（計(jì)算機(jī)應(yīng)用技術(shù)專業(yè)論文）智能交通系統(tǒng)中的車輛檢測(cè)和車型識(shí)別技術(shù)研究.pdf

摘要 智能交通系統(tǒng)( i t s ) 是發(fā)展現(xiàn)代化交通的必由之路，基于機(jī)器視覺(jué)的車輛檢 測(cè)和車型分類技術(shù)是推進(jìn)智能交通系統(tǒng)發(fā)展的個(gè)重要的研究方向，在道路交通 監(jiān)控系統(tǒng)和高速公路收費(fèi)系統(tǒng)等方面都有著廣泛的應(yīng)用前景。本文以此為出發(fā) 點(diǎn)，對(duì)智能交通系統(tǒng)中的車輛檢測(cè)和車型分類技術(shù)進(jìn)行了深入地研究和分析，并 提出了一種精確穩(wěn)定的車輛檢測(cè)和車型分類算法，主要內(nèi)容如下： 關(guān)于運(yùn)動(dòng)車輛的檢測(cè)問(wèn)題，本文在分析總結(jié)國(guó)內(nèi)外現(xiàn)有的眾多車輛檢測(cè)算法 的基礎(chǔ)上，提出了一種基于中值像素灰度歸類的背景重構(gòu)方法，通過(guò)該方法重構(gòu) 的背景可以以較高的精度滿足背景差分下的車輛檢測(cè)問(wèn)題；同時(shí)，考慮到相鄰像 素間的相關(guān)性，在背景更新時(shí)使用像素變化統(tǒng)計(jì)表，將背景區(qū)域進(jìn)行分塊處理， 每塊采用不同更新速率，從而使模型能更快的適應(yīng)環(huán)境的變化。對(duì)于運(yùn)動(dòng)車輛陰 影的干擾問(wèn)題，本文將差分圖像轉(zhuǎn)換到s r g 顏色空間進(jìn)行陰影分割，實(shí)驗(yàn)表明在 自然環(huán)境中可以得到很好的分割效果。 在車型分類方面，首先對(duì)差分圖像作形態(tài)學(xué)濾波和區(qū)域連通處理，得到運(yùn)動(dòng) 車輛的位置和輪廓，根據(jù)分類標(biāo)準(zhǔn)提取出車型分類所需的特征向量，然后分別用 兩種方法設(shè)計(jì)出車型分類器，一種是基于模糊k 一均值聚類的r b f 網(wǎng)絡(luò)車型分類 器，另一種是基于免疫算法的r b f 網(wǎng)絡(luò)車型分類器，通過(guò)在相同環(huán)境下的實(shí)驗(yàn)對(duì) 比分析，基于免疫算法的r b f 網(wǎng)絡(luò)車型分類器在分類準(zhǔn)確性和速度方面都優(yōu)于基 于模糊k 一均值聚類的r b f 網(wǎng)絡(luò)車型分類器。本文首次將人工免疫算法與r b f 神 經(jīng)網(wǎng)絡(luò)相結(jié)合并用于車型分類，相比傳統(tǒng)車型分類算法取得了較好的分類效果， 值得在這一算法上作更深入系統(tǒng)的開發(fā)研究。 本文提出的方法適用大面積、多目標(biāo)的復(fù)雜場(chǎng)景，能有效排除干擾，滿足自 然條件下視頻監(jiān)控的車輛檢測(cè)和車型分類要求，具有一定的理論意義和實(shí)用價(jià) 值，可以推廣應(yīng)用到視頻監(jiān)控的其它領(lǐng)域中。 關(guān)鍵詞：車輛檢測(cè)；陰影分割；徑向基函數(shù)；k 一均值聚類算法；免疫算法 a b s t r a c t i n t e l l i g e n tt r a n s p o r ts y s t e m s ( i t s ) i st h ed e t e r m i n a t ea p p r o a c h e sf o r t h ed e v e l o p m e n to ft h em o d e r nt r a n s p o r t s ， t h ev e h i c l ed e t e c t i o na n d c l a s s i f i c a t i o nb a s e do nc o m p u t e rv i s i o nt h a ti sai m p o r t a n tr e s e a r c hf i e l d f o rt h ea d v a n c eo ft h ei t s 。 i th a sp r o m i s i n gp r o s p e c ti nt h ea p p l i c a t i o n o ft h er o a dt r a f f i cs u r v e i l l a n c es y s t e ma n dt h eh i g h w a yt o l ls y s t e ma n d s oo n i nt h i st h e s i s ，w er e s e a r c hd e e p l yt h et e c h n i q u ea b o u tv e h i c l e d e t e c t i o na n dc l a s s i f i c a t i o n ，a n dp r o p o s eap r e c i s ea n dr o b u s ta l g o r i t h m o fd e t e e t i n ga n dc l a s s i f y i n gm o v i n gv e h i c l e so nr o a d t h em a i nc o n t e n t s c a nb el i s t e da sf o l l o w s ： f i r s t ， t h i st h e s i sp r e s e n t sab a c k g r o u n dr e c o n s t r u c t i o na l g o r jt h m b a s e do nm e d i a np i x e li n t e n s i t yc l a s s i f i c a t i o na f t e ra n a l y z i n ga n d c o 1 c l u d i n gl i l a n yk i n d so fv e h i c l ed e t e c t i o na l g o r i t h m s i tc a nd e t e c t m o v i n g v e h i c l e s p r e c i s e l yb yb a c k g r o u n ds u b t r a c t i o n a n d t h e n ， c o n s i d e r i n gt h er e l a t i o n s h i pb e t w e e nt h ep i x e l s ， t h ea l g o r i t h md i v i d e d t h eb a c k g r o u n di n t os e v e r a lb l o c k sb v e a n so ft h es t a t i s t i ct a b l eo f p i x e l sc h a n g e ，a n du s e dt h ed i f f e r e n tv e l o c i t yu p d a t i n ge v e r yb l o c k ，w h i c h c a nm a k et h em o d e la d a p tt h ec h a n g i n ge n v i r o n m e n tq u i c k l y t os o l v et h e s