田曉霞, 王家碩, 王會樸

(1.石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院，河北 石家莊 050043；2.同濟大學(xué) 電子與信息工程學(xué)院，上海 020021)

?

有限狀態(tài)機在夜間車輛檢測上的應(yīng)用

田曉霞1, 王家碩2, 王會樸1

(1.石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院，河北 石家莊 050043；2.同濟大學(xué) 電子與信息工程學(xué)院，上海 020021)

為了有效地解決夜間車輛檢測這一難題，提出了一種新穎的基于有限狀態(tài)機的夜間車輛檢測算法。該算法將車輛檢測的問題轉(zhuǎn)變成一個有序狀態(tài)轉(zhuǎn)換的模型，即檢測所選擇區(qū)域內(nèi)的車輛到達、車輛移動和車輛離開。先計算所選區(qū)域內(nèi)的明亮像素點的數(shù)量以及他們之間的差異，然后將結(jié)果輸入到所提出的狀態(tài)機來檢測車輛，最后輸出檢測結(jié)果。實驗結(jié)果證明，該算法簡單且易于實現(xiàn)，對檢測夜間道路車輛有很強的魯棒性。

夜間車輛檢測；有限狀態(tài)機；狀態(tài)轉(zhuǎn)換；交通視頻；車前燈

0 引言

隨著社會經(jīng)濟的快速發(fā)展，交通擁堵問題日益嚴(yán)峻，實時的交通數(shù)據(jù)對有效利用城市空間具有十分重要的意義。要實現(xiàn)這一數(shù)據(jù)的提取，首先要進行車輛檢測[1]?；谝曨l的車輛檢測和監(jiān)控系統(tǒng)能在不影響交通阻礙下安裝并且視覺信息能在許多領(lǐng)域得到應(yīng)用，但是由于車輛的形狀、顏色各不相同而且光照條件在白天和夜晚動態(tài)地改變，尤其在夜間，照明條件差，車身可見度低并且車燈光暈會引起背景的混亂從而極大地加深了檢測的難度，因此夜間車輛檢測因其復(fù)雜的光照條件一直是個棘手的難題。

在基于視覺的車輛檢測方法中S.P.Lin[2]等人提出了利用背景減法來提取移動車輛，將顏色信息作為背景圖像，該方法比應(yīng)用B&W背景圖像更有魯棒性。Y.L.Chen等人[3]在文獻中提出了將車前燈的檢測作為檢測車輛的關(guān)鍵信息，該方法能快速有效地檢測夜間車輛。W.Wang等人[4]在文中提出了一個兩層的車輛檢測系統(tǒng)，其中利用形狀信息和自適應(yīng)增強算法來檢測車前燈，該算法適用于檢測車輛的前面部分，對在第二層中采用分類器具有魯棒性。

針對夜間視頻車輛不容易被分割出來的情況，本文提出了一個新穎的基于有限狀態(tài)機的車輛檢測算法。車輛檢測將道路所選位置看成是狀態(tài)轉(zhuǎn)換的有序過程，也就是：沒有車輛、車輛到達、車輛移動和車輛離開。本文提出的方法總結(jié)如下：第一，為基于視頻的車輛檢測系統(tǒng)提出了一個基于狀態(tài)轉(zhuǎn)換的框架。第二，計算選擇區(qū)域內(nèi)明亮像素點的數(shù)量和他們之間的差異用來作為夜間車輛檢測所提出狀態(tài)機的特征。夜間車輛檢測算法的流程圖如圖1所示。首先，創(chuàng)建一個背景圖片，然后，通過動態(tài)閾值提取明亮目標(biāo)。計算AOI(Area Of Interest)區(qū)域中內(nèi)明亮像素點的數(shù)量及差異輸入到有限狀態(tài)機中，最后，將車輛到達或離開的結(jié)果輸出來。

圖1 夜間車輛檢測流程圖

1 有限狀態(tài)機

有限狀態(tài)機( Finite State Machine，簡稱 FSM)[5-6]，又稱有限狀態(tài)自動機，簡稱狀態(tài)機，是表示有限個狀態(tài)以及在這些狀態(tài)之間的轉(zhuǎn)移和動作等行為的數(shù)學(xué)模型。FSM由狀態(tài)、轉(zhuǎn)移、事件、動作等要素組成。

