（计算机应用技术专业论文）智能交通系统中的车辆检测和车型识别技术研究.pdf

摘要 智能交通系统( i t s ) 是发展现代化交通的必由之路，基于机器视觉的车辆检 测和车型分类技术是推进智能交通系统发展的个重要的研究方向，在道路交通 监控系统和高速公路收费系统等方面都有着广泛的应用前景。本文以此为出发 点，对智能交通系统中的车辆检测和车型分类技术进行了深入地研究和分析，并 提出了一种精确稳定的车辆检测和车型分类算法，主要内容如下： 关于运动车辆的检测问题，本文在分析总结国内外现有的众多车辆检测算法 的基础上，提出了一种基于中值像素灰度归类的背景重构方法，通过该方法重构 的背景可以以较高的精度满足背景差分下的车辆检测问题；同时，考虑到相邻像 素间的相关性，在背景更新时使用像素变化统计表，将背景区域进行分块处理， 每块采用不同更新速率，从而使模型能更快的适应环境的变化。对于运动车辆阴 影的干扰问题，本文将差分图像转换到s r g 颜色空间进行阴影分割，实验表明在 自然环境中可以得到很好的分割效果。 在车型分类方面，首先对差分图像作形态学滤波和区域连通处理，得到运动 车辆的位置和轮廓，根据分类标准提取出车型分类所需的特征向量，然后分别用 两种方法设计出车型分类器，一种是基于模糊k 一均值聚类的r b f 网络车型分类 器，另一种是基于免疫算法的r b f 网络车型分类器，通过在相同环境下的实验对 比分析，基于免疫算法的r b f 网络车型分类器在分类准确性和速度方面都优于基 于模糊k 一均值聚类的r b f 网络车型分类器。本文首次将人工免疫算法与r b f 神 经网络相结合并用于车型分类，相比传统车型分类算法取得了较好的分类效果， 值得在这一算法上作更深入系统的开发研究。 本文提出的方法适用大面积、多目标的复杂场景，能有效排除干扰，满足自 然条件下视频监控的车辆检测和车型分类要求，具有一定的理论意义和实用价 值，可以推广应用到视频监控的其它领域中。 关键词：车辆检测；阴影分割；径向基函数；k 一均值聚类算法；免疫算法 a b s t r a c t i n t e l l i g e n tt r a n s p o r ts y s t e m s ( i t s ) i st h ed e t e r m i n a t ea p p r o a c h e sf o r t h ed e v e l o p m e n to ft h em o d e r nt r a n s p o r t s ， t h ev e h i c l ed e t e c t i o na n d c l a s s i f i c a t i o nb a s e do nc o m p u t e rv i s i o nt h a ti sai m p o r t a n tr e s e a r c hf i e l d f o rt h ea d v a n c eo ft h ei t s 。 i th a sp r o m i s i n gp r o s p e c ti nt h ea p p l i c a t i o n o ft h er o a dt r a f f i cs u r v e i l l a n c es y s t e ma n dt h eh i g h w a yt o l ls y s t e ma n d s oo n i nt h i st h e s i s ，w er e s e a r c hd e e p l yt h et e c h n i q u ea b o u tv e h i c l e d e t e c t i o na n dc l a s s i f i c a t i o n ，a n dp r o p o s eap r e c i s ea n dr o b u s ta l g o r i t h m o fd e t e e t i n ga n dc l a s s i f y i n gm o v i n gv e h i c l e so nr o a d t h em a i nc o n t e n t s c a nb el i s t e da sf o l l o w s ： f i r s t ， t h i st h e s i sp r e s e n t sab a c k g r o u n dr e c o n s t r u c t i o na l g o r jt h m b a s e do nm e d i a np i x e li n t e n s i t yc l a s s i f i c a t i o na f t e ra n a l y z i n ga n d c o 1 c l u d i n gl i l a n yk i n d so fv e h i c l ed e t e c t i o na l g o r i t h m s i tc a nd e t e c t m o v i n g v e h i c l e s p r e c i s e l yb yb a c k g r o u n ds u b