彭梓晗 程佳馨 魏筱萌

（南京農(nóng)業(yè)大學(xué)工學(xué)院農(nóng)機(jī)系，中國 南京 210031）

0　研究背景

電動自行車逆行是重大交通事故的罪魁禍?zhǔn)祝欢缆飞先鄙賹ζ浔O(jiān)管的裝置，致使其駕駛者產(chǎn)生僥幸心理。而人工監(jiān)管耗時(shí)費(fèi)力，因而設(shè)置對非機(jī)動車如電動自行車的監(jiān)管裝置勢在必行，只有實(shí)現(xiàn)和機(jī)動車類似的違章抓拍，才能從根本上解決。

1　基于視頻的交通事件檢測

1.1　交通事件監(jiān)測系統(tǒng)概述

交通事件監(jiān)測系統(tǒng)有如下幾個(gè)流程：運(yùn)動車輛自動檢測、運(yùn)動車輛自動跟蹤、交通事件判定、異常交通事件發(fā)生自動報(bào)警。核心部分是對采集的交通監(jiān)測視頻進(jìn)行圖像處理，通過對目標(biāo)的檢測與跟蹤，得到其行駛軌跡，再利用算法對車輛違章行為進(jìn)行判定，從而達(dá)到對車輛違章事件的監(jiān)測。

1.2　背景提取——混合高斯背景模型

混合高斯模型是一個(gè)可以用來表示在總體分布中含有K個(gè)子分布的概率模型，其中K取值為3到5。K值越大,處理得到的檢測效果越好，但處理所需時(shí)間也越長。其概率密度函數(shù)可以用K 個(gè)高斯函數(shù)表示：

獲得新的圖像后，將當(dāng)前圖像像素和混合高斯模型中K 個(gè)高斯分布進(jìn)行匹配，若滿足下式，則認(rèn)為匹配成功。

以下為通過高斯混合模型提取出來的背景和前景：

圖1　視頻前景圖

圖2　視頻背景圖

1.3　運(yùn)動目標(biāo)檢測方法

1.3.1背 景 差 分 法

該算法是利用視頻圖像中的當(dāng)前幀與背景參考模型比較來檢測運(yùn)動前景的一種方法。設(shè)定BGi為背景圖像，F(xiàn)i為當(dāng)前幀圖像，差分圖像 Di，則：

為RiDi(x,y)二值化后的圖像。對 Ri進(jìn)行連通分析，當(dāng)此連通區(qū)域的面積大于設(shè)定閾值T，就認(rèn)為是檢測目標(biāo)。

1.3.2幀 間 差 分 法

幀間差分法是利用相鄰幀圖像間的區(qū)別來獲取運(yùn)動目標(biāo)。即對一段視頻中連續(xù)的圖像幀做差分運(yùn)算，以此獲取運(yùn)動目標(biāo)輪廓。在多目標(biāo)檢測和攝像機(jī)運(yùn)動的情況下也具有很好的適用性。

1.4　運(yùn)動目標(biāo)跟蹤方法概述

1.4.1基 于 輪 廓 的 跟 蹤 方 法

其思想是將圖像進(jìn)行分割，得到一塊連通的區(qū)域，進(jìn)而判別該區(qū)域是背景還是前景。將得到的目標(biāo)輪廓作為初始模板，對視頻中的每一幀圖像進(jìn)行二值化處理，最后進(jìn)行模板匹配，跟蹤運(yùn)動目標(biāo)的輪廓，并自適應(yīng)更新。

1.4.2基 于 特 征 跟 蹤 法

該算法通過提取車輛某些特征來實(shí)現(xiàn)車輛跟蹤。常見的目標(biāo)特征有：點(diǎn)、線、區(qū)域、大小、邊緣，有時(shí)候還有一些亮度特征。在視頻圖像序列中，一般情況下的幀頻率為15-30幀/秒，可以假設(shè)這些特征在其運(yùn)動軌跡上是平滑的。

1.4.3基于 3D模型的跟蹤方法

該方法是根據(jù)攝像機(jī)的三維幾何學(xué)知識，通過將一個(gè)三維模型投影到圖像中，從而分析圖像中運(yùn)動目標(biāo)的位置而進(jìn)行跟蹤[1]。運(yùn)用三維模型來描述，特征較全面，但獲取精確的運(yùn)動目標(biāo)幾何模型非常困難，因此其應(yīng)用也受限。

2　電動自行車檢測跟蹤

2.1　電動自行車識別

2.1.1降 噪 處 理

圖像降噪的方法有均值濾波、中值濾波、形態(tài)學(xué)噪聲濾除和小波去噪等。通過比較分析，我們最終采用的是中值濾波，這種降噪方法對消除椒鹽噪聲特別有效，既去除噪聲又能保證圖像的邊緣銳度不改變。