h a d o w p r o b l e m ， a f t e rt h e u n d e r l y i n gp h y s i c so f s h a d o w sa n dt h e i r c h a r a c t e r i s t i c sa r es t u d i e d ，o n es h a d o ws e g m e n t e da p p r o a c hi se x p l o i t e d i tt r a n s f o r m st h es u b t r a c t i v ei m a g ef r o mr g bc o l o rs p a c et os r gc 0 1 0 rs p a c e t h ee x p e r i m e n ts h o w st h a ti t i se f f i c i e n tt os e g m e n tt h es h a d o ww i t ht h e m o v i n gv e h i c l e s s e c o n d l y ， i nt h ev e h i c l ec l a s s i f i c a t i o nm o d u l e w ep r o c e s st h e s u b t r a c t i v ei m a g eb yt h em o r p h 0 1 0 9 i c a lf i l t e r i n ga n dc o n n e c t e dc o m p o n e n t l a b e l i n g ，o b t a i nt h ef i g u r ea n dp o s i t i o no fm o v i n gv e h i c l e ，a n dd e c id e t h ec h a r a c t e r i s t i cv e c t o r s a l1 a s t ，t w ov e h i c l ec l a s s i f i e r sa r ed e s i 2 n e d o n ei st h er b f n n c l a s s i f i e rb a s e do nf u z z yk m e a n sc l u s t e r i n g ，t h eo t h e rist h er b f n n c l a s s i f i e rb a s e do ni m m u n ea l g o r i t h m u n d e rt h es a ee x p e r i m e n t a l c o n d i t i o n ，t h ec l a s s i f i e dr e s u l ts h o w st h a tt h el a t t e risb e t t e rt h a nt h e f o r m e ri nr e l i a b i l i t ya n ds d e e d t h em e t h o d sp r o p o s e di nt h i sp a p e ra d a p tt oc o m p l e xs c e n e ss u c ha s l a r g ea r e aa n dm u l t i p l eo b j e c t s ， a n dc a ns a t i s f yt h er e q u i r e m e n to f v e h i c l ed e t e c t i o na n dc l a s s i f i c a t i o ni nn a t u r a le n v i r o n m e n t t h er e s e a r c h w o u j d8 er e a s o n a b j ea n dv a j u a b j ei nt h e o r e t i c a ja n dp r a c t i c a ia r e a s ，a n d c a nb e 衛(wèi)e n e r a l i z e dt oo t h e rf i c l d so fv i d e os u r v e i l l a n c e k e y w o r d s ： v e h i c l ed e t e c t i o n ：s h a d o ws e g m e n t a t i o n ； r a d i a lb a s is f u n c t i o n ：k m e a n sc l u s t e r i n ga l g o r i t h m ： i m m u n ea l g o r i t h 【i 1 1 研究背景 第一章緒論 在現(xiàn)代社會(huì)發(fā)展曰新月異的今天，交通事業(yè)作為關(guān)系人們?nèi)粘Ｉ畹闹匾I(lǐng) 域，雖然取得了長(zhǎng)足的進(jìn)步，但仍不能完全滿足人們生活運(yùn)輸?shù)男枰粩嗤癸@ 的交通問(wèn)題已成為一個(gè)全球性的棘手問(wèn)題，交通擁擠、堵塞日益嚴(yán)重，交通事故 和環(huán)境污染也越來(lái)越引起社會(huì)的重視和關(guān)注。早期世界各國(guó)解決車路矛盾的傳統(tǒng) 方法是大規(guī)模修建和擴(kuò)建各種等級(jí)公路，然而有限的土地資源、能源和經(jīng)濟(jì)條件 的制約以及環(huán)境的壓力，使得人們不得不另尋它途。2 0 世紀(jì)8 0 年代以來(lái)，隨著 信息電腦等高新科技的迅速發(fā)展，日本、美國(guó)和西歐等發(fā)達(dá)國(guó)家在解決共同面臨 的交通問(wèn)題時(shí)，將先進(jìn)的人工智能技術(shù)、自動(dòng)控制技術(shù)、信息通信技術(shù)、電子傳 感技術(shù)和系統(tǒng)工程技術(shù)有效地集成起來(lái)，應(yīng)用于地面交通管理，從而建立了一種 大范圍、全方位發(fā)揮作用的實(shí)時(shí)、準(zhǔn)確、高效的綜合交通運(yùn)輸管理系統(tǒng)，從1 9 9 4 年起，被稱為智能交通系統(tǒng)( i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m ，簡(jiǎn)稱i t s ) 的這一術(shù)語(yǔ)得到了全世界的廣泛承認(rèn)【l 】，它發(fā)揮了現(xiàn)有交通基礎(chǔ)設(shè)施的潛力，改 善了車、路、人等交通運(yùn)輸子系統(tǒng)之間的相互作用，從而提高了運(yùn)輸效率、緩解 了交通擁擠、保障了交通安全、降低了能源消耗和環(huán)境污染，從整體上提高了社 會(huì)經(jīng)濟(jì)效益，為解決交通問(wèn)題開辟了一條光明的道路。 智能交通系統(tǒng)在日、歐、美等發(fā)達(dá)國(guó)家發(fā)展得最快。日本由于其機(jī)動(dòng)化水平 高，城市人口密度大，國(guó)家對(duì)此非常重視，在全國(guó)已經(jīng)形成了官民學(xué)一體的協(xié)調(diào) 發(fā)展機(jī)制，這對(duì)日本的i t s 發(fā)展起了很大的推動(dòng)作用f 2 】。歐洲的i t s 研究開發(fā)是 由官方與民間并行進(jìn)行的，由于歐洲的國(guó)家大部分很小，因此歐洲的i t s 主要從 洲際的角度進(jìn)行的，例如歐洲1 4 個(gè)國(guó)家共同投資了5 0 億美元，進(jìn)行一項(xiàng)全歐 i t s 體系結(jié)構(gòu)的項(xiàng)目研究。