謝曉旦

摘 ?要：交通運輸系統(tǒng)是經(jīng)濟(jì)持續(xù)發(fā)展的基礎(chǔ)，在社會發(fā)展和經(jīng)濟(jì)發(fā)展中起著舉足輕重的作用。在一個復(fù)雜環(huán)境中，如何對人和車輛等運動目標(biāo)進(jìn)行實時的觀察，并給出對它們行為和動作的描述。該文對采用的二維算法進(jìn)行了改進(jìn)，利用目標(biāo)圖像中所提取的輪廓曲線來代替所有的二值像素進(jìn)行模型匹配。該文提出了一種基于二維Gabor小波的車輛監(jiān)測與追蹤算法。

關(guān)鍵詞：Gabor小波 ?車輛監(jiān)控 ?追蹤系統(tǒng) ?研究

中圖分類號：TP391 ? 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2020）06（b）-0041-03

1 ?車輛監(jiān)控系統(tǒng)相關(guān)研究

車輛監(jiān)控系統(tǒng)運用移動物體偵測的方法，首先建立背景圖像，再與原始圖像相減，得到移動物體部分，接著下一步對移動物體進(jìn)行連通表示法和空洞補(bǔ)償法的圖像處理方法，使移動物體維持移動物體外觀的完整性，減少移動物體外型的破碎性;再經(jīng)由車道線信息的應(yīng)用，判斷移動物體在車道線中是否要切割，可降低車輛交疊情況。視覺長度與寬度計算在不同的CCD攝像頭架設(shè)高度與俯角下，計算大型車、小型車及機(jī)車的視覺長度及寬度亦有所不同，因此視覺長度和寬度作為車輛分類的依據(jù)。所利用的追蹤算法是當(dāng)移動物體進(jìn)入到追蹤區(qū)域，將一直追蹤移動物體到離開追蹤區(qū)域，移動物體追蹤期間統(tǒng)計移動物體的圖像特征、辨識車型、車輛歸屬的車道、車速計算以及車流量統(tǒng)計等。以圖像視覺技術(shù)為基礎(chǔ)的交通監(jiān)控系統(tǒng)，在前景物的特征采集上，使用車輛的特征角進(jìn)行追蹤，再使用top-view轉(zhuǎn)換之后的特征角坐標(biāo)，使得前景物的車輛形狀能顯示出來。物體追蹤上，取得以top-view轉(zhuǎn)換后的特征角坐標(biāo)，追蹤這些特征角，來計算出每個特征角的運動參數(shù)，以提供角群集分割與合并，來找出車輛的運動軌跡，進(jìn)而估算出個別車輛的運動參數(shù)，并得到完整的車輛行進(jìn)軌跡以及大略的車體形狀圖[1]。研究利用光流的方式（特征向量）偵測高速公路上的車輛，使用動態(tài)背景和靜態(tài)背景的方式將車輛找出來，此研究定義的動態(tài)背景包含道路和天空等都是動態(tài)背景，使用光流的方式找出動態(tài)背景，將背景中的動態(tài)背景減去剩下來的就是所要偵測車輛的前景部分，雖然還會包含一些噪聲，但是已經(jīng)可以偵測出車輛，然后追蹤車輛的方法是先記錄先前所框出的車輛位置，之后再將現(xiàn)在所框出的車輛位置比對先前框出的位置，看看框線是否有重疊，若有重疊則視同一部車輛，若沒有重疊那就是另一部新偵測到的車輛，模擬的場景包含下雪的背景與陽光很強(qiáng)的背景，皆可偵測出車輛，此研究的缺點就是當(dāng)攝影機(jī)有很大的震動時，利用光流偵測的方法就不管用了。

同時，有研究表示，也使用路口監(jiān)視器系統(tǒng)來對移動中的物體來做辨識及分類，主要是運用在車輛分類上，先利用相減的方法來將移動的對象采集出來，對這些對象做一些形態(tài)學(xué)上的處理讓采集出來的對象更具有準(zhǔn)確性，最后使用這些采集出來后的對象特征，進(jìn)而分辨出這些物件是屬于何種類型的車輛，達(dá)到車輛分類的效果。在橫面的車道影片中，主要就是以抓到車輛的框圍大小來判斷車輛種類，在斜面或是正面的車道影片里，以框圍里面的物體密度跟形狀來做比對，快速處理之后過的辨識率相當(dāng)高。