t r a c t i o n a n d t h e n ， c o n s i d e r i n gt h er e l a t i o n s h i pb e t w e e nt h ep i x e l s ， t h ea l g o r i t h md i v i d e d t h eb a c k g r o u n di n t os e v e r a lb l o c k sb v e a n so ft h es t a t i s t i ct a b l eo f p i x e l sc h a n g e ，a n du s e dt h ed i f f e r e n tv e l o c i t yu p d a t i n ge v e r yb l o c k ，w h i c h c a nm a k et h em o d e la d a p tt h ec h a n g i n ge n v i r o n m e n tq u i c k l y t os o l v et h e s h a d o w p r o b l e m ， a f t e rt h e u n d e r l y i n gp h y s i c so f s h a d o w sa n dt h e i r c h a r a c t e r i s t i c sa r es t u d i e d ，o n es h a d o ws e g m e n t e da p p r o a c hi se x p l o i t e d i tt r a n s f o r m st h es u b t r a c t i v ei m a g ef r o mr g bc o l o rs p a c et os r gc 0 1 0 rs p a c e t h ee x p e r i m e n ts h o w st h a ti t i se f f i c i e n tt os e g m e n tt h es h a d o ww i t ht h e m o v i n gv e h i c l e s s e c o n d l y ， i nt h ev e h i c l ec l a s s i f i c a t i o nm o d u l e w ep r o c e s st h e s u b t r a c t i v ei m a g eb yt h em o r p h 0 1 0 9 i c a lf i l t e r i n ga n dc o n n e c t e dc o m p o n e n t l a b e l i n g ，o b t a i nt h ef i g u r ea n dp o s i t i o no fm o v i n gv e h i c l e ，a n dd e c id e t h ec h a r a c t e r i s t i cv e c t o r s a l1 a s t ，t w ov e h i c l ec l a s s i f i e r sa r ed e s i 2 n e d o n ei st h er b f n n c l a s s i f i e rb a s e do nf u z z yk m e a n sc l u s t e r i n g ，t h eo t h e rist h er b f n n c l a s s i f i e rb a s e do ni m m u n ea l g o r i t h m u n d e rt h es a ee x p e r i m e n t a l c o n d i t i o n ，t h ec l a s s i f i e dr e s u l ts h o w st h a tt h el a t t e risb e t t e rt h a nt h e f o r m e ri nr e l i a b i l i t ya n ds d e e d t h em e t h o d sp r o p o s e di nt h i sp a p e ra d a p tt oc o m p l e xs c e n e ss u c ha s l a r g ea r e aa n dm u l t i p l eo b j e c t s ， a n dc a ns a t i s f yt h er e q u i r e m e n to f v e h i c l ed e t e c t i o na n dc l a s s i f i c a t i o ni nn a t u r a le n v i r o n m e n t t h er e s e a r c h w o u j d8 er e a s o n a b j ea n dv a j u a b j ei nt h e o r e t i c a ja n dp r a c t i c a ia r e