美國(guó)自動(dòng)化的交通管理水平，早期由于重視不足而落 后于歐洲與r 本，但是美國(guó)在i t s 的開發(fā)研究上大有后來(lái)者居上之勢(shì)，它的研究 更側(cè)重于標(biāo)準(zhǔn)的開發(fā)制定。隨后，世界其它國(guó)家也相繼投入大量的資金和人力， 進(jìn)行大規(guī)模的道路交通管理智能化的開發(fā)和研究。韓國(guó)政府于2 0 0 1 年3 月制定 了全新的i t s 框架結(jié)構(gòu)和發(fā)展計(jì)劃，投資7 5 億美元，預(yù)計(jì)在2 0 1 0 年前建成7 個(gè) 先進(jìn)的i t s 子系統(tǒng)，包括汽車及高速公路系統(tǒng)、先進(jìn)的交通管理系統(tǒng)、電子收費(fèi) 系統(tǒng)等；新加坡政府建立的城市道路電子動(dòng)態(tài)收費(fèi)系統(tǒng)應(yīng)用最為成功，已成為居 民生活不可分割的部分：現(xiàn)在中東的一些國(guó)家也開始了本國(guó)的智能交通系統(tǒng)的研 究工作。 我國(guó)既是當(dāng)今世界上道路等基礎(chǔ)設(shè)施建設(shè)速度最快的國(guó)家，又是交通需求增 長(zhǎng)最快的國(guó)家，解決城市交通擁擠和堵塞，已成為我國(guó)大城市交通面臨的一項(xiàng)十 分迫切的任務(wù)，因此我國(guó)政府已早將i t s 作為中國(guó)未來(lái)交通領(lǐng)域發(fā)展的重要方 向，把i t s 列入了九五科技發(fā)展計(jì)劃和2 0 1 0 年長(zhǎng)遠(yuǎn)規(guī)劃中；“十五”期間，科技 部將i t s 作為“十五”科技計(jì)劃的重大專項(xiàng)項(xiàng)目予以實(shí)施，促進(jìn)了中國(guó)智能交通 系統(tǒng)從技術(shù)研究到工程示范應(yīng)用在全國(guó)的開展；在國(guó)務(wù)院制定的國(guó)家中長(zhǎng)期科 學(xué)和技術(shù)發(fā)展規(guī)劃綱要( 2 0 0 6 2 0 2 0 年) 中，把開發(fā)智能交通管理系統(tǒng)及交通 運(yùn)輸安全和應(yīng)急保障作為交通運(yùn)輸業(yè)重點(diǎn)領(lǐng)域的優(yōu)先主題之一；在即將實(shí)施的 “十一五”規(guī)劃中，未來(lái)五年將重點(diǎn)整臺(tái)現(xiàn)有資源，推進(jìn)綜合交通智能系統(tǒng)的建 設(shè)，以構(gòu)建現(xiàn)代化、信息化和人性化的智能交通系統(tǒng)為目標(biāo)。 世界各國(guó)之所以竟相投入大量的人力、物力、財(cái)力進(jìn)行i t s 的研究開發(fā)，不 僅因?yàn)樗鶐?lái)的巨大的社會(huì)效益，而且與它巨大的商業(yè)潛力密不可分。在未來(lái) 的2 0 年里，美國(guó)用于i t s 開發(fā)的總投資預(yù)計(jì)將超過(guò)3 0 0 0 億美元，這將極大地刺 激其國(guó)內(nèi)工商業(yè)的發(fā)展，而智能交通相關(guān)產(chǎn)品及服務(wù)的市場(chǎng)容量將超過(guò)4 2 0 0 億 美元：日本i t s 在2 0 0 0 年的市場(chǎng)規(guī)模為1 5 兆日元，預(yù)計(jì)到2 0 1 0 年將達(dá)4 j 兆日 元；中國(guó)的市場(chǎng)同樣巨大，預(yù)計(jì)用近3 0 年時(shí)間建成8 5 萬(wàn)公里的國(guó)家高速公路 網(wǎng)，同時(shí)整合智能交通的建設(shè)和發(fā)展。i t s 業(yè)已成為當(dāng)前世界經(jīng)濟(jì)的一個(gè)新的增 長(zhǎng)點(diǎn)。 由于國(guó)情和基礎(chǔ)產(chǎn)業(yè)的不同，各國(guó)對(duì)i t s 的理解和研究重點(diǎn)也不盡相同，但 其目標(biāo)卻是一致的，實(shí)現(xiàn)的技術(shù)和工作的主要內(nèi)容也大致相同均是依托信 息、通訊等技術(shù)的發(fā)展來(lái)實(shí)現(xiàn)交通系統(tǒng)高效、安全及舒適的運(yùn)行。綜合起來(lái)，國(guó) 際上公認(rèn)的i t s 服務(wù)領(lǐng)域包括以下七個(gè)方面【lj ： ( 1 ) 先進(jìn)的交通信息服務(wù)系統(tǒng)( a d v a n c e dt r a n s p o r t a t i o ni n f o r m a t i o ns ? s t e m ， a t i s ) ： ( 2 ) 先進(jìn)的交通管理系統(tǒng)( a d v a n c e dt r a n s p o r t a t i o nm a n a g e m e n ts y s t e m ，a t m s ) ； ( 3 ) 先進(jìn)的公共交通系統(tǒng)( a d v a n c e dp u b l i ct r a n s p o r t a t i o ns y s t e m ，a p t s ) ： ( 4 ) 先進(jìn)的車輛控制系統(tǒng)( a d v a n c e dv e h i c l ec o n t r 0 1s y s t e m ，a v c s ) ； ( 5 ) 貨運(yùn)管理系統(tǒng)( g o o d st r a n s p o r t a t i o ns y s t e m ，g t s ) ； ( 6 ) 電子收費(fèi)系統(tǒng)( e l e c t r o n i ct o l lc o l l e c t i o ns y s t e l i l ，e t c ) ； ( 7 ) 緊急救援系統(tǒng)( e m e r g e n c ym a n a g es y s t e m ，e m s ) 。 其中，車輛檢測(cè)和識(shí)別分類是i t s 服務(wù)領(lǐng)域的應(yīng)用基礎(chǔ)，它為i t s 系統(tǒng)提供 了必要的數(shù)據(jù)來(lái)源。這類技術(shù)在發(fā)達(dá)國(guó)家應(yīng)用較為廣泛，但我國(guó)的開發(fā)和應(yīng)用尚 處于起步階段。結(jié)合我國(guó)的具體國(guó)情，真接應(yīng)用外國(guó)的系統(tǒng)并不能獲得滿意的結(jié) 果，我們只有合理借鑒國(guó)外的開發(fā)思想，在關(guān)鍵技術(shù)領(lǐng)域堅(jiān)持自主研發(fā)，才能從 各個(gè)方面共同推動(dòng)i t s 的發(fā)展。本文的研究課題就是在這種背景下提出的，期望 在基于視頻的車輛檢測(cè)和車型識(shí)別這一目漸發(fā)展的領(lǐng)域內(nèi)能迎頭趕上發(fā)達(dá)國(guó)家， 建立我們自己的智能交通系統(tǒng)。 