2 ?車輛追蹤算法技術(shù)

根據(jù)物體識別任務(wù)所在的空間，目前基于視頻的車型識別算法大致可以分為二維識別和三維識別。

二維識別研究利用路口周邊路段車流量之間的關(guān)系，以及流量守恒來建立一個可以利用設(shè)置在省道上少數(shù)的偵測器所偵測到的車流量、占有率等信息推算此路線中其他沒有偵測器之路段車流量的模式。實驗推估出的路段車流量范圍大小與路線網(wǎng)絡(luò)中偵測器分布設(shè)置密度低，則所推測出車流量范圍大的路段占較大之百分比;反之，當(dāng)?shù)缆肪W(wǎng)絡(luò)中偵測器的分布設(shè)置密度高時，則所推斷出車流量小的路段則占較大之百分比，亦即所推估出的車流量較為精確[2]。

二維識別提出運用在高速公路上的車流量分析，并且使用兩種方法：一個是數(shù)值模擬，另一個是實際觀測。在數(shù)值模擬方面，使用car-following model及決定性的路由方式去模擬車道會合處附近的車流量表現(xiàn)，可以在不同位置的車速以及相鄰車輛之間的距離分布中觀測到一個波，提出了一組方程式去解釋這個波，這一組方程式屬于delay differential equations。在實際觀測的部分，取3個量是車流量、車速以及車輛之間的距離。在道路的上方架設(shè)攝像頭，然后設(shè)計一些算法由影片中取得想要的信息。由于計算機(jī)不知道什么是車輛，因此，利用support vector machines讓計算機(jī)學(xué)會分辨路面和車輛。利用流量守恒、路口轉(zhuǎn)向比之關(guān)系來得到偵測器之路口分布設(shè)置模塊，并對位置做些微調(diào)后，得到道路網(wǎng)絡(luò)中之偵測器之分布設(shè)置的位置。接著從車流量推算模式中各式之關(guān)系，來推算得到移除偵測器之原則。透過這些原則配合，在預(yù)算限制之下移除偵測器后，同時利用車流量估算模式來推算與原道路網(wǎng)路車流量之比率，借以評估推算效率[3]。

三維識別判斷移動物體在車道線中是否要切割，可降低車輛交迭疊情況。視覺長度與寬度計算在不同的CCD 攝像頭架設(shè)高度與俯角下，計算大型車、小型車及機(jī)車的視覺長度及寬度亦有所不同，因此視覺長度和寬度作為車輛分類的依據(jù)。所利用之追蹤算法是當(dāng)移動物體進(jìn)入到追蹤區(qū)域，將一直追蹤移動物體到離開追蹤區(qū)域，移動物體追蹤期間統(tǒng)計移動物體的影像特征，辨識車型、車輛歸屬的車道、車速計算以及車流量統(tǒng)計等[4]。

3 ?車輛定位設(shè)計

對車輛進(jìn)行檢測、跟蹤和追蹤是自主車環(huán)境感知研究的重要環(huán)節(jié)。在現(xiàn)有的融合研究中，該文提出了一種新的圖像傳感器的融合跟蹤方法。為滿足路面車輛的機(jī)動特性，融合圖像的灰度信息，精確地“捕捉”到目標(biāo)中心，確立適合目標(biāo)大小的視覺窗口尺寸，結(jié)合改進(jìn)的Gabor小波建立姿態(tài)優(yōu)化函數(shù)，并通過改進(jìn)的分布算法全局尋優(yōu)獲取目標(biāo)準(zhǔn)確度。同時車輛追蹤系統(tǒng)建立在目標(biāo)跟蹤定位的基礎(chǔ)上，記錄下采樣時間內(nèi)不同模型精確定位后所對應(yīng)的評價值，車輛類型通過計算其時間平均值獲得，從而避免了車輛處于某種特殊姿態(tài)時引起的誤追蹤。

