摘 要： 智能交通系統(tǒng)是未來(lái)交通的發(fā)展趨勢(shì)，基于計(jì)算機(jī)視覺(jué)的電子警察違章抓拍、違章處理、交通指揮等是現(xiàn)代智能交通系統(tǒng)的重要組成。討論基于計(jì)算機(jī)視覺(jué)的電子警察抓拍闖紅燈算法，在準(zhǔn)確預(yù)測(cè)車(chē)輛位置、跟蹤運(yùn)動(dòng)車(chē)輛的同時(shí)，準(zhǔn)確判斷是否存在闖紅燈燈違章行為，有效提升視頻處理速度以及車(chē)輛違章檢測(cè)精準(zhǔn)度。

關(guān)鍵詞： 計(jì)算機(jī)視覺(jué); 電子警察; 違章抓拍; 視頻檢測(cè)

中圖分類(lèi)號(hào)： TP311 ? ? ?文獻(xiàn)標(biāo)志碼： A

Research on Algorthm of Electronc Polce Capturng Red

Lght Volaton Based on Computer Vson

SU Bo

（Department of Publc Securty， Guangx Polce College， Nannng 530028， Chna）

Abstract： Wth the mprovement of the level of ntellgent technology， the ntellgent traffc system becomes the development developng trend of the future traffc. Modern ntellgent transportaton system ncludes electronc polce volatons， llegal treatment， traffc command and other technologes. Ths paper dscusses a computer vson-based electronc polce red lght capture capturng algorthm. The algorthm can accurately predct the poston of the vehcle， track the movng vehcles， and determne whether there s a volaton of the red lght. The research n ths paper effectvely mproves the speed of vdeo processng and the accuracy of vehcle volaton detecton.

Key words： Computer vson; Electronc polce; llegal capture; Vdeo detecton

0 引言

采用計(jì)算機(jī)視覺(jué)的現(xiàn)代智能交通管理體系，可以連續(xù)不間斷的檢測(cè)道路、車(chē)輛情況，發(fā)現(xiàn)問(wèn)題之后能夠發(fā)出警報(bào)、存儲(chǔ)違章信息并智能聯(lián)絡(luò)車(chē)輛違章處理體系[1]?；谟?jì)算機(jī)視覺(jué)的電子警察闖紅燈違章識(shí)別不需要破壞路面，是利用車(chē)輛檢測(cè)和跟蹤算法進(jìn)行違章抓拍[2]，本文討論基于三幀差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)和基于卡爾曼濾波的運(yùn)動(dòng)車(chē)輛目標(biāo)跟蹤算法和闖紅燈識(shí)別算法，智能化水平和檢測(cè)效率更高。

1 運(yùn)動(dòng)車(chē)輛目標(biāo)檢測(cè)算法

運(yùn)動(dòng)車(chē)輛目標(biāo)檢測(cè)是電子警察闖紅燈抓拍的重要環(huán)節(jié)，為運(yùn)動(dòng)目標(biāo)跟蹤和違章識(shí)別奠定基礎(chǔ)。運(yùn)動(dòng)車(chē)輛檢測(cè)就是對(duì)視頻圖像進(jìn)行分析，提取運(yùn)動(dòng)車(chē)輛目標(biāo)。常見(jiàn)運(yùn)動(dòng)車(chē)輛目標(biāo)檢測(cè)算法包括光流法、幀間差分法、背景差分法[3]。本文的研究中，采用基于三幀差分算法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，對(duì)視頻中的連續(xù)幀進(jìn)行圖像處理，消除圖像毛刺以及噪聲影響，確定運(yùn)動(dòng)目標(biāo)的邊緣，完成圖像預(yù)處理，然后采用相鄰的三幀圖像來(lái)提取運(yùn)動(dòng)目標(biāo)，獲得運(yùn)動(dòng)目標(biāo)變化范圍，確定灰度檢測(cè)閾值，讓運(yùn)動(dòng)目標(biāo)定位更加精準(zhǔn)[4-5]，如圖1所示。

第一步：對(duì)采集的視頻圖像進(jìn)行預(yù)處理、圖像灰度化，將原始圖像轉(zhuǎn)變?yōu)榛叶瓤臻g;

第二步：對(duì)連續(xù)三幀圖像進(jìn)行中值濾波，保存圖像紋理信息，獲得清晰圖像;