1 2i t s 中的車輛檢測(cè)和車型分類技術(shù) 車輛檢測(cè)和車型分類技術(shù)是i t s 研究的關(guān)鍵技術(shù)，涉及到計(jì)算機(jī)視頻圖像處 理技術(shù)、模式識(shí)別、人工智能、工業(yè)測(cè)控技術(shù)、電子技術(shù)、通信技術(shù)等多個(gè)學(xué)科 和領(lǐng)域。車輛檢測(cè)的種類很多，車型分類方法更因檢測(cè)方法和應(yīng)用目的的不同而 不盡相同。車輛的正確檢測(cè)是交通數(shù)據(jù)提取和車型分類的基礎(chǔ)。目前的車輛檢測(cè) 器都是基于硬件設(shè)備來(lái)實(shí)現(xiàn)的，其基本功能可概括為兩大類：一是檢測(cè)車輛的出 現(xiàn)或存在，二是檢測(cè)車輛的運(yùn)動(dòng)或通過(guò)。任何車輛檢測(cè)設(shè)備都必須至少具有上述 兩個(gè)功能之一。當(dāng)前的車輛檢測(cè)器按工作原理的不同，可分為電磁感應(yīng)式、紅外 線式、聲波式、光電式等多種類型f 3 】，也可以按其工作時(shí)的波長(zhǎng)差別，分為磁頻 檢測(cè)器、波頻檢測(cè)器、視頻檢測(cè)器等【”，或者依其工作方式的不同，分為主動(dòng)式 和被動(dòng)式、接觸式和非接觸式等等。下面介紹當(dāng)前流行的幾種檢測(cè)方法： 1 2 1 電磁感應(yīng)線圈檢測(cè)技術(shù) 電磁感應(yīng)檢測(cè)技術(shù)起源于交通控制系統(tǒng)對(duì)交通數(shù)據(jù)的檢測(cè)需求，屬于接觸式 被動(dòng)檢測(cè)技術(shù)。其工作原理為，預(yù)先在公路下面鋪設(shè)一個(gè)線圈并加以高頻電流， 當(dāng)車輛從上面通過(guò)時(shí)，由于車輛大部分由金屬制成，因而會(huì)在線圈內(nèi)部產(chǎn)生渦流 而使線圈電感量減小，從而獲得交通流量信號(hào)。在用于車型識(shí)別時(shí)，由于不同車 型的底盤結(jié)構(gòu)和鐵磁物質(zhì)分布的不同，電流變化引起的磁場(chǎng)的變化也不同，系統(tǒng) 就是根據(jù)感應(yīng)曲線的不同而區(qū)分不同類型的車輛。對(duì)于檢測(cè)交通流量、占有率等 交通參數(shù)時(shí)，這種方法準(zhǔn)確率較高，且具有成本較低、不受氣候影響等優(yōu)點(diǎn)；但 該方法在實(shí)施中需要將線圈埋入地下，設(shè)備還會(huì)受到車輛擠壓，因此具有破壞路 面、可移動(dòng)性差、容易損壞、壽命短等缺憾，同時(shí)受車輛行駛速度和其它干擾因 素等影響，獲得的車輛特征曲線對(duì)車輛的分類效果不理想，所以很少單獨(dú)使用， 通常作為其他系統(tǒng)的輔助裝置。 1 2 2 超聲波檢測(cè)分類技術(shù) 超聲波檢測(cè)分類技術(shù)在高速公路上應(yīng)用比較多，屬于非接觸式主動(dòng)檢測(cè)技 術(shù)。它利用反射回波原理，系統(tǒng)主要由探頭和控制機(jī)構(gòu)成，探頭具有發(fā)射和接受 雙重功能，被設(shè)置于道路的正上方。其工作原理是，由超聲波發(fā)生器發(fā)射高頻波， 并由運(yùn)動(dòng)車輛以變化的頻率返回，通過(guò)換能器記錄下頻率特征，從而進(jìn)行車輛檢 測(cè)和車型識(shí)別。超聲波檢測(cè)器采用懸掛式安裝，這與路面埋設(shè)式相比不需破壞路 面，也不受路面變形的影響；而且有使用壽命長(zhǎng)、可移動(dòng)、架設(shè)方便的優(yōu)點(diǎn)。不 足之處是其檢測(cè)范圍呈錐形，受車輛遮擋和行人的影響，反射信號(hào)不穩(wěn)定，檢測(cè) 精度較差；另外其精度也易受環(huán)境的影響，尤其是大風(fēng)、暴雨等自然條件的影響， 有時(shí)甚至?xí)斐烧`檢。 1 2 3 激光檢測(cè)分類技術(shù) 這也是一種非接觸式主動(dòng)檢測(cè)技術(shù)，用脈沖激光作為媒介，通過(guò)測(cè)量激光面 的反射結(jié)果來(lái)檢測(cè)距離信息，根據(jù)不同距離獲取車輛的三維外形形狀，進(jìn)行車輛 檢測(cè)和車型識(shí)別f 5 】。該技術(shù)已成功應(yīng)用于加拿大4 0 7 高速公路和其他一些收費(fèi)道 路的收費(fèi)系統(tǒng)中。其安裝方法是每個(gè)車道采用6 個(gè)激光檢測(cè)器，安裝高度為 j 5 m m ，設(shè)置成2 排，縱向間距3 0 c m ，每排有3 個(gè)光束，中陽(yáng)j 光束垂直向下，左 邊的左傾1 2 。，右邊的右傾1 2 。，前排為3 個(gè)加寬光束，通過(guò)一個(gè)l o 。光孔模 投射在路上，產(chǎn)生一個(gè)橫向3 3 0 c m 連續(xù)測(cè)量線，3 段l l o c m 的測(cè)量線之間的縱向 間距不超過(guò)o 5 c m 。第二排有3 個(gè)窄光束，分別產(chǎn)生1 0 c m o 5 c f f l 的測(cè)量區(qū)域。 由于脈沖激光投射到路面并反射回到激光檢測(cè)器的時(shí)間是固定的，因而可通 過(guò)反射光間距發(fā)生變化的時(shí)間，精確地測(cè)量出車輛高度信息。另一方面，選用道 路的反射強(qiáng)度作為參考值，通過(guò)檢測(cè)出反射能量的變化即可測(cè)出車輛的存在。如 果脈沖激光強(qiáng)度頻率為1 0 k h z ，利用高度變化信息的1 0 ，就可測(cè)出速度為 2 5 0 k m h 的車輛每隔6 9 c m 的車高輪廓圖，完全可得到慢速到高速行駛車輛的車 高輪廓的詳細(xì)信息。利用車輛從一排光束到另一排相距3 0 c m 光束所花的時(shí)間就 可以計(jì)算出車輛長(zhǎng)度。 因?yàn)閷捁馐糠謺?huì)投射到路上，部分會(huì)投射到車輛上，這樣測(cè)量車的高度要 小于實(shí)際高度，這個(gè)高度與窄光束測(cè)得準(zhǔn)確高度的比例反映了車輛的寬度信息， 可用來(lái)測(cè)量出車輛每一斷面的寬度。如果掃描頻率和脈沖激光束頻率足夠高，由 每一斷面寬度、高度和車長(zhǎng)信息就獲得了高精度車輛三維外形圖像，進(jìn)一步可按 任意標(biāo)準(zhǔn)進(jìn)行車型分類。 這種檢測(cè)技術(shù)對(duì)利用輪廓信息進(jìn)行車型分類十分有利，但設(shè)備成本過(guò)高，同 類檢測(cè)器之間存在信號(hào)干擾問(wèn)題，有時(shí)會(huì)產(chǎn)生接收數(shù)據(jù)錯(cuò)誤，降低了系統(tǒng)的可靠 性，而且它們對(duì)環(huán)境造成一定的污染也是一個(gè)不容忽視的問(wèn)題。 1 2 4 動(dòng)態(tài)稱重技術(shù) 動(dòng)態(tài)稱重( w e i g h i n m o t i o n ，w i n ) 技術(shù)【6 】屬接觸式被動(dòng)檢測(cè)技術(shù)，按使用 的檢測(cè)器分類，有應(yīng)變片檢測(cè)器、壓力檢測(cè)器和電容器檢測(cè)器三類，其工作原理 是，當(dāng)車輛通過(guò)埋入路面下的檢測(cè)器時(shí)，檢鋇4 器受力產(chǎn)生形變，根據(jù)回傳信息對(duì) 車輛進(jìn)行檢測(cè)，可測(cè)量車輛的軸重、軸距、總重、車速等，并按預(yù)先制定的車型 分類表，自動(dòng)識(shí)別車型。