王依兵，劉光宇

（杭州電子科技大學(xué)，浙江 杭州310018）

0 前言

當(dāng)前交通指揮系統(tǒng)中，車輛信息自動識別技術(shù)已經(jīng)得到有效應(yīng)用，其不僅能夠?qū)嚺七M(jìn)行有效識別，還可甄別車型，從而保證目標(biāo)車輛提取的精確度。常見的目標(biāo)車輛提取算法有三類：其一為光流法；其二為幀間差分法；其三為背景消去法[1]。其中有關(guān)幀間差分法、背景差分法的研究最為突出?；谇叭搜芯靠芍M管幀間差分法（包括三幀差分法）、背景消去法能夠?qū)崿F(xiàn)對目標(biāo)車輛的提取，但在下述方面仍存在一定的缺陷：基于幀間差分法提取目標(biāo)車輛操作難度較小，并且能夠保證提取的實(shí)時性，但因不能對目標(biāo)重疊部分進(jìn)行有效檢測，為此，“空洞”問題較為嚴(yán)重；而背景消去法在應(yīng)對“空洞”問題上具有出色表現(xiàn)，但基于該方法提取目標(biāo)車輛時，需要創(chuàng)建背景模型，并且極易受到環(huán)境因素的影響，諸如物體陰影等[2]。此外，該方法在提取實(shí)時性方面存在顯著不足。針對該情況，結(jié)合相關(guān)人員研究，筆者針對基于背景消去法、三幀差分法的融合性檢測法進(jìn)行研究，探究融合性檢測法在車輛輪廓提取中的表現(xiàn)。

1 融合性檢測法原理

融合性車輛檢測法是基于對背景消去法與三幀差分法進(jìn)行融合而得到一種檢測方法，基本邏輯如下：基于均值法從視頻序列中提取背景圖像，并實(shí)現(xiàn)對背景圖像的更新，得到Bnew（x，y），提取前幀圖像fk（x，y），將其與 Bnew（x，y）進(jìn)行差分，便能得到背景消去法下的車輛M1（x，y）；從視頻序列中提取前一幀、當(dāng)前幀以及下一幀圖像，即fk-1（x，y）、fk（x，y）、fk+1（x，y），輸入公式，促使鄰幀圖像實(shí)現(xiàn)兩兩差分，便能得到三幀差分法下的車輛M2（x，y）.基于邏輯或促使M1（x，y）、M2（x，y）實(shí)現(xiàn)有效融合，便能得到融合性車輛檢測法下的運(yùn)動車輛，即 M（x，y）.

2 融合性車輛檢測法算法流程

2.1 目標(biāo)車輛檢測

基于融合性檢測算法提取車輛輪廓對應(yīng)的算法流程如圖1所示，具體內(nèi)容如下：

圖1 融合性檢測算法流程圖

（1）創(chuàng)建背景圖像

從視頻序列中，選擇前N幀圖像，將其當(dāng)作均值建模中的輸入，借助均值法實(shí)現(xiàn)對車輛背景圖像的確定，計(jì)算公式如下：

fk（x，y）即為當(dāng)前幀圖像，fk-1（x，y）表示的是前一幀圖像，基于前一幀圖像、背景圖像進(jìn)行求均，促使背景圖像實(shí)現(xiàn)及時更新：

公式（2）中，α為更新速率。見圖2.

圖2 背景圖像

（2）背景消去法檢測

fk、Bk所表示的是k時刻對應(yīng)的幀圖像、背景圖像，其對應(yīng)的差分圖像可以基于公式（3）予以表示：

基于差分圖像進(jìn)行二值化，便能得到二值化圖像：

公式（4）中，T 為閾值，以實(shí)現(xiàn)對點(diǎn)（x，y）是否屬于目標(biāo)所屬點(diǎn)的判斷，當(dāng)超過該閾值時，則說明該點(diǎn)屬于前景點(diǎn)，反之則說明其屬于背景點(diǎn)[3]。

