周明江++王繼武

摘 要：采用了一種自適應(yīng)背景差分法中背景更新的改進(jìn)方案對車輛進(jìn)行檢測，并結(jié)合迭代式閾值法和人工閾值法成功地完成目標(biāo)的分割。檢測出車輛后，運(yùn)用改進(jìn)的卡爾曼濾波器運(yùn)動跟蹤算法跟蹤車輛。卡爾曼濾波器做運(yùn)動估計(jì)可縮小特征搜索范圍；在特征提取上，采用了質(zhì)心和窗口相結(jié)合的方法；在特征匹配中，使用了相似函數(shù)的概念；在更新算法中，創(chuàng)新性地將圖像分成進(jìn)入?yún)^(qū)、跟蹤區(qū)和離開區(qū)3個區(qū)域。

關(guān)鍵詞：背景提?。荒繕?biāo)檢測；卡爾曼濾波；目標(biāo)跟蹤

中圖分類號：U495 文獻(xiàn)標(biāo)識碼：A DOI：10.15913/j.cnki.kjycx.2017.04.076

隨著社會經(jīng)濟(jì)的不斷發(fā)展，整個社會對交通運(yùn)輸?shù)男枨蟛粩嘣龃螅瑫r(shí)也引發(fā)了交通事故、環(huán)境污染等一系列問題，智能交通系統(tǒng)（Intelligent Transportation System，ITS）也就應(yīng)運(yùn)而生了。車輛檢測系統(tǒng)作為智能交通系統(tǒng)中“先進(jìn)交通管理系統(tǒng)ATMS”的子系統(tǒng)，是智能交通系統(tǒng)的基礎(chǔ)。車輛視頻檢測技術(shù)比傳統(tǒng)的微波檢測器、環(huán)行線圈檢測器等模擬類技術(shù)具有明顯的優(yōu)勢，因而成為研究的熱點(diǎn)。

1 圖像預(yù)處理

在車輛視頻檢測與跟綜中，對圖像的預(yù)處理尤為重要，它直接關(guān)系到后續(xù)車輛檢測與跟蹤的精度。

1.1 圖像灰度化

實(shí)際中，一般的圖像傳感器都采用彩色攝像機(jī)。這使得圖像數(shù)據(jù)量很大，影響處理速度。當(dāng)光線較弱時(shí)，灰度圖像的清晰度高于彩色圖形，因此有必要把彩色圖像轉(zhuǎn)化為灰度圖像。

1.2 圖像灰度修正

圖像灰度修正可使圖像動態(tài)處理范圍擴(kuò)大，圖案更清晰。常用的圖像灰度修正有直接灰度變換和直方圖修正。仿真結(jié)果表明，在本課題中，直接灰度變換的效果要好于直方圖修正，因此本文采用前者來進(jìn)行后續(xù)實(shí)驗(yàn)。

1.3 圖像噪聲去除

由于圖像噪聲會嚴(yán)重影響圖像清晰度，因此有必要進(jìn)行去噪處理。常用的去噪方法有平滑線性濾波法、加權(quán)平均法、中值濾波法和低通濾波法。仿真結(jié)果表明，平滑線性濾波的去噪效果最佳，因而被用于對車輛圖像去噪。

1.4 閾值分割

在得到車輛圖像的差分圖像后，需對它進(jìn)行閾值分割，以便得到確切的運(yùn)動目標(biāo)。常用的閾值分割方法有人工閾值法、自動閾值法、分水嶺算法。其中，自動閾值法又包含迭代式閾值選擇法、Otsu閾值選擇法等。仿真比較了上述各種方法的性能，結(jié)果顯示以迭代式閾值法的效果最佳，因此本實(shí)驗(yàn)中采用這一方法。

2 運(yùn)動車輛的檢測

2.1 背景差分法的不足

背景差分法雖然原理簡單，運(yùn)算量小，分割結(jié)果比幀差法要完整，但它存在2個不足：①背景差分法要求靜態(tài)的交通場景，但在繁忙的交通路段，直接通過視頻圖像抓取無車的靜態(tài)場景較為困難。②由于交通信息采集系統(tǒng)置于室外，而室外的交通靜態(tài)場景會受到天氣、光照條件的影響，導(dǎo)致當(dāng)前背景模型與實(shí)際背景模型偏差較大。這將直接影響車輛的檢測精度。

下面將分別討論這2個問題。

2.2 背景差分法的改進(jìn)