相對(duì)于靜態(tài)稱重，動(dòng)態(tài)稱重具有節(jié)省時(shí)間、提高效率的 特點(diǎn)，同時(shí)對(duì)車輛超限超載的治理工作提供了精確而客觀的依據(jù)，有利于車輛的 行車安全，延長(zhǎng)了路面的使用壽命，推動(dòng)了公路運(yùn)輸車輛超限執(zhí)法的規(guī)范化和科 學(xué)化。 美國(guó)聯(lián)邦高速公路署( f h w a ) 7 j 主要根據(jù)車輛的軸數(shù)和軸距分類，將車輛定 義為從摩托車到多用途拖車共1 3 個(gè)類別，這個(gè)分類標(biāo)準(zhǔn)被世界各國(guó)普遍認(rèn)同， 但到目前為止，還沒(méi)有任何一個(gè)車型識(shí)別系統(tǒng)能夠按照這個(gè)標(biāo)準(zhǔn)正確分類所有車 輛。實(shí)際應(yīng)用中，分類標(biāo)準(zhǔn)及類別數(shù)根據(jù)具體情況而變化。動(dòng)態(tài)稱重技術(shù)很適合 這個(gè)分類標(biāo)準(zhǔn)，但由于其技術(shù)還不夠成熟，加之設(shè)備安裝復(fù)雜、壽命短，溫度、 車輛振動(dòng)、道路質(zhì)量等都會(huì)對(duì)系統(tǒng)精度產(chǎn)生很大影響，所以在車輛檢測(cè)和車型識(shí) 別中還沒(méi)有得到廣泛應(yīng)用。 1 2 5 視頻檢測(cè)識(shí)別技術(shù) 基于視頻圖像的車輛檢測(cè)和車型識(shí)別技術(shù)，是一種非接觸式被動(dòng)檢測(cè)技術(shù)。 它以視頻圖像為主要分析對(duì)象，通過(guò)視頻攝像頭從視頻流中提取交通圖像，利用 計(jì)算機(jī)模仿人類的視覺(jué)功能，通過(guò)對(duì)圖像的分析處理提取出有效信息，根據(jù)信息 進(jìn)行車輛檢測(cè)和車型識(shí)別。 相對(duì)于其它交通檢測(cè)技術(shù)而言，視頻檢測(cè)識(shí)別技術(shù)主要有以下的優(yōu)勢(shì)： ( 1 ) 安裝簡(jiǎn)便，無(wú)需破壞路面，施工時(shí)不影響交通，易于移動(dòng)、調(diào)整檢測(cè)器 位置，維護(hù)費(fèi)用低： ( 2 ) 直觀可靠，便于管理人員干預(yù)，檢測(cè)范圍廣，獲取信息量大，還可以利 用原有的監(jiān)控設(shè)備，最大限度的發(fā)揮原有資源的作用： ( 3 ) 可提供現(xiàn)場(chǎng)錄像，重現(xiàn)交通場(chǎng)景，為研究交通行為、改進(jìn)交通管理方法 和處理交通事故提供了大量的信息； ( 4 ) 對(duì)周圍環(huán)境沒(méi)有影響，不會(huì)造成污染，相同檢凋器之間也不會(huì)發(fā)生相互 干擾。 這些優(yōu)勢(shì)使得它可被廣泛應(yīng)用于國(guó)民經(jīng)濟(jì)的各個(gè)鄰域。它的難點(diǎn)在于圖像識(shí) 別實(shí)時(shí)性要求較高，復(fù)雜背景下車輛檢測(cè)和車型分類的準(zhǔn)確率也難達(dá)到實(shí)用化的 程度，但其適用范圍廣闊，應(yīng)用前景光明。隨著計(jì)算機(jī)硬件和軟件技術(shù)、數(shù)據(jù)圖 像處理和人工智能技術(shù)的發(fā)展進(jìn)步，一些視頻檢測(cè)難題正在不斷克服，計(jì)算速度、 檢測(cè)精度及模型泛化能力正在逐步提高，所以這一技術(shù)必將在i t s 領(lǐng)域得到廣泛 的應(yīng)用，并能代表自動(dòng)化檢測(cè)技術(shù)的發(fā)展趨勢(shì)。本文即從交通視頻圖像處理技術(shù) 出發(fā)，模擬人眼功能檢測(cè)車輛，通過(guò)提取車輛的幾何特征來(lái)實(shí)現(xiàn)對(duì)車型的自動(dòng)識(shí) 別分類。 1 3 基于視頻的車輛檢測(cè)和車型分類技術(shù)的發(fā)展?fàn)顩r 早期由于計(jì)算機(jī)速度和存儲(chǔ)能力的限制，使得視頻檢測(cè)技術(shù)發(fā)展遠(yuǎn)遠(yuǎn)落后于 感應(yīng)線圈檢測(cè)及紅外檢測(cè)等技術(shù)，各國(guó)在這一領(lǐng)域的投入也相對(duì)不足。2 0 世紀(jì) 8 0 年代后，隨著計(jì)算機(jī)處理能力的增強(qiáng)和人工智能的發(fā)展，視頻檢測(cè)技術(shù)也慢 慢活躍起來(lái)，世界各國(guó)都相繼將研究重點(diǎn)投入這一領(lǐng)域，并取得了顯著的成果， 比較著名的有美國(guó)i i s 公司的a u t o s c o p e 系統(tǒng)、p e e k 公司的v e c o m 系統(tǒng)、歐洲 十一國(guó)聯(lián)合研制的e u r o - c o s t 系統(tǒng)等。1 9 9 1 年6 月，美國(guó)c a l i f o r n i ap 0 1 y t e c h n i c 大學(xué)曾經(jīng)針對(duì)當(dāng)今世界各國(guó)所完成或尚在發(fā)展的基于視覺(jué)的車輛檢測(cè)系統(tǒng)作了 長(zhǎng)達(dá)2 2 個(gè)月的評(píng)估工作，并發(fā)表了評(píng)估結(jié)果，對(duì)于這種系統(tǒng)的功能和成本效益 給予了極高的評(píng)價(jià)。視頻檢測(cè)技術(shù)的發(fā)展趨勢(shì)使得它在i t s 中占有了越來(lái)越重要 的地位。我國(guó)的研究也緊跟其后，一些高校和科研院所都有相應(yīng)的智能交通系統(tǒng) 研究實(shí)驗(yàn)室，承擔(dān)著國(guó)家智能交通系統(tǒng)研發(fā)的重要使命，其中基于視頻的檢測(cè)技 術(shù)和分類方法穩(wěn)穩(wěn)的居于當(dāng)前研究的主流地位。國(guó)內(nèi)的公司如北京漢王、上海高 德威、川大智勝、香港亞洲視覺(jué)等在視頻檢測(cè)方面都有相關(guān)產(chǎn)品處于實(shí)驗(yàn)或應(yīng)用 中?；谝曨l的車輛檢測(cè)和車型分類技術(shù)必將有廣闊的應(yīng)用前景，在這方面的積 極研究和開發(fā)，不管是從學(xué)術(shù)，還是從應(yīng)用來(lái)說(shuō)，都是勢(shì)在必行的。 1 4 論文的主要內(nèi)容和組織結(jié)構(gòu) 車輛檢測(cè)和車型分類可以歸結(jié)為變化檢測(cè)、數(shù)據(jù)獲取、特征抽取和選擇、匹 配分類四個(gè)階段。本文所研究的基于視頻的車輛檢測(cè)和車型分類技術(shù)，具體工作 過(guò)程如下：利用安裝在車道側(cè)面的單眼攝像機(jī)通過(guò)計(jì)算機(jī)和圖像采集卡實(shí)時(shí)采集 視頻圖像序列，用背景差分法檢測(cè)視頻區(qū)域中運(yùn)動(dòng)車輛，分割出車輛輪廓，經(jīng)過(guò) 圖像處理提取出有效特征，輸入設(shè)計(jì)訓(xùn)練好的車型識(shí)別器得出車型分類結(jié)果。