劉凱雄， 李玉惠， 李 勃， 劉加運(yùn)，

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500;2.云南省智能交通系統(tǒng)工程技術(shù)研究中心 智能圖像處理研究室，云南 昆明 650500)

高速道路交通視頻中車輛目標(biāo)提取研究*

劉凱雄1,2， 李玉惠1,2， 李 勃1,2， 劉加運(yùn)1,2，

(1.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南昆明650500;2.云南省智能交通系統(tǒng)工程技術(shù)研究中心智能圖像處理研究室，云南昆明650500)

為了能夠從監(jiān)控視頻中快速、準(zhǔn)確地分析車輛目標(biāo)，提出了基于感興趣區(qū)域(ROI)的車輛目標(biāo)提取方法。針對(duì)高速公路監(jiān)控視頻,利用混合高斯背景建模，在視頻中劃定ROI,以排除逆向車道車輛目標(biāo)的影響，應(yīng)用圖像形態(tài)學(xué)進(jìn)行干擾點(diǎn)排除與前景圖像輪廓空洞填充，對(duì)運(yùn)動(dòng)車輛目標(biāo)進(jìn)行檢測后，用最小矩形方框法自動(dòng)截取目標(biāo)，最終，通過圖像尺度歸一化建立車輛樣本數(shù)據(jù)庫，為車型分類和識(shí)別提供目標(biāo)圖像。實(shí)驗(yàn)結(jié)果表明：該方法對(duì)車輛目標(biāo)提取準(zhǔn)確率高，且圖像數(shù)據(jù)庫樣本豐富。

混合高斯背景建模； 感興趣的區(qū)域； 背景差分法； 最小矩形； 車輛目標(biāo)提取

0 引 言

目前，關(guān)于車輛識(shí)別和分類大量實(shí)驗(yàn)圖像樣本庫的建立都是以人工截取建立的數(shù)據(jù)庫，任務(wù)量大，消耗人力且成本又高；同時(shí),為了輔助公安及交警部門進(jìn)行車輛目標(biāo)的識(shí)別與軌跡分析等執(zhí)法辦案。本文利用計(jì)算機(jī)圖像處理技術(shù)，針對(duì)道路交通視頻的智能化設(shè)計(jì)的車輛目標(biāo)最優(yōu)化自動(dòng)提取的實(shí)驗(yàn)研究，實(shí)現(xiàn)自動(dòng)截取最優(yōu)車輛目標(biāo)圖像并保存，建立樣本數(shù)據(jù)庫，對(duì)車輛目標(biāo)進(jìn)行分類和識(shí)別[1,2]。

1 實(shí)驗(yàn)整體方案設(shè)計(jì)

基于高速道路交通視頻中車輛目標(biāo)提取系統(tǒng)是針對(duì)視頻中進(jìn)行混合高斯模型進(jìn)行背景訓(xùn)練，通過劃定視頻中的感興趣的區(qū)域(region of interest,ROI)，排除逆向車道的車輛影響,同時(shí),對(duì)車輛目標(biāo)最優(yōu)化的界定，背景差分法是獲取車輛目標(biāo)在圖像中位置的關(guān)鍵步驟，最后對(duì)前景圖像以最小矩形的方法框定車輛目標(biāo)[3],(最大化地獲取車輛目標(biāo)，同時(shí)最小化圖像中背景圖像的干擾。)截取保留到指定文件夾中，最后通過圖像尺度歸一化將圖像保存，建立車輛目標(biāo)的數(shù)據(jù)樣本庫?？傮w流程如圖1所示。

圖1 車輛目標(biāo)提取實(shí)驗(yàn)流程

2 實(shí)驗(yàn)流程與原理

2.1 視頻中的ROI提取

首先，對(duì)視頻圖像序列中設(shè)定了一個(gè)ROI定義車輛目標(biāo)提取相關(guān)圖像處理域，以避免反向車道車輛的影響，同時(shí)，可以減少圖像處理的計(jì)算量，從而降低提取的時(shí)間復(fù)雜度，提高處理效率。

目前的研究方法是通過設(shè)置一條虛擬檢測線進(jìn)行后續(xù)的處理[4]，在實(shí)際實(shí)驗(yàn)中，如果反向車道的車輛也在視頻ROI內(nèi)運(yùn)動(dòng)，則通過再設(shè)置兩條由兩個(gè)端點(diǎn)各自向車輛運(yùn)動(dòng)方向的反向延伸的線段，即再設(shè)置兩個(gè)端點(diǎn)坐標(biāo)P3(x3,y3)，P4(x4,y4)，與虛擬檢測線設(shè)置的兩個(gè)端點(diǎn)構(gòu)成三條線段，兩條邊界線與虛擬檢測線形成“凹形框”，劃定車輛的行駛方向，可以避免反向車道內(nèi)的車輛的影響，提高提取效率和準(zhǔn)確率。虛擬檢測線與兩條邊界線構(gòu)成的直線方程為：

