摘  要： 針對(duì)智能交通系統(tǒng)中的實(shí)時(shí)車(chē)型識(shí)別和車(chē)流量統(tǒng)計(jì),，提出了一種有效的車(chē)流量檢測(cè)和車(chē)型識(shí)別算法,。首先根據(jù)機(jī)動(dòng)車(chē)道在視頻圖像中設(shè)置虛擬線圈作為檢測(cè)區(qū)域，運(yùn)用背景差分提取前景目標(biāo),，并采用基于顏色和紋理的陰影檢測(cè)方法去除所檢測(cè)目標(biāo)中的陰影部分,。然后采用兩步法進(jìn)行車(chē)型識(shí)別并統(tǒng)計(jì)對(duì)應(yīng)的車(chē)型的車(chē)流量。先通過(guò)提取目標(biāo)車(chē)輛輪廓的外接最小矩形框面積初步識(shí)別車(chē)型,，然后引入擴(kuò)展Kalman濾波的跟蹤模型統(tǒng)計(jì)車(chē)輛輪廓目標(biāo)經(jīng)過(guò)檢測(cè)區(qū)域的幀數(shù),，進(jìn)一步判斷所屬車(chē)型，最后統(tǒng)計(jì)對(duì)應(yīng)車(chē)型的車(chē)流量,。實(shí)驗(yàn)表明該方法具有較高識(shí)別和統(tǒng)計(jì)精度,，滿足對(duì)車(chē)輛實(shí)時(shí)監(jiān)控管理的要求。

　　關(guān)鍵詞： 陰影檢測(cè),；輪廓提取,；車(chē)型識(shí)別；車(chē)輛跟蹤

0 引言

　　近年來(lái)隨著機(jī)動(dòng)車(chē)保有量的迅速增加,，交通擁堵等各類(lèi)交通事故頻發(fā),。為了解決日益惡化的交通問(wèn)題，智能交通系統(tǒng)（Intelligent Transport System）應(yīng)運(yùn)而生,。交通監(jiān)控系統(tǒng)是智能交通系統(tǒng)（ITS）[1]的重要組成部分,，而車(chē)型識(shí)別、車(chē)流量檢測(cè)是交通監(jiān)控系統(tǒng)自動(dòng)化的基礎(chǔ)部分,，為進(jìn)一步提取,、分析道路交通信息和控制車(chē)輛提供依據(jù)。目前用于車(chē)量檢測(cè)的主要技術(shù)分為三類(lèi)[2]：基于壓電回路的永久埋入式系統(tǒng),、懸掛式系統(tǒng)和基于圖像處理技術(shù)的視頻車(chē)輛檢測(cè)系統(tǒng),。其中基于圖像處理技術(shù)的視頻車(chē)輛檢測(cè)系統(tǒng)利用圖像處理與識(shí)別技術(shù)，通過(guò)視頻信息檢測(cè)道路車(chē)流量,、車(chē)型,、車(chē)速等交通流信息，具有成本低廉,、安裝和維護(hù)簡(jiǎn)便,、應(yīng)用范圍廣等優(yōu)點(diǎn)，被廣泛采用,。

　　針對(duì)交通視頻中的運(yùn)動(dòng)車(chē)輛目標(biāo)檢測(cè),，當(dāng)前主要方法有：幀間差分法,、光流法、背景差分法[3],。其中背景差分法計(jì)算簡(jiǎn)單,，是目前最常用的方法。Wren等人[4]提出了通過(guò)單高斯背景模型對(duì)每一個(gè)像素建立高斯模型來(lái)表征像素在時(shí)間軸上的變化,，但當(dāng)固定位置的像素值不斷改變,，像素顏色值不是單峰分布時(shí)，單高斯模型描述不夠準(zhǔn)確,。周世付等人[5]提出高斯混合模型（Gaussian Mixture Model，GMM）,，用K個(gè)單高斯分布來(lái)描述每個(gè)像素,，再對(duì)每個(gè)單高斯分布進(jìn)行加權(quán)?；旌细咚贡尘澳Ｐ碗m然能夠處理復(fù)雜,、非靜止的多模態(tài)背景，但它在背景變化較快的時(shí)候效果極巨下降,，除此之外它的時(shí)間復(fù)雜度也較大,。背景差分法可以獲取完整運(yùn)動(dòng)物體外形，但是通常計(jì)算量也較大,，綜合考慮檢測(cè)效果以及計(jì)算量等因素,，本文采用均值背景差分和自適應(yīng)閾值選取相結(jié)合的方法[6]，獲取可靠前景,、背景,。

