黃玲++劉邦凡

摘 要： 由于車禍現(xiàn)場(chǎng)環(huán)境復(fù)雜，科研組織曾提出的各類車禍現(xiàn)場(chǎng)識(shí)別方法不具備較高的識(shí)別精度和較短的識(shí)別時(shí)間。為了合理管理城市交通，提出一種基于圖像分析的車禍現(xiàn)場(chǎng)識(shí)別方法。使用光敏傳感器對(duì)城市交通視頻中的車禍現(xiàn)場(chǎng)圖像進(jìn)行采集，并提取出圖像的灰度閾值。圖像定位工作以車禍現(xiàn)場(chǎng)圖像的灰度閾值為輸入，對(duì)其進(jìn)行分割和邊緣刪除，獲取其中重要信息的定位圖像并進(jìn)行輸出。圖像識(shí)別工作以定位圖像為輸入，采用模式匹配技術(shù)識(shí)別出其中的目標(biāo)車禍參數(shù)并發(fā)出警報(bào)，以實(shí)現(xiàn)對(duì)車禍現(xiàn)場(chǎng)圖像中目標(biāo)車禍參數(shù)的精準(zhǔn)、高效定位。實(shí)驗(yàn)結(jié)果表明，所提方法具有較高的識(shí)別精度和較短的識(shí)別時(shí)間。

關(guān)鍵詞： 圖像分析； 車禍現(xiàn)場(chǎng)； 識(shí)別技術(shù)； 城市交通

中圖分類號(hào)： TN911.73?34； TP18 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）12?0117?03

Abstract： The various traffic accident scene recognition methods proposed by a scientific research organization can not accurately recognize the traffic accident in complex traffic accident scene environment in short time. In order to manage the urban traffic reasonably， a traffic accident scene recognition method based on image analysis is put forward. The photosensitive sensor is used in the method to acquire the traffic accident scene image in urban traffic video， and extract the gray?level threshold of the image. The gray?level threshold of the traffic accident scene image is taken as the input of image positioning to conduct its segmentation and edge deletion， and acquire the positioning image with important information for image output. The positioning image is taken as the input of image recognition. The pattern matching technology is used to recognize the parameters of target vehicle accident and send an alarm to locate the parameters of target vehicle accident in vehicle accident scene image accurately and efficiently. The experimental results show that the proposed method has higher recognition accuracy and shorter recognition time.

Keywords： image analysis； traffic accident scene； identification technology； urban traffic

隨著國(guó)民經(jīng)濟(jì)的逐年上漲，城市交通路線逐漸便捷起來(lái)，車流量也越來(lái)越大，車禍時(shí)有發(fā)生。據(jù)官方統(tǒng)計(jì)，我國(guó)2010—2015年度的車禍死亡人數(shù)均高于20萬(wàn)，因車禍導(dǎo)致的城市交通癱瘓更是不計(jì)其數(shù)[1?3]。為了更加合理地對(duì)城市交通進(jìn)行管理，科研組織開(kāi)始進(jìn)行車禍現(xiàn)場(chǎng)識(shí)別技術(shù)的研究。曾提出的各類車禍現(xiàn)場(chǎng)識(shí)別方法往往受限于車禍現(xiàn)場(chǎng)的復(fù)雜環(huán)境，故不具備較高的識(shí)別精度和較短的識(shí)別時(shí)間，無(wú)法有效優(yōu)化城市交通[4?6]。為此，提出一種基于圖像分析的車禍現(xiàn)場(chǎng)識(shí)別方法。

1 基于圖像分析的車禍現(xiàn)場(chǎng)識(shí)別技術(shù)研究

圖像分析是一種將數(shù)學(xué)模型和圖像處理技術(shù)進(jìn)行合理融合，實(shí)現(xiàn)圖像結(jié)構(gòu)采集和圖像特征分析的技術(shù)，它被廣泛應(yīng)用于人臉識(shí)別、圖像索引、醫(yī)學(xué)影像處理等研究中。在所提基于圖像分析的車禍現(xiàn)場(chǎng)識(shí)別方法中，圖像分析可以實(shí)現(xiàn)對(duì)車禍現(xiàn)場(chǎng)圖像中重點(diǎn)信息的精準(zhǔn)采集，其主要分析流程有：傳感器輸入、圖像定位和圖像識(shí)別。

1.1 車禍現(xiàn)場(chǎng)圖像的傳感器輸入

所提基于圖像分析的車禍現(xiàn)場(chǎng)識(shí)別方法通過(guò)在城市交通視頻傳輸信道上安裝光敏傳感器，進(jìn)行車禍現(xiàn)場(chǎng)圖像的采集工作。圖1為城市交通視頻傳輸信道上的光敏傳感器分布示意圖。

