張禮雄，張忠林

(蘭州交通大學 電子與信息工程學院，甘肅 蘭州 730070)

0 引 言

隨著智能交通系統(tǒng)(ITS)和智能車輛監(jiān)控系統(tǒng)[1]的迅速發(fā)展，車輛自動檢測及跟蹤具有重要作用[2]。文中主要研究在攝像機靜止-物體運動的情況下，根據(jù)道路監(jiān)控實時采集視頻并檢測車輛位置。

傳統(tǒng)的基于圖像特征的車輛檢測與跟蹤技術采取了車輛顯著的視覺特性、統(tǒng)計特性、變更系數(shù)特性和代數(shù)特性。運動檢測方法主要有三種，分別是幀間差分法[3]、光流場法[4]和背景差法[5]。王栓等[6]采用幀間差分法[7]來檢測運動物體；Ryuzo Okada等[8]改進了光流法，根據(jù)各個像素點的速度矢量特征，對圖像進行動態(tài)分析；丁業(yè)兵等[9]提出改進的Camshift目標跟蹤算法，能更好地跟蹤多色彩目標[10]；楊龍文等[11]提出一種利用HOG特征和Adaboost檢測和混合粒子濾波(MPF)相結合的觀測模型算法；劉翔等[12]提出了一種基于卡爾曼濾波思想的改進碼本模型目標檢測算法,能在視頻流的靜態(tài)幀中較好地檢測出車輛。

在已有研究的基礎上，文中提出一種對監(jiān)控下車輛進行檢測與跟蹤的方法，基于車輛的視覺特性，聯(lián)合Adaboost和幀差算法對車輛進行檢測，檢測成果使用基于熵值法求權重的混合模型進行處理，在檢測到車輛后，使用KCF算法對車輛進行追蹤。通過對采集的實際道路環(huán)境的視頻信息處理和分析，進行自然背景下的車輛識別和跟蹤。

1 檢測系統(tǒng)流程

道路交通監(jiān)控以快球監(jiān)控為主，首先對公路的車道線進行檢測，提取出攝像頭所在的車道，去除反方向的車道以及車道外的其他環(huán)境和物體的影響。在識別出車道兩邊的車道線后，以左右兩車道線為邊界，取出中間的公路部分并提取。

由于Adaboost算法[13]可以對較為完整的車身進行檢測，但在汽車出入視野只有小部分車身時，檢測效果不佳。幀差法可以對移動的物體很好地進行檢測，但是當背景環(huán)境變化及車輛靜止時，卻很難進行檢測。針對以上兩種方法的優(yōu)劣，建立一種熵值法加權的Adaboost和幀差檢測模型，將兩者結合，檢測出視野內(nèi)的車輛。

KCF是一種辨別式追蹤方法，該方法一般都是在追蹤過程中訓練一個目標檢測器，使用目標檢測器去檢測下一幀預估位置是否為目標，然后再使用新檢測成果去更新訓練集進而更新目標檢測器。在檢測出車輛后，將每一個車輛分別作為一個目標檢測器，對下一幀預測目標是否存在的情況下預測其位置，實現(xiàn)對當前視野下的所有車輛進行追蹤。

2 車道線識別與分割

標準的高速公路和合規(guī)的等級公路兩側存在平行的一對車道線。車輛的檢測和跟蹤僅需識別當前檢測的單車道或者多車道上的車輛。

圖像的灰度改變主要取決于邊緣檢測。車道線大多是階梯形邊緣,若變度曲面在這個點是N階不連續(xù)的,那么階梯形邊緣是一階不連續(xù)的，所以運用梯度求解算子來獲取車道線的邊緣信息,而Sobel算子具有較高的時間性能及計算效果。

(1)

(2)

式1和式2為Sobel的卷積核,對原圖像進行了卷積。

(3)

(4)

式3和式4表示圖像f(x,y)在(x,y)處的梯度和方向角。

測驗過程中，th為設定的一個閾值，當f(x,y)

針對拍攝特點,獲取的車道路面被處理為背景,圖像分割的閾值必須大于此值。將包括車道線的前段分割出來,突顯車道線以及灰度較一致的區(qū)域位置,而邊緣檢測獲得包含車道線的邊緣圖像，如圖1所示。

圖1 車道線檢測

由于干擾的存在不便于車道線的擬合，采取迭代最小二乘方式擬合車道標志點。同時,假設只檢測拍攝車道的雙邊的車道線,所用車道模型運用直線模型。以左車道線為例,迭代最小二乘法剔除非車道線標記點的步驟如下:

(1)對車道線全部i個點的集合{(x1,y1),(x2,y2),…,(xi,yi)},進行一階最小二乘擬合,獲取擬合參數(shù)kl、bl和擬合誤差均值el。

(2)將{xl(i)}代入由上一步獲得擬合參數(shù)方程,計算其擬合值{yl(i)}。

(3)計算擬合值與檢測點真實值的絕對差,當yl(i)-xl(i)≤pth時,則[xl(i),yl(i)]∈LeftLine,否則[xl(i),yl(i)]?LeftLine，并剔除。其中pth為一設定的較小像素閾值,LeftLine為左車道線標記點集合。

(4)LeftLine對中車道線標記點集重新運用最小二乘擬合,重新計算其擬合參數(shù)kl、bl和擬合誤差el,若‖el‖≥δ，則[xl(i),yl(i)]∈LeftLine,轉至第2步,否則停止。

(5)存儲kl、bl。

3 基于熵值法加權的Adaboost與幀差法檢測模型

3.1 Adaboost

Adaboost是一種迭代算法，主要思想是針對同一個訓練集訓練不同的弱分類器，然后把這些弱分類器進行組合，構成一個更強的分類器。

3.1.1 Haar-like特性

常用Haar-like特性分為線性特性、邊緣特性和中心特性三類。特征模板內(nèi)有黑白兩種顏色的矩形，每種矩形特征值定義為減去黑色矩形像素和白色矩形像素的和。Haar-like反映了圖像的灰度改變情況，對光照、噪聲等具有較好的魯棒性。常用Haar-like特征如圖2所示。

圖2 Haar-like特征

汽車尾部包括車牌、車標等重要信息，而且汽車尾部在視頻檢測中成像非常居中，便于Haar-like特性的提取和匹配。因此文中大量采集汽車尾部圖像，提取汽車尾部Haar-like特性，作為正樣本來訓練分類器。

3.1.2 分類器訓練

給定訓練樣本集{(x1,y1),(x2,y2),…,(xn,yn)}，其中n為樣本數(shù)目，xi為訓練樣本，yi(yi∈{0,1})為樣本描述。設正樣本個數(shù)為α，負樣本個數(shù)為β。

1.初始化樣本xi的權重。

(5)

2.設弱分類器的個數(shù)為T，在整個樣本集上，對t=1,2,…,T進行如下操作：

(1)歸一化樣本權重。

(6)

(2)針對每個特性f，訓練一個弱分類器hf,計算該特征的弱分類器的加權錯誤率。

(7)

(3)選出并采取擁有最小錯誤率et的弱分類器ht。

(8)

(4)重新更新調(diào)整樣本權重，得到：

(9)

3.最后生成強分類器。

(10)

訓練過程如圖3所示。

3.2 基于背景更新的幀差檢測法

圖像差分法是將兩幀圖像對應像素點的灰度值相減，假若圖像中某處的灰度改變比較大，則可認為這是由圖像中的運動物體引起的，反之，則認為景物是靜止的。由于公路監(jiān)控器處于絕對靜止狀態(tài)，故差分法相對穩(wěn)定，考慮到光線及周圍環(huán)境的變化[14]，取當前幀的前n幀作為背景，并不斷更新背景圖，運用擴展補償?shù)玫竭\動區(qū)域，然后利用分類器檢測。

圖3 各種車型訓練

設I(x,y,t)為t時的圖像序列，選取視頻序列的兩幀I(x,y,t)，I(x,y,t-n)，利用式11對其作幀間差分：

Dt,t-n(x,y)=|I(x,y,t)-I(x,y,t-n)|

(11)

選取合適的閾值T對獲得的差分圖像Dt,t-n(x,y)進行二值化，如下式：

(12)

得到的結果如圖4所示。

圖4 幀差檢測法所得結果

3.3 熵值法加權模型

在信息論中，熵是對不確定性的一種衡量。隨著信息量的增大，對應的不確定性就減小，熵也就越小。根據(jù)熵的特征，運用熵值法求解各指標因子的權重，根據(jù)歸納得分求出汽車的位置。

1.選取n種方法(這里n=2)，m個汽車可能存在的位置，則xij(a,b)為第i種方法求出的第j輛汽車的位置，i=1,2,…,n,j=1,2,…,m，其中(a,b)表示汽車存在的位置的中心點坐標。

