湯從衡，李其仲

（1.現(xiàn)代汽車零部件技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室（武漢理工大學(xué)），湖北 武漢 430070；2.汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心，湖北 武漢 430070）

1 引言

在道路視頻檢測領(lǐng)域，車輛檢測及跟蹤是非常重要的技術(shù)之一，基于道路視頻的車輛檢測及跟蹤不僅能獲取實(shí)時(shí)的交通信息，而且能通過先進(jìn)的通訊技術(shù)，將道路信息發(fā)布，可以極大地緩解交通壓力。在道路視頻檢測中，常用的車輛檢測算法有幀間差分法、背景差分法、背景建模法等[1-3]，ViBe 背景建模算法是一種常用的背景建模檢測算法，能夠自動適應(yīng)背景環(huán)境的變化。然而ViBe背景建模算法在光線較為強(qiáng)烈時(shí)，由于運(yùn)動目標(biāo)的陰影存在，容易將目標(biāo)陰影檢測為運(yùn)動目標(biāo)，影響車輛的檢測精度，許多學(xué)者對這一問題進(jìn)行了研究[4-6]。目前最常用于道路視頻檢測的車輛跟蹤方法有卡爾曼濾波算法、Camshift 算法、特征匹配跟蹤算法、TLD 目標(biāo)跟蹤算法[7-9]，其中卡爾曼濾波算法比較適用于視頻幀率較高的視頻車輛跟蹤中。

為了解決ViBe背景建模算法易受陰影影響的問題，本文提出了一種HSV陰影消除方法，并在此基礎(chǔ)上，提出一種弱重疊視域的車輛跟蹤方法，通過路側(cè)設(shè)備之間的信息交互實(shí)現(xiàn)車輛的跟蹤。

2 基于改進(jìn)ViBe算法的車輛檢測

2.1 傳統(tǒng)ViBe背景建模算法

傳統(tǒng)ViBe背景建模算法是一種能夠自動適應(yīng)背景環(huán)境的背景建模檢測算法，ViBe 背景算法將背景圖像中的像素點(diǎn)視作是由多個(gè)樣本構(gòu)成，可以用一個(gè)像素集合表示，當(dāng)集合中存在N個(gè)樣本時(shí)，像素點(diǎn)(x,y)的背景模型表達(dá)式為：

式中M(x,y)表示背景圖像的像素點(diǎn)，v(x,y)為當(dāng)前圖像在(x,y)像素點(diǎn)處的像素值。現(xiàn)設(shè)SR(x,y)表示以v(x,y)為圓心、半徑為R的圓形像素點(diǎn)區(qū)域，具體如圖1所示。最終SR(x,y)范圍內(nèi)所包含的背景樣本點(diǎn)個(gè)數(shù)Num的計(jì)算公式為：

圖1 ViBe背景建模算法像素點(diǎn)圓形區(qū)域示意圖

當(dāng)給定一個(gè)閾值T，若根據(jù)式（2）計(jì)算所得Num大于閾值T，則視像素點(diǎn)(x,y)為背景像素點(diǎn)，反之則視作檢測目標(biāo)像素點(diǎn)。ViBe算法的實(shí)現(xiàn)過程主要分為三個(gè)步驟：

（1）背景圖像初始化。原始ViBe 算法的背景圖是以視頻中第一幀圖像作為背景圖像，利用第一幀圖像實(shí)現(xiàn)圖像像素樣本集的構(gòu)建。以第一幀圖像對背景圖像進(jìn)行建模，具體的建模公式為：

式中M0(x,y)為初始背景模型中(x,y)處的像素點(diǎn)，v0表示初始原圖像中(x,y)像素點(diǎn)處的像素值，NG(x,y)表示鄰域中與(x,y)像素點(diǎn)相鄰的點(diǎn)。

（2）前景檢測。通過該步驟可將前景檢測目標(biāo)從背景圖像中分離出來，即目標(biāo)檢測過程。設(shè)(x,y)像素點(diǎn)處的像素值為v(x,y)，對應(yīng)的背景樣本集為M(x,y)，相應(yīng)地在(x,y)像素點(diǎn)處檢測圖像與背景圖像的像素值之差為D(x,y)，則D(x,y)的計(jì)算公式為：

式中di=v(x,y)-vi(x,y)。當(dāng)半徑閾值R以及差分閾值T確定之后，通過統(tǒng)計(jì)當(dāng)前像素點(diǎn)與歷史樣本值之差大于R的個(gè)數(shù)，若個(gè)數(shù)大于T，則判定該像素點(diǎn)為前景目標(biāo)點(diǎn)，反之為背景點(diǎn)。

