车辆视频流检测技术研究

车辆视频流检测技术研究

城市交通信号的智能控制通常基于交叉口车辆队列的长度。因此,车辆排队长度的检测是智能交通控制的基础。近几年来,图像处理和视频技术已经应用在车辆自动监视系统中。在实际道路交通场景中,由于不同的光照条件,车辆大小、颜色、形状各异,车辆被直接或间接(如被路边树的阴影)遮挡,给获取交通信息造成困难。Rourke和Bell提出了一种基于FFT的交通队列检测方法,该方法对检测区域图像进行采集,根据有车和无车图像对应频谱的不同,检测公路上是否存在车辆。该方法通过建立窗函数来降低计算量,但计算量仍然很大,该方法没有定量给出检测到的队列长度。后来,有些研究者在提出的算法中也没有给出相对准确的车辆排队长度。针对此,笔者提出一种新的视频检测方法,该方法将灰度检测与边缘检测结合来检测队列参数和计算队列长度。采用每10帧图像求平均来处理视频流,以减小噪声的影响。1排流式车辆存在检测为了检测队列参数,必须对交通图像中的部分区域进行处理,特引入了虚拟检测区域。虚拟检测区域由车辆的队首向后移动,由于随着队列中车辆由近及远,车辆在图像中的面积逐渐减小,故检测区域面积也相应逐渐减小。在实际应用中,为了获得较快的判决速度,只对整幅图像的1条或多条车道进行视频检测。针对每1条车道,队列检测采用了两种算法:运动检测和车辆存在检测。首先采用运动检测算法,若该算法没有检测到车辆运动,再进行车辆存在检测;确定是否存在队列。若只进行车辆存在检测,就无法判别在交通场景中只有车流(流量较大)而没有队列的情况,因为,在此情景下仍然可以检测出队列。若首先进行车辆运动的检测,则可在车流状态下不进行车辆检测,从而节省程序运行时间。运动检测和车辆存在检测并不在整个路段上同时进行,为了减少运算量,运动检测只针对队头和队尾,如果队列的头部没有运动,那队列内部车辆一般可认为是静止的(为了减小车间距的缓慢移动忽略不计);车辆存在检测则只针对队尾。摄像头布置在正对车头的地方;虚拟检测区设置在图像底部(即队头),可沿车道向队尾移动,移动过程中由于场景逐渐变远,检测区的面积相应减小。队列检测算法示意如图1所示。具体步骤如下。步骤1检测队头、可能的队尾是否存在运动,如果没有运动,转步骤2;否则继续步骤1重新检测。步骤2在可能的队尾进行灰度差法车辆存在检测,如果检测到车辆则向后移动检测区域,继续进行步骤1;反之进行步骤3。步骤3在虚拟区内进行边缘检测,若检测到车辆边缘则认为是由于车辆颜色、背景变化等造成漏检,移动虚拟区,转步骤1继续检测;若边缘检测结果与灰度差法相同,且同时搜索不到车辆,就认为是队列终点,输出结果。1.1图像中值滤波法对预处理后的图像划定检测区域进行有无车辆运动判断的、简单有效的方法是邻帧差法。其原理是把两幅相邻帧图像像素相减,滤除图像中的静止事物,仅保留运动体。由图像帧差得到二值图像,由二值图像(分别表示静止量和运动量)来判断车辆运动与否。该方法的优点是对环境的光线变化不敏感。因为一般情况下相邻两帧的光线、背景等条件不会有太大的变化。在相减之前对每帧图像进行中值滤波。本文仅对检测区域进行帧差,将所得差值与阈值比较,差值大于阈值则认为存在车辆运动,反之则认为没有车辆运动。由于运动体的邻帧图像灰度差远远大于静止场景中邻帧的灰度差,如图2、图3所示,故该方法能够较准确地检测出车辆运动。为了消除摄像机抖动引起的微小误差及光线变化的影响,检测区域不能太窄,检测区域宽度以约为1辆车的宽度为宜。1.2边缘检测法若虚拟区域内没有检测到车辆运动,则进行车辆信息检测。车辆信息检测方法通常有背景差值法和边缘检测法。背景差值法的优点是原理和算法设计简单,但容易受到光线、背景变化的影响,需要实时更新背景值。边缘检测法对环境、背景的变化不敏感,但由于噪声和模糊的存在,检测到的边界可能会在某些点处发生间断,从而影响判断。笔者将两种算法结合起来,先在检测区域采用背景差值法,如检测不到车辆信息则在该检测区域补充边缘检测确定是否为队列终点,反之向后移动检测区域继续采用背景差值法检测。1.2.1运动目标的图像背景差值法是选取背景中的1幅或几幅图像的平均灰度值作为背景图像,在确定获得理想的背景图的基础上,将各帧图像与理想背景相减。根据虚拟区域内像素点的数值变化判断是否有车。当前检测区域内的灰度值与背景模板的对应灰度值相减,如果结果大于阈值,则认为有车辆存在。运动目标的二值图像数学表达式为f⊳(x,y)={1|f2(x,y)-f1(x,y)|≥Τ0|f2(x,y)-f1(x,y)|<Τ(1)式中:T为阈值;f1(x,y),f2(x,y)分别为背景图像和当前输入帧图像。由于摄像机的抖动或场景环境的变化,必须实时更新背景的估计值,才能保证检测的精度。每次当道路场景中的车辆队列消失后,便重新获取背景灰度值,将无队列的连续几帧图像求平均灰度值作为新的背景图像。