2.指標的歸一化處理：異質(zhì)指標同質(zhì)化。

在計算歸納指標前，先對各項指標進行標準化處理，使各項指標的計量單元一致。并令xij(a,b)=|xij(a,b)|，從而解決了各項不同質(zhì)指標值的同質(zhì)化問題。又因為正向指標數(shù)值越高越好，負向指標數(shù)值越低越好，所以用不同的算法對高低指標進行數(shù)據(jù)標準化處理。具體方法如下所示:

正向指標:

(13)

負向指標:

(14)

3.計算第j輛汽車下第i種算法占該指標的比重。

(15)

4.計算第j輛汽車的熵值。

(16)

其中，k=1/ln(n)，滿足eij≥0。

5.計算信息熵冗余度。

dj=1-ej

(17)

6.計算各項指標的權值。

(18)

7.計算每輛車的綜合得分。

(19)

4 KCF追蹤

KCF(kernerlized correlation filter)跟蹤算法使得數(shù)據(jù)矩陣變成了一個循環(huán)矩陣。然后基于循環(huán)矩陣的特征把問題的求解變更到了傅里葉變換域，從而避免了矩陣求逆的過程，大大減少了算法的復雜度，且提高了檢測速率。

4.1 循環(huán)矩陣

圖像進行循環(huán)偏移的方式可以得到一些類似的負樣本作為訓練樣本進行訓練。通過循環(huán)偏移獲得的圖像在邊界處并不是很平滑，通過對base圖像乘以一個漢寧窗來降低邊緣圖像的權重。

(20)

循環(huán)矩陣具有的性質(zhì)是可以被離散傅里葉變換對角化，如式(21)所示：

(21)

4.2 線性回歸

樣本訓練過程是一個正則化最小二乘問題。假設給定一些回歸值{(x1,y1),(x2,y2),…,(xn,yn)},訓練的最終目標是找到一個w，使得函數(shù)f(z)=wTz能夠最小化樣本x和目標y之間的最小二乘誤差，如式22所示：

(22)

其中，λ為正則化參數(shù)。

式22閉式解的復數(shù)形式為：

w=(XH+λI)-1XHy

(23)

其中，XH=(X*)T。

4.3 快速檢測

為檢測可能的圖像位置，需要檢測多個candidate patch，這些patch可通過循環(huán)矩陣得到。由于樣本和patches[15]分別是由base samplex和base patchz循環(huán)偏移得到的，構建的所有訓練樣本和候選樣本之間的核矩陣為Kz=C(kxz)，其中每一個元素可以表達為k(Pi-1z,Pj-1x)。

基于測試樣本z的循環(huán)偏移構成的所有測試樣本的響應為：

f(z)=(Kz)Tα

(24)

式24是一個vector，包含所有z的循環(huán)偏移的響應值。根據(jù)循環(huán)偏移的性質(zhì)，將式24變換到DFT域：

(25)

5 實驗結果與分析

對文中提出的檢測與追蹤算法進行實驗。在對Adaboost分類器進行訓練時，通過搜集不同情況下的訓練樣本，建立樣本庫：包含車輛尾部的正樣本400幅，其中公交車和面包車120幅、轎車240幅，其他車輛40幅；不包含車輛的負樣本100幅。將正樣本歸一化到24×24，便于計算其特征。其檢測追蹤結果如圖5所示。

為了檢驗該算法的準確性，在同一條件下，對同一車輛分別使用光流法、背景建模法和文中算法進行處理，結果如表1所示。

圖5 檢測與追蹤效果圖

算法實際車流量/輛檢測車輛/輛檢測率/%檢測時間/s光流法40036290.514.847背景建模法40035488.511.548文中算法40038295.58.564

可以看出，在同樣環(huán)境下，光流法的準確率略高于背景建模法，而文中算法的準確率均高于兩者；在耗時上，背景建模法略大于文中算法，光流法的耗時最大，效率最低。

實驗結果證明，相比于傳統(tǒng)的一些方法，基于熵值法求權重的Adaboost和幀差檢測模型及改進的KCF算法更具有實用性，還能有效減少每幀檢測時間，提高檢測率，檢測率達95.5%。

6 結束語

為了提高行駛車輛檢測與追蹤的準確性、時效性，提出了一個基于熵值法求權重的Adaboost和幀差法的混合檢測算法，并通過實驗對其進行了驗證。實驗結果表明，該算法能夠有效提高檢測率，具備一定的實用

性，可以運用于交通路口的監(jiān)控，給社會提供更安全可靠的服務。