a s ，a n d c a nb e 卫e n e r a l i z e dt oo t h e rf i c l d so fv i d e os u r v e i l l a n c e k e y w o r d s ： v e h i c l ed e t e c t i o n ：s h a d o ws e g m e n t a t i o n ； r a d i a lb a s is f u n c t i o n ：k m e a n sc l u s t e r i n ga l g o r i t h m ： i m m u n ea l g o r i t h 【i 1 1 研究背景 第一章绪论 在现代社会发展曰新月异的今天，交通事业作为关系人们日常生活的重要领 域，虽然取得了长足的进步，但仍不能完全满足人们生活运输的需要，不断凸显 的交通问题已成为一个全球性的棘手问题，交通拥挤、堵塞日益严重，交通事故 和环境污染也越来越引起社会的重视和关注。早期世界各国解决车路矛盾的传统 方法是大规模修建和扩建各种等级公路，然而有限的土地资源、能源和经济条件 的制约以及环境的压力，使得人们不得不另寻它途。2 0 世纪8 0 年代以来，随着 信息电脑等高新科技的迅速发展，日本、美国和西欧等发达国家在解决共同面临 的交通问题时，将先进的人工智能技术、自动控制技术、信息通信技术、电子传 感技术和系统工程技术有效地集成起来，应用于地面交通管理，从而建立了一种 大范围、全方位发挥作用的实时、准确、高效的综合交通运输管理系统，从1 9 9 4 年起，被称为智能交通系统( i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m ，简称i t s ) 的这一术语得到了全世界的广泛承认【l 】，它发挥了现有交通基础设施的潜力，改 善了车、路、人等交通运输子系统之间的相互作用，从而提高了运输效率、缓解 了交通拥挤、保障了交通安全、降低了能源消耗和环境污染，从整体上提高了社 会经济效益，为解决交通问题开辟了一条光明的道路。 智能交通系统在日、欧、美等发达国家发展得最快。日本由于其机动化水平 高，城市人口密度大，国家对此非常重视，在全国已经形成了官民学一体的协调 发展机制，这对日本的i t s 发展起了很大的推动作用f 2 】。欧洲的i t s 研究开发是 由官方与民间并行进行的，由于欧洲的国家大部分很小，因此欧洲的i t s 主要从 洲际的角度进行的，例如欧洲1 4 个国家共同投资了5 0 亿美元，进行一项全欧 i t s 体系结构的项目研究。美国自动化的交通管理水平，早期由于重视不足而落 后于欧洲与r 本，但是美国在i t s 的开发研究上大有后来者居上之势，它的研究 更侧重于标准的开发制定。随后，世界其它国家也相继投入大量的资金和人力， 进行大规模的道路交通管理智能化的开发和研究。韩国政府于2 0 0 1 年3 月制定 了全新的i t s 框架结构和发展计划，投资7 5 亿美元，预计在2 0 1 0 年前建成7 个 先进的i t s 子系统，包括汽车及高速公路系统、先进的交通管理系统、电子收费 系统等；新加坡政府建立的城市道路电子动态收费系统应用最为成功，已成为居 民生活不可分割的部分：现在中东的一些国家也开始了本国的智能交通系统的研 究工作。 我国既是当今世界上道路等基础设施建设速度最快的国家，又是交通需求增 长最快的国家，解决城市交通拥挤和堵塞，已成为我国大城市交通面临的一项十 分迫切的任务，因此我国政府已早将i t s 作为中国未来交通领域发展的重要方 向，把i t s 列入了九五科技发展计划和2 0 1 0 年长远规划中；“十五”期间，科技 部将i t s 作为“十五”科技计划的重大专项项目予以实施，促进了中国智能交通 系统从技术研究到工程示范应用在全国的开展；在国务院制定的国家中长期科 学和技术发展规划纲要( 2 0 0 6 2 0 2 0 年) 中，把开发智能交通管理系统及交通 运输安全和应急保障作为交通运输业重点领域的优先主题之一；在即将实施的 “十一五”规划中，未来五年将重点整台现有资源，推进综合交通智能系统的建 设，以构建现代化、信息化和人性化的智能交通系统为目标。 世界各国之所以竟相投入大量的人力、物力、财力进行i t s 的研究开发，不 仅因为它所带来的巨大的社会效益，而且与它巨大的商业潜力密不可分。在未来 的2 0 年里，美国用于i t s 开发的总投资预计将超过3 0 0 0 亿美元，这将极大地刺 激其国内工商业的发展，而智能交通相关产品及服务的市场容量将超过4 2 0 0 亿 美元：日本i t s 在2 0 0 0 年的市场规模为1 5 兆日元，预计到2 0 1 0 年将达4 j 兆日 元；中国的市场同样巨大，预计用近3 0 年时间建成8 5 万公里的国家高速公路 网，同时整合智能交通的建设和发展。i t s 业已成为当前世界经济的一个新的增 长点。 由于国情和基础产业的不同，各国对i t s 的理解和研究重点也不尽相同，但 其目标却是一致的，实现的技术和工作的主要内容也大致相同均是依托信 息、通讯等技术的发展来实现交通系统高效、安全及舒适的运行。