（3）背景圖像更新。ViBe 算法對于模板圖像的更新采用了三個(gè)重要策略：無記憶更新策略、時(shí)間采樣更新策略、空間鄰域更新策略。無記憶更新策略在更新背景圖像的像素點(diǎn)時(shí)，為確定具體需要更新的像素點(diǎn)，采用的是利用新像素點(diǎn)像素值隨機(jī)替代該像素點(diǎn)樣本的某一樣本集；時(shí)間采樣更新策略則是按照事先設(shè)定的更新速率對背景圖像進(jìn)行更新，當(dāng)某一像素點(diǎn)被判別為背景點(diǎn)時(shí)，該像素點(diǎn)有的概率更新背景模型，其中φ為時(shí)間采樣因子，一般設(shè)為16。其具體的更新方法如下：每個(gè)背景點(diǎn)都有的概率更新該像素點(diǎn)的模型樣本值，有的概率去更新該像素點(diǎn)鄰居點(diǎn)的模型樣本值，當(dāng)目標(biāo)像素點(diǎn)數(shù)量累積達(dá)到臨界值時(shí)，將該像素點(diǎn)轉(zhuǎn)變?yōu)楸尘包c(diǎn)，之后同樣存在的概率進(jìn)行背景樣本值的更新。

2.2 基于改進(jìn)ViBe背景算法的車輛檢測

傳統(tǒng)ViBe背景建模算法容易將陰影背景檢測成前景目標(biāo)。當(dāng)光線較為強(qiáng)烈時(shí)，運(yùn)動目標(biāo)在光線下會產(chǎn)生陰影，且陰影區(qū)域的顏色與周圍背景區(qū)域顏色差異大，背景差分之后將陰影誤檢為運(yùn)動目標(biāo)，并導(dǎo)致運(yùn)動目標(biāo)形狀檢測不準(zhǔn)確，產(chǎn)生較大的誤檢區(qū)域。為了減小陰影現(xiàn)象對ViBe背景建模算法檢測精度的影響，需要對陰影進(jìn)行消除。

目前主流的陰影消除法有兩種，一種是基于HSV 顏色空間的陰影消除法，一種是基于RGB 顏色空間的陰影消除法。經(jīng)過研究表明，在HSV 色彩空間中，陰影的數(shù)值比較穩(wěn)定，運(yùn)動目標(biāo)產(chǎn)生的陰影在HSV 色彩空間中亮度V 會降低，且運(yùn)動目標(biāo)產(chǎn)生的陰影在整個(gè)HSV色彩空間中的分量和比背景的分量和因此本文在HSV 色彩空間中執(zhí)行陰影抑制算法來減少陰影對檢測結(jié)果的影響。

在ViBe 背景建模算法檢測的前景區(qū)域內(nèi)，根據(jù)陰影在HSV色彩空間中的特點(diǎn)統(tǒng)計(jì)出可能是陰影的像素點(diǎn)。統(tǒng)計(jì)公式為：

根據(jù)式（5）初步選取陰影像素，然后將選取的像素全部置入像素集合中，最后根據(jù)連通區(qū)域原理將候選陰影集合SPC 劃分為不同的連通區(qū)域集合

由于經(jīng)過式（5）篩選的區(qū)域并不完全是陰影區(qū)域，因此需要計(jì)算連通區(qū)域內(nèi)像素的梯度和梯度方向，計(jì)算公式為：

式中，?p和θp分別表示梯度和梯度方向。當(dāng)時(shí)，τm為固定閾值，由此可以確定新的像素集合

式中，τa為設(shè)定閾值，H(X)函數(shù)為階躍函數(shù)，表達(dá)公式為

計(jì)算出連通區(qū)域集合SPCi中每個(gè)連通區(qū)域的梯度相關(guān)系數(shù)C，并設(shè)定閾值τa。當(dāng)梯度相關(guān)系數(shù)C 大于閾值τa時(shí)，認(rèn)為該區(qū)域?yàn)殛幱皡^(qū)域，顯示為背景。當(dāng)梯度相關(guān)系數(shù)C小于閾值τa時(shí)，認(rèn)為該區(qū)域?yàn)闄z測區(qū)域，不做改變，顯示為前景?；贖SV色彩空間的陰影抑制算法可以去除動態(tài)目標(biāo)的大部分陰影區(qū)域，隨后采用相關(guān)圖像形態(tài)學(xué)處理辦法消除小連通區(qū)域，最終達(dá)到較好的檢測效果。

3 卡爾曼濾波車輛跟蹤

在跟蹤算法中，最為常用的算法為卡爾曼濾波（Kalman Filter，KF），該算法是將視頻檢測過程視為一個(gè)動態(tài)系統(tǒng)序列，通過最小線性方差估計(jì)預(yù)測得到視頻序列中車輛目標(biāo)的最優(yōu)位置狀態(tài)。其狀態(tài)方程見式（10）。

