劉新平,張 影,王風(fēng)華

(中國(guó)石油大學(xué)(華東)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,青島 266580)

1 概述

隨著中國(guó)經(jīng)濟(jì)的迅猛發(fā)展,汽車(chē)的保有量越來(lái)越高.截至2017年3月底,全國(guó)汽車(chē)保有量首次超過(guò)2 億輛[1].在中國(guó)大多數(shù)城市中車(chē)流量較大的主要交通要道上,交通擁堵,事故頻發(fā),給市民的生活和日常出行造成了極大的不便.為了改善城市的交通狀況和市民的生活質(zhì)量,通過(guò)快速的檢測(cè)到交通擁堵時(shí)的車(chē)輛排隊(duì)現(xiàn)象,實(shí)時(shí)得到交通監(jiān)控視頻中的車(chē)道占有率等信息對(duì)交通概況加以改善是重中之重[2].

傳統(tǒng)的車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)方法主要是利用固定位置的傳感器,如環(huán)路傳感器等.由于傳統(tǒng)方法的成本高以及維護(hù)困難,因此目前車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)方法的研究主要基于視頻檢測(cè)器以及基于帶有探測(cè)器的聯(lián)網(wǎng)車(chē)輛.基于視頻檢測(cè)器的檢測(cè)方法研究主要有以下幾種.第一種檢測(cè)方法分為三步,車(chē)輛運(yùn)動(dòng)狀態(tài)檢測(cè),車(chē)輛存在檢測(cè)以及車(chē)輛排隊(duì)長(zhǎng)度檢測(cè).使用三幀時(shí)間差分法的運(yùn)動(dòng)檢測(cè)方法對(duì)移動(dòng)車(chē)輛進(jìn)行檢測(cè)[3],邊緣信息作為車(chē)輛存在的標(biāo)志,利用移動(dòng)的檢測(cè)窗口對(duì)交叉口的車(chē)輛排隊(duì)長(zhǎng)度進(jìn)行檢測(cè).文獻(xiàn)[4]使用背景差法在虛擬的檢測(cè)窗口監(jiān)控交通路口車(chē)輛的出現(xiàn).文獻(xiàn)[5]結(jié)合背景差法和邊緣檢測(cè)方法判斷車(chē)輛隊(duì)列的存在.文獻(xiàn)[6]使用基于梯度的形態(tài)學(xué)邊緣提取方法判斷車(chē)輛存在,使用伸縮窗方法檢測(cè)車(chē)輛隊(duì)列.然而文獻(xiàn)[3]主要通過(guò)時(shí)間差分法得到視頻中運(yùn)動(dòng)的車(chē)輛,無(wú)法檢測(cè)到車(chē)輛隊(duì)列的形成.在文獻(xiàn)[4,5]都使用了幀差法和背景差分法,不同點(diǎn)為作為車(chē)輛存在的特征不同.第二種檢測(cè)方式通過(guò)建立世界坐標(biāo)系使用逆透視變換獲得交通道路的鳥(niǎo)瞰,文獻(xiàn)[7]使用該方法可以獲得較為清晰的車(chē)輛排隊(duì)結(jié)果,但是依賴于準(zhǔn)確的車(chē)道線標(biāo)識(shí)并且是在車(chē)輛隊(duì)列形成的前提下.由于聯(lián)網(wǎng)汽車(chē)技術(shù)的快速發(fā)展和叫車(chē)服務(wù)的出現(xiàn),帶有探測(cè)器設(shè)備的聯(lián)網(wǎng)車(chē)輛越來(lái)越多,進(jìn)而出現(xiàn)基于聯(lián)網(wǎng)車(chē)輛研究車(chē)輛排隊(duì)長(zhǎng)度的方法[8],但是目前聯(lián)網(wǎng)車(chē)輛的所占比例依舊很小.