　　車(chē)輛陰影的存在嚴(yán)重影響了車(chē)輛檢測(cè)的效果，需要對(duì)其進(jìn)行檢測(cè)與去除,。馮文剛[7]等提出一種基于多顏色空間的車(chē)輛陰影分割方法,。殷保才[8]等提出了一種融合紋理和陰影屬性的陰影檢測(cè)去除算法。然而,，這些單獨(dú)利用陰影顏色,、紋理不變等特征檢測(cè)陰影的方法在實(shí)際使用中效果均不夠理想。因此本文采用綜合顏色和紋理的陰影檢測(cè)算法[9]實(shí)現(xiàn)對(duì)陰影的去除,。

　　車(chē)流量統(tǒng)計(jì)和車(chē)型識(shí)別的研究經(jīng)過(guò)多年的發(fā)展也總結(jié)出許多方法,，參考文獻(xiàn)[10]中利用長(zhǎng)寬比和占空比的聯(lián)合概率進(jìn)行判定。參考文獻(xiàn)[11]提出了快速的連通區(qū)域標(biāo)記算法和基于邊緣檢測(cè)的鄰近區(qū)域連接算法,，可以做到實(shí)時(shí),、準(zhǔn)確地提取物體輪廓。本文采用判斷輪廓最小矩形框面積結(jié)合統(tǒng)計(jì)車(chē)輛跟蹤幀數(shù)的方法,，該方法首先通過(guò)提取的車(chē)輛輪廓外接最小矩形框的面積初步識(shí)別車(chē)型,，再引入擴(kuò)展Kalman濾波跟蹤模型,，跟蹤車(chē)輛輪廓目標(biāo)經(jīng)過(guò)檢測(cè)區(qū)域的幀數(shù)，進(jìn)一步判斷所屬車(chē)型并統(tǒng)計(jì)對(duì)應(yīng)車(chē)型的車(chē)流量,。

1 算法理論

　　算法原理如圖1所示,，首先對(duì)視頻監(jiān)控圖像預(yù)處理，根據(jù)粗糙背景設(shè)置虛擬線圈作為檢測(cè)區(qū)域,，以便最大限度地減少冗余計(jì)算,。接著采用均值法提取背景，用Ostu自適應(yīng)閾值進(jìn)行圖像二值化,，再對(duì)所得前景部分去除陰影,，接著檢測(cè)前景輪廓，根據(jù)包圍輪廓的最小矩形框面積結(jié)合虛擬檢測(cè)區(qū)域跟蹤車(chē)輛的幀數(shù),，進(jìn)而識(shí)別判斷車(chē)型以及統(tǒng)計(jì)對(duì)應(yīng)車(chē)型的車(chē)流量,。

　　1.1 虛擬檢測(cè)區(qū)域設(shè)置

　　根據(jù)道路監(jiān)控?cái)z像頭的安裝要求及通常攝像頭近端車(chē)輛遮擋較少的情況，本文將虛擬線圈放置于圖像中下部的車(chē)道上,。線圈的長(zhǎng)度設(shè)置為整個(gè)道路的寬度,，線圈的寬可以根據(jù)需要進(jìn)行控制，通常取普通車(chē)型的70%車(chē)長(zhǎng)[8],，以實(shí)現(xiàn)對(duì)多車(chē)道車(chē)流量的檢測(cè),。

