亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于實時交通狀況和自適應(yīng)像素分割的運動車輛檢測

        2021-10-15 05:04:46趙玉舟張小瑞
        液晶與顯示 2021年10期
        關(guān)鍵詞:交通狀況信任背景

        孫 敏, 李 免, 趙玉舟, 孫 偉,2*, 張小瑞

        (1. 南京信息工程大學(xué) 自動化學(xué)院, 江蘇 南京 210044;2. 江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心, 江蘇 南京 210044;3. 南京信息工程大學(xué) 無錫研究院, 江蘇 無錫 214100)

        1 引 言

        在智能交通系統(tǒng)中,車輛檢測是車輛跟蹤、車輛識別的重要前提,良好的車輛檢測會使后續(xù)的跟蹤、識別更加準確、可靠,且對緩解日益嚴重的交通擁堵和方便大眾出行具有重要的經(jīng)濟和社會意義。

        目前常用的基于計算機視覺的車輛檢測方法大致分為兩類:(1)基于視頻序列的車輛檢測方法;(2)基于特征學(xué)習(xí)的車輛檢測方法。

        基于視頻序列的車輛檢測方法包括光流法[1]、幀間差分法[2]、背景減除法[3]、Blob分析[4]等。光流法利用像素點矢量特性,根據(jù)運動速度建立光流場來分析運動目標,該方法計算復(fù)雜,對設(shè)備運算能力要求高,難以實現(xiàn)快速檢測。幀間差分法是指在相鄰幀圖像之間做差分運算,將超過設(shè)定閾值的像素點作為運動目標,該方法速度快,但容易出現(xiàn)“空洞”現(xiàn)象,準確性較差。背景減除法需要建立合理的背景模型,但只適用于攝像頭固定且初始場景相對穩(wěn)定的場景,當(dāng)目標在場景中緩慢移動時,容易出現(xiàn)“鬼影”,不能保證算法的準確性。

        基于特征學(xué)習(xí)的車輛檢測方法可分為基于人工特征的方法和基于自動特征的方法。在基于人工特征檢測方面,陳華清[5]等人提出基于Hog特征的檢測模型,利用Hog特征的全局不變性對車輛進行全局特征提取。在基于自動特征檢測方面,劉志成等人提出基于深度學(xué)習(xí)的多層卷積網(wǎng)絡(luò)對車輛進行檢測,如DCNN[6]、Yolo[7]。鄧淇天等人提出基于多特征融合的車輛檢測算法[8]?;谌斯ぬ卣鞯姆椒▽庹铡⑴臄z視角以及汽車尺度變化比較敏感,易導(dǎo)致檢測率和可靠性下降。基于自動特征的方法盡管能有效克服光照、車輛尺度變化的影響,但訓(xùn)練網(wǎng)絡(luò)需要大量的數(shù)據(jù)樣本,且模型訓(xùn)練時間長、硬件配置條件高。

        傳統(tǒng)基于像素的自適應(yīng)分割器方法(Pixel-Based Adaptive Segmenter,PBAS)[9]使用多幀連續(xù)圖像來初始化背景模型,在一定程度上能緩解基于樣本點的非參數(shù)背景模型的“鬼影”現(xiàn)象,具有類似人工特征檢測模型的實時性和準確率,而且不像自動特征模型那樣需要大量的訓(xùn)練樣本和高的硬件配置。但面對車輛在場景中出現(xiàn)緩慢移動或短暫滯留情況時,傳統(tǒng)PBAS方法在進行背景模型初始化時仍可能帶入“鬼影”。并且傳統(tǒng)PBAS算法需要實時計算更新背景模型參數(shù),而在實際交通場景中背景模型是否需要更新跟車輛所處的交通狀態(tài)直接相關(guān),如果交通狀態(tài)沒有明顯發(fā)生改變,就不需要實時更新背景模型參數(shù);如果不加區(qū)分,直接實時地計算和更新背景模型參數(shù)反而會導(dǎo)致計算量的急劇增加。因此,有必要對傳統(tǒng)PBAS算法進行改進。