其 中利用背景動(dòng)態(tài)更新算法解決不同光照、不同氣候條件下的背景差異問(wèn)題：用背 景差分法所獲的圖像中的運(yùn)動(dòng)目標(biāo)，也有其它干擾因素如陰影造成的錯(cuò)誤分割及 場(chǎng)景中的樹葉擾動(dòng)等，所以需要進(jìn)行一些后續(xù)處理，如濾除噪音、平滑輪廓、連 通區(qū)域等等；最后從處理后的圖像中提取所需特征，用訓(xùn)練好的基于徑向基函數(shù) 神經(jīng)網(wǎng)絡(luò)識(shí)別器識(shí)別車型。整個(gè)過(guò)程的流程圖如圖1 1 所示。 圈1 1 系統(tǒng)流程圖 本文的結(jié)構(gòu)安排如下： 第一章，首先介紹了本課題的研究背景，分析了國(guó)內(nèi)外車輛檢測(cè)和車型分類 技術(shù)的研究現(xiàn)狀和發(fā)展方向，并針對(duì)主流的視頻檢測(cè)和車型分類技術(shù)提出了合理 的系統(tǒng)實(shí)現(xiàn)的方法。 第二章，主要介紹了基于視頻的車輛檢測(cè)技術(shù)的相關(guān)難點(diǎn)及解決的辦法，根 據(jù)統(tǒng)計(jì)原理提出了準(zhǔn)確性較高的基于中值像素灰度歸類的背景重構(gòu)算法，同時(shí)采 用了分塊處理的背景更新策略，提高了系統(tǒng)的實(shí)時(shí)可靠性；對(duì)于陰影干擾的消除， 利用了r g b 空間到s r g 空間的轉(zhuǎn)換技術(shù)來(lái)實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果表明這種方法能很好地 檢測(cè)出運(yùn)動(dòng)車輛并有效消除陰影的干擾。 第三章，主要對(duì)差分圖像進(jìn)行了形態(tài)學(xué)濾波和區(qū)域連通性處理，得到標(biāo)準(zhǔn)的 車輛側(cè)面輪廓圖，同時(shí)給出了車型分類的相關(guān)標(biāo)準(zhǔn)和從輪廓圖中提取分類特征的 方法。 第四章，主要介紹了基于模糊k 一均值的徑向基函數(shù)網(wǎng)絡(luò)車型分類器和基于 免疫算法的徑向基函數(shù)網(wǎng)絡(luò)車型分類器的構(gòu)造方法和訓(xùn)練方法，并通過(guò)實(shí)驗(yàn)比較 兩種方法的優(yōu)缺點(diǎn)，確定出基于免疫算法的r b f 網(wǎng)絡(luò)分類器有更佳的車型分類效 果和實(shí)用價(jià)值。 最后一章，總結(jié)了本文所做的研究工作，并對(duì)本課題今后的研究方向做了一 些預(yù)測(cè)和展望。 第二章車輛檢測(cè)及陰影分割技術(shù) 人類認(rèn)識(shí)的外界信息中，8 0 以上是通過(guò)視覺(jué)得到的，而視覺(jué)系統(tǒng)所完成的 功能是十分復(fù)雜的。就現(xiàn)階段而言，要建立一個(gè)可與人類視覺(jué)系統(tǒng)相比擬的通用 視覺(jué)系統(tǒng)還無(wú)法實(shí)現(xiàn)，目前人們所創(chuàng)建的各種視覺(jué)系統(tǒng)絕大多也只適用于某一特 定環(huán)境或應(yīng)用場(chǎng)合。本文基于計(jì)算機(jī)視覺(jué)技術(shù)，使用單目攝像機(jī)來(lái)模擬人眼功能， 對(duì)公路上的車輛進(jìn)行檢測(cè)和識(shí)別，用來(lái)提高道路監(jiān)控的自動(dòng)化和智能化程度。本 章主要內(nèi)容為實(shí)時(shí)視頻流的車輛檢測(cè)和陰影分割技術(shù)，首先綜述目前存在的基于 視頻序列的車輛檢測(cè)方法，然后提出了基于中值像素灰度歸類的背景重構(gòu)技術(shù)和 基于統(tǒng)計(jì)分塊處理的背景更新方法，用背景差分法檢測(cè)車輛，隨后采用s r g 顏色 空間模型來(lái)消除車輛檢測(cè)過(guò)程中產(chǎn)生的陰影的影響。 2 1 車輛的檢測(cè)方法 要實(shí)現(xiàn)車輛的自動(dòng)識(shí)別、分類，第一步是要從視頻圖像中檢測(cè)、提取出運(yùn)動(dòng) 車輛，屬于運(yùn)動(dòng)目標(biāo)的檢測(cè)和分割問(wèn)題。通常運(yùn)動(dòng)目標(biāo)的檢測(cè)主要是基于運(yùn)動(dòng)的 時(shí)間域分析，而分割則是在檢測(cè)結(jié)果基礎(chǔ)上的空間域分析。在不同的應(yīng)用場(chǎng)合， 對(duì)運(yùn)動(dòng)物體的檢測(cè)有不同的要求。針對(duì)視頻流中運(yùn)動(dòng)物體的檢測(cè)，一個(gè)好的算法 應(yīng)滿足如下條件【8 】： 對(duì)環(huán)境的緩慢變化( 如光照變化等) 不敏感； 應(yīng)能夠處理背景、攝像機(jī)和前景目標(biāo)之間存在復(fù)雜相對(duì)運(yùn)動(dòng)的情況； 對(duì)于復(fù)雜背景和復(fù)雜目標(biāo)有效； 能適應(yīng)場(chǎng)景中個(gè)別物體運(yùn)動(dòng)的干擾( 如樹木的搖晃，水面的波動(dòng)等) ； 能夠去除目標(biāo)陰影的影響； 檢測(cè)和分割的結(jié)果應(yīng)滿足后續(xù)處理( 如識(shí)別等) 的精度要求。 與計(jì)算機(jī)視覺(jué)中的大多數(shù)問(wèn)題一樣，現(xiàn)階段還無(wú)法提出一種能夠較好處理各 種情況的通用算法。在實(shí)際中，一般多是針對(duì)不同應(yīng)用場(chǎng)合設(shè)計(jì)不同的算法，并 且要在算法的精度、復(fù)雜度和可靠性等方面進(jìn)行折衷考慮。目前大多數(shù)視頻目標(biāo) 檢測(cè)和分割算法都是在某種應(yīng)用假設(shè)下提出的。本章研究的主要內(nèi)容為背景靜止 條件下的車輛檢測(cè)和分割，車輛的檢測(cè)和有效分割對(duì)于特征的提取及最終的車型 分類等后期處理是非常重要的，因?yàn)楹笃谔幚磉^(guò)程僅僅考慮圖像中對(duì)應(yīng)于車輛運(yùn) 動(dòng)區(qū)域的像素。解決車輛檢測(cè)算法的計(jì)算量和實(shí)時(shí)性這對(duì)矛盾，是提高系統(tǒng)檢測(cè) 準(zhǔn)確度和穩(wěn)定度的關(guān)鍵，然而實(shí)際中光照的變化、背景混亂運(yùn)動(dòng)的干擾、運(yùn)動(dòng)目 標(biāo)的影子、攝像機(jī)的抖動(dòng)以及運(yùn)動(dòng)目標(biāo)的自遮擋和互遮擋現(xiàn)象的存在，這些都會(huì) 影響車輛檢測(cè)和分割的精度，必須在算法中考慮這些因素的影響及其去除的方 法。下面先對(duì)目前常用的基于視頻的車輛檢測(cè)方法進(jìn)行簡(jiǎn)單梳理。 2 1 1 基于幀間差分的方法 幀間差分法【9 1 是基于運(yùn)動(dòng)圖像序列中，相鄰兩幀圖像問(wèn)具有強(qiáng)相關(guān)性而提出 的檢測(cè)方法。在攝像頭固定的情況下，對(duì)連續(xù)的圖像序列中的相鄰兩幀圖像采用 基于像素的時(shí)間差分來(lái)提取圖像中的運(yùn)動(dòng)區(qū)域，設(shè)在 和f 時(shí)刻采集到同一背景 下的兩幅運(yùn)動(dòng)圖像為廠( x ，y ， ) 和廠( 工，j ，f ：) ，則差分圖像的定義為： 正( z ，y ) - l ，( x ，y ，f ：) 一，( 膏，y ，) l ( 2 1 ) 對(duì)上式的差分結(jié)果進(jìn)行閾值處理，就可以提取出運(yùn)動(dòng)物體， 丘，： m ，y ，f 2 盤垡y 2 乃 ( 2 2 ) ，w 2 1 0其它 皚糾 其中乃為分割閾值，可以事先給定或者用自適應(yīng)的方法確定。