4 ?Gabor小波算法

由于特征提取與匹配過程對遮擋、光照、噪聲敏感，且時間損耗大，因此難以滿足實際應(yīng)用的需要。Gabor小波變換與其他方法相比：一方面其處理的數(shù)據(jù)量較少，能滿足系統(tǒng)的實時性要求;另一方面小波變換對光照變化不敏感，且能容忍一定程度的圖像旋轉(zhuǎn)和變形，當(dāng)采用基于歐氏距離進(jìn)行識別時，特征模式與待測特征不需要嚴(yán)格的對應(yīng)，故能提高系統(tǒng)的魯棒性。通過求解目標(biāo)圖像與三維模型平面投影之間的匹配函數(shù)，即姿態(tài)評價函數(shù)的最優(yōu)解獲得目標(biāo)的方向角。

采用改進(jìn)的二維Gabor小波，作為模型投影與目標(biāo)圖像的匹配量測，避免建立模型與圖像之間精確的點-點對應(yīng)，且以帶有權(quán)值的目標(biāo)輪廓點（通過輪廓提取獲得）代替二值圖像同模型進(jìn)行匹配，既降低了計算損耗，又進(jìn)一步避免了傳統(tǒng)Gabor小波中遠(yuǎn)離邊界的噪聲點對模型匹配的影響。它在提取目標(biāo)的局部空間和頻率域信息方面具有良好的特性。雖然Gabor小波本身并不能構(gòu)成正交基，但在特定參數(shù)下可構(gòu)成緊框架。Gabor小波對于圖像的邊緣敏感，能夠提供良好的方向選擇和尺度選擇特性，而且對于光照變化不敏感，能夠提供對光照變化良好的適應(yīng)性。

在空間域，二維Gabor小波是高斯函數(shù)被一個正弦平面波所調(diào)變的結(jié)果，可以表示為：

這里的z=（x，y），ks，d=ksexp（j），ks=kmax/fs為頻率，θd=πd/8，θd∈π為方向，kmax為最大頻率，f是Gabor小波變化在頻域的間隔系數(shù)（spacing factor）。波向量ks，d控制Gabor小波變化的空間解析度和方向，s控制Gabor小波變化的尺寸，也就是決定小波變化的頻域中心;而d控制的是Gabor小波變化的方向;尺寸系數(shù)ks使得不同空間頻率的小波變化有大致相等的能量;σ決定了高斯窗（Gaussian window）的寬度與波向量長度的比例。由于（4）式的虛部分量的平均值為0，但實部分量的平均值不為0，所以要減去，使得小波變化對于照明的變化敏感度降低。該文使用的是3種尺寸0，1，2、8個方向（d∈0，…，7），并設(shè)定σ=2π的Gabor小波變化，如圖1所示。

Gabor小波作為匹配測度建立模型集投影與車輛輪廓點集的匹配函數(shù)。由于它無需建立模型和圖像之間精確的點-點對應(yīng)，因此比其他匹配方法更具容錯性。但傳統(tǒng)的Gabor小波依賴于一個物體和另一個物體中最不匹配點的距離，從而對任何遠(yuǎn)離中心的噪聲點非常敏感。文中采用的二維算法進(jìn)行了改進(jìn)，利用目標(biāo)圖像中所提取的輪廓曲線來代替所有的二值像素進(jìn)行模型匹配。

參考文獻(xiàn)

[1] Zhao Jiyin，Zheng Ruirui，Li Min，et al.License plate recognition based on genetic algorithm[C]//Proceedings of the 2008 IEEE Inter-national Conference on Computer Science and Software Engineering.2008.

[2] 王亮，胡衛(wèi)明，譚鐵牛.人運動的視覺分析綜述[J].計算機(jī)學(xué)報，2012，2（3）：12-15.

[3] 耿彥峰，馬鉞.基于模糊模式識別的車型分類研究[J].計算機(jī)工程，2012，2（1）：543-550.

[4] 胡良梅，高雋，何柯峰.圖像融合質(zhì)量評價方法的研究[J].電子學(xué)報，2014，2（11）：32-33.