1.2.2车辆边缘提取边缘蕴含了丰富的内在信息,是图像识别中重要的图像特征之一。边缘在图像中表现为局部范围灰度的突变,边缘检测算子检查每个像素的邻域并对灰度变化率进行量化,也包括方向的确定。笔者采用Canny算子进行边缘检测。Canny边缘检测是一种比较新的边缘检测算子,具有很好的边缘检测性能。Canny边缘检测法利用高斯函数的一阶微分,采用两个阈值来分别检测强边缘和弱边缘,而且仅当弱边缘与强边缘相连时,弱边缘才会包含在输出中,因此,此方法能在噪声抑制和边缘检测之间取得较好的平衡。实现方法如下。1)用高斯滤波器对图像滤波,去除图像中的噪声。2)采用高斯算子的一阶微分对图像进行滤波,得到每个像素梯度的大小|G|和方向α。|G|=[(∂f∂x)2+(∂f∂y)2]0.5(2)α=arctan[∂f∂y/∂f∂x](3)式中:f为滤波后的图像。3)对梯度进行“非极大抑制”。4)对梯度取两次阈值得到T1和T2(T1小于T2),将梯度值小于T1的像素灰度设为0,得到图像1。然后将梯度值小于T2的像素灰度设为0,得到图像2。由于图像2的阈值较高,去除了大部分噪声,但同时也损失了有用的边缘信息。而图像1的阈值较低,保留了较多的信息。因此以图像2为基础,以图像1为补充来连接图像的边缘。5)连接边缘的具体步骤如下。(1)对图像2进行扫描,当遇到一个非零灰度的像素P时,跟踪以P为开始点的轮廓线,直到该轮廓线的终点Q。(2)考察图像1与图像2中Q点位置对应的点Q′的8-邻近区域。如果在Q′点的8-邻近区域中有非零像素R′存在,则将其包括到图像2中,作为点R。从R开始,重复第(1)步,直到在图像1和图像2中都无法继续为止。(3)当完成对包含P的轮廓线的连接之后,将这条轮廓线标记为已访问。回到第(1)步,寻找下一条轮廓线。重复步骤(1)、(2)、(3),直到图像2中找不到新轮廓线为止。边缘检测算法是在背景差值法检测不到车辆,同时判断是否为队尾的情况时采用。交通图像中车辆的大小、颜色、外形都有很大差别,有车图像的共同点是经过边缘提取后,车体边缘表现为或多或少、或粗或细的一些直线。因此对于车辆边缘的识别,笔者采用直线检测算法。直线检测算法原理如图4所示,一个网格代表1幅图像的一个像素。对图像中检测边缘后的虚拟区,处理过程是从(i0,j0)像素开始,从左至右,从下至上,处理每一个像素。以黑色点像素(i,j)为例,每个像素处理过程为根据参数W、L,先检测相邻上方的点,再检测相邻右方的点,只要在一个方向上检测到直线(标志LineHExist为真或者LineVExist为真),则判定(i,j)位于某条直线上,置LineExist(i,j)为真,检测到的直线数加1。显然,W,L参数是控制直线检测精度(图4中,W=L;W,L也可取相异值),一般W/L需小于1(大于1时会产生重复判断)。当W/L越大时,检测到的曲线可能不是近似直线,而是比较弯曲的线;当W越小,L越大,即W/L越小时,检测到的直线精度越高,尽管有一部分倾斜度较大的直线不易检测到,但并不影响处理结果。因为在提取边缘后,汽车边缘直线绝大部分位于垂直或水平方向,或是稍有偏离,但倾斜度不会太大。2维图像排放系数的计算视频车辆检测是将摄像机架设在车道上方,对摄像头采集的图像进行实时动态图像的分析处理,检测出多项交通信息。实际应用中,摄像机比较理想的安装高度应该在7.5~10m的范围内。本系统中,检测到队列终点后,可得到二维图像上的排队长度,进而计算实际车辆的排队长度。二维图像中像素点代表的实际长度与摄像机的安装位置有关,如图5所示。每个像素点代表的实际长度为L=h×tan[arctan(d/h)+θ/r]-d(4)式中:θ为摄像机的视场(FOV)角度;θ/r为一个像素点对应的角度;L为一个像素点对应的实际长度;r为图像的垂直分辨率(一幅图像的行数);h为摄像机的安装高度。由图5中各参数间的几何关系可知,摄像机能够监视的最大距离dmax由安装高度h、最小距离dmin和FOV角度θ决定:dmax=h×tan[arctan(dmin/h)+θ](5)3序列检测算法测试为测试本文所采用的队列检测算法的性能,以北京市劲松桥下路口所摄图像为例,进行了一系列的测试实验。由摄像头得到的数据为每秒25帧的视频流,根据路口交通控制的实时性要求(不需要每帧图像都处理),本文采用每10帧图像求平均来进行处理,这样可减小摄像头抖动以及环境发生微小变化引起的误差。图6是队列检测测试的一个实例,图6(a)中黄线所示为检测到的队列终点,图6(b)所示为灰度差法检测不到车辆时在虚拟区进行的边缘检测结果,可以看出只检测到了一辆车的尾部。故灰度与边缘检测两种方法结合,可判定该处即为队列终点。图6(c)为检测结果。多次测试实验表明,该队列算法准确率较高,平均误差小于车长的1/3。在没有任何软件优化及硬件加速的情况下,在IntelPent