        本文提出一種基于實時交通狀況和自適應(yīng)像素分割的車輛檢測算法,其創(chuàng)新之處如下:(1)所提算法能根據(jù)車流量的多少對當(dāng)前交通狀況進行評估,根據(jù)評估結(jié)果自適應(yīng)地決定是否需要對車輛檢測的背景模型進行更新以及如何進行更新,從而顯著提高車輛檢測的準確率和實時性;(2)采用多幀不連續(xù)的間隔圖像來構(gòu)建理想的初始模型,在提高算法實時性的同時能降低因車輛緩慢移動或短暫滯留產(chǎn)生“鬼影”的概率;(3)提出基于時-空變化度的背景區(qū)域變化評價方法,聯(lián)合時域變化度、空域結(jié)構(gòu)變化度和空域顏色變化度,對背景區(qū)域是否發(fā)生變化進行評價,為背景模型是否需要更新提供可靠的決策依據(jù);(4)基于時-空變化度制訂自適應(yīng)的學(xué)習(xí)率更新策略,通過設(shè)置信任區(qū)間,并根據(jù)當(dāng)前交通狀況和像素點是否處于信任區(qū)間內(nèi)來判斷當(dāng)前的背景模型是否需要更新,從而大幅減小模型的計算量。

        2 基于實時交通狀況和自適應(yīng)像素分割的車輛檢測算法

        傳統(tǒng)PBAS方法在進行背景模型初始化時會帶入“鬼影”[10],并且由于PBAS算法需要更新前景-背景的判斷閾值和學(xué)習(xí)率等參數(shù)導(dǎo)致每幀圖像的處理速度降低,模型計算量隨時間急劇增加,一定程度上會影響算法的實時性[11]。

        為解決傳統(tǒng)PBAS方法的不足,本文從背景模型初始化、交通狀況評估與信任區(qū)間更新、前景檢測和背景更新4個方面對傳統(tǒng)PBAS方法進行改進。

        2.1 背景模型初始化

        針對車輛在交通場景中出現(xiàn)緩慢移動或短暫滯留的情況,使用多幀不連續(xù)圖像初始化背景模型,在降低“鬼影”產(chǎn)生的同時降低運算量。

        假定像素(x,y)的背景模型為B′(x,y),則背景模型初始化時,采用固定時間間隔的多幀背景圖像為:

        (1)

        其中,K為固定的時間間隔,I1是第一幀圖像的像素值,I1+(N-1)×K為第1+(N-1)×K幀圖像的像素值。將第一幀圖像的像素值初始化為背景模型的第一個樣本,將第1+(N-1)×K幀圖片的像素值初始化為背景模型的第N個樣本。后續(xù)實驗表明,當(dāng)K=10,N=20時,模型能夠取得較好的效果,既能防止車輛緩慢行駛或短暫滯留產(chǎn)生的“鬼影”現(xiàn)象,又能保證算法的實時性。

        2.2 交通狀況評估與信任區(qū)間更新

        在城市交通環(huán)境中,交通狀況的變化對PABS背景模型的更新影響較大[12]。一般而言,當(dāng)交通狀況發(fā)生變化時,背景模型及參數(shù)需要及時更新以適應(yīng)變化的交通場景;當(dāng)交通狀況保持不變時,背景模型及參數(shù)則不需要更新以保證算法的實時性[12]。為了使模型能夠適應(yīng)實際的交通狀況,本文提出一種改進的交通狀態(tài)評估和信任區(qū)間更新方法。

        首先,為任意像素點(x,y)設(shè)定信任時間段c(x,y),并稱該時間段為這個像素點的信任區(qū)間。采用與文獻[13]類似的交通狀態(tài)評估方法,首先定義交通擁堵度P(x,y)=d(x,y)/f(x,y),其中,d(x,y)表示信任區(qū)間內(nèi)從第一幀到當(dāng)前幀檢測結(jié)束時像素點被檢測為前景的次數(shù),f(x,y)表示當(dāng)前幀在信任區(qū)間的幀序數(shù)。然后根據(jù)P(x,y)將當(dāng)前交通狀況簡化為“通暢”、“輕微堵塞”和“堵塞”3個狀態(tài),如式(2)所示:

        (2)

        定義h(x,y)為信任區(qū)間內(nèi)像素點前景-背景之間轉(zhuǎn)變的次數(shù)。h(x,y)數(shù)值越小,表示該背景模型越穩(wěn)定;h(x,y)數(shù)值越大,表示背景模型越不穩(wěn)定,需要更新背景模型以獲得穩(wěn)定的背景模型。因此,在每個信任區(qū)間結(jié)束時,可以基于h(x,y)和f(x,y)判定每一像素點位置背景模型的穩(wěn)定性,進而更新c(x,y)的值。具體更新步驟如下:

        (1)如果h(x,y)/f(x,y)<τd,意味著此時背景模型穩(wěn)定,當(dāng)前幀的背景模型應(yīng)當(dāng)被保留,信任區(qū)間按式(3)進行更新:

        (3)

        需要注意的是,τd為預(yù)先設(shè)定的閾值,如果τd的值過大,算法則不能及時感應(yīng)到交通狀態(tài)的變化;如果其值設(shè)定的過小,算法對交通狀態(tài)的變化會過于敏感,抗干擾性就會降低。通過大量的現(xiàn)場實驗,本文設(shè)置τd=1/3,能夠較好地平衡算法的敏感性和抗干擾性。

        (2)如果h(x,y)/f(x,y)≥τd,意味著背景模型可能不穩(wěn)定,則應(yīng)更新當(dāng)前背景模型以適應(yīng)動態(tài)場景,此時信任區(qū)間按式(4)進行更新:

        (4)

        在實際的更新過程中,令c(x,y)∈[minc(x,y),maxc(x,y)]=[25,30],設(shè)c(x,y)的初始值為25,在信任區(qū)間更新后,h(x,y)、d(x,y)、f(x,y)的值都重置為0。

        2.3 前景檢測

        (5)

        為了提高判定背景區(qū)域是否發(fā)生變化的準確性,本文提出了一種基于時-空變化度的背景區(qū)域變化評價方法,其中,空域變化度由區(qū)域結(jié)構(gòu)變化度和顏色變化度兩部分組成。

        (6)

        基于時域變化度、空域結(jié)構(gòu)變化度和空域顏色變化度,提出的時-空變化度計算公式如式(7)所示:

        Vt,s(x,y)=Vt(x,y)+βVs,s(x,y)+γVs,c(x,y),

        (7)

        利用時-空變化度,按公式(8)更新判定閾值:

        (8)

        Rinc/dec表示閾值增加/減少參數(shù),Rscale表示全局參數(shù),Rinc/dec=0.05,Rinc/dec決定了R′(x,y)的調(diào)整幅度。Rscale=5,本文R′(x,y)的最小值Rlower取值為18,R(x,y)的初始值也設(shè)為18。

        此外,為了解決背景模型在更新過程中前景點易過快融入背景的問題,所提算法在學(xué)習(xí)率T(x,y)中加入了自適應(yīng)控制策略,如式(9)所示:

        (9)

        其中,Tinc和Tdec為固定的增減參數(shù),同時給T(xi)設(shè)定上下限:Tlower

        2.4 背景更新

        對當(dāng)前圖像像素進行前景和背景分類后,還需根據(jù)實際交通背景的變化,選擇性地更新背景模型[14],具體策略如下:

        (1)當(dāng)f(x,y)

        (2)當(dāng)f(x,y)=c(x,y),即當(dāng)前幀的像素點在信任區(qū)間的末尾。如果h(x,y)/f(x,y)<τd、Ft(x,y)=0且當(dāng)前交通狀況S(x,y)為暢通時,則需要背景更新。當(dāng)信任區(qū)間結(jié)束后,如果h(x,y)/f(x,y)<τd且當(dāng)前交通狀況S(x,y)為暢通時,則需要利用當(dāng)前的交通狀況更新背景;如果h(x,y)/f(x,y)≥τd,此時不管當(dāng)前像素值I(x,y)檢測結(jié)果為背景或前景,僅在交通狀態(tài)S(x,y)為暢通時,才進行背景更新。

        綜上所述,基于實時交通狀況和自適應(yīng)像素分割算法的車輛檢測流程如圖1所示。

        圖1 基于實時交通狀況和自適應(yīng)像素分割算法的車輛檢測示意圖Fig.1 Vehicle detection algorithm based on real-time traffic condition and adaptive pixel segmentation

        3 實 驗

        本文實驗基于Windows 7系統(tǒng),所使用CPU為IntelCore i5-6500,主頻3.20 GHZ,內(nèi)存8 G,顯卡型號為GTX1050,顯存2 G,軟件環(huán)境為Matlab R2016a,opencv 2.4.9。為了驗證本文算法的有效性,本文從OTB網(wǎng)站[15]下載了多個不同環(huán)境下的交通車輛視頻序列作為測試集進行測試。