針對(duì)以上文獻(xiàn)采取的方法以及出現(xiàn)的問(wèn)題,本文在車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)的過(guò)程中主要做了如下工作.第一,改進(jìn)FAST 角點(diǎn)檢測(cè)的過(guò)程,在檢測(cè)窗內(nèi)利用角點(diǎn)信息作為車(chē)輛存在的標(biāo)志,同時(shí)通過(guò)角點(diǎn)位置在相鄰幀間的像素變化與閾值相比較,判斷車(chē)輛的運(yùn)動(dòng)狀態(tài)獲取視頻中的車(chē)輛隊(duì)列.第二,結(jié)合PCA 技術(shù)將隊(duì)列中的角點(diǎn)信息壓縮成為一維向量,在孤立的噪點(diǎn)被去除的同時(shí)保留了原視頻監(jiān)控中有用的角點(diǎn)信息.第三,對(duì)得到的一維向量進(jìn)行可變模板的形態(tài)學(xué)處理,最后轉(zhuǎn)換為實(shí)際排隊(duì)長(zhǎng)度.

2 系統(tǒng)流程

本文提出一種車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)方法.其方法基于FAST 角點(diǎn)檢測(cè)將監(jiān)控視頻中單一車(chē)道里的車(chē)輛角點(diǎn)特征提取,并使用PCA 提取主成分壓縮為一維向量.最后使用可變模板的形態(tài)學(xué)處理得到車(chē)輛排隊(duì)長(zhǎng)度.該檢測(cè)方法的流程如圖1 所示.

圖1 檢測(cè)方法流程圖

(1)對(duì)交通路口攝像頭采集到的實(shí)時(shí)路況視頻進(jìn)行預(yù)處理.其中包括灰度化視頻圖像以及噪聲去除.

(2)通過(guò)對(duì)交通路口監(jiān)控視頻的第一幀圖像人工標(biāo)定感興趣區(qū)域.

(3)判斷檢測(cè)窗內(nèi)角點(diǎn)位置的運(yùn)動(dòng)狀態(tài)從而判斷車(chē)輛排隊(duì)的形成.

(4)對(duì)隊(duì)列中獲得的角點(diǎn)特征應(yīng)用PCA 處理壓縮成一維向量來(lái)表征車(chē)輛隊(duì)列長(zhǎng)度.

(5)對(duì)PCA 的結(jié)果進(jìn)行形態(tài)學(xué)處理確定隊(duì)列長(zhǎng)度.

3 車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)

3.1 提取感興趣區(qū)域

由于攝像機(jī)透鏡成像的原因,造成監(jiān)控視頻中車(chē)道線的成線不會(huì)呈現(xiàn)平行狀態(tài),而是會(huì)呈現(xiàn)不規(guī)則的梯形狀態(tài),如圖2 中某一交通路口取得的四個(gè)場(chǎng)景.

目前車(chē)道線檢測(cè)的研究主要集中于使用霍夫變換,線段檢測(cè)器等,然而現(xiàn)實(shí)中交通背景雜亂,遮擋物多,車(chē)道線的檢測(cè)依賴于背景模型的建立,在背景模型建立的相對(duì)完美的情況下車(chē)道線的檢測(cè)才會(huì)發(fā)揮其作用.因此傳統(tǒng)的車(chē)道線檢測(cè)方法難以準(zhǔn)確提取出感興趣區(qū)域,較為精確的車(chē)道線檢測(cè)方法則負(fù)載過(guò)重,使用成本高.在固定的紅綠燈停車(chē)區(qū)域內(nèi),攝像頭的位置是不變的,而車(chē)道感興趣區(qū)域的提取關(guān)鍵在于感興趣區(qū)域內(nèi)的4 個(gè)頂點(diǎn),本文通過(guò)人工標(biāo)定的方式獲得車(chē)道區(qū)域的4 個(gè)頂點(diǎn).在車(chē)道區(qū)域內(nèi)單一車(chē)道平均分布.劃分出單一車(chē)道內(nèi)的區(qū)域便于進(jìn)行后續(xù)的方法.

