（计算机应用技术专业论文）交通视频中机动车辆检索关键技术研究.pdf

j 舢删胂舢肌| f 肿肿f 删 y 17 3 2 11 百 苏州大学学位论文使用授权声明 本人完全了解苏州大学关于收集、保存和使用学位论文的规定， 即：学位论文著作权归属苏州大学。本学位论文电子文档的内容和纸 质论文的内容相一致苏州大学有权向国家图书馆、中国社科院文献 信息情报中心、中国科学技术信息研究所( 含万方数据电子出版社) 、 中国学术期刊( 光盘版) 电子杂志社送交本学位论文的复印件和电子 文档，允许论文被查阅和借阅，可以采用影印、缩印或其他复制手段 保存和汇编学位论文，可以将学位论文的全部或部分内容编入有关数 据库进行检索。 涉密论文口 ， 本学位论文属 在年一月解密后适用本规定。 非涉密论文 论文作者签名 导师签名 期： 期： 厶l d 6 8 勘fd 6 、8 交通视频中机动车辆检索关键技术研究中文摘要 交通视频中机动车辆检索关键技术研究 中文摘要 随着经济的快速发展和城市规模的不断扩大，机动车辆的数目也在急速增长，然 而交通建设和人们的交通法制意识却相对滞后，交通违章肇事频频发生，给交通监管 部门提出了更高的要求。交通视频中机动车辆检索系统的应用，不仅能够为城市的交 通规划提供第一手的数据，也能够为交管部门和公安部门追查肇事违章车辆提供极大 的便利。 本文针对交通视频机动车辆检索流程中的运动车辆检测、跟踪、车辆特征提取和 分类，以及交通视频关键帧提取四个关键技术进行研究，提出了一些新的算法和解决 方案。本文主要研究工作包括： ( 1 ) 提出一种自适应在线聚类的背景提取和更新方法，与背景差分法相结合进行 运动车辆的检测。 ( 2 ) 提出将运动检测与c a m s h i f t 算法相结合以弥补c 蝴s m r 算法在用于交通视 频跟踪时存在的不足。改变c a m s h i f t 算法中使用的色彩空间为后续的颜色特征提取 阶段做好准备。 ( 3 ) 提出对车辆颜色的量化和分类方法，并研究利用从车辆正侧面轮廓中提取的 几何特征进行车型分类。 ( 4 ) 提出基于虚拟检测线技术的交通视频关键帧提取，以运动车辆为关注对象高 效地提取关键帧，克服传统关键帧提取方法不适于交通视频的问题。 本文对提出的方法进行了实验论证，实验结果表明所提的技术方法是行之有效 的。 关键词：车辆检索，自适应在线聚类，c a m s h i f t 算法，车辆识别，虚拟检测线 作者：夏洁 指导教师：崔志明( 教授) r e s e a r c ho nk e yt e c h n i q u e so fm o t o rv e h i c l er e t r i e v a li nt r a f f i cv i d e o o n k e yt e c h n i q u e so fm o t o r v e h i c l e r e t r i e v a li nt r a f f i cv i d e o a b s t r a c t e l o p m e n to fe c o n o m ya n dt h ee x p a n d i n gs i z eo fc i t y , t h en u m b e ro f m o t o rv e h i c l eh a sal a r g eg r o w t h , a n dt h ed e m a n df o rc i t yt r a n s p o r t a t i o ni si n c r e a s i n g d r a m a t i c a l l y , b u tt h er o a dc o n s t r u c t i o na n dp e o p l e sa w a r e n e s so ft r a f f i cl a w si sd r o p p i n g b e l l i n d s oav a r i e t yo ft r a f f i cv i o l a t i o n sa n da c c i d e n t sf r e q u e n t l yo c c u r , w h i c hr a i s e sh i g h e r r e q u i r e m e n tt ot h et r a f f i cc o n t r o ld e p a r t m e n t t h er e t r i e v a ls y s t e mo fm o t o rv e h i c l ei n t r a f f i cv i d e oa n a l y z et h et r a f f i cv i d e o ，d e t e c ta n dt r a c km o t o rv e h i c l e s 。