式中，x為系統(tǒng)狀態(tài)變量，y為系統(tǒng)觀測變量，u是系統(tǒng)的輸入；A是狀態(tài)轉(zhuǎn)移矩陣，B是控制矩陣，wk和vk分別是系統(tǒng)誤差和測量誤差?？柭鼮V波算法對車輛進(jìn)行跟蹤主要分為兩個(gè)過程：預(yù)測和跟蹤。

（1）預(yù)測過程。對車輛狀態(tài)預(yù)測的原理是利用前一時(shí)刻的車輛狀態(tài)信息對后一時(shí)刻的車輛狀態(tài)進(jìn)行預(yù)測，計(jì)算目標(biāo)的預(yù)測狀態(tài)值用式（11），預(yù)測值與真實(shí)值的誤差協(xié)方差矩陣見式（12）。

（2）更新過程。在更新過程中，首先計(jì)算得到最優(yōu)卡爾曼增益，然后根據(jù)卡爾曼增益得到當(dāng)前時(shí)刻的最優(yōu)估計(jì)值，最后計(jì)算得到預(yù)測值和實(shí)際值之間的誤差協(xié)方差矩陣，為下一次的預(yù)測做準(zhǔn)備。最優(yōu)卡爾曼增益公式見式（13），修正狀態(tài)公式見式（14），修正最小均方差計(jì)算公式見式（15）。

4 弱重疊視域車輛跟蹤

由于本文采用路側(cè)攝像頭對車輛進(jìn)行跟蹤，在跟蹤過程中會發(fā)生目標(biāo)車輛離開當(dāng)前路側(cè)攝像頭監(jiān)控范圍進(jìn)入相鄰攝像頭監(jiān)控范圍的情況，此時(shí)容易發(fā)生丟失目標(biāo)車輛的情況。

相鄰攝像頭的車輛跟蹤方法一般分為非重疊視域的車輛跟蹤方法[10]和重疊視域的車輛跟蹤方法[11]，如圖2所示。非重疊視域的車輛跟蹤方法如圖2（a）所示，重疊視域的車輛跟蹤方法如圖2（b）所示。

圖2 相鄰攝像頭車輛跟蹤方法

方法a存在視野盲區(qū)，不能很好的利用空間位置對目標(biāo)車輛進(jìn)行匹配和跟蹤。方法b 存在視野區(qū)域重疊的部分，可以充分利用相鄰攝像頭視野之間的重疊，對目標(biāo)車輛進(jìn)行匹配，完成跨攝像頭的車輛跟蹤，但基于重疊視域的車輛跟蹤方法需要的路側(cè)攝像頭較多，浪費(fèi)資源。

針對這兩種車輛跟蹤方法的局限性，本文設(shè)計(jì)了一種弱重疊視域的車輛跟蹤模塊，弱重疊視域的示意圖如圖3所示。通過合理設(shè)計(jì)相鄰攝像頭的視野區(qū)域分布情況，利用相鄰攝像頭視野區(qū)域緊密銜接的特點(diǎn)，實(shí)現(xiàn)目標(biāo)車輛的連續(xù)跟蹤。

圖3 弱重疊視域示意圖

以單車道為例設(shè)計(jì)弱重疊視域跟蹤模塊，首先分析單個(gè)路側(cè)攝像頭的視野區(qū)域，將單個(gè)路側(cè)攝像頭的視野區(qū)域劃分為三塊區(qū)域，這三塊區(qū)域分別為駛?cè)胩嵝褏^(qū)域、測速區(qū)域1和測速區(qū)域2。另外，考慮到車輛駛出測速區(qū)域2 時(shí)存在車輛后半部分在原始目標(biāo)區(qū)域的情況，為描述方便，將該攝像頭安裝位置到視野邊緣的這塊區(qū)域設(shè)定為駛出提醒區(qū)域，如圖4所示。

圖4 單個(gè)路側(cè)攝像頭區(qū)域劃分圖

駛?cè)胩嵝褏^(qū)域用以告知路側(cè)攝像頭，目標(biāo)車輛已經(jīng)進(jìn)入視野區(qū)域。測速區(qū)域用以計(jì)算目標(biāo)車輛在視野區(qū)域內(nèi)的速度信息和加速度信息，為車輛信息的通訊提供數(shù)據(jù)。駛出提醒區(qū)域用以告知相鄰攝像頭，該目標(biāo)車輛已經(jīng)駛?cè)胂噜彅z像頭視野區(qū)域，并在該區(qū)域內(nèi)實(shí)時(shí)傳輸目標(biāo)車輛的位置信息、速度信息和加速度信息。

