彭梓晗 程佳馨 魏筱萌

（南京農(nóng)業(yè)大學工學院農(nóng)機系，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首，然而道路上缺少對其監(jiān)管的裝置，致使其駕駛者產(chǎn)生僥幸心理。而人工監(jiān)管耗時費力，因而設置對非機動車如電動自行車的監(jiān)管裝置勢在必行，只有實現(xiàn)和機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)有如下幾個流程：運動車輛自動檢測、運動車輛自動跟蹤、交通事件判定、異常交通事件發(fā)生自動報警。核心部分是對采集的交通監(jiān)測視頻進行圖像處理，通過對目標的檢測與跟蹤，得到其行駛軌跡，再利用算法對車輛違章行為進行判定，從而達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可以用來表示在總體分布中含有K個子分布的概率模型，其中K取值為3到5。K值越大,處理得到的檢測效果越好，但處理所需時間也越長。其概率密度函數(shù)可以用K 個高斯函數(shù)表示：

獲得新的圖像后，將當前圖像像素和混合高斯模型中K 個高斯分布進行匹配，若滿足下式，則認為匹配成功。

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　運動目標檢測方法

1.3.1背 景 差 分 法

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

為RiDi(x,y)二值化后的圖像。對 Ri進行連通分析，當此連通區(qū)域的面積大于設定閾值T，就認為是檢測目標。

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)別來獲取運動目標。即對一段視頻中連續(xù)的圖像幀做差分運算，以此獲取運動目標輪廓。在多目標檢測和攝像機運動的情況下也具有很好的適用性。

1.4　運動目標跟蹤方法概述

1.4.1基 于 輪 廓 的 跟 蹤 方 法

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

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現(xiàn)車輛跟蹤。常見的目標特征有：點、線、區(qū)域、大小、邊緣，有時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，可以假設這些特征在其運動軌跡上是平滑的。

1.4.3基于 3D模型的跟蹤方法

該方法是根據(jù)攝像機的三維幾何學知識，通過將一個三維模型投影到圖像中，從而分析圖像中運動目標的位置而進行跟蹤[1]。運用三維模型來描述，特征較全面，但獲取精確的運動目標幾何模型非常困難，因此其應用也受限。

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,再將每一個輪廓的面積用其外接矩形的面積表示,并對面積進行降序排序,去除偽目標。

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)運動方程對該值進行預測，作為跟蹤的一個依據(jù)。另一個依據(jù)是用測量手段得到變量的值?？柭鼮V波通過對這兩個依據(jù)進行一系列迭代實現(xiàn)運動車輛跟蹤[2]。

卡爾曼濾波理論的兩個核心公式為：

運動方程：Xk=AkXk-1+Wk（2-1）

預測方程：Yk=CkXkVk（2-2）

2.2.1跟 蹤

1）跟蹤車輛質心提取

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

2）質心匹配

假設我們要跟蹤第k幀中的第i個目標，要計算在k+1幀中所有車輛目標和上一幀中第i個目標的距離，我們假設與k+1幀第j個目標進行計算：

2.2.2軌 跡 顯 示

將監(jiān)測的電動自行車質心標記為：

其中(xiyi)表示第i幀圖像中被追蹤目標的質心坐標，將這些坐標相連，即可繪制出電動自行車運動軌跡，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)定的正確行駛方向為y軸正方向，攝像機對著車流來向。用數(shù)組Centre[i]來存儲質心坐標。在正確的行駛情況下，y軸的坐標只會逐步增大，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，檢測的錯誤率較高，因此需添加一個約束條件：

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，則認為車輛發(fā)生了違章逆行。

圖3　電動自行車檢測結果

圖4　質心跟蹤軌跡

4　結論

本文運用Open CV3.0.0和Visual Studio2010搭建了交通視頻監(jiān)測平臺，實現(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動車違章進行抓拍，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后，采取合適的方法對電動自行車逆行行為進行研究，仍存在以下待改進的地方：

（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)生時間均為白天，對于夜間的電動自行車檢測準確度將會降低；

（3）交通監(jiān)測系統(tǒng)應能自主檢測并報警，本文所用算法無法做到實時傳送；

（4）當交通場景中車輛運行混亂時，應結合更多的特征作為目標模板。當有遮擋發(fā)生時，算法應該能在線學習來保持目標跟蹤的實時性。

【參考文獻】

［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,2015.

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