虛擬檢測線

Ax+By+C=0

(1)

左邊界線

A1x+B1y+C1=0

(2)

右邊界線

A2x+B2y+C2=0

(3)

2.2 基于混合高斯背景建模算法

實(shí)現(xiàn)對(duì)車輛目標(biāo)的檢測時(shí)首先要進(jìn)行道路卡口的混合高斯背景建模，背景建模效果直接影響著運(yùn)動(dòng)目標(biāo)檢測算法性能?；旌细咚鼓Ｐ徒Ｊ悄壳爸髁鞅尘敖５姆椒?，運(yùn)行時(shí)間短，復(fù)雜度低，詳細(xì)算法流程如圖2所示。

圖2 混合高斯模型算法流程

混合高斯背景建模算法原理：

1)任意一個(gè)新像素Xt同當(dāng)前K個(gè)模型按式(4)進(jìn)行匹配，直到找到匹配新像素值的分布模型，均值偏差x≤2.5σ

|Xt-μi,t-1|≤2.5σi,t-1

(4)

2)若所匹配的模式符合背景，則該像素屬于背景;否則,m屬于前景(運(yùn)動(dòng)目標(biāo))。

3)各模式權(quán)值按式(5)更新，其中，α為學(xué)習(xí)速率，對(duì)于匹配的模式Mk,t=1；否則，Mk,t=0。然后，對(duì)各模式的權(quán)重進(jìn)行歸一化

wk,t=(1-α)wk,t+αMk,t

(5)

4)未匹配模式的均值μ與標(biāo)準(zhǔn)差σ保持不變，匹配模式的各參數(shù)進(jìn)行更新

ρ=αη(Xt|μk,σk)

(6)

μt=(1-ρ)μt-1+ρXt

(7)

(8)

5)若步驟(1)中沒有任何模式匹配，則權(quán)重最小的模式被替換，即該模式的均值為當(dāng)前像素值，標(biāo)準(zhǔn)差為初始較大值，權(quán)重為較小值。

6)各模式根據(jù)w/α2按降序排列，權(quán)重大、標(biāo)準(zhǔn)差小的模式排列先前。

7)選前B模式作為背景，B滿足式(9)，參數(shù)T為背景所占百分比

(9)

2.3 背景差分法

背景差分法是采用圖像序列中的當(dāng)前幀和背景參考模型比較來檢測運(yùn)動(dòng)物體的一種方法,其性能依賴于所使用的背景建模技術(shù)[5]，具有檢測運(yùn)動(dòng)目標(biāo)速度快且結(jié)論相對(duì)準(zhǔn)確，易于實(shí)現(xiàn)。系統(tǒng)采用了背景差分法，在建立混合高斯背景模型后，運(yùn)用背景差分法，通過形態(tài)學(xué)處理可實(shí)現(xiàn)對(duì)車輛目標(biāo)輪廓空洞填充，消除微小背景及水印干擾點(diǎn)，實(shí)現(xiàn)車輛目標(biāo)檢測得到前景圖像及車輛輪廓，如圖3所示。

圖3 背景差分法的處理流程

2.4 車輛目標(biāo)的最小矩形

最小外接矩形是指以二維坐標(biāo)表示的若干二維形狀(例如點(diǎn)、直線、多邊形)的最大范圍，即以給定的二維形狀各頂點(diǎn)中的最大橫坐標(biāo)pt[2]、最小橫坐標(biāo)pt[0]、最大縱坐標(biāo)pt[3]、最小縱坐標(biāo)pt[1]定下邊界的矩形。一個(gè)矩形包含給定的二維形狀，且邊與坐標(biāo)軸平行。最小外接矩形是最小外接框的二維形式，如圖4所示。

圖4 最小矩形二維形式

2.5 車輛圖像尺度歸一化

由于道路視頻分辨率存在的差異使得車輛對(duì)象圖像的大小不同，不同卡口攝像機(jī)拍攝到的同一車輛對(duì)象的尺寸大小通常不一樣。車輛尺寸的不一致增加了對(duì)后續(xù)車型的識(shí)別誤差。為了減小圖像尺度不一對(duì)部分車輛識(shí)別和分類分析的影響，在提取車輛對(duì)象后需要對(duì)圖像進(jìn)行歸一化處理。本實(shí)驗(yàn)采用區(qū)域插值法：1)利用圖像的紋理復(fù)雜度，將圖像劃分成不同的區(qū)域；2)根據(jù)采樣點(diǎn)在原圖像中的區(qū)域位置，利用區(qū)域插值方法構(gòu)造采樣點(diǎn)。