e x t r a c ts e v e r a l f e a t u r e sa n ds a v et h e mi nd a t a b a s ef o ru s e r st or e t r i e v e i tn o to n l yp r o v i d e st h ef i r s th a n d d a t af o rt r a f f i cp l a n n i n g ，b u ta l s op r o v i d ec o n s i d e r a b l ec o n v e n i e n c ef o rt r a f f i cc o n t r o l d e p a r t m e n ta n dp o l i c et ot r a c ea n di n v e s t i g a t et h ea c c i d e n tv e h i c l e s b yd o i n gr e s e a r c ho nf o u rk e yt e c h n i q u e si nr e t r i e v a ls y s t e mo fm o t o rv e h i c l e s ，w h i c h a r em o t i o nd e t e c t i o n ，m o v i n gv e h i c l et r a c k i n g ，f e a t u r ee x t r a c t i o na n dc l a s s i f i c a t i o n , a n d k e yf r a m ee x t r a c t i o no ft r a f f i cv i d e o ，w ep r o p o s es o m en e wa l g o r i t h m sa n da p p l i c a t i o n m e t h o d s o u rr e s e a r c hi s s u e sa r ef o l l o w s ： ( 1 ) p r o p o s eab a c k g r o u n dc o n s t r u c t i o nm e t h o db a s e do na d a p t i v eo n - l i n ec l u s t e r i n g ， a n dc o m b i n ei tw i t l lb a c k g r o u n ds u b t r a c t i o nt od om o t i o nd e t e c t i o n ( 2 ) p r o p o s ev e h i c l et r a c k i n gb yc o m b i n gm o t i o nd e t e c t i o nw 怂c a m s h i f l t om a k eu p t h ed e f e c to fc a m s h i f tw h e ni ti su s e di nt r a f f i cv i d e os i n g l y a n dc h a n g et h ec o l o rm o d e l u s e di nc a m s h i f tt or e s e r v et h ei n t e r f a c ef o rt h es u c c e e d i n gc o l o re x t r a c t i o n ( 3 ) p r o p o s et h eq u a n t i z a t i o na n dc l a s s i f i c a t i o nm e t h o do fv e h i c l ec o l o r , a n dd o r e s e a r c ho nc l a s s i f y i n gv e h i c l e sw i t hg e o m e t r i cf e a t u r e sg a i n e df r o mf r o n ts i d eo fv e h i c l e s ( 4 ) p r o p o s ea p p l y i n gt h ev i r t u a ld e t e c t i o nl i n et ot h ek e yf r a m ee x t r a c t i o no ft r a f f i c v i d e o ，o v e r c