由圖1可知，光敏傳感器以菱形分布在城市交通視頻傳輸信道上，即相鄰信道上的光敏傳感器是錯(cuò)分排列的，這樣可有效避免光敏傳感器之間信號(hào)的相互干擾。車禍現(xiàn)場(chǎng)圖像的采集點(diǎn)位于城市交通視頻傳輸信道的最頂端，所提方法將在這里安置一個(gè)控制中心，以約束光敏傳感器的采集流程和傳輸時(shí)間，并對(duì)信道上損壞的光敏傳感器進(jìn)行及時(shí)維修。同時(shí)，控制中心還將對(duì)采集到的車禍現(xiàn)場(chǎng)圖像進(jìn)行特征參數(shù)提取，提取出的特征參數(shù)便是圖像分析中圖像定位工作的輸入值。在圖像分析中，車禍現(xiàn)場(chǎng)圖像的灰度閾值是非常重要的特征參數(shù)。通常來(lái)講，只需提取出灰度閾值，便能準(zhǔn)確進(jìn)行車禍現(xiàn)場(chǎng)的識(shí)別工作。

設(shè)光敏傳感器采集到的車禍現(xiàn)場(chǎng)圖像面積為，圖像上所標(biāo)注的車禍時(shí)間為，車禍現(xiàn)場(chǎng)環(huán)境的干擾因素有種，環(huán)境光強(qiáng)為。那么，車禍現(xiàn)場(chǎng)圖像的灰度集合（集合中共有個(gè)灰度值）與灰度閾值關(guān)系為：

式中：表示圖像失真率，用戶可根據(jù)實(shí)際需求自行設(shè)定圖像失真率；是灰度集合中的最小值。

經(jīng)由式（2）約束后的車禍現(xiàn)場(chǎng)圖像灰度閾值，才能夠作為圖像定位工作的輸入值進(jìn)行輸出。

1.2 車禍現(xiàn)場(chǎng)圖像定位

圖像分析中的圖像定位工作是對(duì)圖像灰度閾值進(jìn)行調(diào)整和修正的過(guò)程。在所提基于圖像分析的車禍現(xiàn)場(chǎng)識(shí)別方法中，圖像定位工作可對(duì)車禍現(xiàn)場(chǎng)圖像中的重要信息進(jìn)行定位，進(jìn)而避免車禍現(xiàn)場(chǎng)的復(fù)雜環(huán)境對(duì)該方法的識(shí)別精度和識(shí)別時(shí)間造成影響。圖2為車禍現(xiàn)場(chǎng)圖像定位流程圖。

由圖2可知，車禍現(xiàn)場(chǎng)圖像定位工作的具體流程為：所提方法先將車禍現(xiàn)場(chǎng)圖像灰度閾值分割成，兩部分，并令和的方差和達(dá)到最大值，其表達(dá)式為：

式中：和分別表示和的平均灰度閾值；是整個(gè)車禍現(xiàn)場(chǎng)圖像的平均灰度閾值。

隨后，將對(duì)式（3）獲取到圖像閾值分割結(jié)果進(jìn)行邊緣提取，將無(wú)效的邊緣刪除。

1.3 車禍現(xiàn)場(chǎng)圖像識(shí)別

在圖像分析中，模式匹配技術(shù)是實(shí)現(xiàn)圖像識(shí)別的一種重要方法，其原理如圖3所示。

由圖3可知，模式匹配技術(shù)將車禍現(xiàn)場(chǎng)圖像識(shí)別工作的目標(biāo)車禍參數(shù)，作為模板寫入所提基于圖像分析的車禍現(xiàn)場(chǎng)識(shí)別方法中。在具體應(yīng)用中，模式匹配技術(shù)將在車禍現(xiàn)場(chǎng)定位圖像中識(shí)別出與模板相匹配的目標(biāo)車禍參數(shù)，并發(fā)出警報(bào)。為此，本文給出如圖4所示的車禍現(xiàn)場(chǎng)定位圖像識(shí)別流程。由圖4可知，車禍現(xiàn)場(chǎng)定位圖像識(shí)別工作的具體流程為，先將車禍現(xiàn)場(chǎng)定位圖像讀取出來(lái)，并確認(rèn)所需目標(biāo)車禍參數(shù)與模式匹配技術(shù)模板是否一致。隨后，對(duì)模板和車禍現(xiàn)場(chǎng)定位圖像進(jìn)行特征提取，對(duì)比二者的特征參數(shù)，并將車禍現(xiàn)場(chǎng)定位圖像中與模板特征參數(shù)重疊的區(qū)域設(shè)為目標(biāo)車禍參數(shù)。