有限狀態(tài)機一般定義為：M=(Q,I,O,q0,δ,λ) ，其中，Q是有限狀態(tài)集合，包括模型中的所有狀態(tài)；I表示模型中的所有輸入；O表示狀態(tài)的所有輸出；q0表示初始狀態(tài)；δ為狀態(tài)轉(zhuǎn)移函數(shù)，Q×I→Q；λ為輸出函數(shù)，Q×I→O。

本文中將車輛檢測的問題轉(zhuǎn)變成一個有序狀態(tài)轉(zhuǎn)換的模型，即，檢測夜間道路上所選擇區(qū)域內(nèi)的沒有車輛、車輛到達、車輛移動和車輛離開4個狀態(tài)。具體說來是將車輛檢測看作一個狀態(tài)轉(zhuǎn)換問題的模型。例如，一個車輛進入道路所選區(qū)域內(nèi)，然后向前移動通過所選區(qū)域，最后車輛駛離所選區(qū)域。

2 有限狀態(tài)機在夜間車輛檢測上的應(yīng)用

2.1 明亮目標(biāo)的分析

白天情況下的道路車輛前景很容易提取出來，然而在夜間，由于車輛與背景的對比度過低，因此要提取完整的車輛目標(biāo)較為困難，即使在照明條件較好的路段，車燈光暈及其投射在路面上的光線也會干擾車輛前景的檢測。夜間車輛前景的提取如圖2所示。圖2(a)為截取的視頻幀，圖2(b)是其對應(yīng)的背景圖像，所得前景圖像如圖2(c)所示，車輛前景由于周圍車輛車前燈照射而不能準(zhǔn)確地識別出來。

圖2 夜間車輛前景的提取

在夜間車流量檢測算法中，采用提取車燈的方法相比其他方法來說比較有優(yōu)勢。夜間道路上基本每輛車都有兩個耀眼的車燈，車燈和車燈投射光線是分析夜間視頻中移動車輛最突出的特征。本文利用從所選區(qū)域內(nèi)的明亮目標(biāo)中獲得的信息來分析夜間車輛。所選區(qū)域內(nèi)明亮目標(biāo)的分析如圖3所示。

圖3 狀態(tài)轉(zhuǎn)換

車輛通過一個大小為W×H的用紅色矩形框標(biāo)記的AOI區(qū)域。從圖3可以看出，AOI區(qū)域內(nèi)的信號隨著車輛通過AOI區(qū)域時明亮像素點的數(shù)量的變化而變化。式(1)[7]為運動車輛建模，計算所選區(qū)域內(nèi)明亮像素點的數(shù)量和平均數(shù)，r(n)=255表示第n幀AOI區(qū)域內(nèi)充滿了明亮的像素點，相反，r(n)=0則表示該區(qū)域內(nèi)沒有明亮像素點存在。

(1)

式中，H和W分別表示所選區(qū)域的高度和寬度；Ln(i,j)表示AOI區(qū)域內(nèi)的明亮目標(biāo)，考慮到不同的照明條件采用動態(tài)閾值方法來完成明亮目標(biāo)Ln(i,j)的提取。若目標(biāo)像素點的亮度值高于所選閾值，則Ln(i,j)=255；否則Ln(i,j)=0[8]。一個典型的夜間車輛信息r(n)如圖4所示。

圖4 典型的夜間車輛信息

從圖4可以看出，當(dāng)車輛通過AOI區(qū)域時r(n)的變化模式。該圖有兩個峰值，分別是車前燈投射光線和車前燈。r(n)的值在車前燈投射光線區(qū)域先增加后減少作為在ROI(Region Of Interest)區(qū)域檢測車輛的方法。本文提出的算法目的是檢測定位在圖3區(qū)域中的車輛。