综合起来，国 际上公认的i t s 服务领域包括以下七个方面【lj ： ( 1 ) 先进的交通信息服务系统( a d v a n c e dt r a n s p o r t a t i o ni n f o r m a t i o ns ? s t e m ， a t i s ) ： ( 2 ) 先进的交通管理系统( a d v a n c e dt r a n s p o r t a t i o nm a n a g e m e n ts y s t e m ，a t m s ) ； ( 3 ) 先进的公共交通系统( a d v a n c e dp u b l i ct r a n s p o r t a t i o ns y s t e m ，a p t s ) ： ( 4 ) 先进的车辆控制系统( a d v a n c e dv e h i c l ec o n t r 0 1s y s t e m ，a v c s ) ； ( 5 ) 货运管理系统( g o o d st r a n s p o r t a t i o ns y s t e m ，g t s ) ； ( 6 ) 电子收费系统( e l e c t r o n i ct o l lc o l l e c t i o ns y s t e l i l ，e t c ) ； ( 7 ) 紧急救援系统( e m e r g e n c ym a n a g es y s t e m ，e m s ) 。 其中，车辆检测和识别分类是i t s 服务领域的应用基础，它为i t s 系统提供 了必要的数据来源。这类技术在发达国家应用较为广泛，但我国的开发和应用尚 处于起步阶段。结合我国的具体国情，真接应用外国的系统并不能获得满意的结 果，我们只有合理借鉴国外的开发思想，在关键技术领域坚持自主研发，才能从 各个方面共同推动i t s 的发展。本文的研究课题就是在这种背景下提出的，期望 在基于视频的车辆检测和车型识别这一目渐发展的领域内能迎头赶上发达国家， 建立我们自己的智能交通系统。 1 2i t s 中的车辆检测和车型分类技术 车辆检测和车型分类技术是i t s 研究的关键技术，涉及到计算机视频图像处 理技术、模式识别、人工智能、工业测控技术、电子技术、通信技术等多个学科 和领域。车辆检测的种类很多，车型分类方法更因检测方法和应用目的的不同而 不尽相同。车辆的正确检测是交通数据提取和车型分类的基础。目前的车辆检测 器都是基于硬件设备来实现的，其基本功能可概括为两大类：一是检测车辆的出 现或存在，二是检测车辆的运动或通过。任何车辆检测设备都必须至少具有上述 两个功能之一。当前的车辆检测器按工作原理的不同，可分为电磁感应式、红外 线式、声波式、光电式等多种类型f 3 】，也可以按其工作时的波长差别，分为磁频 检测器、波频检测器、视频检测器等【”，或者依其工作方式的不同，分为主动式 和被动式、接触式和非接触式等等。下面介绍当前流行的几种检测方法： 1 2 1 电磁感应线圈检测技术 电磁感应检测技术起源于交通控制系统对交通数据的检测需求，属于接触式 被动检测技术。其工作原理为，预先在公路下面铺设一个线圈并加以高频电流， 当车辆从上面通过时，由于车辆大部分由金属制成，因而会在线圈内部产生涡流 而使线圈电感量减小，从而获得交通流量信号。在用于车型识别时，由于不同车 型的底盘结构和铁磁物质分布的不同，电流变化引起的磁场的变化也不同，系统 就是根据感应曲线的不同而区分不同类型的车辆。对于检测交通流量、占有率等 交通参数时，这种方法准确率较高，且具有成本较低、不受气候影响等优点；但 该方法在实施中需要将线圈埋入地下，设备还会受到车辆挤压，因此具有破坏路 面、可移动性差、容易损坏、寿命短等缺憾，同时受车辆行驶速度和其它干扰因 素等影响，获得的车辆特征曲线对车辆的分类效果不理想，所以很少单独使用， 通常作为其他系统的辅助装置。 1 2 2 超声波检测分类技术 超声波检测分类技术在高速公路上应用比较多，属于非接触式主动检测技 术。它利用反射回波原理，系统主要由探头和控制机构成，探头具有发射和接受 双重功能，被设置于道路的正上方。其工作原理是，由超声波发生器发射高频波， 并由运动车辆以变化的频率返回，通过换能器记录下频率特征，从而进行车辆检 测和车型识别。超声波检测器采用悬挂式安装，这与路面埋设式相比不需破坏路 面，也不受路面变形的影响；而且有使用寿命长、可移动、架设方便的优点。不 足之处是其检测范围呈锥形，受车辆遮挡和行人的影响，反射信号不稳定，检测 精度较差；另外其精度也易受环境的影响，尤其是大风、暴雨等自然条件的影响， 有时甚至会造成误检。 1 2 3 激光检测分类技术 这也是一种非接触式主动检测技术，用脉冲激光作为媒介，通过测量激光面 的反射结果来检测距离信息，根据不同距离获取车辆的三维外形形状，进行车辆 检测和车型识别f 5 】。该技术已成功应用于加拿大4 0 7 高速公路和其他一些收费道 路的收费系统中。其安装方法是每个车道采用6 个激光检测器，安装高度为 j 5 m m ，设置成2 排，纵向间距3 0 c m ，每排有3 个光束，中阳j 光束垂直向下，左 边的左倾1 2 。，右边的右倾1 2 。，前排为3 个加宽光束，通过一个l o 。