摘 要: 在基于數(shù)字圖像處理技術(shù)的交通監(jiān)測系統(tǒng)中，由于攝像裝置所處的角度和高度原因,，使得拍攝到的圖像存在非線性幾何形變,，致使不能精確地對車輛進(jìn)行跟蹤分析。為此提出了一種基于網(wǎng)格的圖像非線性形變的校正算法,，建立一個與實際路面相關(guān)的虛擬環(huán)境,。在虛擬環(huán)境中，可以使車輛信息為線性變化,。通過Kalman濾波器對車輛信息進(jìn)行分析、預(yù)測,，達(dá)到車輛跟蹤的目的,。
關(guān)鍵詞: 車輛跟蹤；非線性校正,；Kalman濾波器
?
智能交通系統(tǒng)是目前世界交通運輸領(lǐng)域的前沿課題,，它將電子信息技術(shù)、數(shù)據(jù)通信技術(shù),、自動控制和計算機(jī)技術(shù)綜合運用于交通運輸管理體系,，從而實現(xiàn)交通運輸服務(wù)和管理的智能化?；跀?shù)字圖像處理技術(shù)的交通監(jiān)測系統(tǒng)能對采集到的視頻數(shù)據(jù)進(jìn)行處理,，從而得到關(guān)于道路交通流量的各種參數(shù)，車輛速度和車輛行駛位置軌跡是其中較為重要的兩個參數(shù),。但是攝像機(jī)所處的角度和高度的不同,，會導(dǎo)致圖像的非線性形變，這種形變將使得車輛在圖像中的像素坐標(biāo)不能正確地反映車輛在交通中的實際位置,，給下一步的圖像處理工作帶來困難,。本文重點研究圖像中的非線性形變情況，進(jìn)而提出圖像網(wǎng)格算法——所謂網(wǎng)格就是根據(jù)圖像標(biāo)志線為參照物所制作的交通網(wǎng)絡(luò),，即把車輛在圖像中的位置坐標(biāo)轉(zhuǎn)換成實際坐標(biāo),，提高模型計算的精確度，減少誤差的一種方法,。通過非線性網(wǎng)格校正技術(shù),，結(jié)合Kalman濾波器，可以有效地對車輛的移動進(jìn)行預(yù)測跟蹤,，同時車輛速度的計算精度也將大大提高,。
1 系統(tǒng)綜述
本文采用的系統(tǒng)主要是基于視頻的車輛檢測系統(tǒng),，該系統(tǒng)由3個比較重要的部分構(gòu)成，分別為背景更新模型,、非線性校正模型和車輛跟蹤模型,。
系統(tǒng)對于圖像的基本處理過程如下：
(1)系統(tǒng)主要采取背景差法來獲取道路上的移動車輛，這里的背景主要指沒有車輛出現(xiàn)的道路圖像,。系統(tǒng)采用實時的背景更新模型[1]來建立道路的背景圖像,。通過該模型獲得的背景圖像能適應(yīng)天氣和光照變化，且滿足實時更新的要求,。
(2)當(dāng)背景與當(dāng)前幀相減后,，可以得到相應(yīng)的幀差圖像，如圖1所示,，其中絕大部分背景都被濾除,，保留圖像中移動車輛部分。通過選取合適的閾值,，濾噪后獲得只有車輛的二值圖像如圖2所示,。假定圖中黑色的部分為背景，白色區(qū)域為檢測到車輛區(qū)域,，以下稱之為斑塊,，主要是獲得斑塊的信息，包括斑塊的位置信息和特征信息[2],。這里的位置信息主要是斑塊在圖像中的位置,，斑塊的特征信息主要是斑塊的面積、長寬比等斑塊自身信息,。
(3)車輛的跟蹤[3]主要是根據(jù)這些信息對車輛的位置預(yù)測并進(jìn)行匹配來達(dá)到車輛跟蹤的目的,。這里提出的非線性網(wǎng)格校正技術(shù)主要是將位置信息轉(zhuǎn)換到建立的虛擬環(huán)境中，由于虛擬環(huán)境是線性的,，可以在虛擬環(huán)境對車輛的位置進(jìn)行預(yù)測分析,，并將預(yù)測的結(jié)果轉(zhuǎn)換到圖像坐標(biāo)，從而達(dá)到車輛跟蹤的目的,。
3個模型的應(yīng)用增加了整個系統(tǒng)的實時性和健壯性,，其中非線性校正模型是承上啟下的一個重要模型，它承接了信息的轉(zhuǎn)換,、分析,、預(yù)測等重要的工作，并為車輛跟蹤提供了可靠的信息,，同時也增加了整個系統(tǒng)的健壯性——適用不同的攝像機(jī)角度和路面的情況,。?
2?非線性圖像網(wǎng)格校正算法
非線性圖像網(wǎng)格校正理論基礎(chǔ)主要來自圖像處理中的幾何失真校正思想和數(shù)值分析中的最小二乘法函數(shù)逼近算法。由于交通圖像中，交通標(biāo)志線是圖像中的唯一標(biāo)志線,，通過對其的連接,，可以發(fā)現(xiàn)呈網(wǎng)格狀，如圖3所示,，對應(yīng)于實際道路中網(wǎng)格如圖4所示,，故該算法起名非線性圖像網(wǎng)格校正算法。
?
