周明江++王繼武

摘 要：采用了一種自適應背景差分法中背景更新的改進方案對車輛進行檢測，并結(jié)合迭代式閾值法和人工閾值法成功地完成目標的分割。檢測出車輛后，運用改進的卡爾曼濾波器運動跟蹤算法跟蹤車輛?？柭鼮V波器做運動估計可縮小特征搜索范圍；在特征提取上，采用了質(zhì)心和窗口相結(jié)合的方法；在特征匹配中，使用了相似函數(shù)的概念；在更新算法中，創(chuàng)新性地將圖像分成進入?yún)^(qū)、跟蹤區(qū)和離開區(qū)3個區(qū)域。

關鍵詞：背景提取；目標檢測；卡爾曼濾波；目標跟蹤

中圖分類號：U495 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2017.04.076

隨著社會經(jīng)濟的不斷發(fā)展，整個社會對交通運輸?shù)男枨蟛粩嘣龃?，但同時也引發(fā)了交通事故、環(huán)境污染等一系列問題，智能交通系統(tǒng)（Intelligent Transportation System，ITS）也就應運而生了。車輛檢測系統(tǒng)作為智能交通系統(tǒng)中“先進交通管理系統(tǒng)ATMS”的子系統(tǒng)，是智能交通系統(tǒng)的基礎。車輛視頻檢測技術比傳統(tǒng)的微波檢測器、環(huán)行線圈檢測器等模擬類技術具有明顯的優(yōu)勢，因而成為研究的熱點。

1 圖像預處理

在車輛視頻檢測與跟綜中，對圖像的預處理尤為重要，它直接關系到后續(xù)車輛檢測與跟蹤的精度。

1.1 圖像灰度化

實際中，一般的圖像傳感器都采用彩色攝像機。這使得圖像數(shù)據(jù)量很大，影響處理速度。當光線較弱時，灰度圖像的清晰度高于彩色圖形，因此有必要把彩色圖像轉(zhuǎn)化為灰度圖像。

1.2 圖像灰度修正

圖像灰度修正可使圖像動態(tài)處理范圍擴大，圖案更清晰。常用的圖像灰度修正有直接灰度變換和直方圖修正。仿真結(jié)果表明，在本課題中，直接灰度變換的效果要好于直方圖修正，因此本文采用前者來進行后續(xù)實驗。

1.3 圖像噪聲去除

由于圖像噪聲會嚴重影響圖像清晰度，因此有必要進行去噪處理。常用的去噪方法有平滑線性濾波法、加權平均法、中值濾波法和低通濾波法。仿真結(jié)果表明，平滑線性濾波的去噪效果最佳，因而被用于對車輛圖像去噪。

1.4 閾值分割

在得到車輛圖像的差分圖像后，需對它進行閾值分割，以便得到確切的運動目標。常用的閾值分割方法有人工閾值法、自動閾值法、分水嶺算法。其中，自動閾值法又包含迭代式閾值選擇法、Otsu閾值選擇法等。仿真比較了上述各種方法的性能，結(jié)果顯示以迭代式閾值法的效果最佳，因此本實驗中采用這一方法。

2 運動車輛的檢測

2.1 背景差分法的不足

背景差分法雖然原理簡單，運算量小，分割結(jié)果比幀差法要完整，但它存在2個不足：①背景差分法要求靜態(tài)的交通場景，但在繁忙的交通路段，直接通過視頻圖像抓取無車的靜態(tài)場景較為困難。②由于交通信息采集系統(tǒng)置于室外，而室外的交通靜態(tài)場景會受到天氣、光照條件的影響，導致當前背景模型與實際背景模型偏差較大。這將直接影響車輛的檢測精度。

下面將分別討論這2個問題。

2.2 背景差分法的改進

背景差分法的改進，就是基于自適應背景差分的運動目標檢測。

2.2.1 初始理想背景的獲取

背景差分法要求靜態(tài)的交通場景。本文使用了統(tǒng)計平均法來合成相對真實的靜態(tài)交通場景。其思想在于，由于道路上車輛的多樣性，有的車輛亮度值比路面亮度值高，有的車輛亮度值比路面亮度值低，因此從統(tǒng)計學角度看，由車輛經(jīng)過而引起的變化在長時間內(nèi)可忽略，因而可以采用對連續(xù)多幀圖像進行統(tǒng)計平均來合成初始理想背景，公式如下：

（1）

式（1）中：Bk為背景圖像；N為圖像幀數(shù)（理論上應使用150～200張圖像）；fk為第k幀序列圖像。

2.2.2 自適應背景更新

本文采用了如下方案對背景進行更新。

首先對累積的N（N≥100）幀視頻圖像取平均，得到當前

初始背景以啟動算法。

然后計算當前輸入圖像與當前背景之差，令Ik（x，y）和Bk（x，y）分別表示當前輸入圖像和當前背景，得到差值圖像Dk（x，y），再經(jīng)二值化得到二值圖像BWk（x，y）：

（2）

上式中所有對應運動車輛的像素值為1，其他像素值為0.

最后在BWk（x，y）=1的位置處，說明該點處于運動車輛區(qū)域，則維持當前背景；最后在BWk（x，y）=0的位置處，說明該點對應于背景區(qū)域，沒有車輛出現(xiàn)，應按如下公式進行背景更新：

（3）

更新后，Bk+1（x，y）即作為新的當前背景圖像而與下一幀圖像差分，后續(xù)幀的背景更新與此類似。在實際中，α取為經(jīng)驗值，在0.75～0.95之間。本文選取α=0.85對背景圖像進行動態(tài)更新。

2.3 閾值分割方案的改進

上文曾提到采用迭代式閾值法對車輛差分圖像進行分割，以得到準確的車輛區(qū)域，但筆者在實驗中發(fā)現(xiàn)，如果能結(jié)合人工法初步確定閾值大小，再用迭代法對圖像進行分割，不僅可以降低設定閾值的盲目性，還可以較大程度地減少迭代次數(shù)，利于實時處理。本文正是采用了兩者相結(jié)合的方法。

2.4 運動目標檢測算法流程和實驗效果

圖1為車輛檢測算法流程。

上述檢測算法大致可以分為背景提取、背景更新、圖像處理、運動目標檢測4個步驟，前面所講到的模塊都在流程圖中得到了體現(xiàn)。該算法的實驗效果如圖2.由仿真結(jié)果可知，該算法能準確檢測出車輛，精度較高，且可滿足實時處理的要求。

3 運動車輛的跟蹤

3.1 卡爾曼濾波器原理

卡爾曼濾波利用反饋控制系統(tǒng)估計運動狀態(tài)；濾波器估計某一時間的狀態(tài)，并獲得該狀態(tài)的預測。它分成預測和修正2部分。預測公式負責利用當前的狀態(tài)和錯誤協(xié)方差估計得到先驗估計；而修正公式負責反饋部分，它將新的觀測和先驗估計一起考慮，從而獲得后驗估計?？柭鼮V波算法的描述如圖3所示。

3.2 卡爾曼濾波跟蹤算法的改進

本文采用二階卡爾曼濾波器為目標運動模型來預測車輛的位置，并在常用卡爾曼濾波跟蹤算法的基礎上加以改進，得到如下算法，它分為4個子模塊。

3.2.1 特征計算

根據(jù)分割后的車輛區(qū)域計算出運動車輛的特征值，比如質(zhì)心、跟蹤窗口等。