光孔模 投射在路上，产生一个横向3 3 0 c m 连续测量线，3 段l l o c m 的测量线之间的纵向 间距不超过o 5 c m 。第二排有3 个窄光束，分别产生1 0 c m o 5 c f f l 的测量区域。 由于脉冲激光投射到路面并反射回到激光检测器的时间是固定的，因而可通 过反射光间距发生变化的时间，精确地测量出车辆高度信息。另一方面，选用道 路的反射强度作为参考值，通过检测出反射能量的变化即可测出车辆的存在。如 果脉冲激光强度频率为1 0 k h z ，利用高度变化信息的1 0 ，就可测出速度为 2 5 0 k m h 的车辆每隔6 9 c m 的车高轮廓图，完全可得到慢速到高速行驶车辆的车 高轮廓的详细信息。利用车辆从一排光束到另一排相距3 0 c m 光束所花的时间就 可以计算出车辆长度。 因为宽光束部分会投射到路上，部分会投射到车辆上，这样测量车的高度要 小于实际高度，这个高度与窄光束测得准确高度的比例反映了车辆的宽度信息， 可用来测量出车辆每一断面的宽度。如果扫描频率和脉冲激光束频率足够高，由 每一断面宽度、高度和车长信息就获得了高精度车辆三维外形图像，进一步可按 任意标准进行车型分类。 这种检测技术对利用轮廓信息进行车型分类十分有利，但设备成本过高，同 类检测器之间存在信号干扰问题，有时会产生接收数据错误，降低了系统的可靠 性，而且它们对环境造成一定的污染也是一个不容忽视的问题。 1 2 4 动态称重技术 动态称重( w e i g h i n m o t i o n ，w i n ) 技术【6 】属接触式被动检测技术，按使用 的检测器分类，有应变片检测器、压力检测器和电容器检测器三类，其工作原理 是，当车辆通过埋入路面下的检测器时，检钡4 器受力产生形变，根据回传信息对 车辆进行检测，可测量车辆的轴重、轴距、总重、车速等，并按预先制定的车型 分类表，自动识别车型。相对于静态称重，动态称重具有节省时间、提高效率的 特点，同时对车辆超限超载的治理工作提供了精确而客观的依据，有利于车辆的 行车安全，延长了路面的使用寿命，推动了公路运输车辆超限执法的规范化和科 学化。 美国联邦高速公路署( f h w a ) 7 j 主要根据车辆的轴数和轴距分类，将车辆定 义为从摩托车到多用途拖车共1 3 个类别，这个分类标准被世界各国普遍认同， 但到目前为止，还没有任何一个车型识别系统能够按照这个标准正确分类所有车 辆。实际应用中，分类标准及类别数根据具体情况而变化。动态称重技术很适合 这个分类标准，但由于其技术还不够成熟，加之设备安装复杂、寿命短，温度、 车辆振动、道路质量等都会对系统精度产生很大影响，所以在车辆检测和车型识 别中还没有得到广泛应用。 1 2 5 视频检测识别技术 基于视频图像的车辆检测和车型识别技术，是一种非接触式被动检测技术。 它以视频图像为主要分析对象，通过视频摄像头从视频流中提取交通图像，利用 计算机模仿人类的视觉功能，通过对图像的分析处理提取出有效信息，根据信息 进行车辆检测和车型识别。 相对于其它交通检测技术而言，视频检测识别技术主要有以下的优势： ( 1 ) 安装简便，无需破坏路面，施工时不影响交通，易于移动、调整检测器 位置，维护费用低： ( 2 ) 直观可靠，便于管理人员干预，检测范围广，获取信息量大，还可以利 用原有的监控设备，最大限度的发挥原有资源的作用： ( 3 ) 可提供现场录像，重现交通场景，为研究交通行为、改进交通管理方法 和处理交通事故提供了大量的信息； ( 4 ) 对周围环境没有影响，不会造成污染，相同检凋器之间也不会发生相互 干扰。 这些优势使得它可被广泛应用于国民经济的各个邻域。它的难点在于图像识 别实时性要求较高，复杂背景下车辆检测和车型分类的准确率也难达到实用化的 程度，但其适用范围广阔，应用前景光明。随着计算机硬件和软件技术、数据图 像处理和人工智能技术的发展进步，一些视频检测难题正在不断克服，计算速度、 检测精度及模型泛化能力正在逐步提高，所以这一技术必将在i t s 领域得到广泛 的应用，并能代表自动化检测技术的发展趋势。本文即从交通视频图像处理技术 出发，模拟人眼功能检测车辆，通过提取车辆的几何特征来实现对车型的自动识 别分类。 1 3 基于视频的车辆检测和车型分类技术的发展状况 早期由于计算机速度和存储能力的限制，使得视频检测技术发展远远落后于 感应线圈检测及红外检测等技术，各国在这一领域的投入也相对不足。2 0 世纪 8 0 年代后，随着计算机处理能力的增强和人工智能的发展，视频检测技术也慢 慢活跃起来，世界各国都相继将研究重点投入这一领域，并取得了显著的成果， 比较著名的有美国i i s 公司的a u t o s c o p e 系统、p e e k 公司的v e c o m 系统、欧洲 十一国联合研制的e u r o - c o s t 系统等。1 9 9 1 年6 月，美国c a l i f o r n i ap 0 1 y t e c h n i c 大学曾经针对当今世界各国所完成或尚在发展的基于视觉的车辆检测系统作了 长达2 2 个月的评估工作，并发表了评估结果，对于这种系统的功能和成本效益 给予了极高的评价。视频检测技术的发展趋势使得它在i t s 中占有了越来越重要 的地位。