下圖為相鄰兩 幀圖像的差分結(jié)果圖： ( a ) 第k 幀圖像 ( b ) 第k + l 幀圖像( c ) 兩幀圖像差分結(jié)果 圖2 1 相鄰幀差法的運(yùn)動(dòng)車輛檢測(cè) 這種檢測(cè)方法對(duì)光照變化不敏感，非常適合于動(dòng)態(tài)變化的環(huán)境，而且運(yùn)算簡(jiǎn) 單，檢測(cè)速度快，車輛定位準(zhǔn)確，適用于實(shí)時(shí)性要求較高的應(yīng)用環(huán)境。但從眾多 的差分結(jié)果可以看出，它存在以下幾個(gè)缺點(diǎn)：首先，它不能檢測(cè)出靜止或運(yùn)動(dòng)速 度過(guò)慢的物體，對(duì)于高速運(yùn)動(dòng)的物體又會(huì)使得分割區(qū)域遠(yuǎn)遠(yuǎn)大于真實(shí)目標(biāo)，其分 割區(qū)域與目標(biāo)運(yùn)動(dòng)速度相關(guān)；其次，如果物體內(nèi)部的灰度比較均勻，相鄰幀差可 能在目標(biāo)重疊部分形成較大空洞，嚴(yán)重時(shí)造成分割結(jié)果不連通，不利于進(jìn)一步的 物體分析與識(shí)別。在實(shí)際應(yīng)用中，幀問(wèn)差分法往往是許多復(fù)雜檢測(cè)算法的基礎(chǔ)， 通過(guò)對(duì)算法的改進(jìn)可以將它與其它算法結(jié)合來(lái)提高整體的檢測(cè)效果。一種改進(jìn)的 方法是利用多幀差分代替兩幀差分，如文獻(xiàn)【l o 】中提出了一種自適應(yīng)背景減除與三 幀差分相結(jié)合的混合算法，它能夠快速有效地從背景中檢測(cè)出運(yùn)動(dòng)著的目標(biāo)。 2 1 2 基于光流場(chǎng)的方法 在空間中，運(yùn)動(dòng)可以用運(yùn)動(dòng)場(chǎng)描述，而在一個(gè)圖像平面上，物體的運(yùn)動(dòng)往往 是通過(guò)圖像序列中不同圖像灰度分布的不同體現(xiàn)的，從而，空間中的運(yùn)動(dòng)場(chǎng)轉(zhuǎn)移 到圖像上就表示為光流場(chǎng)( o p t i c a lf 1 0 wf i e l d ) 。光流場(chǎng)反映了圖像上每一點(diǎn) 灰度的變化趨勢(shì)，可看成是帶有灰度的像素點(diǎn)在圖像平面上運(yùn)動(dòng)而產(chǎn)生的瞬時(shí)速 度場(chǎng)，也是一種對(duì)真實(shí)運(yùn)動(dòng)場(chǎng)的近似估計(jì)1 1 】。 用廠( 工，y ，f ) 表示連續(xù)時(shí)空灰度分布，即像素點(diǎn)( 工，y ) 在t 時(shí)刻的灰度。假設(shè)運(yùn) 動(dòng)軌跡上的灰度保持不變，f + 出時(shí)刻可以得到該點(diǎn)運(yùn)動(dòng)到 + 出，y + 砂) 點(diǎn)，其 灰度為，+ 出，y + 咖，f + 出) ，則有光流約束方程 廠( x ，y ，f ) = 廠( z + 出，y + 妙，f + 研) ( 2 3 ) 將上式的右邊用泰勒級(jí)數(shù)展開，并令西啼0 ，略去高次項(xiàng)，則可得到： 望出+ 望咖+ 笪出：o ( 2 4 ) 出 砂。 甜 式( 2 4 ) 中令“：宰，v ：掣，分別表示t 時(shí)刻像素點(diǎn)( z ，y ) 在x 方向和_ y 方向的 d td t 兩個(gè)速度分量，也就是要求的量。把上式寫成： 一望：笪+ 笪v ：v ， u ( 2 5 ) 研 缸 咖 。 或 正“+ 工v + ：= o ( 2 6 ) 其中可= ( 正，工) 為圖像灰度空間梯度，u = ( “，v ) 為某像素點(diǎn)的光流速度，也就 是光流場(chǎng)a 上面的正，工，的計(jì)算可以用離散的差分代替導(dǎo)數(shù)求得。光流的計(jì)算 問(wèn)題實(shí)際上就是在滿足一定約束條件下，估計(jì)”，v 的數(shù)值問(wèn)題。但是只有一個(gè)方 程，所以這是個(gè)病態(tài)問(wèn)題，必須通過(guò)其它約束方程來(lái)聯(lián)合求解。 h o m 和s c h u n c k 【1 2 】根據(jù)同一運(yùn)動(dòng)物體引起的光流場(chǎng)在時(shí)間間隔很小的前提 下應(yīng)該是連續(xù)的和平滑的假設(shè)條件下，提出了全局平滑量來(lái)約束光流場(chǎng)。光流的 平滑誤差度量可寫為 e = v “1 1 2 + i l v v i l 2 油匆 ( 2 7 ) 光流的誤差為 乓= f f ( v ，u + 工) 2 蛐 ( 2 8 ) 因此，光流場(chǎng)的計(jì)算歸結(jié)為求誤差和的最小值： e = t + z 丘= f r 丫廠u + ，) 2 + 五( | | v “1 1 2 + 1 1 v v l l 2 ) 蚴 ( 2 9 ) 其中五是附加約束的拉哥朗日乘子，它決定了上述兩種誤差之間的相對(duì)權(quán)重。這 是一個(gè)求泛函的極值問(wèn)題，根據(jù)變分法原理由歐拉方程從式( 2 9 ) 可得 ( v ，u + z ) 六一a ! ( 2 1 0 ) ( 丫， u + 上) 工一丑2 v 2 v = 0 進(jìn)一步求解得 一 叉 蘑+ 七f 、 歸”可葫礦 ( 2 腳一錯(cuò) 其中訂、礦分別為待求點(diǎn)的“、v 四鄰域平均值，至此得到了求解“、v 的兩個(gè)公 式。對(duì)上面公式采用松弛算法求解： 枷蚓”紫 旺 枷矧”駕等 其中n 表示迭代次數(shù)，當(dāng)n = o 時(shí)，可取玎( o ) = o ，蠆0 1 = o ，即光流的初始值為零。 這就是在車輛檢測(cè)中用到的光流法迭代公式。圖2 2 表示基于上面公式計(jì)算后相 鄰幀間的光流運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果： ( a ) 第k 幀圖像( b ) 第k + 1 幀圖像( c ) 光流法檢測(cè)的結(jié)果 圖2 2 基于光流場(chǎng)的運(yùn)動(dòng)車輛檢測(cè) 在比較理想情況下的，它能夠檢測(cè)獨(dú)立運(yùn)動(dòng)的對(duì)象，不需要預(yù)先知道場(chǎng)景的 任何信息，可以很精確地計(jì)算出運(yùn)動(dòng)物體的速度，并且可用于攝像機(jī)運(yùn)動(dòng)的情況。 但光流法存在下面的缺點(diǎn)：有時(shí)即使沒(méi)有發(fā)生運(yùn)動(dòng)，在外部照明發(fā)生變化時(shí)，也 可以觀測(cè)到光流；另外，在缺乏足夠的灰度等級(jí)變化的區(qū)域，實(shí)際運(yùn)動(dòng)也往往觀 測(cè)不到。