背景差分法的改進(jìn)，就是基于自適應(yīng)背景差分的運(yùn)動目標(biāo)檢測。

2.2.1 初始理想背景的獲取

背景差分法要求靜態(tài)的交通場景。本文使用了統(tǒng)計(jì)平均法來合成相對真實(shí)的靜態(tài)交通場景。其思想在于，由于道路上車輛的多樣性，有的車輛亮度值比路面亮度值高，有的車輛亮度值比路面亮度值低，因此從統(tǒng)計(jì)學(xué)角度看，由車輛經(jīng)過而引起的變化在長時(shí)間內(nèi)可忽略，因而可以采用對連續(xù)多幀圖像進(jìn)行統(tǒng)計(jì)平均來合成初始理想背景，公式如下：

（1）

式（1）中：Bk為背景圖像；N為圖像幀數(shù)（理論上應(yīng)使用150～200張圖像）；fk為第k幀序列圖像。

2.2.2 自適應(yīng)背景更新

本文采用了如下方案對背景進(jìn)行更新。

首先對累積的N（N≥100）幀視頻圖像取平均，得到當(dāng)前

初始背景以啟動算法。

然后計(jì)算當(dāng)前輸入圖像與當(dāng)前背景之差，令I(lǐng)k（x，y）和Bk（x，y）分別表示當(dāng)前輸入圖像和當(dāng)前背景，得到差值圖像Dk（x，y），再經(jīng)二值化得到二值圖像BWk（x，y）：

（2）

上式中所有對應(yīng)運(yùn)動車輛的像素值為1，其他像素值為0.

最后在BWk（x，y）=1的位置處，說明該點(diǎn)處于運(yùn)動車輛區(qū)域，則維持當(dāng)前背景；最后在BWk（x，y）=0的位置處，說明該點(diǎn)對應(yīng)于背景區(qū)域，沒有車輛出現(xiàn)，應(yīng)按如下公式進(jìn)行背景更新：

（3）

更新后，Bk+1（x，y）即作為新的當(dāng)前背景圖像而與下一幀圖像差分，后續(xù)幀的背景更新與此類似。在實(shí)際中，α取為經(jīng)驗(yàn)值，在0.75～0.95之間。本文選取α=0.85對背景圖像進(jìn)行動態(tài)更新。

2.3 閾值分割方案的改進(jìn)

上文曾提到采用迭代式閾值法對車輛差分圖像進(jìn)行分割，以得到準(zhǔn)確的車輛區(qū)域，但筆者在實(shí)驗(yàn)中發(fā)現(xiàn)，如果能結(jié)合人工法初步確定閾值大小，再用迭代法對圖像進(jìn)行分割，不僅可以降低設(shè)定閾值的盲目性，還可以較大程度地減少迭代次數(shù)，利于實(shí)時(shí)處理。本文正是采用了兩者相結(jié)合的方法。

2.4 運(yùn)動目標(biāo)檢測算法流程和實(shí)驗(yàn)效果

圖1為車輛檢測算法流程。

上述檢測算法大致可以分為背景提取、背景更新、圖像處理、運(yùn)動目標(biāo)檢測4個步驟，前面所講到的模塊都在流程圖中得到了體現(xiàn)。該算法的實(shí)驗(yàn)效果如圖2.由仿真結(jié)果可知，該算法能準(zhǔn)確檢測出車輛，精度較高，且可滿足實(shí)時(shí)處理的要求。

3 運(yùn)動車輛的跟蹤

3.1 卡爾曼濾波器原理

卡爾曼濾波利用反饋控制系統(tǒng)估計(jì)運(yùn)動狀態(tài)；濾波器估計(jì)某一時(shí)間的狀態(tài)，并獲得該狀態(tài)的預(yù)測。它分成預(yù)測和修正2部分。預(yù)測公式負(fù)責(zé)利用當(dāng)前的狀態(tài)和錯誤協(xié)方差估計(jì)得到先驗(yàn)估計(jì)；而修正公式負(fù)責(zé)反饋部分，它將新的觀測和先驗(yàn)估計(jì)一起考慮，從而獲得后驗(yàn)估計(jì)?？柭鼮V波算法的描述如圖3所示。

3.2 卡爾曼濾波跟蹤算法的改進(jìn)

本文采用二階卡爾曼濾波器為目標(biāo)運(yùn)動模型來預(yù)測車輛的位置，并在常用卡爾曼濾波跟蹤算法的基礎(chǔ)上加以改進(jìn)，得到如下算法，它分為4個子模塊。

3.2.1 特征計(jì)算

根據(jù)分割后的車輛區(qū)域計(jì)算出運(yùn)動車輛的特征值，比如質(zhì)心、跟蹤窗口等。