2.1.2降 序 排 序

利用OpenCV中自帶的尋找輪廓和繪制輪廓函數(shù)獲取前景對象的最外輪廓,再將每一個(gè)輪廓的面積用其外接矩形的面積表示,并對面積進(jìn)行降序排序,去除偽目標(biāo)。

2.2　電動自行車跟蹤及軌跡提取——卡爾曼濾波

卡爾曼濾波原理是：根據(jù)運(yùn)動方程對該值進(jìn)行預(yù)測，作為跟蹤的一個(gè)依據(jù)。另一個(gè)依據(jù)是用測量手段得到變量的值?？柭鼮V波通過對這兩個(gè)依據(jù)進(jìn)行一系列迭代實(shí)現(xiàn)運(yùn)動車輛跟蹤[2]。

卡爾曼濾波理論的兩個(gè)核心公式為：

運(yùn)動方程：Xk=AkXk-1+Wk（2-1）

預(yù)測方程：Yk=CkXkVk（2-2）

2.2.1跟 蹤

1）跟蹤車輛質(zhì)心提取

在圖像處理中用外接矩形框住電動自行車，矩形中心即車輛質(zhì)心。由矩形可以獲得對角點(diǎn)坐標(biāo)：左下點(diǎn) A(x0,y0)，右上點(diǎn) B(x1,y1)。通過對角點(diǎn)坐標(biāo)可以求出中心坐標(biāo)

2）質(zhì)心匹配

假設(shè)我們要跟蹤第k幀中的第i個(gè)目標(biāo)，要計(jì)算在k+1幀中所有車輛目標(biāo)和上一幀中第i個(gè)目標(biāo)的距離，我們假設(shè)與k+1幀第j個(gè)目標(biāo)進(jìn)行計(jì)算：

2.2.2軌 跡 顯 示

將監(jiān)測的電動自行車質(zhì)心標(biāo)記為：

其中(xiyi)表示第i幀圖像中被追蹤目標(biāo)的質(zhì)心坐標(biāo)，將這些坐標(biāo)相連，即可繪制出電動自行車運(yùn)動軌跡，再根據(jù)圖線判斷電動自行車行為。

3　逆行檢測

以道路規(guī)定的正確行駛方向?yàn)閥軸正方向，攝像機(jī)對著車流來向。用數(shù)組Centre[i]來存儲質(zhì)心坐標(biāo)。在正確的行駛情況下，y軸的坐標(biāo)只會逐步增大，一旦出現(xiàn)yi+1-yi＜0，即可判定電動自行車逆行。但是這種判斷方法易受干擾，檢測的錯(cuò)誤率較高，因此需添加一個(gè)約束條件：

其中Dm表示檢測幀數(shù)的最少值。NUM表示在兩幀間逆行的次數(shù)，N表示比較總次數(shù)，若其中逆行的比例較大，則認(rèn)為車輛發(fā)生了違章逆行。

圖3　電動自行車檢測結(jié)果

圖4　質(zhì)心跟蹤軌跡

4　結(jié)論

本文運(yùn)用Open CV3.0.0和Visual Studio2010搭建了交通視頻監(jiān)測平臺，實(shí)現(xiàn)電動自行車逆行檢測。道路現(xiàn)有的攝像頭基本都是對機(jī)動車違章進(jìn)行抓拍，缺少對電動自行車的監(jiān)測。在對比傳統(tǒng)的基于圖像處理的車輛行為檢測技術(shù)后，采取合適的方法對電動自行車逆行行為進(jìn)行研究，仍存在以下待改進(jìn)的地方：

（1）電動自行車逆行的交通視頻難以采集，算法測試樣本不足；

（2）本文所用視頻發(fā)生時(shí)間均為白天，對于夜間的電動自行車檢測準(zhǔn)確度將會降低；

（3）交通監(jiān)測系統(tǒng)應(yīng)能自主檢測并報(bào)警，本文所用算法無法做到實(shí)時(shí)傳送；

（4）當(dāng)交通場景中車輛運(yùn)行混亂時(shí)，應(yīng)結(jié)合更多的特征作為目標(biāo)模板。當(dāng)有遮擋發(fā)生時(shí)，算法應(yīng)該能在線學(xué)習(xí)來保持目標(biāo)跟蹤的實(shí)時(shí)性。

【參考文獻(xiàn)】

［1］高冬冬.基于車輛跟蹤軌跡的停車和逆行檢測研究[D].西安：長安大學(xué),2015.

［2］王明.Kalman濾波實(shí)現(xiàn)目標(biāo)跟蹤[DB/OL].http：//blog.csdn.net/wangluomin/article/details8807602,2013.4.16.