        在正常光照情況下,各車輛檢測算法檢測結(jié)果如圖2所示。

        從圖2(b)和2(c)中可以看出,光流法和幀間差分法存在明顯的“空洞”現(xiàn)象,車前玻璃到車頂區(qū)域較為明顯,嚴重影響車輛的完整性,但其算法簡單,實時性好;由圖2(d)可以看出,運用vibe模型進行車輛檢測減少了“空洞”現(xiàn)象,但同一車輛不同部分存在邊界不連續(xù)的現(xiàn)象,且vibe模型計算量大,不能滿足實時性的要求;圖2(e)是基于實時交通狀況和自適應(yīng)像素分割算法的車輛檢測結(jié)果,從中可以看出,該算法保證了運動車輛的完整性,檢測效果最佳。對比這4種算法可以得到,基于實時交通狀況和自適應(yīng)像素分割的運動目標檢測算法能夠保證運動目標的完整性,且有效提高了運動車輛檢測的準確性。

        圖2 不同算法檢測運動車輛對比結(jié)果Fig.2 Results of different algorithms for detecting moving vehicles

        分別選取陰雨天氣、多車檢測、光照變化等復(fù)雜場景進行對比實驗并進行分析,檢測結(jié)果如圖3所示。

        在陰雨天氣下,光照不足、空氣中的流動雨滴等因素給運動目標的檢測造成干擾,光流法所檢測出的車輛輪廓不連續(xù),幀差法出現(xiàn)了明顯的“空洞”現(xiàn)象,vibe模型將周邊的路標誤檢為前景,本文提出的算法較好地檢測出了車輛的完整輪廓。多車檢測中,光流法、幀差法、vibe模型檢測結(jié)果或多或少存在著空洞現(xiàn)象。由于周圍建筑物遮擋,小車受到的光照由強變?nèi)酰饬鞣?、幀差法、vibe模型均不能完整地檢測出運動車輛,而本文提出的算法能夠在上述兩個場景中清晰地檢測出運動車輛,且噪聲也較少。

        圖3 白天復(fù)雜場景下4種算法檢測結(jié)果Fig.3 Detection results of four algorithms in complex scenes

        由表1可知,本文算法在不同場景中檢測的性能指標Recall、Precision和F-measure分別為0.929,0.864,0.888,均高于其他檢測算法。此外,由表2可知,本文算法的處理時間為88.37 ms,比傳統(tǒng)PBAS算法的運算速度快近10 ms,能夠更好地應(yīng)對城市內(nèi)快速變化的交通環(huán)境。綜合表1和表2,在相同條件下,對相同場景的運動目標進行檢測時,相較于傳統(tǒng)PBAS算法,本文所提算法所用時間較短,同其他常用算法相比,本文所提算法的Recall、Precision和F-measure指標均為最高。

        表1 5種檢測算法在3個場景下檢測性能指標對比Tab.1 Comparison of five detection algorithms in three scenarios

        表2 不同檢測算法的平均處理時間Tab.2 Average processing time of different detection algorithms (ms)

        為了驗證本文算法在夜晚弱光和交通狀態(tài)變化情況下的性能,采集某一丁字路口的交通視頻進行實驗。基于本文算法,某一幀視頻的檢測結(jié)果如圖4所示,其中圖4右邊為快速主干車道,車道上的車輛運動速度較快;左邊為慢速旁支車道,因為要進入主干車道,速度較慢并有短暫滯留。從圖4中可以看出,盡管是在光照不足的夜晚,無論是速度較快的車輛還是速度較慢、短暫滯留的車輛,本文所提算法均能將其準確完整地檢測出來。進一步對圖4所示慢速旁支車道車輛檢測的結(jié)果進行統(tǒng)計,結(jié)果表明本文方法的檢測準確率達到0.827,而基于光流法、幀差法、vibe模型和傳統(tǒng)PBAS方法的檢測準確率分別為0.606,0.432,0.579,0.746。說明在車速較慢或短暫滯留交通狀態(tài)下,本文方法比其他4種方法的車輛檢測效果更好。

        圖4 夜晚路口交通狀況變化時的檢測結(jié)果Fig.4 Detection results for different vehicle speeds at night

        除了與基于人工特征的方法進行對比之外,本文還與基于YOLOv3的自動特征檢測方法[16]在PASCAL VOC 數(shù)據(jù)庫上進行了對比,檢測結(jié)果如表3所示。從表3可以看出,基于YOLOv3的方法在Recall、Precision方面都有較好的表現(xiàn),但在算法復(fù)雜性和可移植性方面,本文方法具有明顯的優(yōu)勢。這是因為基于YOLOv3的車輛檢測方法采用CNN和深度學(xué)習(xí)算法進行自動特征提取,其網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練過程復(fù)雜繁瑣,不僅需要GPU顯卡進行加速,而且需要采集數(shù)量龐大的訓(xùn)練樣本并對其進行人工標注和長時間訓(xùn)練,因而在實際應(yīng)用中也不利于向已有的嵌入式設(shè)備上進行移植。