2.2 構(gòu)建有限狀態(tài)機

有限狀態(tài)機是著名的為設(shè)計一個有限數(shù)量狀態(tài)系統(tǒng)的一個數(shù)學(xué)模型。文獻[8]提出應(yīng)用狀態(tài)機方法設(shè)計的車輛檢測系統(tǒng)。他們利用一個磁傳感器創(chuàng)建一個傳感節(jié)點[9]和基于狀態(tài)機實現(xiàn)車輛檢測算法。該狀態(tài)機能簡單、快速的在傳感節(jié)點里面部署。圖5是為車輛檢測所提出的有限狀態(tài)機[8]。

圖5 基于有限狀態(tài)機的夜間車輛檢測狀態(tài)圖

狀態(tài)S1：計算r(n)的值，檢測第n幀AOI區(qū)域內(nèi)充滿明亮像素點的數(shù)量。如果r(n)的值小于所選區(qū)域的閾值THv，則保持狀態(tài)1不變，表明當(dāng)前沒有車輛存在。如果r(n)>THv，則跳轉(zhuǎn)到S2。由式(1)可知，r(n)的最大值是255，最小值是0。

狀態(tài)S2：統(tǒng)計r(n)>THv的數(shù)量。當(dāng)車輛靠近AOI區(qū)域時，隨著明亮像素點的增加，r(n)的值持續(xù)高于閾值THv。當(dāng)r(n)持續(xù)高于閾值多于W倍，則跳轉(zhuǎn)到S3，否則，如果r(n)

狀態(tài)S3：計算r(n)的差異。也就是d(n)=r(n)-r(n-1)，其目的是檢測一個點，該點上車頭燈反射光線的數(shù)量在減少，如圖5所示，如果d(n)是負(fù)數(shù)，則跳轉(zhuǎn)到S5。

狀態(tài)S4：檢測r(n)狀態(tài)。如果r(n)持續(xù)<閾值THv，則返回到S1，若r(n)再次大于閾值THv則跳轉(zhuǎn)到S2。S4考慮到下一車道上車輛的車前燈產(chǎn)生的噪聲。此時，車輛到達或離開已被系統(tǒng)檢測到。

狀態(tài)S5：如果r(n)持續(xù)小于閾值THv多于N倍則檢測到車輛。

3 結(jié)果分析

利用上述算法測試所提出的基于狀態(tài)機的車輛檢測方法的性能。該算法是對河北某公路監(jiān)控視頻序列進行測試。實驗平臺是Windows 7的操作系統(tǒng)，使用MATLAB R2010b實現(xiàn)。在不同的地方測試視頻長達一個多小時，涵蓋各種車輛和車前燈。其分辨率是720×480，幀率為30 fps。圖6(a)是從夜間視頻中截取的一幀，黑色實線表示由用戶提供的一個選擇的車輛檢測區(qū)域。涵蓋的虛線和實線區(qū)域是根據(jù)給定的車道信息自動確定的AOI區(qū)域。通過對夜間視頻分析確定AOI的高度為車道寬度的四分之一。據(jù)觀察，車道的寬度和車前燈的高度是彼此分離的，并且車前燈的高度是車道寬度的四分之一。圖6(b)分別是視頻幀和它相應(yīng)的閾值圖像。圖6(c)是計算出的AOI區(qū)域內(nèi)最右邊車道的r[n]的值。通過提出的狀態(tài)機的方法，決定車輛到達點，隨著r[n]的值大于閾值，車輛被檢測到。

圖6 有限狀態(tài)機在夜間車輛檢測上的應(yīng)用

式(2)[10]采用杰卡德系數(shù)測試夜間視頻車輛檢測率。

(2)

式中，Tp，F(xiàn)p，F(xiàn)n分別為車輛檢測的正確率，誤報率和漏報率。檢測夜間車輛的數(shù)量為512，實驗結(jié)果如表1所示。

表1 夜間車輛檢測算法結(jié)果分析

由表1分析可知，本文所提出的算法針對夜間復(fù)雜環(huán)境具有較好的魯棒性。

4 結(jié)語

本文提出了一個新穎的基于狀態(tài)機的車輛檢測方法。在該方法中，將車輛檢測看做是狀態(tài)轉(zhuǎn)換的有序過程，即沒有車輛、車輛到達、車輛經(jīng)過和車輛離開。將選擇的AOI區(qū)域內(nèi)的明亮像素點作為一個特征輸入到狀態(tài)機中。所提出的方法在檢測車輛的存在的計算上是簡單而有效的。然而，附加的后處理需要提取的車輛的準(zhǔn)確位置，將是下一步研究的內(nèi)容。

[1]Shbat M S, Tuzlukov V. Generalized Detector with Adaptive Detection threshold for radar sensors[C]// Radar Symposium (IRS), 2012 13th International. IEEE, 2012:91-94.

