魏 巍，李志慧，趙永華，曲昭偉，江 晟，柴婷婷

（1.吉林大學(xué) 交通學(xué)院，長春 130022；2.吉林大學(xué) 計算機公共教學(xué)中心，長春 130022）

0 引 言

目前，交通視頻監(jiān)控通常利用道路兩側(cè)的攝像頭獲取道路圖像信息，傳輸?shù)浇煌ūO(jiān)控中心集中分析處理，形成了巨大的通信量，增加了多路圖像信息集中并發(fā)處理的困難?；旌辖煌ㄊ俏覈煌ǖ闹匾M成部分，但目前尚缺乏混合交通流參數(shù)檢測的方法和設(shè)備。為了降低交通監(jiān)控過程巨大通訊量和滿足高效便捷的混合交通流參數(shù)檢測的需要，研發(fā)面向混合交通流檢測的智能相機分布式設(shè)備，實現(xiàn)單點攝像機圖像信息處理，直接應(yīng)用于交通信號控制的設(shè)備或交通監(jiān)控中心尤為重要。

嵌入式設(shè)備具有高效、便捷、低能耗等優(yōu)點，近年來國內(nèi)外研究人員開展了將嵌入式技術(shù)應(yīng)用在交通監(jiān)控領(lǐng)域的研究。如:Bramberger等［1－2］采用LM－9618CMOS傳感器與雙TMS320DM642DSP芯片等構(gòu)建智能相機硬件框架體系與原型，利用高斯背景差分和前景閾值分割檢測車輛；Arth［3］等利用三個TMS320C6414DSP芯片與外置攝像頭構(gòu)建智能相機框架體系與原型，通過中值背景估計、前景差分分割、攝像機參數(shù)映射、Viola－Jones檢測、CAMShift預(yù)處理和Kalman跟蹤等算法檢測與跟蹤運動車輛；Wei等［4］利用圖像捕獲單元、FPGA視頻分析處理單元、圖像顯示單元構(gòu)建智能相機框架體系與原型檢測車輛信息，其中FPGA視頻分析處理單元由Harris交點檢測、局部二進制模式分類與分析等構(gòu)成；Houben［5］等利用CMOS傳感器、FPGA和嵌入式工業(yè)PC構(gòu)建智能相機原型，采用Harris交點和邊緣信息進行3D重構(gòu)、聚類和跟蹤檢測運動車輛；Macesic［6］等利用OMAP平臺，通過Kalman濾波器跟蹤車輛，獲取物體的軌跡，檢測異常軌跡，實現(xiàn)交通事件預(yù)警。上述相關(guān)研究促進了嵌入式智能相機技術(shù)在交通監(jiān)控領(lǐng)域的發(fā)展，但這些研究仍局限于交通車輛單一交通流形態(tài)的檢測，缺乏混合交通流檢測的研究，無法滿足我國混合交通的應(yīng)用需要。

針對目前缺乏混合交通視頻檢測智能設(shè)備的問題，本文利用CCD傳感器與DSP芯片構(gòu)建了智能相機框架體系和硬件原型系統(tǒng)，采用背景初始化、背景模型與前景獲取、物體分割、特征提取、多目標(biāo)識別分類、攝像機參數(shù)標(biāo)定等視頻圖像處理技術(shù)，構(gòu)建了混合交通流檢測軟件方法體系，開發(fā)了相應(yīng)的嵌入式算法系統(tǒng)，實現(xiàn)了混合交通流參數(shù)檢測。

1 智能相機硬件架構(gòu)

為降低道路監(jiān)控攝像頭向監(jiān)控中心傳輸?shù)臄?shù)據(jù)量，實現(xiàn)圖像采集后直接分析處理，處理數(shù)據(jù)傳輸至監(jiān)控中心或交通信號控制機等。本文構(gòu)建了圖1所示的混合交通流智能相機硬件體系結(jié)構(gòu)。圖2為智能相機硬件原型系統(tǒng)。

圖1 混合交通視頻檢測智能相機硬件體系結(jié)構(gòu)框圖Fig.1 Block diagram of the hardware architecture

圖2 混合交通視頻檢測智能相機硬件系統(tǒng)原型Fig.2 Prototype of the embedded DSP vision platform

2 混合交通流檢測軟件框架體系

混合交通流智能檢測設(shè)備軟件系統(tǒng)的體系結(jié)構(gòu)框圖，如圖3所示。

2.1 背景模型

通常利用背景差分獲取視頻場景中的運動前景，即實現(xiàn)行人、自行車、機動車檢測，如式（1）所示:

式中:Ft為當(dāng)前時刻前景；It為當(dāng)前視頻幀；Bt－1為前一時刻背景。

背景模型作為前景物體檢測的關(guān)鍵，受外界光照、環(huán)境等變化影響明顯。為有效獲取混合交通背景，本文采用了基于對象選擇更新的混合高斯背景模型［7］，如式（2）所示:

圖3 混合交通視頻智能檢測設(shè)備檢測算法框圖Fig.3 Software Framework of Smart Device on Mixed Traffic Detection

其中F（Bt－1）為混合高斯背景模型更新過程，參見文獻［8］。該模型對存在感興趣運動物體的區(qū)域不更新，否則參照混合高斯背景模型選擇性更新。由式（2）可以看出，背景模型需要初始背景作為其零啟動，為獲取零啟動背景，本文采用基于聚類識別的背景初始化方法［9］獲取初始背景，該方法可滿足場景內(nèi)包括運動前景物體或前景物體靜止遮擋率大于50%的應(yīng)用環(huán)境。

2.2 攝像機參數(shù)標(biāo)定

攝像機參數(shù)實現(xiàn)了圖像坐標(biāo)與交通場景位置坐標(biāo)的映射變換。為方便獲取攝像機內(nèi)外參數(shù)，本文采用了黑箱攝像機標(biāo)定方法［10］計算映射關(guān)系。通常圖像坐標(biāo)與空間位置關(guān)系可表達(dá)為

式中:p矩陣表示攝像機內(nèi)外參數(shù)。根據(jù)已知圖像坐標(biāo)與空間位置坐標(biāo)點對，利用最小二乘法估計求解映射變換p矩陣。為簡化p矩陣求解，令p9＝1，則需要n（n≥4）對 ｛（xi，yi） ，（ui，vi）｝對應(yīng)點對構(gòu)成2n個線性方程求解p矩陣，該方程組表達(dá)為

根據(jù)式（4），可利用最少4對參照點計算求解映射變換p矩陣，獲取空間坐標(biāo)與圖像坐標(biāo)之間的映射關(guān)系。該方法與傳統(tǒng)方法相比，僅需一幅模板圖像，降低了特征點與模板個數(shù)，簡化了計算，且具有穩(wěn)定性強、計算精度高的特點。

2.3 前景物體識別分類

由于混合交通個體運動過程受形變、遮擋等影響，根據(jù)行人、機動車、自行車的幾何輪廓特點，本文構(gòu)建了交通個體中心距向量特征表達(dá)方法，該方法具有較好的旋轉(zhuǎn)、伸縮、平移不變性。

為構(gòu)建交通物體旋轉(zhuǎn)、伸縮、平移不變的特征，首先獲取物體重心G（xc，yc），其表達(dá)式為

式中:mpq為區(qū)域的pq階矩。

其次，選取區(qū)域邊緣上距離重心最遠(yuǎn)點作為區(qū)域主方向，令重心作為極坐標(biāo)中心，在［0，2π］范圍內(nèi)按照逆時針方向旋轉(zhuǎn)，在每間隔θ角的方向上選取區(qū)域外邊緣點，獲取相應(yīng)點與極坐標(biāo)中心的距離，作為中心距l(xiāng)i，則構(gòu)成N維中心距向量l＝ ［l1，l2，…，ln］；最后，令中心距向量l除以中心距最大值l1，獲取歸一化的中心距向量l′＝，實現(xiàn)混合交通個體特征提取與表達(dá)。

支持向量機（SVM）［11－13］作為基于統(tǒng)計學(xué)習(xí)的經(jīng)驗風(fēng)險最小化原則的一種監(jiān)督式機器學(xué)習(xí)，其分類模式中利用相應(yīng)的分類核函數(shù)將輸入向量映射到一個高維空間，然后根據(jù)最優(yōu)化理論尋求分類器的范化誤差最小，獲取最優(yōu)分類超平面，實現(xiàn)不同模式的分類識別。在訓(xùn)練學(xué)習(xí)階段，本文選取行人、自行車、機動車與非交通個體樣本圖像訓(xùn)練學(xué)習(xí)，訓(xùn)練過程采用Ado boosting算法［14］對SVM的強、弱分類器分配不同權(quán)重系數(shù)加快樣本空間學(xué)習(xí)，建立其分類超平面，實現(xiàn)混合交通物體的分類識別。

3 實驗結(jié)果

本文利用圖2所示的智能相機原型系統(tǒng)采集交通視頻圖像，采用本文構(gòu)建的軟件算法對不同交通狀況下的混合交通流進行檢測實驗，其中圖4給出了運動背景與前景物體的檢測結(jié)果。圖5給出了不同混合交通物體的矩向量特征表示曲線形式，圖6給出了混合交通物體分類識別結(jié)果。從給定的實驗結(jié)果圖像可以看出，本文算法可以較好地獲取交通視頻的運動背景、前景、混合物體特征表達(dá)與識別分類。同時，為了檢驗本文算法的檢測性能，對不同交通狀態(tài)下的1400個混合交通物體識別分類準(zhǔn)確度進行了測試，本文算法的識別準(zhǔn)確度大于95%，反映了本文構(gòu)建的混合交通流智能檢測相機具有較好的性能，可應(yīng)用于混合交通流檢測。

圖4 長春市人民大街交通視頻處理結(jié)果Fig.4 Processing Result at Renmiing street site in Changchun