2 實(shí)驗(yàn)結(jié)果分析

2.1 方法識(shí)別精度驗(yàn)證

三種方法識(shí)別出的車禍現(xiàn)場(chǎng)圖像如圖5所示，其中，圖5（a）～圖5（c）分別為本文方法、基于向量機(jī)的車禍現(xiàn)場(chǎng)識(shí)別方法和基于Web技術(shù)的車禍現(xiàn)場(chǎng)識(shí)別方法識(shí)別出的車禍現(xiàn)場(chǎng)圖像。

通過(guò)對(duì)比圖5中的三幅車禍現(xiàn)場(chǎng)圖像可知，本文方法識(shí)別出的車禍現(xiàn)場(chǎng)圖像的清晰度要遠(yuǎn)高于其他兩種方法，而且本文方法對(duì)目標(biāo)車禍物體進(jìn)行了重點(diǎn)細(xì)化顯示，對(duì)于人群、樹(shù)木等環(huán)境干擾信息也能夠進(jìn)行正常顯示。通過(guò)肉眼觀察來(lái)看，本文方法具有較高的識(shí)別精度，現(xiàn)將圖5中三幅車禍現(xiàn)場(chǎng)圖像的各項(xiàng)目標(biāo)車禍參數(shù)提取出來(lái)，并與Matlab Mac軟件給出的標(biāo)準(zhǔn)目標(biāo)車禍參數(shù)進(jìn)行對(duì)比，獲取到三種方法的識(shí)別精度，如表1所示。

由表1可知，基于向量機(jī)的車禍現(xiàn)場(chǎng)識(shí)別方法和基于Web技術(shù)的車禍現(xiàn)場(chǎng)識(shí)別方法的識(shí)別精度很少有高于0.90的情況出現(xiàn)，而本文方法的識(shí)別精度均維持在0.90以上，平均識(shí)別精度為0.94。上述結(jié)果能夠驗(yàn)證，本文方法具有較高的識(shí)別精度。

2.2 方法識(shí)別時(shí)間驗(yàn)證

利用Matlab Mac軟件在城市交通視頻中插入300個(gè)車禍現(xiàn)場(chǎng)，車禍現(xiàn)場(chǎng)的環(huán)境復(fù)雜程度分為三個(gè)等級(jí)，每個(gè)等級(jí)的車禍現(xiàn)場(chǎng)均有100個(gè)。使用三種方法對(duì)這些車禍現(xiàn)場(chǎng)進(jìn)行識(shí)別，記錄下三種方法的識(shí)別時(shí)間，并計(jì)算平均值，如表2所示。

由表2可知，本文方法在三種方法中的識(shí)別用時(shí)最短，驗(yàn)證了本文方法具有較短的識(shí)別時(shí)間。

3 結(jié) 論

本文提出基于圖像分析的車禍現(xiàn)場(chǎng)識(shí)別方法。圖像分析是一種利用數(shù)學(xué)模型和圖像處理技術(shù)進(jìn)行圖像結(jié)構(gòu)采集和圖像特征分析的技術(shù)，其主要工作流程有傳感器輸入、圖像定位和圖像識(shí)別。通過(guò)實(shí)驗(yàn)對(duì)本文方法進(jìn)行對(duì)比驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，所提方法具有較高的識(shí)別精度和較短的識(shí)別時(shí)間，能夠?yàn)槌鞘薪煌ü芾砉ぷ魈峁┹^大的幫助。

參考文獻(xiàn)

[1] 程光偉，劉東明.FPGA圖像處理在水果品級(jí)篩選技術(shù)中的應(yīng)用[J].現(xiàn)代電子技術(shù)，2016，39（2）：89?91.

[2] 張利峰.重大外來(lái)與新發(fā)水生動(dòng)物疫病識(shí)別與監(jiān)測(cè)技術(shù)研究及示范[J].中國(guó)科技成果，2016，17（3）：21.

[3] 卓建森.基于現(xiàn)場(chǎng)可編程邏輯門陣列的車牌識(shí)別系統(tǒng)設(shè)計(jì)[J].人類工效學(xué)，2016，22（1）：57?62.

[4] 張爾卿，傅攀，吳希曦，等.基于聲發(fā)射主軸機(jī)械密封端面開(kāi)啟狀態(tài)識(shí)別技術(shù)[J].潤(rùn)滑與密封，2014，39（4）：67?73.

[5] 郭曉麗，程遠(yuǎn).說(shuō)話人識(shí)別技術(shù)及其在工廠自動(dòng)控制系統(tǒng)中的應(yīng)用[J].企業(yè)技術(shù)開(kāi)發(fā)月刊，2015，18（3）：50?51.

[6] 龐東曉，潘登，賀秋云.井下無(wú)線微小信號(hào)識(shí)別技術(shù)研究[J].石油機(jī)械，2016，44（3）：44?47.