[2]Lin S P, Chen Y H, Wu B F. A Real-Time Multiple-Vehicle Detection and Tracking System with Prior Occlusion Detection and Resolution, and Prior Queue Detection and Resolution[J]. Pattern Recognition .icpr .international Conference on, 2006, 1:828-831.

[3]Chen Y L, Wu B F, Huang H Y, et al. A Real-Time Vision System For Nighttime Vehicle Detection And Traffic Surveillance[J]. IEEE Transactions on Industrial Electronics, 2011, 58(5):2030-2044.

[4]Paisitkriangkrai S, Zhang J, Shen C, et al. A Two-Layer Night-Time Vehicle Detector[C]// 2008 Digital Image Computing: Techniques and Applications. IEEE, 2009:162-167.

[5]孫宏旭,邢薇,陶林. 基于有限狀態(tài)機的模型轉(zhuǎn)換方法的研究[J].計算機技術(shù)與發(fā)展,2012,22(5):38-45.

[6]趙世英，李延強. 基于粒子群優(yōu)化支持向量機的口斜拉橋主梁損傷識別研究[J].石家莊鐵道大學(xué)學(xué)報：自然科學(xué)版,2015,28(1):17-21.

[7]Choi K H, Kim D H, Kim K S, et al. State Machine and Downhill Simplex Approach for Vision-Based Nighttime Vehicle Detection[J]. ETRI Journal, 2014, 36(3): 439-449.

[8]Cheung, Sing Yiu, Varaiya, Pravin. Traffic Surveillance by Wireless Sensor Networks: Final Report[R]. Path Research Report, 2007.

[9]馬增強，鄭雅聰，鄒星星.基于粒子濾波的跟蹤算法研究[J].石家莊鐵道大學(xué)學(xué)報：自然科學(xué)版，2014,27(2):91-95.

[10]Hyunkim D, Kwon J, Chen K, et al. Finite state machine for vehicle detection in highway surveillance systems[C]// Frontiers of Computer Vision, (FCV), 2013 19th Korea-Japan Joint Workshop on. IEEE, 2013:84-87.

Application of Finite State Machine in Nighttime Vehicle Detection

Tian Xiaoxia1, Wang Jiashuo2, Wang Huipu1

(1.Department of Computer Science and Technology, Shijiazhuang Tiedao University, Shijiazhuang 050043, China;2.School of Electronic and Information Engineering , TongJi University ,Shanghai 201804, China)

In order to solve the problem of nighttime vehicle detection, a novel vision-based nighttime vehicle detection approach is presented. In the proposed approach, vehicle detection is modeled as a sequential state transition problem, that is, vehicle arrival, moving, and departure at a chosen detection area. The number of bright pixels and their differences in a chosen area of interest are calculated and fed into the proposed state machine to detect vehicles, and vehicle arrival or departure results are reported as an output.Simulation results show that the proposed system is simple and robust and can be applicable for nighttime vehicle detection systems.

nighttime vehicle detection;finite state machine;state transition;traffic video;car’s headlights

2015-05-25 責(zé)任編輯:劉憲福

10.13319/j.cnki.sjztddxxbzrb.2016.04.16

河北省自然科學(xué)基金(F2013210109)；河北省科技支撐項目(10213516D)

田曉霞(1988-)，女，碩士研究生，主要研究領(lǐng)域為多媒體技術(shù)。E-mail：1074587330@qq.com

TP301

A

2095-0373(2016)04-0095-05

田曉霞,王家碩,王會樸.有限狀態(tài)機在夜間車輛檢測上的應(yīng)用 [J].石家莊鐵道大學(xué)學(xué)報:自然科學(xué)版,2016,29(4):95-99.