第三步：對(duì)連續(xù)三幀圖像做差分運(yùn)算，前、后幀的圖像分別與中間幀的圖像做差分運(yùn)算;

第四步：做二值化處理、數(shù)學(xué)形態(tài)學(xué)處理，消除造成和毛刺，獲取理想前景目標(biāo);

第五步：對(duì)計(jì)運(yùn)算后的兩幀圖像做相與運(yùn)算，消除噪聲的同時(shí)填補(bǔ)剩余空洞。

圖像處理效果如圖2所示。

（a） 原始圖像 （b） 灰度圖像

（c） 加噪圖 （d） 中值濾波圖

圖2 圖像處理效果

本文選擇種中值濾波進(jìn)行圖像處理，就是將待處理像素點(diǎn)四軸的像素值排序，以中間值為該像素點(diǎn)幅值[6]。

二維中值濾波輸出為式（1）。g（x，y）=med{f（x-k，y-l），（k，l∈W）}

（1）其中，f（x，y）、g（x，y）分別為原始圖像和處理后圖像。W為二維模板，通常為3×3，5×5區(qū)域。

為了消除運(yùn)動(dòng)物體產(chǎn)生的背景變化區(qū)域，恢復(fù)因?yàn)檫\(yùn)動(dòng)目標(biāo)的重合而被覆蓋的區(qū)域，采用連續(xù)三幀圖像的差分算法，獲取運(yùn)動(dòng)目標(biāo)，這種方法的魯棒性更高，獲取的圖像效果更好，如圖3、圖4所示。

（a） 第一幀 （b） 第三幀 （c） 第五幀

通過(guò)差分運(yùn)算后圖像存在噪聲和空洞，前景目標(biāo)不清晰，對(duì)圖像進(jìn)行二值化處理，將其分割為目標(biāo)和背景，將目標(biāo)物從差分圖像中提取出來(lái)，如圖5所示。

通過(guò)上述步驟的處理，圖像中的毛刺和空洞已經(jīng)消除，可以清晰判斷運(yùn)動(dòng)車(chē)輛目標(biāo)，符合系統(tǒng)檢測(cè)要求。采用三幀差分算法，增強(qiáng)圖像效果，保留圖像清晰度的同時(shí)獲得運(yùn)動(dòng)車(chē)輛信息。

2 基于卡爾曼濾波的運(yùn)動(dòng)車(chē)輛目標(biāo)跟蹤算法 ?車(chē)輛跟蹤，就是將前后兩幀中相同的運(yùn)動(dòng)目標(biāo)之間建立聯(lián)系，從后一幀來(lái)確定前面一幀確定的車(chē)輛。常見(jiàn)的運(yùn)動(dòng)車(chē)輛目標(biāo)跟蹤算法有以下幾種：

1、常用運(yùn)動(dòng)目標(biāo)跟蹤算法

基于區(qū)域的目標(biāo)跟蹤：設(shè)定圖像模板，用這些模板檢測(cè)

連續(xù)圖像幀，可以用邊緣檢測(cè)跟蹤、先檢測(cè)后跟蹤、先跟蹤后檢測(cè)三種模式，基于區(qū)域的目標(biāo)跟蹤操作過(guò)程簡(jiǎn)單，運(yùn)算量較小?；谔卣鞯哪繕?biāo)跟蹤：細(xì)化采樣的時(shí)間間隔，將跟蹤目標(biāo)動(dòng)作看作光滑的，采用邊緣增強(qiáng)、檢測(cè)的方式提取運(yùn)動(dòng)車(chē)輛邊緣分割信息，通過(guò)判斷相鄰圖像的邊緣相似性來(lái)估計(jì)運(yùn)動(dòng)目標(biāo)的連續(xù)幀圖像[7-8]?；趧?dòng)態(tài)輪廓的目標(biāo)跟蹤：先對(duì)車(chē)輛的輪廓進(jìn)行最初的勾勒，更新后續(xù)各幀的輪廓，實(shí)現(xiàn)目標(biāo)跟蹤，Snake跳躍模型是非常典型的動(dòng)態(tài)輪廓算法，但是這種算法主要是在目標(biāo)不連續(xù)的情況下用設(shè)置節(jié)點(diǎn)的最大值尋找邊界，但是遮擋也是無(wú)法避免的問(wèn)題?；谀Ｐ偷哪繕?biāo)跟蹤就是按照運(yùn)動(dòng)車(chē)輛外形輪廓建立三維分析模型，通過(guò)車(chē)輛前景和同樣位置的投影之間的匹配分析確定車(chē)輛長(zhǎng)寬和基本類(lèi)型。這種方法具有良好的魯棒性，及時(shí)車(chē)流量較大的狀態(tài)下，也能保證精準(zhǔn)度，但是對(duì)模型數(shù)據(jù)庫(kù)的依賴(lài)性加強(qiáng)，需要頻繁更新車(chē)輛數(shù)據(jù)庫(kù)。[9]