　　1.2 前景目標(biāo)提取

　　為了保證整個(gè)算法的時(shí)效性，采用均值法進(jìn)行背景提取,，獲取運(yùn)動(dòng)的前景目標(biāo),。算法如下：

　　（1）將彩色圖像灰度化,，對(duì)灰度圖的每一像素求取平均值,。如式（1）：

　　其中i=1，2,，…,，n；Pi（x,，y）為第i幀對(duì)應(yīng)點(diǎn)（x,，y）的像素值，A（x,，y）為該點(diǎn)的平均值,。

　　（2）將n幅圖像中同一點(diǎn)像素與對(duì)應(yīng)的均值A(chǔ)（x,，y）求差值,，再將絕對(duì)差值累加，然后取平均值,，并遍歷圖像中其他的所有像素,。如式（2）：

　　其中n為提取的幀數(shù),。

　　（3）修正差異大的點(diǎn),，假如某像素點(diǎn)與均值的絕對(duì)差值大于平均絕對(duì)值誤差,，則該點(diǎn)就取平均值像素值，否則就取當(dāng)前幀對(duì)應(yīng)像素的值,。如式（3）：

　?。?）對(duì)修正好的每一個(gè)像素求平均值，記為B（x,，y）,，得到的圖像即為背景圖像。如式（4）：

　　獲得初始背景后,，通過(guò)計(jì)算當(dāng)前幀與背景圖像的差值獲得前景運(yùn)動(dòng)圖像,，得到的前景圖像Dk（i，j）,，如式（5）：

　　由于背景圖像會(huì)隨著環(huán)境的變化而變化，需要對(duì)背景進(jìn)行實(shí)時(shí)更新,。更新方法如式（6）：

　　其中?茲為0~1之間的數(shù),。

　　如果Dk（i，j）≠0,，則判斷它為前景,，背景保持原來(lái)的值。如果Dk（i,，j）=0,，則判斷它是背景，更新背景值,。

　　不同的光線背景下分割出的差分圖像,，不能用固定閾值進(jìn)行二值化，通常交通監(jiān)控圖像的灰度分布比較集中,，因此采用Ostu算法（最大類(lèi)間方差法）[3],，確定一個(gè)最佳閾值進(jìn)行圖像二值化處理，從而較好地區(qū)別背景和前景,。圖2（a）中為提取出的背景圖,，（b）為提取出的帶陰影的前景目標(biāo)。

　　1.3 前景目標(biāo)陰影消除

　　經(jīng)過(guò)前述方法提取的前景目標(biāo)圖存在陰影干擾,，這給后續(xù)的車(chē)型識(shí)別跟蹤等帶來(lái)困難,，因此需要去除陰影。本文采用基于顏色和紋理的運(yùn)動(dòng)車(chē)輛陰影檢測(cè)方法[6]進(jìn)行運(yùn)動(dòng)區(qū)域中的陰影檢測(cè)并去除,。

　　經(jīng)典的基于紋理的陰影檢測(cè)算法和SNP（統(tǒng)計(jì)無(wú)參）陰影檢測(cè)算法均能較好地檢測(cè)出陰影,，但各自存在一定的缺陷[9],。SNP陰影算法當(dāng)物體的顏色和陰影顏色相近時(shí)，處理效果較差,，基于紋理的檢測(cè)算法適用于陰影較淺時(shí),，當(dāng)陰影很重時(shí)幾乎不存在紋理，算法即會(huì)失效,。通過(guò)分析交通車(chē)輛陰影的特點(diǎn),，本文采用一種綜合顏色和紋理的陰影檢測(cè)算法，其流程如圖3所示,。