背景更新公式如下：

公式（5）中，α為更新速率。

基于公式（3）、（4）、（5）促使fk（x，y）、Bnew（x，y）進(jìn)行差分運(yùn)算，便能得到背景消去法下的運(yùn)動車輛，即M1（x，y），檢測結(jié)果如圖3所示。

圖3 背景消去法所得車輛目標(biāo)

（3）三幀差分法檢測

從視頻序列中提取前一幀、當(dāng)前幀以及下一幀圖像，即fk-1（x，y）、fk（x，y）、fk+1（x，y），輸入公式（6），有：

促使鄰幀圖像實(shí)現(xiàn)兩兩差分，便能得到三幀差分法下的車輛，即M2（x，y），檢測結(jié)果如圖4所示：

圖4 三幀差分法所得運(yùn)動目標(biāo)

（4）融合性車輛檢測

基于邏輯促使M1（x，y）、M2（x，y）實(shí)現(xiàn)有效融合，便能得到融合性檢測法下目標(biāo)車輛，即M（x，y），檢測結(jié)果如圖5所示：

圖5 融合檢測法所得車輛目標(biāo)

2.2 形態(tài)學(xué)濾波處理

基于融合檢測法實(shí)現(xiàn)對目標(biāo)車輛的提取后，對提取結(jié)果進(jìn)行處理，以清除提取結(jié)果中的噪聲，實(shí)現(xiàn)對提取結(jié)果的優(yōu)化。

（1）腐蝕

針對腐蝕處理的基本原理進(jìn)行分析，可以發(fā)現(xiàn)，其實(shí)際就是促使原圖像原點(diǎn)對應(yīng)的結(jié)構(gòu)元素，即S，在平面內(nèi)進(jìn)行有效移動，當(dāng)其移至某點(diǎn)，能夠被納入到車輛區(qū)域A內(nèi)，此類點(diǎn)的組合對應(yīng)的便是腐蝕結(jié)果[4]。

（2）膨脹

針對膨脹處理的基本原理進(jìn)行分析，可以發(fā)現(xiàn)，其實(shí)際就是促使原圖像原點(diǎn)對應(yīng)的結(jié)構(gòu)元素，即S，在平面內(nèi)進(jìn)行有效移動，當(dāng)其移至某點(diǎn)，S和車輛區(qū)域A之間存在交集，此類點(diǎn)的組合對應(yīng)的便是膨脹結(jié)果[5]。

（3）閉運(yùn)算

針對圖像實(shí)施閉運(yùn)算，可以將圖中位于車輛以外的較小噪聲進(jìn)行有效清除，并對目標(biāo)間所存在的較小縫隙等進(jìn)行有效處理，以優(yōu)化圖像[6]。就閉運(yùn)算的處理順序來看，一般是先進(jìn)行膨脹處理，后進(jìn)行腐蝕處理[7]。

2.3 連通域分析

針對目標(biāo)內(nèi)所涉及到的像素點(diǎn)數(shù)量進(jìn)行計(jì)算，從而實(shí)現(xiàn)對車輛區(qū)域的判斷，通常來說，車輛區(qū)域?qū)?yīng)的像素點(diǎn)數(shù)量偏多，顯著高于噪聲區(qū)，就車輛區(qū)域予以確定[8]。同時，對非車輛區(qū)域進(jìn)行有效去除。連通分析后所得目標(biāo)如圖6所示。

圖6 基于形態(tài)學(xué)處理及連通域分析所得目標(biāo)

2.4 車輛輪廓信息提取

基于上述步驟完成圖像提取后，就圖像中車輛位置予以確定，從而實(shí)現(xiàn)對車輛的提取，而后基于Canny邊緣檢測實(shí)現(xiàn)對車輛整體特征的提取，并針對車輛圖像實(shí)施區(qū)域劃分，基于Gabor變換對車輛的局部特征進(jìn)行提取，借助灰關(guān)聯(lián)分析，實(shí)現(xiàn)對局部特征的優(yōu)化[9]；創(chuàng)建雙層串行識別框架，第一層主要是針對車輛的整體特征進(jìn)行識別，第二層主要是針對車輛的局部特征進(jìn)行識別，綜合雙層識別結(jié)果，以實(shí)現(xiàn)對車輛輪廓的提取，從而確定目標(biāo)車輛的車型[10]，車輛輪廓信息提取結(jié)果如圖7所示。