2、基于卡爾曼濾波器的運(yùn)動(dòng)目標(biāo)跟蹤

引進(jìn)卡爾曼濾波法，結(jié)合基于特征的目標(biāo)跟蹤，提升車(chē)輛跟蹤結(jié)果的準(zhǔn)確性，快速得出計(jì)算結(jié)果。算法采用卡爾曼濾波器，根據(jù)這一幀的車(chē)輛狀態(tài)預(yù)測(cè)下一幀的狀態(tài)，根據(jù)預(yù)測(cè)的位置確定運(yùn)動(dòng)車(chē)輛的搜索區(qū)域，并在該區(qū)域進(jìn)行目標(biāo)匹配，有效避免大范圍搜索，提升算法的執(zhí)行速度 [9]。

建模：

從本質(zhì)上講，車(chē)輛跟蹤過(guò)程就是離散控制的過(guò)程，假設(shè)N（t）代表時(shí)間t時(shí)刻的狀態(tài)向量，用線(xiàn)性隨機(jī)微分方式可以表示為式N（t）=aN（t-1）+bQ（t）+S（t）

（2） ?測(cè)試量為式（3）。P（t）=cN（t）+M（t）

（3）上式中，a和b表示系統(tǒng)參數(shù)，c表示測(cè)量系統(tǒng)參數(shù);S（t）正態(tài)分布的噪聲，此處P（t）表示的是在t時(shí)刻的測(cè)量值，M（t）表示的是t時(shí)刻的目標(biāo)跟蹤系統(tǒng)的控制量，J和D分別表示函數(shù)N（t）和P（t）的先驗(yàn)誤差。假設(shè)系統(tǒng)的運(yùn)動(dòng)和測(cè)量噪聲都符合正態(tài)分布，那么系統(tǒng)的狀態(tài)并不會(huì)影響系統(tǒng)先驗(yàn)誤差。

符合上述公式的系統(tǒng)即為隨機(jī)微分系統(tǒng)且為線(xiàn)性系統(tǒng)。假設(shè)當(dāng)前狀態(tài)表示為t，根據(jù)卡爾曼模型，可以根據(jù)上幀狀態(tài)預(yù)測(cè)當(dāng)前系統(tǒng)狀態(tài)為式（4）。N（t|t-1）=aN（t-1|t-1）+bQ（t）

（4） ?N（t-1|t-1）表示系統(tǒng)上一幀的理想狀態(tài)結(jié)果，Q（t）為當(dāng)前狀態(tài)控制量，N（t|t-1）表示上一狀態(tài)的預(yù)測(cè)結(jié)果。N（t|t-1）的先驗(yàn)誤差不變，協(xié)方差可以表示為式（5）。E（t|t-1）=aE（t-1|t-1）aT+bQ（t）

（5）上式中aT是a的轉(zhuǎn)置矩陣，J表示系統(tǒng)過(guò)程先驗(yàn)誤差，E（t-1|t-1）表示N（t-1|t-1）的后驗(yàn)誤差，E（t|t-1）為N（t|t-1）的 先驗(yàn)誤差。利用上述公式能夠完成車(chē)輛目標(biāo)的跟蹤預(yù)測(cè)。

預(yù)測(cè)工作的最終目標(biāo)并不是計(jì)算出預(yù)測(cè)值，而是根據(jù)算法明確測(cè)量值的當(dāng)前狀態(tài)，t的最優(yōu)化估計(jì)值如式（6）。N（t|t）=N（t|t-1）+tτ（t）（P（t）-cN（t|t-1））