　　具體步驟如下：

　?。?）對(duì)采集的交通監(jiān)控視頻進(jìn)行預(yù)處理，通過(guò)均值差分,、ostu等方法提取出前景目標(biāo)塊Q,。

　　（2）對(duì)前景圖像進(jìn)行形態(tài)學(xué)的腐蝕處理,，得到Qe,。

　　（3）將Q與Qe作差得到前景圖像的邊緣信息：Qd=Q-Qe,。

　?。?）將前景圖像Qe分別進(jìn)行基于紋理的陰影檢測(cè)和基于SNP的陰影檢測(cè)，兩種處理得到的結(jié)果做“與”運(yùn)算,。

　?。?）對(duì)邊緣圖像Qd進(jìn)行基于顏色的SNP陰影檢測(cè)。

　?。?）依據(jù)式（7）和（8）標(biāo)記出上述圖像中的陰影點(diǎn),。

　　SNP算法陰影判斷標(biāo)準(zhǔn)為：

　　其中Ts和Tc均為閾值，ai和CDi分別為亮度失真度和顏色失真度,。

　　紋理檢測(cè)算法陰影判別準(zhǔn)則為：

　　其中ε,、τ為閾值，GBε,，x,、GBε，y代表背景像素點(diǎn)各通道水平和垂直方向的一階梯度,，GFε,，x、GFε,，y代表當(dāng)前幀像素各通道水平和垂直方向的一階梯度,。

　　（7）將標(biāo)記為陰影點(diǎn)的像素從前景中去除，得到屬于車(chē)輛的前景目標(biāo)塊,。將得到的前景進(jìn)行形態(tài)學(xué)處理,，先用3×3的結(jié)構(gòu)元素開(kāi)運(yùn)算，再用7×7的結(jié)構(gòu)元素進(jìn)行閉運(yùn)算,，從而得到完整的飽滿的車(chē)輛目標(biāo)塊信息,。

　　1.4 車(chē)輛輪廓提取和車(chē)型識(shí)別

　　針對(duì)去除陰影后的前景目標(biāo)塊，由于每個(gè)車(chē)輛目標(biāo)都是以在空間上連通的區(qū)域表示的,，識(shí)別不同車(chē)型的關(guān)鍵是提取出車(chē)型的輪廓再加以判斷,，這里進(jìn)行兩步法中的第一步，即提取目標(biāo)車(chē)輛輪廓的外接最小矩形框面積,，初步識(shí)別車(chē)型,。提取輪廓的算法步驟如下：

　　（1）對(duì)去除陰影后的前景目標(biāo)圖像采用canny邊緣檢測(cè),，得到目標(biāo)車(chē)輛的邊緣輪廓,。

　　（2）針對(duì)canny邊緣檢測(cè)存在著斷裂的情況,，對(duì)其進(jìn)行形態(tài)學(xué)處理,，即膨脹、腐蝕等操作,，得到完整的輪廓圖,。

　　（3）求取包含輪廓的最小矩形框的面積A,。

　　車(chē)輛的種類(lèi)一般按車(chē)輛的大小分為大型車(chē)、中型車(chē),、小型車(chē)等,，這里通過(guò)各車(chē)型的外接最小矩形框面積A的大小初步判斷車(chē)輛的類(lèi)別，按照式（9）對(duì)車(chē)輛進(jìn)行車(chē)型識(shí)別劃分,。

　　1.5 車(chē)輛跟蹤及統(tǒng)計(jì)車(chē)流量

　　對(duì)檢測(cè)出來(lái)的車(chē)輛進(jìn)行形態(tài)學(xué)處理后,，再進(jìn)行兩步法的第二步，即引入擴(kuò)展Kalman濾波的跟蹤模型統(tǒng)計(jì)車(chē)輛輪廓目標(biāo)經(jīng)過(guò)檢測(cè)區(qū)域的幀數(shù),，進(jìn)一步判斷所屬車(chē)型,。通過(guò)分析連通區(qū)域獲得每個(gè)車(chē)輛目標(biāo)的質(zhì)心位置，利用Kalman預(yù)測(cè)方法對(duì)每個(gè)車(chē)輛在虛擬檢測(cè)區(qū)域內(nèi)進(jìn)行跟蹤,。本文采用標(biāo)準(zhǔn)Kalman濾波器擴(kuò)展方法[10]進(jìn)行車(chē)輛運(yùn)動(dòng)估計(jì),，預(yù)測(cè)方程和觀測(cè)方程定義如下：