圖7 車輛輪廓信息提取結(jié)果

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

研究實(shí)驗(yàn)所用到的硬件設(shè)備包括：視頻監(jiān)控設(shè)備、計(jì)算機(jī)等?；谝曨l監(jiān)控設(shè)備采集視頻圖像，并將視頻文件存儲為AVI格式。將視頻文件加載至計(jì)算機(jī)，在Windows7系統(tǒng)下，借助VS2010+OpenCV2.4.2編寫應(yīng)用程序，開展仿真實(shí)驗(yàn)。實(shí)驗(yàn)所用計(jì)算機(jī)處理器為 i7-2600，內(nèi)存為8 G，主頻為3.4 GHz.

3.2 實(shí)驗(yàn)實(shí)施及結(jié)果分析

（1）檢測結(jié)果比較分析

基于背景消去法、三幀差分法以及融合性檢測法均能實(shí)現(xiàn)對運(yùn)動車輛的有效檢測，但就三種檢測方法所得結(jié)果進(jìn)行比較，如圖8所示，可以發(fā)現(xiàn)，三種檢測方面在結(jié)果存在較大的差異。針對圖8（a）進(jìn)行分析，可以發(fā)現(xiàn)基于背景消去法檢測車輛，能夠有效規(guī)避“空洞”問題，但由于在圖像背景方面要求偏高，為此，檢測結(jié)果中車輛邊界完整性表現(xiàn)較差，部分邊界存在缺失，此外，因環(huán)境因素作用，圖像噪聲較多；針對圖8（b）進(jìn)行分析，可以發(fā)現(xiàn)基于三幀差分法檢測車輛，無需創(chuàng)建背景模型，并且環(huán)境因素對檢測結(jié)果的影響相對偏小，圖像中噪聲偏少，但就“空洞”問題較為嚴(yán)重，不能保證車輛的完整性；針對圖8（c）進(jìn)行分析，可以發(fā)現(xiàn)基于對背景消去法、三幀差分法的融合對車輛進(jìn)行檢測，所得到檢測效果較好，車輛完整性表現(xiàn)出色，此外，通過形態(tài)學(xué)濾波處理、連通域分析以及Canny邊緣檢測等，能夠?qū)崿F(xiàn)對噪聲有效清除，“空洞”問題得到有效解決，能夠?qū)崿F(xiàn)對車輛的精準(zhǔn)檢測。

圖8 基于三種方法所得檢測結(jié)果

（2）輪廓提取效果分析

基于實(shí)驗(yàn)視頻監(jiān)控設(shè)備采集圖像共2000幀，借助計(jì)算機(jī)對圖像進(jìn)行處理處理，創(chuàng)建全新背景圖像，并確定背景圖像更新規(guī)則，基于融合性檢測法提取車輛，并對車輛圖像進(jìn)行形態(tài)學(xué)濾波處理、連通域分析，而后提取車輛輪廓信息，提取效果如圖9所示。

圖9 車輛提取實(shí)驗(yàn)結(jié)果

針對圖9進(jìn)行分析，可知基于研究提取算法所得目標(biāo)車輛輪廓較為完整，這充分證明了該提取算法的有效性，能夠高效識別車型。

通過此次研究可以發(fā)現(xiàn)，基于背景消去法、三幀差分法的融合檢測法能夠?qū)崿F(xiàn)對車輛輪廓的完整提取，并且有效規(guī)避了“空洞”問題，有效減少了噪聲，所得提取結(jié)果較為理想。但特征選擇、識別模型創(chuàng)建等方面仍有一定難度，在后續(xù)研究中，筆者將從這兩方面進(jìn)行深入探究，攻堅(jiān)克難。