（6）上式中，tτ代表卡爾曼增益，其表達(dá)式為式（7）。tτ（t）=E（t|t-1）cT（cE（t|t-1）cT+D）

（7） ?由此可以得出t狀態(tài)下的N（t|t）最優(yōu)化估計(jì)值，其先驗(yàn)誤差轉(zhuǎn)變?yōu)槭剑?）。E（t|t）=（F-tτ（t）c）E（t|t-1）

（8）上式中，F(xiàn)為單位矩陣，下一幀E（t|t）遞歸為E（t-1|t-1），卡爾曼濾波算法的核心就是通過(guò)自回歸運(yùn)算預(yù)測(cè)運(yùn)動(dòng)目標(biāo)。采用基于卡爾曼濾波的運(yùn)動(dòng)車(chē)輛目標(biāo)跟蹤算法，運(yùn)動(dòng)車(chē)輛目標(biāo)檢測(cè)的速度更快、效率更高。

本文引入卡爾曼濾波進(jìn)行運(yùn)動(dòng)車(chē)輛檢測(cè)：首先是計(jì)算車(chē)輛質(zhì)心的位置，確定運(yùn)動(dòng)目標(biāo)跟蹤窗口的長(zhǎng)寬參數(shù)，明確跟蹤目標(biāo)之間的關(guān)系，通過(guò)這一幀的位置參數(shù)來(lái)預(yù)測(cè)下一幀的位置，實(shí)現(xiàn)移動(dòng)目標(biāo)的精準(zhǔn)定位?？柭鼮V波目標(biāo)跟蹤模型包括4個(gè)子模塊：首先是采用計(jì)算機(jī)視覺(jué)分析技術(shù)計(jì)算車(chē)輛質(zhì)心位置和跟蹤窗口位置等特征值;第二步是建立車(chē)輛跟蹤模型的濾波器，設(shè)置濾波器參數(shù)，對(duì)車(chē)輛的運(yùn)動(dòng)位置進(jìn)行預(yù)測(cè);第三步是進(jìn)行特征匹配，確定運(yùn)動(dòng)車(chē)輛的基本特征參數(shù)，進(jìn)而求解相鄰幀運(yùn)動(dòng)目標(biāo)的特征值，確定目標(biāo)是否一致;第四步是更新濾波模型的參數(shù)，并將其確定為下一幀的輸入?yún)?shù)。

（1） 特征值計(jì)算

針對(duì)包含運(yùn)動(dòng)車(chē)輛的圖像進(jìn)行二值化處理，是被并跟蹤二值化前景車(chē)輛目標(biāo)，設(shè)置運(yùn)動(dòng)目標(biāo)跟蹤窗口，如圖6所示。

在窗口設(shè)定之前，擦用連通域規(guī)則將屬于同一個(gè)車(chē)輛的像素點(diǎn)聚集起來(lái)，然后逐塊提取輪廓。調(diào)用OpenCV庫(kù)的cv FndContours函數(shù)進(jìn)行運(yùn)動(dòng)目標(biāo)的輪廓處理，搜索區(qū)域內(nèi)車(chē)輛的輪廓，估算輪廓坐標(biāo)，進(jìn)而確定跟蹤窗口的參數(shù)。假設(shè)運(yùn)動(dòng)車(chē)輛輪廓像素坐標(biāo)的X的最大、最小坐標(biāo)表示為Xmax、Xmn，Y的最大、最小坐標(biāo)表示為Ymax、Ymn，從左下方逐漸向上，水平方向逐漸向右，右上角坐標(biāo)垂直向下同時(shí)向左移動(dòng)，繪制出運(yùn)動(dòng)目標(biāo)跟蹤窗口。窗口的長(zhǎng)度表示為：l=Xmax-Xmn，窗口高度表示為h=Ymax-Ymn，窗口面積有長(zhǎng)高計(jì)算得出，跟蹤窗口中心坐標(biāo)即為車(chē)輛的質(zhì)心。

（2） 車(chē)輛跟蹤模型參數(shù)設(shè)置

引入卡爾曼濾波的運(yùn)動(dòng)目標(biāo)跟蹤模型，實(shí)際應(yīng)用時(shí)需要根據(jù)需要設(shè)置模型的關(guān)鍵參數(shù)，包括狀態(tài)向量、測(cè)量向量、系統(tǒng)參數(shù)、測(cè)量矩陣以及其他參數(shù)等。