圖2 感興趣區(qū)域的提取

3.2 噪聲的去除

椒鹽噪聲是導(dǎo)致圖像質(zhì)量下降的主要噪聲之一,這種噪聲表現(xiàn)為某一像素相對(duì)于其鄰域內(nèi)的其它像素的灰度值突變而與圖像中的邊緣細(xì)節(jié)一樣具有較大梯度值,從而對(duì)圖像的分析與角點(diǎn)的判斷造成困難[9],因此有效濾除椒鹽噪聲并保護(hù)圖像細(xì)節(jié)成為保證所采集車(chē)輛圖像質(zhì)量的一個(gè)重點(diǎn).中值濾波為去除椒鹽噪聲最有效的方法,它將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值,較好地保留了圖像細(xì)節(jié).

高斯噪聲是另一種導(dǎo)致所采集車(chē)輛圖像質(zhì)量下降的噪聲,它的存在會(huì)給后續(xù)工作中的角點(diǎn)特征提取帶來(lái)很大的困難[9],本文選擇均值濾波方法進(jìn)行高斯噪聲的去除.例如,當(dāng)前像素位置為(x,y),m 為該模板中包含當(dāng)前像素在內(nèi)的像素總個(gè)數(shù).作為處理后圖像在該點(diǎn)上的灰度值為g(x,y).

3.3 FAST 角點(diǎn)特征提取

雖然以往很多車(chē)輛檢測(cè)算法都是基于背景減法[10],但經(jīng)驗(yàn)表明,這些方法對(duì)光照條件的變化比較敏感,基于這個(gè)原因許多研究人員建議使用邊緣[11],紋理和角點(diǎn)等低層次特征作為某一區(qū)域車(chē)輛存在的標(biāo)志.本文從車(chē)道上發(fā)現(xiàn)的角點(diǎn)特征信息來(lái)推斷隊(duì)列長(zhǎng)度.這種方法在光照變化前具有非常好的魯棒性.

從早期的Moravec 到Harris,再到SIFT,SURF 等,可以說(shuō)特征提取的算法層出不窮,在后續(xù)的研究中也提出了各種改進(jìn)的算法.其中SIFT 和SURF 提取到的特征非常的優(yōu)秀,但是時(shí)間消耗依然十分巨大,這就使得系統(tǒng)的實(shí)時(shí)性不是很好,降低了系統(tǒng)的性能.Edward Rosten 和Tom Drummond 經(jīng)過(guò)研究[12]于2006年提出了一種FAST 特征點(diǎn),并在2010年修改后發(fā)表,簡(jiǎn)稱FAST[13].FAST 實(shí)際上是在不影響結(jié)果的前提下,文獻(xiàn)[14]簡(jiǎn)化了Harris 檢測(cè)方法.

如圖3 中,FAST 關(guān)鍵點(diǎn)檢測(cè)是對(duì)興趣點(diǎn)所在圓周上的16 個(gè)像素點(diǎn)進(jìn)行判斷,假設(shè)p 為中心像素點(diǎn),pi 為p 點(diǎn)周?chē)鷪A形區(qū)域內(nèi)16 個(gè)像素點(diǎn)的一點(diǎn),首先計(jì)算圖中p1、p9、p5、p13 與中心p 的像素差,若它們的絕對(duì)值有至少3 個(gè)超過(guò)閾值,再進(jìn)行下一步,否則不存在角點(diǎn).下一步計(jì)算p1 到p16 這16 個(gè)點(diǎn)與中心p 的像素差,若它們有至少9 個(gè)超過(guò)閾值,則是特征點(diǎn);否則不存在角點(diǎn).

圖3 FAST 角點(diǎn)檢測(cè)示意圖

N(x)為x 點(diǎn)的像素值.t 為實(shí)際上比較強(qiáng)度時(shí)的閾值.當(dāng)x 為T(mén)RUE 時(shí),I(x)值為1,當(dāng)x 為FALSE 時(shí),I(x)值為0.車(chē)輛角點(diǎn)特征提取如圖4.

