,2014,27(1): 89-95.

[15]Yang Min,Pei Mingtao,Wang Yongjie,et al.Video-based vehicle tracking based on moving object detection[J].Journal of Beijing Institute of Technology,2014,34(4):370-375.

[16]Oh J,Min J,Heo B.Development of an integrated system based vehicle-tracking algorithm with shadow removal and occlusion handling methods[J].Journal of Advanced Trans-portation,2012,46(2):139-150.

[17]Hajimolahoseini H,Armirfattahi R,Soltanian-Zadeh H.Robust vehicle tracking algorithm for nighttime videos captured by fixed cameras in highly reflective environments[J]. IET Computer Vision,2014,8(6):535-544.

[18]Gao Tao,Liu Zhengguang,Yue Shihong,et al.Traffic videobased moving vehicle detection and tracking in the complex environment[J].Cybernetics&Systems,2009,40(7): 20-27.

[19]Mannos J L,Sakrison D J.The effects of a visual fidelity criterion on the encoding of images[J].IEEE Transactions on Information Theory,1974,20(4):525-536.

[20]Hu Wenrui,Xie Yuan,Zhang Wensheng.Image denoising based on high order singular value decomposition and mean square error iteration[J].Journal of Image and Graphics, 2014,19(11):1563-1569.

[21]Watson A B,Hu J,McGowanⅢJ F.DVQ:a digital video quality metric based on human vision[J].Journal of Electronic Imaging,2001,10(1):20-29.

[22]Zhao Yan,Meng Liru,Wang Shigang,et al.Improved PSNR evaluation method consistent with human visual perception [J].Journal of Jilin University:Engineering and Technology Edition,2015,45(1):309-313.

[23]Hui Guobao,Tong Yifei,Li Dongbo.Image features matching based on improved patch similarity learning framework[J]. Chinese Journal of Computers,2015,38(6):1148-1161.

[24]Hu Hongyu,Guan Kehan,Li Zhihui,et al.Pedestrian count estimation considering feature spatial distribution[J].Journal of Chang'an University:Natural Science Edition,2015 (S1):54-58.

[25]Li Qian,Fan Yin,Zhang Jing,et al.Method of weather recognition based on decision-tree-based SVM[J].Journal of ComputerApplications,2011,31(6):1624-1627.

[26]Hu De,Guo Gangzheng.Comparison of applications on least square method,moment method and maximum likelihood[J].Statistics and Decision,2015(9):20-24.

附中文參考文獻(xiàn)：

[3]韓劍輝,崔猛強(qiáng),袁耀輝.基于混合高斯模型的背景差分法的FPGA實(shí)現(xiàn)[J].哈爾濱理工大學(xué)學(xué)報(bào),2013,18(4): 89-93.

[6]萬(wàn)衛(wèi)兵,霍宏偉,趙宇明.智能視頻監(jiān)控中目標(biāo)檢測(cè)與識(shí)別[M].上海:上海交通大學(xué)出版社,2009.

[9]尹朝征.基于視頻虛擬線圈的交通流參數(shù)檢測(cè)[D].北京:清華大學(xué),2002.

[14]周俊靜,段建民,楊光祖.基于改進(jìn)的確定性目標(biāo)關(guān)聯(lián)的目標(biāo)跟蹤法[J].模式識(shí)別與人工智能,2014,27(1):89-95.

[15]楊敏,裴明濤,王永杰,等.一種基于運(yùn)動(dòng)目標(biāo)檢測(cè)的視覺(jué)車(chē)輛跟蹤方法[J].北京理工大學(xué)學(xué)報(bào),2014,34(4):370-375.

[20]胡文銳,謝源,張文生.基于高階奇異值分解和均方差迭代的圖像去噪[J].中國(guó)圖象圖形學(xué)報(bào),2014,19(11):1563-1569.

[22]趙巖,孟麗茹,王世剛,等.符合人眼視覺(jué)感知特性的改進(jìn)PSNR評(píng)價(jià)方法[J].吉林大學(xué)學(xué)報(bào):工學(xué)版,2015,45(1): 309-313.

[23]惠國(guó)保,童一飛,李東波.基于改進(jìn)的圖像局部區(qū)域相似度學(xué)習(xí)架構(gòu)的圖像特征匹配技術(shù)研究[J].計(jì)算機(jī)學(xué)報(bào), 2015,38(6):1148-1161.

[24]胡宏宇,關(guān)可汗,李志慧,等.考慮特征空間分布的行人數(shù)量估計(jì)方法[J].長(zhǎng)安大學(xué)學(xué)報(bào):自然科學(xué)版,2015(S1): 54-58.

[25]李騫,范茵,張璟,等.基于室外圖像的天氣現(xiàn)象識(shí)別方法[J].計(jì)算機(jī)應(yīng)用,2011,31(6):1624-1627.

[26]胡德,郭剛正.最小二乘法、矩法和最大似然法的應(yīng)用比較[J].統(tǒng)計(jì)與決策,2015(9):20-24.