3 實(shí)驗(yàn)結(jié)果分析

為了測試本文算法的性能，實(shí)驗(yàn)采用云南省高速道路某卡口的視頻幀序列，視頻ROI的劃定采用人工鼠標(biāo)事件進(jìn)行4個(gè)坐標(biāo)點(diǎn)的標(biāo)準(zhǔn)[8]，效果如圖5所示。

圖5 車輛目標(biāo)提取過程

對(duì)于視頻中提取到的車輛目標(biāo)可根據(jù)具體后續(xù)實(shí)驗(yàn)的需求，設(shè)定歸一化的尺寸，實(shí)驗(yàn)中對(duì)車型分類進(jìn)行了64×64的歸一化處理，實(shí)驗(yàn)結(jié)果如圖6所示。

最后,對(duì)同一視頻提取車輛目標(biāo)的實(shí)驗(yàn)結(jié)果進(jìn)行數(shù)據(jù)分析，正確率=(提取到的車輛目標(biāo)數(shù)—提取到的重復(fù)目標(biāo)數(shù))/ 總車輛數(shù)。實(shí)驗(yàn)視頻幀序列中總車輛數(shù)為241輛，提取到232輛，重復(fù)提取13輛。因此,本次實(shí)驗(yàn)提取車輛目標(biāo)的正確率為90.87%。

圖6 歸一化處理后車輛圖像樣本

4 結(jié)束語

本文提出了基于視頻中ROI的最優(yōu)化車輛目標(biāo)的自動(dòng)提取系統(tǒng)的實(shí)現(xiàn)原理與過程，運(yùn)用混合高斯模型進(jìn)行背景建模景差分法對(duì)圖像中的每個(gè)像素建立多個(gè)高斯模型，有效克服了白噪聲、字幕、樹葉周期性抖動(dòng)的影響，對(duì)監(jiān)控視頻中車輛對(duì)象提取保留了對(duì)象車輛的相對(duì)完整性，同時(shí)，對(duì)不同尺寸的車輛目標(biāo)圖像進(jìn)行歸一化處理，以消除對(duì)后續(xù)車型分類和識(shí)別的影響。實(shí)驗(yàn)結(jié)果表明：該系統(tǒng)有效地解決了高速道路監(jiān)控視頻中車輛目標(biāo)的提取及樣本庫的建立，可應(yīng)用于實(shí)際道路視頻監(jiān)控工作中。

[1] Li Zhihua,Zhou Fan,Tian Xiang ,etc.High efficient moving object extraction and classification in traffic video surveillance[J].Journal of Systems Engineering and Electronics,2009,20(4):858-868.

[2] 繆小冬,李舜酩,沈 峘,等.路面車輛的視覺檢測方法[J].傳感器與微系統(tǒng),2010,29(2):5-8,12.

[3] 朱 煉,孫 楓,夏芳莉,等.圖像融合研究綜述[J].傳感器與微系統(tǒng),2014,33(2):14-18.

[4] 夏 潔,吳 健,陳建明,等.基于虛擬檢測線的交通視頻關(guān)鍵幀提取[J].蘇州大學(xué)報(bào)：工科版,2010(2):1-11.

[5] 屈晶晶，辛云宏 .連續(xù)幀間差分與背景差分相融合的運(yùn)動(dòng)目標(biāo)檢測方法[J].光子學(xué)報(bào)，2014，43(7)：1-8.

Researchonvideovehicleobjectextractionbasedonhigh-speedroadtraffic*

LIU Kai-xiong1,2， LI Yu-hui1,2， LI Bo1,2， LIU Jia-yun1,2

(1.SchoolofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,China;2.IntelligentImageProcessingResearchCenterofIntelligentTransportationSystemEngineeringTechnologyResearchCenterofYunnanProvince,Kunming650500,China)

In order to analyze on vehicle target from the surveillance video quickly and accurately,vehicle target extraction method based on region of interest (ROI) area is proposed.Aiming at highway surveillance video,use Gaussian mixture background for modeling,draw ROI area invideo,to eliminate the influence of the reverse drive vehicle target,by method of image morphology for eliminating interference points and image contour cavity filling,after detecting vehicle moving target automatically intercept target with minimum rectangular box method,and finally build vehicles sample database by normalized image scale,provide target image for vehicle classification and recognition.The experimental results show that extraction accuracy of vehicle target by the method is high,and be able to rich the image database sample.

Gaussian mixture background modeling; region of interest(ROI) area; background difference method; the smallest rectangle; vehicle target extraction

10.13873/J.1000—9787(2017)10—0035—03

2016—08—12

國家自然科學(xué)基金資助項(xiàng)目(61363043)

TN 919

A

1000—9787(2017)10—0035—03

劉凱雄(1990-)，男，碩士研究生，主要研究方向?yàn)橹悄軋D像處理。李玉惠，通訊作者，E—mail：1484946977@qq.com。