圖5 混合交通個體矩向量表達(dá)曲線圖Fig.5 Moment Vector Represent Curves of Mixed traffic object

圖6 混合交通個體識別分類結(jié)果Fig.6 Classification Results of Mixed Traffic Object

4 結(jié) 論

針對目前缺乏混合交通視頻檢測智能設(shè)備的問題，本文利用CCD傳感器與DSP芯片構(gòu)建了智能相機框架體系和硬件原型系統(tǒng)，采用背景初始化、背景模型與前景獲取、物體分割、特征提取、多目標(biāo)識別分類、攝像機參數(shù)標(biāo)定等視頻圖像處理技術(shù)，構(gòu)建了混合交通流檢測軟件方法體系，開發(fā)了相應(yīng)的嵌入式算法系統(tǒng)，實現(xiàn)了混合交通流參數(shù)檢測。不同交通狀態(tài)下的測試結(jié)果反映了該系統(tǒng)具有良好的性能，可實現(xiàn)混合交通流參數(shù)檢測。本方法可為混合交通流智能相機的研發(fā)提供借鑒和參考。

［1］Bramberger M，Brunner J，Rinner B，et al.Real－time video analysis on an embedded smart camera for traffic surveillance［C］∥In:Real－Time and Embedded Technology and Applications Symposium，2004Proceedings RTAS 200410th IEEE，2004:174－181.

［2］Bramberger M，Roman P Pflugfelder，Maier Arnold，et al.A smart camera for traffic surveillance［C］∥Proceedings of the First Workshop on Intelligent Solutions in Embedded Systems；2003；Vienna University of Technology，Austria；2003:153－164.

［3］Arth C，Bischof H，Leistner C.TRICam－an embedded platform for remote traffic surveillance［C］∥Computer Vision and Pattern Recognition Workshop，2006 CVPRW＇06Conference on，2006:125.

［4］Wei Bei－na，Shi Yu，Ye Ge－tian ，et al.Developing a smart camera for road traffic surveillance［C］∥Multimedia Signal Processing，2008IEEE 10th Workshop on，2008:826－831.

［5］Houben Q，Czyz J，Diaz J C Tocino，et al.Featurebased stereo vision using smart cameras for traffic surveillance［C］∥Fritz M，Schiele B，Piater JH，eds.Computer Vision Systems，Proceedings；2009:144－153.

［6］Macesic M，Jelaca V，Nino－Castaneda J O.et al.Realtime detection of traffic events using smart cameras［C］∥In:Proceedings of SPIE－IS and T Electronic Imaging－Intelligent Robots and Computer Vision XXIX:Algorithms and Techniques，Burlingame，CA，United states，2012.

［7］李志慧，張長海，曲昭偉，等.交通流視頻檢測中背景模型與陰影檢測算法［J］.吉林大學(xué)學(xué)報:工學(xué)版，2006，36（6）:993－997.Li Zhi－h(huán)ui，Zhang Chang－h(huán)ai，Qu Zhao－wei，et al.Background extraction model and shadow detection algorithm in traffic flow video detection［J］.Journal of Jilin University（Engineering and Technology Edition），2006，36（6）:993－997.

［8］Stauffer Chris，Grimson W E L.Adaptive background mixture models for real－time tracking［J］.Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1999，2（Compendex）:246－252.

［9］李志慧，張長海，曲昭偉，等.交通流視頻檢測中背景初始化算法［J］.吉林大學(xué)學(xué)報:工學(xué)版，2008，38（1）:148－151.Li Zhi－h(huán)ui，Zhang Chang－h(huán)ai，Qu Zhao－wei，et al.Background initialization algorithm in traffic flow video detection［J］.Journal of Jilin University（Engineering and Technology Edition），2008，38（1）:148－151.

［10］曲昭偉，陳紅艷，李志慧，等.基于單模板的二維場景重建方法［J］.吉林大學(xué)學(xué)報:工學(xué)版，2007，37（5）:1159－1163.Qu Zhao－wei，Chen Hong－yan，Li Zhi－h(huán)ui，et al.2D view reconstruction method based on single calibration pattern［J］.Journal of Jilin University（Engineering and Technology Edition），2007，37（5）:1159－1163.

［11］Cortes Corinna，Vapnik Vladimir.Support－vector networks［J］.Machine Learning，1995，20（3）:273－297.

［12］Scholkopf B，Smola A J，Williamson R C，et al.New support vector algorithms［J］.Neural Computation，2000，12（5）:1207－1245.

［13］Scholkopf B，Platt J C，Shawe－Taylor J，et al.Estimating the support of a high－dimensional distribution［J］.Neural Computation，2001，13（7）:1443－1471.

［14］Rangel Pedro，Lozano Fernando，Garcia Elkin.Boosting of support vector machines with application to editing［C］∥ICMLA 2005:4th International Conference on Machine Learning and Applications，Los Angeles，CA，United States:Inst of Elec and Elec Eng Computer Society，2005:374－379.