        表3 與基于YOLOv3檢測算法的性能對比Tab.3 Performance comparison between YOLOv3-based method and the proposed method

        本文算法針對在城市交通中車輛檢測存在的一系列問題做出優(yōu)化。城市道路上,光照變化、多車重疊等干擾情況較多,因此本文算法在進行前景檢測時,結(jié)合時域和空域進行綜合判定,在Precision和Recall方面都有較好表現(xiàn)。此外,相較于國道、高速公路等道路,城市道路背景較為不穩(wěn)定,本文算法為背景模型更新設(shè)定的信任區(qū)間,能夠在背景出現(xiàn)小幅度變化時維持穩(wěn)定,減少了算法的計算量,因此相比傳統(tǒng)PBAS算法在平均處理時間上占有一定優(yōu)勢。

        4 結(jié) 論

        本文提出了一種基于實時交通狀況和自適應(yīng)像素分割的運動車輛檢測方法。該算法采用多幀間隔圖像來獲取理想的初始模型,從而降低了“鬼影”產(chǎn)生的可能性。車輛檢測性能指標Recall、Precision和F-measure分別為0.929,0.864,0.888,均高于傳統(tǒng)檢測算法。提出的基于時-空變化度的背景區(qū)域變化評價方法,能夠及時有效地更新判定閾值和學(xué)習(xí)率。通過設(shè)置信任區(qū)間,并根據(jù)當(dāng)前交通狀況和像素點是否處于信任區(qū)間內(nèi)判斷當(dāng)前的背景模型是否適合更新,降低了計算的復(fù)雜度。在測試中,本文所提算法處理時間為88.37 ms,比傳統(tǒng)PBAS算法的運算速度快近10 ms。實驗結(jié)果表明,本文提出的算法能夠快速、準確地檢測出運動目標,而且在復(fù)雜城市道路場景下仍具有較強的魯棒性。

        猜你喜歡
        交通狀況信任背景
        “新四化”背景下汽車NVH的發(fā)展趨勢
        《論持久戰(zhàn)》的寫作背景
        基于人工智能的交通狀況監(jiān)測淺析
        表示信任
        嚶嚶嚶,人與人的信任在哪里……
        桃之夭夭B(2017年2期)2017-02-24 17:32:43
        從生到死有多遠
        晚清外語翻譯人才培養(yǎng)的背景
        管莊路交通狀況調(diào)查研究
        信任
        山區(qū)高速公路長大隧道交通狀況及行車安全保障
        欧洲美熟女乱av亚洲一区| 国外亚洲成av人片在线观看| 亚洲一区二区三区无码国产| 亚洲最大av资源站无码av网址| 久99久热只有精品国产男同| 欧美在线不卡视频| 亚洲国产精品一区二区第一| 丝袜美腿国产一区二区| 嫩草伊人久久精品少妇av| 精品国产精品国产偷麻豆| 亚洲av无码精品色午夜蛋壳| 久久亚洲国产中v天仙www| 国产精品一区二区三区蜜臀| 日韩亚洲在线观看视频| 国产午夜视频一区二区三区| 无码人妻精品一区二区三区东京热| 久久精品国产亚洲av高清热 | 人人添人人澡人人澡人人人人 | 无码人妻黑人中文字幕| 东京热加勒比在线观看| 日本黄色一区二区三区视频| 久久国产精品亚洲我射av大全| 熟女中文字幕一区二区三区| 久久久久人妻一区精品| 中文字幕亚洲乱码熟女一区二区| 亚洲老熟妇愉情magnet| 国产大片在线观看91| 亚洲av无码成人精品国产| 国内精品伊人久久久久影院对白 | 18成人片黄网站www| 国产h视频在线观看网站免费| 国产亚洲3p一区二区| 亚洲乱亚洲乱妇无码麻豆| 在线播放国产一区二区三区| 国产精品国产三级在线高清观看 | 国产成人无码aⅴ片在线观看| 极品诱惑一区二区三区| 国产精品一区二区三区女同| 青青河边草免费在线看的视频 | 欧美情侣性视频| 日本亚洲成人中文字幕|