我国的研究也紧跟其后，一些高校和科研院所都有相应的智能交通系统 研究实验室，承担着国家智能交通系统研发的重要使命，其中基于视频的检测技 术和分类方法稳稳的居于当前研究的主流地位。国内的公司如北京汉王、上海高 德威、川大智胜、香港亚洲视觉等在视频检测方面都有相关产品处于实验或应用 中。基于视频的车辆检测和车型分类技术必将有广阔的应用前景，在这方面的积 极研究和开发，不管是从学术，还是从应用来说，都是势在必行的。 1 4 论文的主要内容和组织结构 车辆检测和车型分类可以归结为变化检测、数据获取、特征抽取和选择、匹 配分类四个阶段。本文所研究的基于视频的车辆检测和车型分类技术，具体工作 过程如下：利用安装在车道侧面的单眼摄像机通过计算机和图像采集卡实时采集 视频图像序列，用背景差分法检测视频区域中运动车辆，分割出车辆轮廓，经过 图像处理提取出有效特征，输入设计训练好的车型识别器得出车型分类结果。其 中利用背景动态更新算法解决不同光照、不同气候条件下的背景差异问题：用背 景差分法所获的图像中的运动目标，也有其它干扰因素如阴影造成的错误分割及 场景中的树叶扰动等，所以需要进行一些后续处理，如滤除噪音、平滑轮廓、连 通区域等等；最后从处理后的图像中提取所需特征，用训练好的基于径向基函数 神经网络识别器识别车型。整个过程的流程图如图1 1 所示。 圈1 1 系统流程图 本文的结构安排如下： 第一章，首先介绍了本课题的研究背景，分析了国内外车辆检测和车型分类 技术的研究现状和发展方向，并针对主流的视频检测和车型分类技术提出了合理 的系统实现的方法。 第二章，主要介绍了基于视频的车辆检测技术的相关难点及解决的办法，根 据统计原理提出了准确性较高的基于中值像素灰度归类的背景重构算法，同时采 用了分块处理的背景更新策略，提高了系统的实时可靠性；对于阴影干扰的消除， 利用了r g b 空间到s r g 空间的转换技术来实现。实验结果表明这种方法能很好地 检测出运动车辆并有效消除阴影的干扰。 第三章，主要对差分图像进行了形态学滤波和区域连通性处理，得到标准的 车辆侧面轮廓图，同时给出了车型分类的相关标准和从轮廓图中提取分类特征的 方法。 第四章，主要介绍了基于模糊k 一均值的径向基函数网络车型分类器和基于 免疫算法的径向基函数网络车型分类器的构造方法和训练方法，并通过实验比较 两种方法的优缺点，确定出基于免疫算法的r b f 网络分类器有更佳的车型分类效 果和实用价值。 最后一章，总结了本文所做的研究工作，并对本课题今后的研究方向做了一 些预测和展望。 第二章车辆检测及阴影分割技术 人类认识的外界信息中，8 0 以上是通过视觉得到的，而视觉系统所完成的 功能是十分复杂的。就现阶段而言，要建立一个可与人类视觉系统相比拟的通用 视觉系统还无法实现，目前人们所创建的各种视觉系统绝大多也只适用于某一特 定环境或应用场合。本文基于计算机视觉技术，使用单目摄像机来模拟人眼功能， 对公路上的车辆进行检测和识别，用来提高道路监控的自动化和智能化程度。本 章主要内容为实时视频流的车辆检测和阴影分割技术，首先综述目前存在的基于 视频序列的车辆检测方法，然后提出了基于中值像素灰度归类的背景重构技术和 基于统计分块处理的背景更新方法，用背景差分法检测车辆，随后采用s r g 颜色 空间模型来消除车辆检测过程中产生的阴影的影响。 2 1 车辆的检测方法 要实现车辆的自动识别、分类，第一步是要从视频图像中检测、提取出运动 车辆，属于运动目标的检测和分割问题。通常运动目标的检测主要是基于运动的 时间域分析，而分割则是在检测结果基础上的空间域分析。在不同的应用场合， 对运动物体的检测有不同的要求。针对视频流中运动物体的检测，一个好的算法 应满足如下条件【8 】： 对环境的缓慢变化( 如光照变化等) 不敏感； 应能够处理背景、摄像机和前景目标之间存在复杂相对运动的情况； 对于复杂背景和复杂目标有效； 能适应场景中个别物体运动的干扰( 如树木的摇晃，水面的波动等) ； 能够去除目标阴影的影响； 检测和分割的结果应满足后续处理( 如识别等) 的精度要求。 与计算机视觉中的大多数问题一样，现阶段还无法提出一种能够较好处理各 种情况的通用算法。在实际中，一般多是针对不同应用场合设计不同的算法，并 且要在算法的精度、复杂度和可靠性等方面进行折衷考虑。目前大多数视频目标 检测和分割算法都是在某种应用假设下提出的。本章研究的主要内容为背景静止 条件下的车辆检测和分割，车辆的检测和有效分割对于特征的提取及最终的车型 分类等后期处理是非常重要的，因为后期处理过程仅仅考虑图像中对应于车辆运 动区域的像素。解决车辆检测算法的计算量和实时性这对矛盾，是提高系统检测 准确度和稳定度的关键，然而实际中光照的变化、背景混乱运动的干扰、运动目 标的影子、摄像机的抖动以及运动目标的自遮挡和互遮挡现象的存在，这些都会 影响车辆检测和分割的精度，必须在算法中考虑这些因素的影响及其去除的方 法。下面先对目前常用的基于视频的车辆检测方法进行简单梳理。 2 1 1 基于帧间差分的方法 帧间差分法【9 1 是基于运动图像序列中，相邻两帧图像问具有强相关性而提出 的检测方法。