三維物體的運(yùn)動(dòng)投影到二維圖像的亮度變化，本身由于部分信息的丟失 而使光流法存在孑l 徑問(wèn)題和遮擋問(wèn)題，用光流法估算二維運(yùn)動(dòng)場(chǎng)是不確定的，需 要附加的假設(shè)模型來(lái)模擬二維運(yùn)動(dòng)場(chǎng)的結(jié)構(gòu)；同時(shí)僅僅依靠運(yùn)動(dòng)信息進(jìn)行視頻分 割，使得光流法對(duì)噪聲極為敏感，在準(zhǔn)確分割時(shí)，還需要利用顏色、灰度、邊緣 等空域特征來(lái)提高分割精度；同時(shí)由于光流法采用迭代的方法，計(jì)算復(fù)雜耗時(shí)， 如果沒(méi)有特殊的硬件支持，很難應(yīng)用于視頻序列的實(shí)時(shí)檢測(cè)。為了解決上述問(wèn)題， 許多研究者都提出了各自的研究方法，例如n a g e l 1 3 】對(duì)光流場(chǎng)的平滑性約束提出 了改進(jìn)，假定正，工，z 的所有二階偏導(dǎo)數(shù)都存在且連續(xù)，這時(shí)，光流場(chǎng)不用復(fù)雜 的迭代運(yùn)算，可以通過(guò)最小二乘法求解。限于篇幅和必要性，這里不再詳細(xì)敘述， 具體內(nèi)容可參考有關(guān)資料。 2 1 3 基于背景差分的方法 背景差分法是目前運(yùn)動(dòng)分割中最常用的一種方法，它適用于攝像機(jī)靜止的情 況，或自然環(huán)境的緩慢變化，其最簡(jiǎn)單的實(shí)現(xiàn)是從視頻序列中預(yù)先抽取不含前景 運(yùn)動(dòng)物體的幀圖像作為背景，然后利用當(dāng)前幀與背景圖像的差分來(lái)檢測(cè)運(yùn)動(dòng)區(qū) 域，這種差分法對(duì)于復(fù)雜背景下的運(yùn)動(dòng)物體檢測(cè)效果較好，一般能夠提供最完整 的特征數(shù)據(jù)，計(jì)算量小，實(shí)用價(jià)值大。下圖顯示了理想背景下的圖像差分結(jié)果： ( a ) 當(dāng)前幀 ( b ) 理想背景( c ) 背景差分結(jié)果 圖2 3 背景差分法的運(yùn)動(dòng)車輛檢測(cè) 但這種方法對(duì)于場(chǎng)景的變化，如光照和外來(lái)無(wú)關(guān)事件的干擾等特別敏感，需 要采用一定的算法進(jìn)行背景模型的動(dòng)態(tài)更新。目前人們太都致力于研究如何實(shí)現(xiàn) 背景圖像的建模和自適應(yīng)更新，使背景能夠不斷接近理想狀態(tài)，以期減少場(chǎng)景變 化對(duì)視頻圖像檢測(cè)分割的影響。 2 2 背景建模和更新技術(shù) 背景建模，即通過(guò)視頻序列的幀間信息估計(jì)和恢復(fù)背景。對(duì)于背景的建模問(wèn) 題，常用的有以下幾種方法： 2 2 1 基于統(tǒng)計(jì)的背景模型 統(tǒng)計(jì)建模方法是基于概率統(tǒng)計(jì)理論的。理論上講，所謂靜止的“背景”就是 在圖像序列中灰度不發(fā)生變化或變化很小的像素；從統(tǒng)計(jì)學(xué)的角度來(lái)看，背景中 像素的灰度值可以看作是一個(gè)統(tǒng)計(jì)的結(jié)果，即圖像序列中各個(gè)像素在統(tǒng)計(jì)上最可 能出現(xiàn)的值。 基于這一思想，我們就可以建立基于統(tǒng)計(jì)的背景更新模型。設(shè)t 時(shí)刻的背景 圖像e ( 工，y ) 為： e ( 石，_ y ) = g ( ，( 工，y ) ，一，( x ，y ) ，z f 。1 ，( x ，y ) ，k b r _ 。( x ，y ) ) ( 2 1 3 ) 其中g(shù) ( ) 為更新函數(shù)， ( 上，y ) 為k 時(shí)亥0 采集到的圖像，n 為用來(lái)估計(jì)背景圖像 序列的長(zhǎng)度，舅一。( x ，y ) 為上次統(tǒng)計(jì)得到的背景圖像，并給以一定的權(quán)重。若 采樣時(shí)間間隔為血，則統(tǒng)計(jì)時(shí)間為n f 。 在這個(gè)統(tǒng)計(jì)模型中，選擇不同的更新函數(shù)g ( ) ，就可以得到不同的背景更 新算法。其中最簡(jiǎn)便和直觀的方法就是選擇均值函數(shù)作為更新函數(shù)，稱為“序列 均值法” 16 】【1 刀。應(yīng)用均值函數(shù)，公式( 2 1 3 ) 變?yōu)?e 0 ，y ) = 和d n ( z ( x ，y ) ，z 一。( x ，y ) ，z - ( 州) ( 工，y ) ，e 一1 ( x ，y ) ) 2 燾善z 拈卅e 拈瑚 ( 2 1 4 ) 這種方法建立的背景模型在靜止區(qū)域與真實(shí)的背景相似度比較高，而在包含 運(yùn)動(dòng)區(qū)域時(shí)就與真實(shí)背景產(chǎn)生偏差，因?yàn)檫\(yùn)動(dòng)區(qū)域的灰度變化影響了均值結(jié)果。 所以這種方法適用于背景大部分時(shí)間可見、運(yùn)動(dòng)目標(biāo)數(shù)量少的情況而且，為了 保證能有較小的估計(jì)偏差，需要對(duì)很長(zhǎng)的視頻序列進(jìn)行計(jì)算求其均值，背景的更 新速度較慢。 另一種方法是“序列眾數(shù)法”【1 8 】它選擇眾數(shù)函數(shù)作為更新函數(shù)g ( ) ，即 日( 工，y ) = 脅d e ( z ( x ，y ) ，z l ( 工，y ) ，- ，吖一1 ) ( 石，y ) ，e 一1 ( x ，y ) ) ( 2 1 5 ) 也就是認(rèn)為像素點(diǎn)在視頻序列中最可能出現(xiàn)的值為最大的概率分布，并將其作為 背景。這種方法是統(tǒng)計(jì)學(xué)模型算法中最精確的一種，但是它要對(duì)元素進(jìn)行排序， 計(jì)算量和所消耗的存儲(chǔ)空間都很大，而且需要很大的n 值才能得到統(tǒng)計(jì)意義上的 概率分布，因此更新圖像的時(shí)間也比較慢。 在實(shí)際應(yīng)用中，經(jīng)驗(yàn)表明，當(dāng)n 值比較小時(shí)，一種很好的折衷方法就是選擇 中值函數(shù)作為更新函數(shù) e ( x ，y ) = 脅歷口n ( z ( x ，y ) ，一，( x ，y ) ，一，一。一) ( 工，y l 比e l ( x ，y ) ) ( 2 1 6 ) 它的假設(shè)前提是視頻序列的像素超過(guò)半數(shù)是屬于背景的，不然就會(huì)將前景運(yùn) 動(dòng)目標(biāo)混入背景圖像當(dāng)中，產(chǎn)生混合現(xiàn)象。 為了進(jìn)一步提高背景更新的統(tǒng)計(jì)模型的性能，不少學(xué)者提出了一些改進(jìn)的方 法。文獻(xiàn)”1 提出了一種“計(jì)分板”的方法，僅對(duì)圖像變化小于某一閾值的像素采 用均值法進(jìn)行更新，大大提高了算法的效率；文獻(xiàn)【2 0 1 提出了一種基于塊處理技術(shù) 的背景重建方法，即將圖像分成n 塊，計(jì)算每塊的矢量，統(tǒng)計(jì)結(jié)果，分區(qū)域更新 背景，也在一定程度上提高了更新的速度。 2 0 2 2 2 基于卡爾曼濾波的背景模型 卡爾曼濾波( k a l m nf i l t e r ) 是卡爾曼( r e k a l m 8 n ) 于1 9 5 0 年提 出的，從與被提取信號(hào)有關(guān)的觀測(cè)量中通過(guò)遞推濾