o m i n gt h ep r o b l e mt h a tt r a d i t i o n a lm e t h o d sa r eu n f i tf o rt r a f f i cv i d e o t h i st h e s i sp e r f o r m se x p e r i m e n t so nt h em e t h o d sm e n t i o n e d e x p e r i m e n t ss h o wt h e s e m e t h o d sa r ee f f e c t i v e k e yw o r d s ：m o t o rv e h i l er e t r i v a l ，a d a p t i v eo n - l i n ec l u s t e r i n g ，c a m s h i f l ，v e h i c l e r e c o g n i t i o n , v t r t u a ld e t e c t i o nl i n e i i w r i t t e nb yx i aj i e s u p e r v i s e db yc u iz h i - m i n g 1 1 1 研究背景1 1 1 2国内外研究现状2 1 1 3 研究意义3 1 2 研究内容与创新4 1 3 论文组织5 第2 章交通视频运动车辆检测7 2 1 常用运动目标检测方法7 2 2 聚类方法8 2 2 1k 均值聚类8 2 2 2 在线聚类9 2 3 基于自适应在线聚类的背景构建1 0 2 3 1常用的背景构建方法1 0 2 3 2 聚类算法构建背景的原理1 1 2 3 3 自适应在线聚类算法12 2 4 实验结果及分析1 4 2 5 本章小结。1 7 第3 章交通视频运动车辆跟踪l8 3 1 运动目标跟踪方法综述l8 3 2 基于c a m s h i f t 的多目标跟踪19 3 2 1c a m s l l i r 算法19 3 2 2 运动目标检测与c a m s h i r 相结合的跟踪2 0 跟踪特征准备2 0 跟踪实现2 l 果及分析。2 3 3 4 本章小结2 4 第4 章基于特征的机动车辆识别2 6 4 1 检索中的常用特征。2 6 4 1 1 颜色特征2 6 4 1 2 纹理特征2 7 4 1 3 形状特征2 9 4 2 颜色模型3 0 4 2 1 混合型颜色空间3 0 4 2 2 色调饱和度亮度型颜色空间3 l 4 2 2 1h s v 模型3 2 4 2 2 2h s l 模型3 3 4 2 3 非线性亮度色度型颜色空间3 4 4 3 机动车辆特征提取和识别3 4 4 3 1 颜色特征3 5 4 3 2 几何特征3 7 4 4 实验结果及分析4 0 4 4 1 车辆颜色识别实验4 0 4 4 2 车型分类实验4 3 4 5 本章小结4 5 第5 章交通视频关键帧提取4 6 5 1 几种典型的关键帧提取技术4 6 5 1 1 基于镜头边界的方法4 6 5 1 2 基于图像内容分析的方法4 6 5 1 3 基于运动分析的方法4 7 5 1 4 基于聚类的方法。4 7 5 2 基于虚拟检测线的关键帧提取4 8 5 2 1 虚拟检测线技术。4 8 5 2 2 关键帧提取实现。4 9 5 3 实验结果及分析5 0 5 4 本章小结5 2 第6 章总结与展望5 3 6 1 工作总结5 3 6 2 工作展望5 3 参考文献5 5 攻读学位期间公开发表的论文与科研项目6 1 致 谢一6 3 图4 1 若干纹理图像2 8 图4 2r 6 旧颜色空间。3l 图4 3h s v 六棱锥模型3 2 图4 - 4h s l 模型3 3 图4 5h s l 色谱图3 6 图4 6h s 坐标系3 6 图4 7l 分量色条和l 轴。3 7 图4 8 不同角度拍摄的交通视频图像3 8 图4 9 车辆侧视示意图3 9 图4 1 0 类似车型示意图4 0 图4 11 车辆颜色识别实验。4 3 图5 1 视频检测线示意图4 9 图5 2 基于图像内容分析所提取的关键帧示例5 1 图5 3 基于虚拟检测线的关键帧提取示意图5 2 表4 1 车型分类标准。4 4 表5 1 实验结果对比分析5 2 进行组织与安排。 1 1 研究概述 1 1 1 研究背景 随着城市交通容量需求的不断增加，道路交通建设以及人们的交通法制意识却 跟不上相应的发展，同时由于车辆数目的大幅增加，各种交通违章，交通肇事频频 发生，给交通监管部门提出了更高的要求。因此，传统的交通信息采集和检索方式 已无法满足现代交通发展的需要，基于视频的交通监控系统就迅速发展起来。