然后分析相鄰路側(cè)攝像頭之間的視野區(qū)域劃分情況?；谌踔丿B視域的思想，將相鄰攝像頭視野區(qū)域緊密銜接，相鄰路側(cè)攝像頭區(qū)域劃分情況如圖5所示。

圖5 相鄰路側(cè)攝像頭區(qū)域劃分圖

5 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文所提出車輛跟蹤方法的有效性，在校園道路模擬城市道路進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)器材有：①M(fèi)avic Pro 大疆無人機(jī)，通過懸停模式模擬路側(cè)監(jiān)控?cái)z像頭進(jìn)行視頻采集；②大唐電信DMD31模組，用于模擬路側(cè)單元中的路側(cè)通訊設(shè)備；③PC 電腦，Intel(R) Core(TM) i3-4170 @ 3.70GHz CPU、NVIDIA GeForce GTX 1050 2G 顯存、8G RAM、本文軟件環(huán)境在Windows 操作系統(tǒng)下進(jìn)行，另外使用了Visual Studio 2013開發(fā)工具集和OpenCV計(jì)算機(jī)視覺庫。

本次實(shí)驗(yàn)需要測試三個(gè)方面的內(nèi)容，一是驗(yàn)證改進(jìn)的ViBe算法在路側(cè)單元上進(jìn)行車輛檢測的優(yōu)越性；二是驗(yàn)證卡爾曼濾波算法應(yīng)用于路側(cè)攝像頭環(huán)境下車輛跟蹤的有效性；三是獲取實(shí)驗(yàn)車輛的運(yùn)動狀態(tài)信息，并采用DMD31模組接收獲取的車輛信息。

（1）車輛檢測結(jié)果分析。分別采用傳統(tǒng)的ViBe算法和改進(jìn)的ViBe 算法對采集的視頻進(jìn)行車輛檢測，二者檢測效果如圖6所示。

圖6 陰影檢測效果對比圖

從圖中效果可見，傳統(tǒng)的ViBe 算法受陰影影響較大，改進(jìn)后的ViBe 算法能夠降低陰影對車輛檢測的影響，且改進(jìn)后的ViBe 算法生成的前景圖質(zhì)量更高，噪點(diǎn)影響較低，最終導(dǎo)致的結(jié)果是改進(jìn)后的ViBe算法生成的車輛檢測框定位更加精準(zhǔn)。

（2）車輛跟蹤結(jié)果分析。車輛跟蹤實(shí)驗(yàn)在實(shí)際校園場地上進(jìn)行，在改進(jìn)的ViBe算法基礎(chǔ)上，使用卡爾曼濾波算法對目標(biāo)車輛進(jìn)行跟蹤。為了方便說明視頻效果，在文中每隔一段時(shí)間選取一張圖片組成視頻序列圖像，用以實(shí)驗(yàn)結(jié)果分析，視頻序列圖像如圖7所示。

從圖中結(jié)果可知，將卡爾曼濾波算法和改進(jìn)ViBe算法結(jié)合能對車輛實(shí)現(xiàn)很好的跟蹤，漏檢率較低。

（3）車輛運(yùn)動信息提取及信息傳輸。從圖8中結(jié)果可知，目標(biāo)車輛進(jìn)入測速區(qū)域1 時(shí)，視頻為第48幀，進(jìn)入測速區(qū)域2時(shí)，視頻為第143幀，進(jìn)入駛出提醒區(qū)域時(shí)，視頻為第250 幀，此時(shí)測試結(jié)果顯示車輛行駛速度為2.8m/s，約為10km/h，加速度為-0.1m/s2，與目標(biāo)車輛實(shí)際行駛速度相符，并能成功將駛出提醒區(qū)域處的信息傳輸給DMD31 模組，驗(yàn)證了本文中提出方法的可行性和有效性。

圖7 視頻序列原始圖像

圖8 運(yùn)動信息提取結(jié)果圖

6 結(jié)論

本文提出一種基于路側(cè)攝像頭的車輛跟蹤方法。在車輛檢測部分，通過在HSV空間中抑制陰影的產(chǎn)生，有效減少了陰影現(xiàn)象對車輛檢測的影響。在車輛跟蹤階段，通過將改進(jìn)ViBe算法與卡爾曼濾波算法結(jié)合，且構(gòu)建了一種弱重疊視域的車輛跟蹤模塊，實(shí)現(xiàn)車輛在目標(biāo)區(qū)域的有效跟蹤，并能將車輛在監(jiān)控范圍內(nèi)的運(yùn)動信息傳遞出去。實(shí)驗(yàn)表明，本文方法能滿足實(shí)際道路交通監(jiān)控中的車輛跟蹤需求。