2.1? 幾何失真校正
在許多實際的圖像采集處理過程中,，圖像中像素之間的空間關(guān)系會發(fā)生變化,，這時圖像產(chǎn)生了幾何失真或幾何畸變[4,5]（顯示器上出現(xiàn)枕形或桶形的情況也可看作一個例子）。在交通圖像中,，主要是攝像機(jī)架設(shè)的高度和角度問題導(dǎo)致拍攝的圖像產(chǎn)生了幾何失真,。
2.2? 最小二乘法
最小二乘法[6]主要是采用近似的方法來盡可能地逼近所求函數(shù)，其逼近過程如下：
設(shè)y=f(x)為原函數(shù),，給定一組數(shù)據(jù)(xi,fi)(i=1,2,…,m),，
?????????????????????????????????????????
2.3?校正過程
在所攝取的圖像上建立坐標(biāo)系，規(guī)定圖像的左上角頂點為坐標(biāo)原點,。根據(jù)道路的交通標(biāo)志線設(shè)定圖像中的網(wǎng)格線（如圖3所示）,，對應(yīng)到實際道路中的網(wǎng)格線和坐標(biāo)系（如圖4所示）。通過在圖像上取點獲取坐標(biāo)可以計算出圖像網(wǎng)格中每條直線的方程,，從而得到各線交點的坐標(biāo)，在實際道路中由道路的寬度和交通標(biāo)志線得到實際網(wǎng)格的交點坐標(biāo),，這兩類交點坐標(biāo)有一一對應(yīng)的關(guān)系,。根據(jù)這些點坐標(biāo)的對應(yīng)關(guān)系，可以找到一個函數(shù)關(guān)系來反映圖像中所有點的坐標(biāo)到實際坐標(biāo)的映射,。
由于圖像上不同位置的點非線性形變的程度不同,，若所有點都對應(yīng)一個映射關(guān)系則不能保證校正的準(zhǔn)確性，為了使坐標(biāo)的變換更為準(zhǔn)確,，可以建立小網(wǎng)格模型,。在圖像中的每一個網(wǎng)格上取8個點，分別對應(yīng)到實際網(wǎng)格的8個點上,，由這8個點的坐標(biāo)對應(yīng)關(guān)系建立每個網(wǎng)格的坐標(biāo)映射函數(shù),。這樣在進(jìn)行非線性坐標(biāo)變換時，首先判斷被計算點所處的網(wǎng)格位置,，再由相應(yīng)的映射函數(shù)進(jìn)行變換,。這里可以根據(jù)工程需求來選擇參考點的數(shù)量，參考點數(shù)量越多,，逼近函數(shù)次數(shù)可以越高,，精度也越高。
3?算法應(yīng)用
在系統(tǒng)綜述中提到斑塊的位置信息，以下處理框圖表示了位置信息通過非線性轉(zhuǎn)換來建立車輛預(yù)測從而達(dá)到車輛跟蹤的目的,。整個跟蹤處理過程主要包括兩個階段,，如圖5所示。
?
?
整個跟蹤過程主要遵循了Kalman濾波器對目標(biāo)預(yù)測而進(jìn)行跟蹤的思想,，同時引入了非線性轉(zhuǎn)換模型,，使得目標(biāo)的預(yù)測更加可靠、準(zhǔn)確,。在預(yù)測的同時,，對車輛的信息進(jìn)行及時更新，這樣即使一開始獲得位置信息不足,，也可以隨著幀數(shù)的增加慢慢自適應(yīng),，達(dá)到跟蹤征輛車的目的。
將該算法應(yīng)用于智能交通車輛跟蹤中,，實驗結(jié)果如圖6所示,。從圖中可以看出，該算法不僅對單獨車輛跟蹤有很好的效果,，而且對多目標(biāo)的跟蹤也適用,。
?
非線性圖像網(wǎng)格校正算法對基于視頻的車輛跟蹤起到了很大的作用，提高了跟蹤效率,，對圖像中的非線性失真有較好的改善,。
當(dāng)然該算法在配合跟蹤算法時也有不足。首先,，車輛的初始信息必須建立非常準(zhǔn)確,，這樣才能確保接下來的跟蹤可以正常進(jìn)行；其次,，前后兩幀中車輛的變化不能太大,，也就是幀間隔時間不能太長，如果幀間隔時間過長,，車輛預(yù)測的位置將不是十分準(zhǔn)確,。
該算法雖然在車輛跟蹤上有一定的改進(jìn)，但是對于特殊情況,，如彎道非線性轉(zhuǎn)換,、變焦后非線性系數(shù)的轉(zhuǎn)換等，還需要進(jìn)一步深入研究,。
參考文獻(xiàn)
[1]? BEYMER D, MCLAUCHLAN P,，COIFMAN B,et al. A real-time computer vision system for measuring traffic parameters, in Proc. IEEE Conf. Computer Vision and Pattern Recognition, Puerto,? 1997:? 496-501.
[2]? MASOUD, PAPANIKOLOPOULOS N P. Robust pedestrian tracking using a model-based approach, inProc. IEEE Conf. Intelligent Transportation Systems, 1997:338-343.
[3]? 鐘慧湘，王鉦旋,，龐云階.圖像重建中的有理逼近方法[J].中國圖像圖形學(xué)報,，2000，7(11)：65-71.
[4]? 韓鳳磊，龐其昌.一種圖像非線性形變的恢復(fù)方法[J] .光學(xué)技術(shù),2003,(5).
[5]? 李慶揚(yáng),，王能超,，易大易.數(shù)值分析[M].武漢：華中理工大學(xué)出版社，1995.