基于 视频的交通监控系统就是从监控视频中提取对交通监控有用的信息，是一种将视频 图像处理技术与模式识别相结合的技术。视频监控设备在安装维护时无需开挖路 面，无需封闭车道；相比传统设备，安装维护的成本小，性价比高，采集信息丰富， 可以为交通信息获取和交通监管提供有力的保障。 由于传统的视频图像数据库是以人工标注为基础的，即人工对视频图像进行关键 字标注，然后才对语义关键字进行存储、索引和检索。这种方法直观易懂，容易实现， 但是缺点在于需要耗费大量的人力物力，更重要的是，不同的人对同一幅图像或视频 画面可能具有不同的理解方式。在这种情况下，基于内容的视频图像检索技术就迅速 发展起来。它通过对视频图像数据中所包含的视觉内容进行自动分析和特征提取，使 人们可以直接利用计算机搜索与主观感受相符合或者相似的内容。由于采用了图像处 理、计算机视觉、模式识别等技术自动提取视频图像的视觉信息，使得大规模视频图 像检索的应用更具现实性。 交通视频中机动车辆检索本质上可认为是交通视频监控领域与基于内容检索的 结合点。它既具有传统基于内容的视频检索的特点，又有区别于传统视频检索系统的 交通视频中机动车辆检索关键技术研究 国内外研究现状 在基于内容的视频检索方面 交通视频中机动车辆检索的研究是基于内容检索的一个特例。目前在基于内容 检索方面已经开发出了一些比较有价值的系统。 ( 1 ) i b ma l m a d e n 研究所开发的q b i c ( q u e r yb yi m a g ec o n t e n t ) 系统【l l 。这是 第一个商业化的基于内容的图像检索系统。它允许用户用多种方式进行检索，包括 利用系统自身提供的示例图像、用户绘制简图、以及选择色彩或结构查询等方式对 大型的图像和视频数据库进行查询。q b i c 对用户输入的图像、简图或者视频片段 的颜色、形状、纹理以及运动变化等特征进行分析和抽取，根据用户选择的查询方 式进行不同的处理。 ( 2 ) 哥伦比亚大学开发的v i s u a l s e e k 系统 2 1 。该系统同时支持基于视觉特征的 查询和基于空间关系的查询。其所采用的视觉特征是利用颜色集和基于小波变换的 纹理特征。v i s u a l s e e k 的优点在于：高效的w e b 图像信息检索，采用了先进的特 征抽取技术，用户界面强大，操作简单，查询途径丰富，输出画面生动且支持用户 直接下载信息。 ( 3 ) 哥伦比亚大学开发的v i d e o q 系统【3 1 。该系统是一个完整的基于对象的视 频数据检索系统，实现的功能有视频对象自动分割和跟踪，基于颜色、纹理、形状 和运动特征的检索，多对象联合检索，时间和空间受限的检索，互联网的交互查询 和浏览、压缩域的视频处理等。 此外，还有新加坡国立大学开发的基于内容的检索系统c o r e ；美国哥伦比亚 大学开发的基于内容的图像视频检索系统w e b s e e k l 4 1 ；中科院计算机技术研究所 数字化技术研究室开发的视频检索系统等。目前，学者们还在基于内容的图像视频 检索方面进行着深入的研究。 二、在交通视频监控与处理方面 2 交通视频中机动车辆检索关键技术研究 第1 章绪论 ( 1 ) 在视频交通监控及其相关领域做出了比较突出的贡献的国外研究组有： 英国雷丁大学计算机系的v i e w s 项目组1 5 1 ； 德国卡尔斯鲁尔大学计算机系h h n a g e l 博士领导的研究组【6 ，7 1 ； 美国伯克利大学计算机系的r o a d w a t c h 项目组【8 ，9 1 ； 美国卡耐基梅隆大学和马里兰大学等参与的v s a m 项目组【1 0 】； 美国康奈尔大学计算机系d a n i e lh u t t o n l o c h e r 教授领导的研究组【1 1 ，1 2 】； 加拿大英属哥伦比亚大学计算机系d a v i dl o w e 教授领导的研究组【1 3 1 4 1 。 ( 2 ) 中科院自动化研究所模式识别国家重点实验室视频监控小组，在总结英国 雷丁大学v i e w s 项目组的车辆交通监控原型系统的开发经验的基础上，设计了一 个交通监控原型系统，并初步实现了整个系统。该系统由计算机、数字摄像机、音 箱和交通场景模拟平台组成。当车辆在交通场景中运动时，将摄像机拍摄的视频送 进计算机，定位和跟踪程序自动对其进行分析，识别车型并跟踪车辆在场景中的运 动。跟踪结果被送到分析和语义解释程序，对车辆的行为进行分析并给出语义解释。 语义解释结果进一步被送到语音合成程序，最终得到语音提示或警告。如当车辆逆 向行驶或闯入绿化草地时，系统将给出准确的语音警告。 ( 3 ) 中科院自动化研究所模式识别国家重点实验室谭铁牛研究员从2 0 世纪9 0 年代初就开始研究基于三维模型的智能视觉监控系统【1 5 】，针对系统中若干关键性问 题如车辆检测、跟踪以及车辆行为分析等进行了深入的研究和探讨，提出了自己的 见解和主张，取得了一系列的研究成果。 1 1 3研究意义 将对基于视频的交通监控领域的研究与基于内容的视频检索相结合，使交通视 频中的机动车辆检索的实现成为可能。交通视频中机动车辆检索有着十分重要的现 实意义，在工程应用上有着光明的前景。 ( 1 ) 自动提取车辆的各种特征参数，如颜色，形状( 大小) 等，交通监管部门可 第1 章绪论交通视频中机动车辆检索关键技术研究 以利用检索功能在事后极方便地对交通违章和肇事车辆进行查找检索，在一定程度 上提高交通执法的效率。 ( 2 ) 还可以进一步提取车辆速度，车流量等信息，从而方便地获取监控路段在 特定时间内的车流信息。这些可靠的数据为城市的交通规划提供了一定依据，节省 了大量实地调查所需的人力物力。 ( 3 ) 数据库中完整地存储了交通监控视频，是证明违章和肇事的强有力证据。 1 2 研究内容与创新 交通视频中机动车辆检索系统框架如图1 1 所示，本文分别针对运动车辆检测、 运动车辆跟踪、车辆特征提取和识别以及交通视频关键帧提取四个关键技术进行研 究，并提出一些可行的创新方法。 图l - l 交通视频中机动车辆检索系统框架图 ， 本文的主要研究工作和创新包括以下几个方面。 ( 1 ) 运动车辆检测。利用经典的背景差分法进行运动目标的检测。在背景构建 4 交通视频中机动车辆检索关键技术研究 第l 章绪论 和更新环节提出自适应在线聚类算法。该算法克服了传统聚类方法应用于背景提取 时需要预先给定聚类阈值和聚类数目，以及消耗内存过多的缺点。针对不同视频能 够自适应地构建极好的初始背景并对背景进行在线更新。在此基础上使用背景差分 能够极好地检测出运动车辆，为后续的运动车辆跟踪打下良好的基础。 ( 2 ) 运动车辆跟踪。提出将运动车辆检测与c a m s h i f t 算法相结合，实现对多 个运动车辆的同时自动跟踪。解决了单一使用c a m s h i f t 算法需要人工标定待跟踪 目标，且只能对单一目标进行跟踪的缺点。另外，改变传统c a m s h i t t 算法中使用 的颜色空间，为本文后续的车辆颜色特征提取做好准备。 ( 3 ) 车辆特征提取和识别。在分析传统c b v r 系统常用的特征的基础上，针对 机动车辆检索的独特性，提取适用于车辆检索的颜色、几何参数等特征；提出对车 辆颜色的量化分类方法，并对利用车辆正侧面几何参数的车型分类进行研究。实验 表明，所提方法能够较为准确地类化车辆，为用户检索提供良好的信息。 ( 4 ) 交通视频关键帧提取。针对机动车辆检索的独特性，提出将虚拟检测线技 术应用到交通视频关键帧提取中，以运动车辆为关注对象高效地提取出良好的关键 帧。 1 3 论文组织 本论文选题来源于：( 1 ) “基于特征的机动车视频与图像智能检索挖掘系统”，2 0 0 9 年江苏省省级现代服务业( 软件产业) 发展专项引导资金项目( 2 0 0 9 1 3 3 2 6 4 ) 。( 2 ) “基 于内容的机动车图像智能检索与挖掘系统”，2 0 0 9 年苏州市应用基础研究( 工业) 项目 ( s y j g 0 9 2 7 ) 。( 3 ) “基于多源信息融合的交通视频智能分析技术研究”，苏州大学科研 预研基金项目。 本文针对交通视频中机动车辆检索的关键技术进行研究，共分为六章，内容组织 如下： 第l 章为绪论。该章首先介绍本文的研究背景，介绍了国内外在相关领域的研究 现状，阐述了交通视频中机动车辆检索的研究意义，最后介绍了本文的研究创新与内 容组织。 关键技术研究 进。 第4 章对车辆特征提取和识别进行研究。该章首先介绍传统c b v r 中常用的检索 特征，并对颜色空间模型进行介绍，然后提出针对车辆检索的独特性只提取机动车辆 目标的颜色、几何特征作为待检索特征，同时在颜色特征的量化分类以及简单车型识 别上提出可行的新方法。 第5 章对交通视频关键帧提取进行研究。该章首先介绍了传统c b v r 中常用的关 键帧提取方法，针对交通视频机动车辆检索的独特性提出将虚拟检测线技术应用到交 通视频关键帧提取中。然后对虚拟检测线技术进行扼要的介绍，并详细阐述在关键帧 提取中的具体实现方法。 第6 章是全文总结和展望。总结了全文的研究工作和创新之处，指出了存在的缺 陷和不足，并对下一步工作进行了展望。 6 2 1 常用运动目标检测方法 运动目标检测【幡”】的目的是从视频序列中将运动目标区域从背景图像中提取出 来，运动目标的有效检测对后续的目标跟踪、分类等很重要，是视觉监控系统的基础 环节。常用的运动目标检测方法主要有以下几种。 ( 1 ) 帧差法【1 9 。2 0 1 ( a d j a c e n tf r a m ed i f e r e n c e ) 。该方法通过在连续的视频帧中计算 相邻两帧图像的差并进行二值化来提取图像中的运动区域。一个改进的方法是利用三 帧差分代替两帧差分，如v s a m 就是开发了一个自适应背景差分与三帧差分相结合的 方法，能够快速有效地从背景中检测出运动目标。帧差法的优点是简单方便，即使场 景发生大幅度变化，也能即时检测运动目标。但是它分割出的运动目标不完整，在运 动目标内部容易出现空洞，不利于目标的识别。 ( 2 ) 背景差分法【2 1 】( b a c k g r o u n ds u b t r a c t i o n ) 。该方法首先构建视频场景的背景图 像，然后将当前帧图像与背景图像相减，再对差分图像进行阈值二值化，这样就得到 了将运动目标从固定背景中分割出来的二值化图像。由于背景差分法能够完整地分割 出运动对象，并实现即时的运动检测，因而被广泛应用于视频监视、交通自动监控等 场合。其缺点是对于动态场景的变化，如光照和外来干扰物较为敏感。背景差分法中 背景模型的构建也是学者们研究的热点。 ( 3 ) 光流法【2 2 之钔( o p t i c a lf l o w ) ，通过研究图像灰度在时间上的变化与场景中物 体的结构和运动的关系实现运动分割和检测。光流法的优点是不需要有关背景的任何 先验知识，既可用于摄像机固定的视觉监视系统，也可用于摄像机移动的场合。但是 光流场计算很复杂，而且对噪声较敏感。 第2 章交通视频运动车辆检测交通视频中机动车辆检索关键技术研究 2 2 聚类方法 聚类分析是数据挖掘的重要组成部分。聚类就是根据某种相似性准则将样本空间 分成多个子空间，使每个子空间内部样本点尽可能相似，不同子空间的样本点之间的 差异尽可能大，其实质是寻找隐藏在数据中的不同数据模型，是一个无监督学习的过 程，能够实现样本空间的盲分类。目前存在大量的聚类算法【2 5 1 ，大致可以分为分区聚 类算法，层次聚类算法，密度聚类算法，模糊聚类算法等几大类。本节介绍两种在视 频背景构建中常用的聚类算法。 2 2 1k 均值聚类 k 均值聚类算法【2 6 1 是一种经典的聚类算法，它的基本思想是通过迭代将目标数 据分成若干不同的类，使类与类的数据之间相似度很小，而类内的数据之间相似度 很大。算法的具体过程可以描述如下： ( 1 ) 选择聚类数目k ，并随机选择k 个聚类中心； ( 2 ) 根据聚类中心将所有数据重新分配到最近的类中； ( 3 ) 通过计算每个聚类中的数据均值来重新设置各聚类中心； ( 4 ) 重复( 2 ) ( 3 ) 步，直到各聚类中心都不再发生变化。 我们用珂来表示样本数据数量，k 代表聚类的数目，鸬表示第f 个聚类的聚类中 心。通常随机选择k 个样本作为初始的聚类中心，则k 均值聚类可以表示如下： b e r n 初始化坞七，一，鸬，段 地将一个样本根据最近的“进行分类 重新计算“ 旦塾缒“不发生改变 堡地也一，鲍， 雎 e n d 作为一种经典的聚类算法，k - 均值聚类被归入迭代优化算法的范畴，原因是k 个 均值会不断移动，以使得一个平方误差准则函数最小化。目前研究者只是将它视为一 8 交通视频中机动车辆检索关键技术研究第2 章交通视频运动车辆检测 种近似方法，用来求均值的最大似然估计。从这个算法得到的结果既可以作为最终答 案，也可以作为进一步计算的初始值。 k - 均值聚类算法的初始聚类中心的选择对最终的聚类结果有很大的影响。如果 初始聚类中心选择得不好，聚类结果可能会落入局部最优解。 2 - 2 2在线聚类 在线聚类算法的基本思想是：事先不指定聚类数目，用第一个样本初始化第一 个聚类；当新数据到来时，判断新数据是否属于已存在的某个聚类，如果是则将新 数据归入距离最近的已有聚类中，并重新计算该聚类中心；否则，创建新的聚类。 假设有个样本数据，z j = 五，z 2 ，z ，算法可以描述如下： ( 1 ) 设置聚类阈值r ； ( 2 ) 用第一个样本初始化第一聚类，如c l = z l ； ( 3 ) 依次取z ( 扛2 ，3 ，n ) ，计算c l 与z ，的距离d ，如果d i ，r ，则判定z ，属于c i 类； 如果仇 丁，则把互作为新的聚类c 2 的中心。 ( 4 ) 对剩下的样本互，分别计算其与两个聚类中心c i ，c 2 的距离仇，巩。若其 中较小者s r ，则判定互属于较小的那一类，并改变该聚类的中心；否则，就把互作 为新类的中心c 3 。以此类推，直到对全体样本做完处理。 