圖4 車(chē)輛角點(diǎn)特征的提取

3.4 改進(jìn)FAST 檢測(cè)算法

以往對(duì)于車(chē)輛排隊(duì)長(zhǎng)度的測(cè)量方法大部分基于滑動(dòng)窗方法[15],然而滑動(dòng)窗方法對(duì)于攝像機(jī)遠(yuǎn)端車(chē)輛的識(shí)別誤差大.因此本文對(duì)FAST算法改進(jìn)的第一點(diǎn)是將角點(diǎn)特征關(guān)鍵點(diǎn)集按照映射的原理生成一副新的圖像.該圖像只在對(duì)應(yīng)于原圖像存在角點(diǎn)的位置有值,便于使用這張圖像進(jìn)行PCA 處理得到一維向量,該圖像如圖5.

以往的車(chē)輛排隊(duì)長(zhǎng)度方法首先通過(guò)判斷車(chē)輛運(yùn)動(dòng)的狀態(tài),再通過(guò)發(fā)現(xiàn)車(chē)輛的角點(diǎn),邊緣等特征.本文對(duì)FAST算法改進(jìn)的第二點(diǎn)是將運(yùn)動(dòng)檢測(cè)方法融入到算法的過(guò)程中.首先,在停車(chē)線前設(shè)置虛擬檢測(cè)區(qū),在使用FAST算法遍歷檢測(cè)區(qū)的同時(shí),對(duì)檢測(cè)到角點(diǎn)信息的位置運(yùn)用運(yùn)動(dòng)檢測(cè)方法得到車(chē)輛在視頻中的運(yùn)動(dòng)狀態(tài)并判斷是否形成車(chē)輛隊(duì)列.本文中運(yùn)動(dòng)檢測(cè)方法使用幀間差分的思想,將其與前一幀圖像的相同位置作比較.當(dāng)虛擬檢測(cè)區(qū)內(nèi)車(chē)輛處于靜態(tài)時(shí)[4],默認(rèn)通處于擁堵?tīng)顟B(tài)并測(cè)量車(chē)輛排隊(duì)長(zhǎng)度.

圖5 角點(diǎn)特征映射圖

在視頻中車(chē)道前某一位置,設(shè)置一大小合適的檢測(cè)窗,使用改進(jìn)后的FAST 角點(diǎn)算法得到靜態(tài)的點(diǎn)和動(dòng)態(tài)的角點(diǎn).

p 為檢測(cè)到角點(diǎn)的位置.It(p)是像素p 在t 時(shí)刻的值,S(p)是p 的鄰域的集合,由于相機(jī)抖動(dòng)及外界環(huán)境影響,將得到的D(p)與閾值t 相比較得到E(p),即車(chē)輛的運(yùn)動(dòng)狀態(tài).

3.5 PCA 降維

主成分分析也稱為卡爾胡寧-勒夫變換(Karhunen-Loeve Transform),是一種用于探索高維數(shù)據(jù)結(jié)構(gòu)的技術(shù),還可以用于數(shù)據(jù)壓縮,數(shù)據(jù)預(yù)處理等,新的低維數(shù)據(jù)集會(huì)盡可能的保留原始數(shù)據(jù)的變量.本文通過(guò)對(duì)如圖5 生成的角點(diǎn)映射圖進(jìn)行PCA 就生成了如圖6 所示的一維向量.

3.6 形態(tài)學(xué)處理

使用形態(tài)學(xué)處理對(duì)上述得到的不連續(xù)結(jié)果進(jìn)行優(yōu)化.由于在成像過(guò)程中近大遠(yuǎn)小的特點(diǎn),對(duì)該圖像進(jìn)行形態(tài)學(xué)處理的過(guò)程中使用可變模板的形態(tài)學(xué)處理,即式(6),得到的圖形如圖7.