　　式中參數(shù)F、P等取值見(jiàn)參考文獻(xiàn)[10],，跟蹤過(guò)程中,，由于相鄰2幀之間的時(shí)間間隔很短，目標(biāo)運(yùn)動(dòng)變化較小，因此假設(shè)目標(biāo)在單位時(shí)間內(nèi)是勻速運(yùn)動(dòng),?；贙alman濾波的車(chē)輛跟蹤算法通過(guò)運(yùn)動(dòng)估計(jì)和目標(biāo)匹配兩個(gè)步驟實(shí)現(xiàn)對(duì)車(chē)輛的跟蹤，利用前一幀獲得的參數(shù)作為狀態(tài)變量t,，當(dāng)前幀獲得的參數(shù)作為觀測(cè)值z(mì)t+1,，通過(guò)濾波推導(dǎo)獲得估計(jì)值。再以估計(jì)值為中心進(jìn)行目標(biāo)匹配,，具體跟蹤方法見(jiàn)參考文獻(xiàn)[10],。

　　利用跟蹤模型跟蹤統(tǒng)計(jì)目標(biāo)輪廓通過(guò)虛擬檢測(cè)區(qū)域所需的幀數(shù)f，對(duì)經(jīng)過(guò)式（9）判斷的目標(biāo)輪廓采用式（11）做進(jìn)一步車(chē)型判斷,，分別統(tǒng)計(jì)相應(yīng)車(chē)型的車(chē)流量,。

　　其中數(shù)字代表各車(chē)型通過(guò)檢測(cè)區(qū)域需要的幀數(shù)。

2 算法步驟描述

　　本文建立的基于監(jiān)控視頻的車(chē)型識(shí)別和車(chē)流量檢測(cè)算法步驟如下：

　?。?）從交通監(jiān)控視頻中讀取視頻幀圖像,，設(shè)定檢測(cè)區(qū)域，運(yùn)用均值法,、ostu法提取出目標(biāo)前景信息,。

　　（2）判斷前景目標(biāo)中是否存在車(chē)輛目標(biāo)信息,。如無(wú)則轉(zhuǎn)步驟（1）讀取下一幀,。

　　（3）采用基于顏色和紋理的陰影檢測(cè)算法對(duì)提取的前景去除陰影,。

　?。?）對(duì)去除陰影后的目標(biāo)塊采用canny邊緣檢測(cè)法檢測(cè)輪廓并提取輪廓的最小外接矩形，按照式（9）判定車(chē)型,。

　?。?）利用卡爾曼濾波器跟蹤車(chē)輛，統(tǒng)計(jì)車(chē)輛經(jīng)過(guò)檢測(cè)區(qū)域需要的幀數(shù),，按照式（11）對(duì)車(chē)輛類(lèi)型做進(jìn)一步判斷,，統(tǒng)計(jì)相應(yīng)車(chē)型的車(chē)流量。

3 實(shí)驗(yàn)仿真及結(jié)果分析

　　為了驗(yàn)證算法的有效性,，運(yùn)用交通監(jiān)控視頻圖像進(jìn)行實(shí)驗(yàn),，實(shí)驗(yàn)環(huán)境為：vs2010，計(jì)算機(jī)配置為酷睿i3處理器和4 GB內(nèi)存,，OpenCV2.4.4開(kāi)源庫(kù),。

　　圖4是對(duì)視頻的第100幀提取的圖像，其中（a）是采用均值法和ostu法提取出的帶陰影的前景目標(biāo),，（b）是采用基于顏色和紋理的陰影檢測(cè)法檢測(cè)的結(jié)果,，（c）是去除陰影后的結(jié)果，可以看到陰影基本被消除。