我们使用h 作为第i 个聚类的聚类中心，1 7 为聚类中心的学习速率，口为聚类阈 值，则算法可以表示如下【2 7 】： b e _ g 迫初始化，7 ，p 卜t h r e s h o l d “卜j 盘接受新， _ ，卜a r g r a i n1 1 x 一肌( 找到最接近的聚类) 笪忙一“ 0 t h e npj 卜u i + 玎x e l s e 增加新的u * - - x 卜1 1 1 1( 归一化聚类中心) 9 交通视频中机动车辆检索关键技术研究 是聚类的结果仍然与事先给定的聚 视频背景构建是背景差分法的一个核心环节。本节首先介绍常用于背景构建的 方法，并分析聚类算法应用于视频背景提取的原理，然后提出基于自适应在线聚类 的背景提取和更新算法。 2 3 1常用的背景构建方法 背景差分法主要由背景建模，运动检测两部分构成。背景建模就是构建背景图像 或通过构建某种模型来表示和更新背景，这是背景差分法的核心所在。本章重点讨论 背景构建算法。 在实际应用时，如交通道路监控中，常难以控制进入监视区域的人或物体，监控 环境不干净，因此必须从动态变化的场景中构建一帧反映被监视场景固定构成的参考 图像来作为初始化的背景模型。最初提出的一种简单方法是通过计算一段背景图像序 列的时间平均值来作为背景参考图像，但是该方法易将运动目标混叠在构建出的背景 中，尤其是当大量慢速运动目标在场景中出现时这种现象极其严重。l a i 2 8 1 等提出了 投票法，即考虑将同一像素位置灰度值出现最多的值作为背景值。该算法要求所有的 图像保存在内存中，因此占用较大的内存空间。并且这种统计方法需要经过较长的图 像序列才能获得正确的背景值。k d m p r o b s t 【2 9 1 等假设背景是在一段图像序列中被观察 到次数最多的场景部分，据此提出了基于偏微分方程的背景重构和运动分割算法，效 果良好，但算法复杂，参数难以选择。 有很多研究者根据文献【2 9 】中的假设，即背景是一段图像序列中被观察到最多的 场景部分，提出利用聚类算法来实现背景差分法的背景提取。文献【3 0 提出了一种基 l o 交通视频中机动车辆检索关键技术研究第2 章交通视频运动车辆检测 于像素灰度值分类( p i x e li n t e n s i t yc l a s s i f i c a t i o n ) 的背景重构算法。算法先计算帧问像 素灰度差值，然后根据帧间像素灰度差对像素灰度值分类，最后把出现频率最大的灰 度值作为该像素的灰度值。该算法仅能重构灰度图像，并且也占用较大的内存空间。 文献【3 1 使用c 均值聚类( k 均值聚类) 来提取背景。文献【3 2 】对每个像素维护三个动态 三元组用以记录像素值在整个训练视频中的变化并进行k 均值聚类来实现背景提取。 但是以上方法均没有考虑到k 均值聚类在提取视频背景应用中的局限性：必须预先给 定聚类数目。文献 3 3 提出对像素点灰度值使用在线聚类( 最简单的相似性尺度阈值 方法) 来提取背景，解决了需要预先给定聚类数目的问题。但此方法仍然需要人工设 定聚类阈值，对不同视频无法自适应地实现背景提取。 2 3 2聚类算法构建背景的原理 使用聚类方法提取视频背景基于一个合理的假设“在一段视频中，背景总是以 最大的频率出现 。图2 1 显示了同一段视频中两个不同像素点在1 0 0 帧之中的灰 度值变化情况。其中p i x e l i 是没有受到前景目标影响的点，p i x e l 2 是受到前景运动目 标影响的像素点。在理想情况下，一段时间内任何像素点的灰度值应是一个恒定的 值，但如图2 1 中的p i x e l i 所示，由于受到各种噪声的干扰，像素灰度值会在恒定值 附近小幅度地波动；而如p i x e l 2 所示，由于前景运动目标的出现，像素灰度值会发 生相对较大的变化，但是此变化持续时间较短，随着运动目标离开，该像素灰度值 又恢复到稳定的灰度值处小幅波动。这个较稳定的灰度值即可被用来代表该像素点 的背景值。因此，通过聚类方法对每个像素点一段时间内的若干个灰度值进行聚类， 能够将波动幅度较小的灰度值聚到一类，即可得到该像素点的背景值。 交通视频运动车辆检测 交通视频中机动车辆检索关键技术研究 图2 1 视频像素点灰度值变化情况 2 3 3自适应在线聚类算法 本文对聚类方法构建视频背景进行大量实验分析，发现在使用聚类算法构建视 频背景时存在两个关键参数：聚类数目k 和聚类阈值口。当事先指定聚类数目k 时， 就是直接使用需要已知聚类数目的聚类方法来进行聚类( 通常使用k 一均值聚类法) 。 但由于缺乏对视频场景的先验知识，事先并不知道每个像素应该被聚成几类。因此 有些研究者使用灰度在线聚类来解决这个问题。但是此方法并未意识到聚类阈值口 对整个算法的影响。 聚类阈值口是判断像素属于哪个聚类的标准。