狀態(tài)向量N（t）=[m n νm νn l h dl dh]Tk，式中νm和νn分別表示運(yùn)動(dòng)車(chē)輛在X軸和Y軸的移動(dòng)速度，l和h表示跟蹤窗口的長(zhǎng)和寬，dl和dh表示長(zhǎng)、寬的變化率。（m n）表示運(yùn)動(dòng)車(chē)輛的質(zhì)心坐標(biāo)，通過(guò)這些參數(shù)能夠通過(guò)當(dāng)前幀的車(chē)輛狀態(tài)預(yù)測(cè)下一幀的狀態(tài)向量。

測(cè)量向量P（t）=[m n l h]Tt，這是一個(gè)四維向量，是根據(jù)一幀一幀圖像的連續(xù)變化計(jì)算得出的。

系統(tǒng)參數(shù)a根據(jù)運(yùn)動(dòng)車(chē)輛跟蹤窗口和質(zhì)心之間的運(yùn)動(dòng)關(guān)系、圖像時(shí)間間隔來(lái)確定。狀態(tài)向量是八維向量，根據(jù)卡爾曼濾波方程可以計(jì)算出系統(tǒng)參數(shù)a是一個(gè)八行八列的二維矩陣，如式（9）。a=10dt00000

010dt0000

0010dt000

00010dt00

000010dt0

0000010dt

00000010

00000001

（9） ?系統(tǒng)參數(shù)b在卡爾曼濾波的狀態(tài)量計(jì)算中沒(méi)有意義，所以b=0。主要是因?yàn)榻逃柭鼮V波的運(yùn)動(dòng)目標(biāo)跟蹤算法中不需要當(dāng)前狀態(tài)控制量Q（t）。

測(cè)量矩陣c是通過(guò)狀態(tài)向量、測(cè)量向量來(lái)計(jì)算為式（10）。c=10000000

01000000

00100000

00010000

（10）其他參數(shù)：S（t）、M（t）表示符合正態(tài)分布的運(yùn)動(dòng)噪聲和測(cè)量噪聲，且均符合高斯白噪聲分布，JM2Routn≤1、D表示他們的先驗(yàn)誤差。

基于卡爾曼濾波的運(yùn)行車(chē)輛預(yù)測(cè)及跟蹤效果，如圖7所示。

圖7（d）中的紅色線(xiàn)條代表跟蹤預(yù)測(cè)位置，綠色線(xiàn)條代表車(chē)輛運(yùn)動(dòng)的實(shí)際測(cè)量位置。

3、運(yùn)動(dòng)目標(biāo)跟蹤的遮擋處理方案

如果運(yùn)動(dòng)目標(biāo)發(fā)生遮擋，那么車(chē)輛的完整信息無(wú)法提取，遮擋問(wèn)題會(huì)導(dǎo)致目標(biāo)區(qū)域增加，車(chē)輛的質(zhì)心位置突然改變，搜索區(qū)域內(nèi)可能無(wú)法找到最佳匹配對(duì)象，所以如果目標(biāo)匹配失敗，則認(rèn)為發(fā)生了運(yùn)動(dòng)目標(biāo)遮擋。

（1）遮擋推理

如圖8所示。

（a） （b）

（c） （d）

首先對(duì)運(yùn)動(dòng)目標(biāo)設(shè)置兩個(gè)匹配標(biāo)志M1和M2，M1表示當(dāng)前目標(biāo)和上一幀目標(biāo)的匹配性;M2表示當(dāng)前目標(biāo)和下一幀目標(biāo)的匹配性。如果值為1則匹配成果，0表示失敗，新進(jìn)入場(chǎng)景的目標(biāo)，M1和M2的初始值分別為1和0。Rn和Rout分別表示駛?cè)雲(yún)^(qū)域和駛出區(qū)域。

載入新的幀圖像，掃描標(biāo)志位M1，如果為1則開(kāi)始利用卡爾曼預(yù)測(cè)進(jìn)行目標(biāo)匹配和跟蹤，如果為0則表示上一幀中沒(méi)有尋找到匹配的目標(biāo)，可能是新進(jìn)入的目標(biāo)也可能是發(fā)生了遮擋。如果進(jìn)入的是新目標(biāo)，則進(jìn)行目標(biāo)預(yù)測(cè)、匹配，如果不是新進(jìn)入場(chǎng)景的目標(biāo)，則判斷為發(fā)生了遮擋。

