彭梓晗　程佳馨　魏筱萌

【摘 要】此項(xiàng)目以基于混合高斯模型的背景差分法對(duì)電動(dòng)自行車行為進(jìn)行解讀，從而填補(bǔ)非機(jī)動(dòng)車監(jiān)控裝置的空白。首先運(yùn)用混合高斯模型提取背景，然后對(duì)比常用車輛前景檢測(cè)方法，采用背景差分法對(duì)電動(dòng)自行車前景進(jìn)行提?。黄浯?，對(duì)于運(yùn)動(dòng)目標(biāo)跟蹤，采用卡爾曼濾波和車輛質(zhì)心特征相結(jié)合的方法，對(duì)下一時(shí)刻車輛特征值進(jìn)行預(yù)測(cè)和跟蹤。最后由電動(dòng)自行車質(zhì)心坐標(biāo)繪制軌跡，用坐標(biāo)變化判定電動(dòng)自行車逆行行為，經(jīng)視頻測(cè)試，取得了良好的效果。

【關(guān)鍵詞】圖像識(shí)別；電動(dòng)自行車；交通監(jiān)測(cè)；背景差分法

中圖分類號(hào)： U491.225；X912 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2018）03-0117-002

Research on the retrograde detection technology of electric bicycle based on image processing.

PENG Zi-han CHENG Jia-xin WEI Xiao-meng

（College of Engineering， Nanjing Agricultural University，Nanjing，210031）

【Abstract】This project is based on the background-difference method based on the Gaussian Mixture Model to interpret the behavior of electric bicycle. Thus filling the gap of non-motor vehicle monitoring devices .Firstly， we use Gaussian Mixture Model to extract the background， and then compare the common vehicle foreground detection methods.After considering the result of contrast，we choose background-difference method to extract the vehicle foreground. Secondly， in terms of moving vehicle tracking， using Kalman filtering and vehicle mass center features，to forecast the vehicle characteristic value of the next moment and realize the tracking.Finally drawn by electric bicycle barycentric coordinates， track with coordinates determining electric bicycle retrograde behavior change， the video test， and achieved good effect.

【Key words】Image recognition；Electric bicycle；Traffic detection；Background subtraction

0 研究背景

電動(dòng)自行車逆行是重大交通事故的罪魁禍?zhǔn)?，然而道路上缺少?duì)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(shí)費(fèi)力，因而設(shè)置對(duì)非機(jī)動(dòng)車如電動(dòng)自行車的監(jiān)管裝置勢(shì)在必行，只有實(shí)現(xiàn)和機(jī)動(dòng)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(cè)

1.1 交通事件監(jiān)測(cè)系統(tǒng)概述

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

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(lái)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(cè)效果越好，但處理所需時(shí)間也越長(zhǎng)。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。

1.3 運(yùn)動(dòng)目標(biāo)檢測(cè)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(lái)檢測(cè)運(yùn)動(dòng)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(duì)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(cè)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(lái)獲取運(yùn)動(dòng)目標(biāo)。即對(duì)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(dòng)目標(biāo)輪廓。在多目標(biāo)檢測(cè)和攝像機(jī)運(yùn)動(dòng)的情況下也具有很好的適用性。

1.4 運(yùn)動(dòng)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(duì)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(dòng)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(guò)提取車輛某些特征來(lái)實(shí)現(xiàn)車輛跟蹤。常見(jiàn)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(dòng)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(shí)，通過(guò)將一個(gè)三維模型投影到圖像中，從而分析圖像中運(yùn)動(dòng)目標(biāo)的位置而進(jìn)行跟蹤[1]。運(yùn)用三維模型來(lái)描述，特征較全面，但獲取精確的運(yùn)動(dòng)目標(biāo)幾何模型非常困難，因此其應(yīng)用也受限。

2 電動(dòng)自行車檢測(cè)跟蹤

2.1 電動(dòng)自行車識(shí)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(guò)比較分析，我們最終采用的是中值濾波，這種降噪方法對(duì)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(duì)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(duì)面積進(jìn)行降序排序，去除偽目標(biāo)。

2.2 電動(dòng)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(dòng)方程對(duì)該值進(jìn)行預(yù)測(cè)，作為跟蹤的一個(gè)依據(jù)。另一個(gè)依據(jù)是用測(cè)量手段得到變量的值。卡爾曼濾波通過(guò)對(duì)這兩個(gè)依據(jù)進(jìn)行一系列迭代實(shí)現(xiàn)運(yùn)動(dòng)車輛跟蹤[2]。

卡爾曼濾波理論的兩個(gè)核心公式為：

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(dòng)自行車，矩形中心即車輛質(zhì)心。由矩形可以獲得對(duì)角點(diǎn)坐標(biāo)：左下點(diǎn)A（x0，y0），右上點(diǎn)B（x1，y1）。通過(guò)對(duì)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(cè)的電動(dòng)自行車質(zhì)心標(biāo)記為：

Barycentre=[（xiyi）；（xi+1， yi+1）；（xi+2， yi+2）；…（xi+n， yi+n）}]（2-4）

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(dòng)自行車運(yùn)動(dòng)軌跡，再根據(jù)圖線判斷電動(dòng)自行車行為。

3 逆行檢測(cè)

以道路規(guī)定的正確行駛方向?yàn)閥軸正方向，攝像機(jī)對(duì)著車流來(lái)向。用數(shù)組Centre[i]來(lái)存儲(chǔ)質(zhì)心坐標(biāo)。在正確的行駛情況下，y軸的坐標(biāo)只會(huì)逐步增大，一旦出現(xiàn)yi+1-yi﹤0，即可判定電動(dòng)自行車逆行。但是這種判斷方法易受干擾，檢測(cè)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(cè)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。

4 結(jié)論

本文運(yùn)用OpenCV3.0.0和Visual Studio2010搭建了交通視頻監(jiān)測(cè)平臺(tái)，實(shí)現(xiàn)電動(dòng)自行車逆行檢測(cè)。道路現(xiàn)有的攝像頭基本都是對(duì)機(jī)動(dòng)車違章進(jìn)行抓拍，缺少對(duì)電動(dòng)自行車的監(jiān)測(cè)。在對(duì)比傳統(tǒng)的基（下轉(zhuǎn)第100頁(yè)）（上接第118頁(yè)）于圖像處理的車輛行為檢測(cè)技術(shù)后，采取合適的方法對(duì)電動(dòng)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(dòng)自行車逆行的交通視頻難以采集，算法測(cè)試樣本不足；

（2）本文所用視頻發(fā)生時(shí)間均為白天，對(duì)于夜間的電動(dòng)自行車檢測(cè)準(zhǔn)確度將會(huì)降低；

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

（4）當(dāng)交通場(chǎng)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(lái)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(cè)研究[D].西安：長(zhǎng)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.