当新的灰度数据到来时，通过判断 新灰度值与某聚类中心的距离与阈值口的关系来决定是将新灰度值放入已有灰度类 中还是创建新的灰度类。因此阈值口的取值十分重要：如果口取值过小，则会导致聚 类数目过多，不仅提取效果不好而且计算量很大( 每个新灰度数据需要和所有的聚类 中心进行距离计算) ；如果口取值过大，相差很大的两个灰度值被归为一类，又会使 构建背景的效果变差。 本文针对聚类阈值口的自适应取值进行研究，提出基于自适应在线聚类的背景构 建方法。 其中，式2 1 ，2 2 分别用来初始化聚类中心和类中包含的元素数目。 s t e p 2 ：第t ( f s ) 帧到来，进行如下操作： ( 1 ) 更新阈值： 口= 鹕m a x i 詈a r m a x l r , ( 训) 一( 训口) 协3 ， 其中，a r g m a x f , ( x , y ) 一f 一。k y ) l 用于在当前帧和前一帧所有对应像素灰度差值的绝 对值中找到最大的，如果最大值的三分之二大于上一轮的聚类阈值口，则用其更新 原聚类阈值口；否则原聚类阈值口保持不变。 ( 2 ) 进行聚类： 计算( j ，j ，) 与已存在的各聚类中心之间的距离，寻找距离最近的聚类_ ，： a r g m i n i ( x ，y ) - c , ( x ，y ) i ( 2 - 4 ) 进一步判断最近距离与聚类阈值口的关系，如果 i ( x ，j ，) 一q ( x ，少) i 口 ( 2 5 ) 则( j ，y ) 应被归入该聚类中，对该聚类作如下更新： c j ( x , y ) = 塑岽赭型( 2 - 6 ) 聊，( x ，y ) - - m ，( 茗，y ) + 1 ( 2 7 ) 其中，式2 - 6 用于更新聚类_ ，的聚类中心，本质上是对类中的所有像素值求算 第2 章交通视频运动车辆检测交通视频中机动车辆检索关键技术研究 术平均值。式2 7 用于更新聚类中的元素数目。 如果像素值，l ( x ，y ) 与距离最近的聚类之间的关系不满足式2 - 5 ，则应创建一个新 的聚类c f + 。( x ，y ) ，并进行初始化： c j + 。( z ，j ，) = ( x ，y ) ( 2 8 ) 砚+ 。( 工，y ) = l ( 2 - 9 ) ( 3 ) 统计各聚类的元素数目，用最大聚类( 包含元素数目最多的聚类) 的聚类中 心作为该像素点的当前背景值。 u 卜a r g m a x ( m a ( x ，y ) ，m 2 ( x ，j ，) ，) ( 2 1 0 ) 尽( x ，y ) = e ( z ，y ) ( 2 1z ) 其中，式2 - 1 0 用于寻找最大聚类，式2 - 1 l 将t 时刻( 工，y ) 像素点的背景值设置 为其所对应的最大聚类的聚类中心值。 对视频帧中的每个像素进行如上步骤，不断得到每个像素点的新背景值，从而实 现了视频背景的创建和在线更新。在聚类的过程中聚类阈值进行自适应的更新，逐渐 向前后帧背景相差较大的趋势发展。阈值的逐渐增大抑制了聚类数目的增加，同时加 快了聚类的收敛速度。此方法对不同的视频具有良好的自适应性，避免了传统聚类方 法使用固定阈值造成的不良背景提取。 2 4 实验结果及分析 视频1 的场景中监控摄像头始终发生轻微抖动，并且有一辆车在视频一开始就 在场景左下角处停留数帧。为了检验自适应在线聚类算法提取背景的有效性，我们 将其与k 均值聚类法、传统在线聚类法提取背景进行比较，分别给出三种方法对视 频前1 0 0 帧的背景提取效果，如图2 2 到图2 4 所示。 1 4 ( d ) 口= 5 , k = 3 ( a ) 口；2 0 ( a ) 第1 帧 ( e ) 口= 5 , k = 1 0( f ) 口= 5 , k = 2 0 图2 2k m e a n s 聚类方法 ( b ) 口：3 0 图2 3 传统在线聚类方法 ( c ) 口= 4 0 ( b ) 第1 0 0 帧 ( c ) 提取的背景 图2 4 自适应在线聚类方法 其中，图2 2 是k - 均值聚类法的背景提取结果。其中( a ) ( c ) 为聚类数目固定 ( k = 3 ) ，聚类阈值口改变情况。( d ) ( e ) 为聚类阈值固定( 口：5 ) ，聚类数目k 改变的 情况。可以看出，两个参数的设置对背景提取效果具有决定性的影响。实验中通过 调整阈值，才逐步得到较好的提取效果。图2 3 是传统在线聚类法的实验结果，从 ( a ) ( c ) 可看出不同的聚类阈值口造成了背景提取效果的差异。图2 4 是本章所提算 交通视频中机动车辆检索关键技术研究 ( d ) 第1 0 0 帧的背景 别是视频的第1 帧和第1 0 0 帧，( c ) 是本章所提算 方法相比，本算法不需要事先设置任何阈值即可达 江大桥上