在摄像头固定的情况下，对连续的图像序列中的相邻两帧图像采用 基于像素的时间差分来提取图像中的运动区域，设在 和f 时刻采集到同一背景 下的两幅运动图像为厂( x ，y ， ) 和厂( 工，j ，f ：) ，则差分图像的定义为： 正( z ，y ) - l ，( x ，y ，f ：) 一，( 膏，y ，) l ( 2 1 ) 对上式的差分结果进行阈值处理，就可以提取出运动物体， 丘，： m ，y ，f 2 盘垡y 2 乃 ( 2 2 ) ，w 2 1 0其它 皑纠 其中乃为分割阈值，可以事先给定或者用自适应的方法确定。下图为相邻两 帧图像的差分结果图： ( a ) 第k 帧图像 ( b ) 第k + l 帧图像( c ) 两帧图像差分结果 图2 1 相邻帧差法的运动车辆检测 这种检测方法对光照变化不敏感，非常适合于动态变化的环境，而且运算简 单，检测速度快，车辆定位准确，适用于实时性要求较高的应用环境。但从众多 的差分结果可以看出，它存在以下几个缺点：首先，它不能检测出静止或运动速 度过慢的物体，对于高速运动的物体又会使得分割区域远远大于真实目标，其分 割区域与目标运动速度相关；其次，如果物体内部的灰度比较均匀，相邻帧差可 能在目标重叠部分形成较大空洞，严重时造成分割结果不连通，不利于进一步的 物体分析与识别。在实际应用中，帧问差分法往往是许多复杂检测算法的基础， 通过对算法的改进可以将它与其它算法结合来提高整体的检测效果。一种改进的 方法是利用多帧差分代替两帧差分，如文献【l o 】中提出了一种自适应背景减除与三 帧差分相结合的混合算法，它能够快速有效地从背景中检测出运动着的目标。 2 1 2 基于光流场的方法 在空间中，运动可以用运动场描述，而在一个图像平面上，物体的运动往往 是通过图像序列中不同图像灰度分布的不同体现的，从而，空间中的运动场转移 到图像上就表示为光流场( o p t i c a lf 1 0 wf i e l d ) 。光流场反映了图像上每一点 灰度的变化趋势，可看成是带有灰度的像素点在图像平面上运动而产生的瞬时速 度场，也是一种对真实运动场的近似估计1 1 】。 用厂( 工，y ，f ) 表示连续时空灰度分布，即像素点( 工，y ) 在t 时刻的灰度。假设运 动轨迹上的灰度保持不变，f + 出时刻可以得到该点运动到 + 出，y + 砂) 点，其 灰度为，+ 出，y + 咖，f + 出) ，则有光流约束方程 厂( x ，y ，f ) = 厂( z + 出，y + 妙，f + 研) ( 2 3 ) 将上式的右边用泰勒级数展开，并令西啼0 ，略去高次项，则可得到： 望出+ 望咖+ 笪出：o ( 2 4 ) 出 砂。 甜 式( 2 4 ) 中令“：宰，v ：掣，分别表示t 时刻像素点( z ，y ) 在x 方向和_ y 方向的 d td t 两个速度分量，也就是要求的量。把上式写成： 一望：笪+ 笪v ：v ， u ( 2 5 ) 研 缸 咖 。 或 正“+ 工v + ：= o ( 2 6 ) 其中可= ( 正，工) 为图像灰度空间梯度，u = ( “，v ) 为某像素点的光流速度，也就 是光流场a 上面的正，工，的计算可以用离散的差分代替导数求得。光流的计算 问题实际上就是在满足一定约束条件下，估计”，v 的数值问题。但是只有一个方 程，所以这是个病态问题，必须通过其它约束方程来联合求解。 h o m 和s c h u n c k 【1 2 】根据同一运动物体引起的光流场在时间间隔很小的前提 下应该是连续的和平滑的假设条件下，提出了全局平滑量来约束光流场。光流的 平滑误差度量可写为 e = v “1 1 2 + i l v v i l 2 油匆 ( 2 7 ) 光流的误差为 乓= f f ( v ，u + 工) 2 蛐 ( 2 8 ) 因此，光流场的计算归结为求误差和的最小值： e = t + z 丘= f r 丫厂u + ，) 2 + 五( | | v “1 1 2 + 1 1 v v l l 2 ) 蚴 ( 2 9 ) 其中五是附加约束的拉哥朗日乘子，它决定了上述两种误差之间的相对权重。这 是一个求泛函的极值问题，根据变分法原理由欧拉方程从式( 2 9 ) 可得 ( v ，u + z ) 六一a ! ( 2 1 0 ) ( 丫， u + 上) 工一丑2 v 2 v = 0 进一步求解得 一 叉 蘑+ 七f 、 归”可葫矿 ( 2 脚一错 其中订、矿分别为待求点的“、v 四邻域平均值，至此得到了求解“、v 的两个公 式。对上面公式采用松弛算法求解： 枷蚓”紫 旺 枷矧”驾等 其中n 表示迭代次数，当n = o 时，可取玎( o ) = o ，虿0 1 = o ，即光流的初始值为零。 这就是在车辆检测中用到的光流法迭代公式。图2 2 表示基于上面公式计算后相 邻帧间的光流运动目标检测结果： ( a ) 第k 帧图像( b ) 第k + 1 帧图像( c ) 光流法检测的结果 图2 2 基于光流场的运动车辆检测 在比较理想情况下的，它能够检测独立运动的对象，不需要预先知道场景的 任何信息，可以很精确地计算出运动物体的速度，并且可用于摄像机运动的情况。 但光流法存在下面的缺点：有时即使没有发生运动，在外部照明发生变化时，也 可以观测到光流；另外，在缺乏足够的灰度等级变化的区域，实际运动也往往观 测不到。