　　圖5是從視頻中150幀圖像提取的輪廓外接最小矩形圖,。（a）是未經(jīng)陰影處理時(shí)提取的結(jié)果,，（b）為經(jīng)過(guò)陰影去除后的提取結(jié)果?？梢钥吹剑╞）圖中經(jīng)過(guò)陰影處理排除了（a）圖中由于陰影粘連將兩個(gè)車(chē)輛目標(biāo)提取成一個(gè)輪廓的情況,。

　　應(yīng)用本算法對(duì)多段視頻進(jìn)行了實(shí)驗(yàn)，針對(duì)不同天氣條件（如晴天,，陰天）多車(chē)道車(chē)流量統(tǒng)計(jì)的結(jié)果分別如圖6所示,。其中（a）為在陰天環(huán)境下檢測(cè)結(jié)果，（b）為在晴天環(huán)境陰影比較重時(shí)的檢測(cè)結(jié)果,。實(shí)驗(yàn)結(jié)果如表1所示,，其中給出了小、中,、大型車(chē)的數(shù)量,。

4 結(jié)束語(yǔ)

　　針對(duì)智能交通系統(tǒng)中實(shí)時(shí)進(jìn)行車(chē)型識(shí)別和車(chē)流量統(tǒng)計(jì)的需求，提出了一種按車(chē)道進(jìn)行機(jī)動(dòng)車(chē)車(chē)型識(shí)別并統(tǒng)計(jì)車(chē)流量的方法,，該方法對(duì)陰影進(jìn)行有效去除,，將車(chē)型識(shí)別和車(chē)流量統(tǒng)計(jì)結(jié)合起來(lái)，計(jì)算復(fù)雜度低,，穩(wěn)健性好,。實(shí)驗(yàn)結(jié)果表明，本算法識(shí)別檢測(cè)精度較高,，能達(dá)到系統(tǒng)的實(shí)時(shí)性要求,。

參考文獻(xiàn)

　　[1] 李瑞.基于視頻的車(chē)輛檢測(cè)與跟蹤算法研究[D].上海：上海交通大學(xué)，2008.

　　[2] 李百惠,，楊庚.混合高斯模型的自適應(yīng)前景提取[J].中國(guó)圖象圖形學(xué)報(bào),，2013，18（12）：1620-1627.

　　[3] 墨芹.運(yùn)動(dòng)車(chē)輛視頻檢測(cè)與車(chē)流量檢測(cè)方法的研究[D].長(zhǎng)沙：中南大學(xué),，2012.

　　[4] WREN C R， AZARBAYEJANI A,， DARRELL T,， et al. Pfinder： real-time tracking of the human body[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1997,，19（7）：780-785.

　　[5] 周世付,，李建雄，沈振乾,，等.基于高斯混合模型的多車(chē)道車(chē)流量檢測(cè)算法[J].計(jì)算機(jī)仿真,，2012，（10）：331-335.

　　[6] 甘新勝.基于碼書(shū)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].中國(guó)圖象圖形學(xué)報(bào)，2008,，18（2）：365-371.

　　[7] 馮文剛,，高雋，BUEKLES B,，等.多顏色空間中目標(biāo)約束的車(chē)輛陰影分割研究[J].中國(guó)圖象圖形學(xué)報(bào),，2011，16（9）：1599-1606.

　　[8] 殷保才,，劉羽,，汪增福.結(jié)合色度和紋理不變性的運(yùn)動(dòng)陰影檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào)，2014,，19（6）：896-905.

　　[9] 盧清華,，吳志偉，范彥斌.基于顏色和紋理的運(yùn)動(dòng)車(chē)輛陰影檢測(cè)算法[J].測(cè)試技術(shù)學(xué)報(bào),，2013（2）：252-254.

　　[10] Yang Yanfang,， Qi Meibin， Wang Qian,， et al. Multi-object tracking based on motion detection and motion search[J]. Computer Engineering,， 2008，34（19）： 222-224.

　　[11] 周增剛.基于視頻監(jiān)控的車(chē)輛識(shí)別技術(shù)的研究[D].上海：東華大學(xué),，2013.