（2） 遮擋處理

如果有目標(biāo)遮擋，不同的情況要有不同的處理方案，主要通過(guò)判斷這一幀的目標(biāo)在下一幀搜索范圍內(nèi)的數(shù)量n。如果這一幀的目標(biāo)在下一幀區(qū)域內(nèi)出現(xiàn)的數(shù)量n>1，則說(shuō)明從遮擋狀態(tài)到分離狀態(tài)，直接在下一幀將其認(rèn)為是新進(jìn)入的目標(biāo)處理，在這一幀的處理中丟棄該目標(biāo)。如果n≤1，則是從

分離狀態(tài)到遮擋，那么需要擴(kuò)大目標(biāo)搜索目標(biāo)，并采用卡爾曼濾波器先驗(yàn)估計(jì)替代觀(guān)測(cè)值，完成濾波器的更新。在擴(kuò)大后的搜索范圍內(nèi)，一段時(shí)間內(nèi)未發(fā)現(xiàn)等待的目標(biāo)，則將該目標(biāo)丟棄。

結(jié)果表明，采用卡爾曼濾波進(jìn)行運(yùn)動(dòng)車(chē)輛跟蹤，如果系統(tǒng)噪聲、觀(guān)測(cè)噪聲是高斯白噪聲，卡爾曼濾波其能夠?qū)崿F(xiàn)無(wú)偏、最優(yōu)的最小方差估計(jì);如果誤差為非高斯噪聲，那么卡爾曼濾波就是最好的線(xiàn)性濾波器，并且很好的適用于矢量的非平穩(wěn)隨機(jī)過(guò)程狀態(tài)估計(jì)。

3 車(chē)輛闖紅燈違章檢測(cè)

一般情況下，車(chē)輛運(yùn)行速度較快，闖紅燈的違章行為可能在一瞬間發(fā)生，所以電子警察闖紅燈抓拍必須符合實(shí)時(shí)性要求，檢測(cè)算法必須符合高效、瞬時(shí)、快速的要求[10]。本文的電子警察闖紅燈違章抓拍算法，在紅綠燈停車(chē)線(xiàn)的位置設(shè)置一個(gè)違章檢測(cè)窗口，通過(guò)該窗口進(jìn)行違章判斷，有效減少圖像數(shù)據(jù)計(jì)算量。

電子警察闖紅燈違章抓拍的第一步是對(duì)檢測(cè)窗口的背景圖像和視頻圖像進(jìn)行預(yù)處理，利用差分圖像算法判斷窗口中是否有車(chē)輛，然后根據(jù)當(dāng)前紅綠燈的指示判斷車(chē)輛是否存在違章。根據(jù)道路具體情況建立RO，設(shè)置闖紅燈檢測(cè)線(xiàn)，在RO內(nèi)提取車(chē)輛特征信息，實(shí)現(xiàn)車(chē)輛跟蹤，如圖9所示。

定義一個(gè)車(chē)輛跟蹤的結(jié)構(gòu)體數(shù)組TrackBlock[N]，N表示跟蹤的運(yùn)動(dòng)車(chē)輛數(shù)，數(shù)組的信息包括：

Struct TrackBlock

{

Pont CrclePoston;//車(chē)輛質(zhì)心坐標(biāo)

nt heght; //外接矩陣寬/高

nt length; //外接矩陣長(zhǎng)

nt FrameBegn; //進(jìn)入RO區(qū)域的幀數(shù)

nt FrameLast; //離開(kāi)RO區(qū)域的幀數(shù)

bool sVolaton; //車(chē)輛是否違章的標(biāo)志

bool flag; //bool值為true表示運(yùn)動(dòng)車(chē)輛進(jìn)入特定區(qū)域

}

TrackBlock[N]

具體算法過(guò)程如下：

第一步：采用中值濾波處理檢測(cè)窗口背景和視頻圖像;初始化車(chē)輛跟蹤數(shù)組Track_Block[N];