三维物体的运动投影到二维图像的亮度变化，本身由于部分信息的丢失 而使光流法存在孑l 径问题和遮挡问题，用光流法估算二维运动场是不确定的，需 要附加的假设模型来模拟二维运动场的结构；同时仅仅依靠运动信息进行视频分 割，使得光流法对噪声极为敏感，在准确分割时，还需要利用颜色、灰度、边缘 等空域特征来提高分割精度；同时由于光流法采用迭代的方法，计算复杂耗时， 如果没有特殊的硬件支持，很难应用于视频序列的实时检测。为了解决上述问题， 许多研究者都提出了各自的研究方法，例如n a g e l 1 3 】对光流场的平滑性约束提出 了改进，假定正，工，z 的所有二阶偏导数都存在且连续，这时，光流场不用复杂 的迭代运算，可以通过最小二乘法求解。限于篇幅和必要性，这里不再详细叙述， 具体内容可参考有关资料。 2 1 3 基于背景差分的方法 背景差分法是目前运动分割中最常用的一种方法，它适用于摄像机静止的情 况，或自然环境的缓慢变化，其最简单的实现是从视频序列中预先抽取不含前景 运动物体的帧图像作为背景，然后利用当前帧与背景图像的差分来检测运动区 域，这种差分法对于复杂背景下的运动物体检测效果较好，一般能够提供最完整 的特征数据，计算量小，实用价值大。下图显示了理想背景下的图像差分结果： ( a ) 当前帧 ( b ) 理想背景( c ) 背景差分结果 图2 3 背景差分法的运动车辆检测 但这种方法对于场景的变化，如光照和外来无关事件的干扰等特别敏感，需 要采用一定的算法进行背景模型的动态更新。目前人们太都致力于研究如何实现 背景图像的建模和自适应更新，使背景能够不断接近理想状态，以期减少场景变 化对视频图像检测分割的影响。 2 2 背景建模和更新技术 背景建模，即通过视频序列的帧间信息估计和恢复背景。对于背景的建模问 题，常用的有以下几种方法： 2 2 1 基于统计的背景模型 统计建模方法是基于概率统计理论的。理论上讲，所谓静止的“背景”就是 在图像序列中灰度不发生变化或变化很小的像素；从统计学的角度来看，背景中 像素的灰度值可以看作是一个统计的结果，即图像序列中各个像素在统计上最可 能出现的值。 基于这一思想，我们就可以建立基于统计的背景更新模型。设t 时刻的背景 图像e ( 工，y ) 为： e ( 石，_ y ) = g ( ，( 工，y ) ，一，( x ，y ) ，z f 。1 ，( x ，y ) ，k b r _ 。( x ，y ) ) ( 2 1 3 ) 其中g ( ) 为更新函数， ( 上，y ) 为k 时亥0 采集到的图像，n 为用来估计背景图像 序列的长度，舅一。( x ，y ) 为上次统计得到的背景图像，并给以一定的权重。若 采样时间间隔为血，则统计时间为n f 。 在这个统计模型中，选择不同的更新函数g ( ) ，就可以得到不同的背景更 新算法。其中最简便和直观的方法就是选择均值函数作为更新函数，称为“序列 均值法” 16 】【1 刀。应用均值函数，公式( 2 1 3 ) 变为 e 0 ，y ) = 和d n ( z ( x ，y ) ，z 一。( x ，y ) ，z - ( 州) ( 工，y ) ，e 一1 ( x ，y ) ) 2 焘善z 拈卅e 拈瑚 ( 2 1 4 ) 这种方法建立的背景模型在静止区域与真实的背景相似度比较高，而在包含 运动区域时就与真实背景产生偏差，因为运动区域的灰度变化影响了均值结果。 所以这种方法适用于背景大部分时间可见、运动目标数量少的情况而且，为了 保证能有较小的估计偏差，需要对很长的视频序列进行计算求其均值，背景的更 新速度较慢。 另一种方法是“序列众数法”【1 8 】它选择众数函数作为更新函数g ( ) ，即 日( 工，y ) = 胁d e ( z ( x ，y ) ，z l ( 工，y ) ，- ，吖一1 ) ( 石，y ) ，e 一1 ( x ，y ) ) ( 2 1 5 ) 也就是认为像素点在视频序列中最可能出现的值为最大的概率分布，并将其作为 背景。这种方法是统计学模型算法中最精确的一种，但是它要对元素进行排序， 计算量和所消耗的存储空间都很大，而且需要很大的n 值才能得到统计意义上的 概率分布，因此更新图像的时间也比较慢。 在实际应用中，经验表明，当n 值比较小时，一种很好的折衷方法就是选择 中值函数作为更新函数 e ( x ，y ) = 胁历口n ( z ( x ，y ) ，一，( x ，y ) ，一，一。一) ( 工，y l 比e l ( x ，y ) ) ( 2 1 6 ) 它的假设前提是视频序列的像素超过半数是属于背景的，不然就会将前景运 动目标混入背景图像当中，产生混合现象。 为了进一步提高背景更新的统计模型的性能，不少学者提出了一些改进的方 法。文献”1 提出了一种“计分板”的方法，仅对图像变化小于某一阈值的像素采 用均值法进行更新，大大提高了算法的效率；文献【2 0 1 提出了一种基于块处理技术 的背景重建方法，即将图像分成n 块，计算每块的矢量，统计结果，分区域更新 背景，也在一定程度上提高了更新的速度。 2 0 2 2 2 基于卡尔曼滤波的背景模型 卡尔曼滤波( k a l m nf i l t e r ) 是卡尔曼( r e k a l m 8 n ) 于1 9 5 0 年提 出的，从与被提取信号有关的观测量中通过递推滤