圖6 PCA算法壓縮結(jié)果

圖7 形態(tài)學(xué)處理結(jié)果

其中,B(i,j)表示將B 的中心對(duì)準(zhǔn)Ar 的(i,j)位置形成的矩陣范圍,Ar 為使用可變模板B(2r+1,2r+1)膨脹的圖像.而該范圍落在Ar 之內(nèi)的部分是B(i,j)∩Ar.

4 車(chē)輛排隊(duì)長(zhǎng)度

首先將得到形態(tài)學(xué)處理結(jié)果轉(zhuǎn)換為像素長(zhǎng)度[6],如圖8.本文中的車(chē)輛排隊(duì)長(zhǎng)度由白色區(qū)域構(gòu)成,即從(x,y)=(0,0++)起遇到的第一行白色區(qū)域?yàn)檐?chē)輛排隊(duì)的隊(duì)尾,從(x,y)=(0,img.length--)起遇到的第一行白色區(qū)域.最后由文獻(xiàn)[3]可知,車(chē)輛排隊(duì)長(zhǎng)度的像素距離[6]可以轉(zhuǎn)換為實(shí)際距離.

圖8 車(chē)輛排隊(duì)像素長(zhǎng)度

5 實(shí)驗(yàn)結(jié)果及分析

本文選取一個(gè)接近十字路口的過(guò)街天橋,拍攝一段有車(chē)輛排隊(duì)的視頻,攝像頭可采集的像素?cái)?shù)量是1811×1020,攝像機(jī)架設(shè)的高度為6 m,攝像機(jī)光心到車(chē)道停車(chē)線的實(shí)際距離為 26.5 m.本文選取視頻中不同排隊(duì)長(zhǎng)度的四幅畫(huà)面,根據(jù)文獻(xiàn)[3]中的攝像機(jī)標(biāo)定技術(shù)對(duì)本文中得到的車(chē)輛排隊(duì)結(jié)果進(jìn)行了最終的隊(duì)長(zhǎng)測(cè)量,給出實(shí)際排隊(duì)長(zhǎng)度與檢測(cè)長(zhǎng)度進(jìn)行對(duì)比.得到如表1.由表1 可知,檢測(cè)的精度高達(dá)98%.

從表1 數(shù)據(jù)可以看出,在攝像機(jī)視野范圍內(nèi),本文算法結(jié)果相較于文獻(xiàn)[6]總體表現(xiàn)不錯(cuò),基本控制在2%的錯(cuò)誤率.在列出的實(shí)驗(yàn)數(shù)據(jù)中,第一組數(shù)據(jù)顯示誤差較大,主要是由于第一輛汽車(chē)外觀平滑,不宜檢測(cè)到角點(diǎn).文獻(xiàn)[6]中整體表現(xiàn)比較穩(wěn)定,但均值略高于本文方法,因此本文算法相較于其他算法在整體表現(xiàn)上不錯(cuò),但卻不穩(wěn)定,在后續(xù)研究中可以增加檢測(cè)車(chē)輛其他特征的步驟,針對(duì)性的提高穩(wěn)定度.

表1 車(chē)輛排隊(duì)檢測(cè)準(zhǔn)確度

6 結(jié)束語(yǔ)

本研究通過(guò)改進(jìn)FAST算法過(guò)程,將車(chē)輛運(yùn)動(dòng)狀態(tài)的判斷與檢測(cè)角點(diǎn)存在運(yùn)用到一起,簡(jiǎn)化傳統(tǒng)車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)的過(guò)程,縮小規(guī)模,更有利于快速判斷車(chē)輛隊(duì)列的存在.然后將主成分分析運(yùn)用到車(chē)輛排隊(duì)長(zhǎng)度的測(cè)量中,在保有大部分信息的特點(diǎn)下解決了對(duì)于遠(yuǎn)端車(chē)輛測(cè)量不準(zhǔn)確的情況,提高了測(cè)量的準(zhǔn)確率.