第二步：采用差分方式處理檢測(cè)窗口圖像和視頻圖像，并對(duì)差分圖像進(jìn)行二值化分割;

第三步：對(duì)二值化處理后的圖像，統(tǒng)計(jì)目標(biāo)點(diǎn)，如果目標(biāo)點(diǎn)數(shù)量大于預(yù)設(shè)值，則判斷檢測(cè)窗口內(nèi)有車(chē)輛，進(jìn)行第四步，否則結(jié)束流程;

第四步：首先對(duì)車(chē)道線(xiàn)進(jìn)行檢測(cè)，找出車(chē)道實(shí)線(xiàn)，判斷在連續(xù)的時(shí)間Δt呢車(chē)輛質(zhì)心到車(chē)道實(shí)線(xiàn)的距離是否小于閾值T，當(dāng)距離小于T時(shí)，則車(chē)輛已經(jīng)超過(guò)實(shí)線(xiàn)，持續(xù)時(shí)間為t，則將sVolatoon值設(shè)置為true，標(biāo)出紅色的外接矩陣（閾值T設(shè)置為車(chē)輛外接矩陣的38）;

第五步：判斷紅綠燈狀態(tài)，識(shí)別車(chē)輛違章情況，如果目前狀態(tài)為紅燈，則啟動(dòng)相機(jī)抓拍，并保存全景圖像。否則不存在違章情況，檢測(cè)結(jié)束，如圖10所示。

4 總結(jié)

基于計(jì)算機(jī)視覺(jué)的智能交通體系是社會(huì)和技術(shù)發(fā)展的必然趨勢(shì)，本文討論基于視頻圖像處理的電子警察闖紅燈違章抓拍算法。首先是對(duì)采集到的圖像進(jìn)行預(yù)處理，進(jìn)而采用三幀差分算法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。然后引進(jìn)卡爾曼濾波法，結(jié)合基于特征的目標(biāo)跟蹤，提升車(chē)輛跟蹤和車(chē)輛闖紅燈識(shí)別的準(zhǔn)確性。

參考文獻(xiàn)

[1] 阮秋琦.數(shù)字圖像處理學(xué) [M].第2版.北京：電子工業(yè)出版社，2007.

[2] 胡太平，史忠科.基于視頻的快速運(yùn)動(dòng)檢測(cè)方法及其應(yīng)用研究[J].計(jì)算機(jī)應(yīng)用研究， 2005， 22（12）：145-146.

[3] 王松.應(yīng)用圖像技術(shù)在闖紅燈違法圖片處理中的應(yīng)用[J].信息與電腦（理論版）， 2016（16）：90-91.

[4]紀(jì)偉，程剛.基于視頻圖像方法推斷鑒定交通事故中車(chē)輛是否有闖紅燈行為[J].法制與社會(huì)， 2018（20）：61-62.

[5] 盧賀.基于機(jī)器視覺(jué)的前方車(chē)輛檢測(cè)與測(cè)距研究[D].重慶：重慶交通大學(xué)， 2018.

[6] 張哲，李挺.圖像識(shí)別在智能交通領(lǐng)域中的應(yīng)用[J].無(wú)線(xiàn)互聯(lián)科技， 2018， 15（16）：145-146.

[7] 陳智斌，楊東燁，王軍群.車(chē)載視頻車(chē)輛違法自動(dòng)取證系統(tǒng)研究[J]. 交通節(jié)能與環(huán)保， 2018， 14（06）：14-18.

[8] 羅強(qiáng)，劉宗廣，李友欣，等.基于數(shù)據(jù)挖掘的電子警察執(zhí)法異常分析方法及應(yīng)用研究[J].公路與汽運(yùn)， 2017（2）：49-51.

[9] 韓旭，張晗寒.淺談智能交通體系中電子警察系統(tǒng)功能與設(shè)計(jì)[J].城市道橋與防洪， 2017（7）：32-34.

[10] 牛旭.電子警察超速執(zhí)法的光與影[J].湖南警察學(xué)院學(xué)報(bào)，2018， v.30： No.137（02）：68-77.

（收稿日期： 2019.07.29）作者簡(jiǎn)介：蘇菠（1972-），男，北海人，黎族，本科，高級(jí)工程師，從事交通管理工程等。文章編號(hào)：1007-757X（2020）01-0106-06