LIU Boyi was born in 1995.He is a student at College of Information Science and Technology,Hainan University, and the member of CCF.His research interests include intelligent transportation,pattern recognition and intelligent system,etc.

劉博藝（1995—），男，山東菏澤人，海南大學(xué)信息科學(xué)與技術(shù)學(xué)院學(xué)生，CCF會(huì)員，主要研究領(lǐng)域?yàn)橹悄芙煌ǎＪ阶R(shí)別與智能系統(tǒng)等。

CHENG Jieren was born in 1974.He received the Ph.D.degree from School of Computer,National University of Defense Technology in 2010.Now he is a professor and graduate supervisor at Hainan University,and the member of CCF.His research interests include cloud computing,artificial intelligence,network security and intelligent transportation,etc.

程杰仁（1974—），男，湖南郴州人，2010年于國(guó)防科學(xué)技術(shù)大學(xué)計(jì)算機(jī)學(xué)院獲得博士學(xué)位，現(xiàn)為海南大學(xué)信息科學(xué)技術(shù)學(xué)院教授、研究生導(dǎo)師，CCF會(huì)員，主要研究領(lǐng)域?yàn)樵朴?jì)算，人工智能，網(wǎng)絡(luò)安全，智能交通等。發(fā)表學(xué)術(shù)論文50余篇。

TANG Xiangyan was born in 1981.She received the M.S.degree from School of Computer,Hunan Agricultural University in 2011.Now she is a lecturer at Hainan University.Her research interests include artificial intelligence, network security and intelligent transportation,etc.

唐湘滟（1981—），女，湖南邵陽(yáng)人，2011年于湖南農(nóng)業(yè)大學(xué)計(jì)算機(jī)學(xué)院獲得碩士學(xué)位，現(xiàn)為海南大學(xué)信息科學(xué)技術(shù)學(xué)院講師，主要研究領(lǐng)域?yàn)槿斯ぶ悄?，網(wǎng)絡(luò)安全，智能交通等。

YIN Jianping was born in 1963.He received the Ph.D.degree in computer science and technology from National University of Defense Technology in 1990.Now he is a professor and Ph.D.supervisor at National University of Defense Technology,and the head of Technical Committee on Theoretical Computer Science of China Computer Federation.His research interests include algorithm design,artificial intelligence,pattern recognition and information security,etc.

殷建平（1963—），男，湖南益陽(yáng)人，1990年于國(guó)防科學(xué)技術(shù)大學(xué)獲得博士學(xué)位，現(xiàn)為國(guó)防科學(xué)技術(shù)大學(xué)教授、博士生導(dǎo)師，CCF會(huì)員，主要研究領(lǐng)域?yàn)樗惴ㄔO(shè)計(jì)，人工智能，模式識(shí)別，信息安全等。

Moving Vehicles Recognition in Complex Dynamic Environment*

LIU Boyi1,CHENG Jieren1,2+,TANG Xiangyan1,YIN Jianping3
1.College of Information Science and Technology,Hainan University,Haikou 570228,China
2.State Key Laboratory of Marine Resource Utilization in South China Sea,Hainan University,Haikou 570228,China
3.State Key Laboratory of High Performance Computing,National University of Defense Technology,Changsha 410073,China
+Corresponding author:E-mail:cjr22@163.com

In view of the problem of obtaining the best threshold in vehicle recognition system,this paper presents a dynamic adaptive threshold method for vehicle recognition based on current research.This method firstly uses the image quality equalization algorithm based on entropy weight method to calculate the equalization of background image in traffic video.Secondly,the method obtains the best threshold of vehicle recognition by using polynomial fitting. Thirdly,the method makes Gaussian fitting between the equalization of background image and the best threshold of vehicle samples to get an adaptive threshold calculation model.The system updates the background image and calculates the equalization of background image real time.Then the system inputs the image equalization to the adaptivethreshold calculation model and gets the best threshold of real-time vehicle recognition.The experimental results and theoretical analysis show that the method realizes the adaptive update of vehicle recognition according to the dynamic environment,and improves the accuracy of vehicle recognition in different environments.

vehicle recognition;image quality;Gaussian fitting;entropy weight method

A

：TP391

10.3778/j.issn.1673-9418.1607035

*The National Natural Science Foundation of China under Grant Nos.61363071,61379145，61471169(國(guó)家自然科學(xué)基金);the Natural Science Foundation of Hainan Province under Grant No.614220(海南省自然科學(xué)基金);the Doctor Start Fund of Hainan University under Grant No.kyqd1328(海南大學(xué)博士啟動(dòng)基金);the Youth Fund of Hainan University under Grant No.qnjj1444(海南大學(xué)青年基金).

Received 2016-07,Accepted 2016-11.

CNKI網(wǎng)絡(luò)優(yōu)先出版:2016-11-25,http://www.cnki.net/kcms/detail/11.5602.TP.20161125.1530.002.html