基于图像局部特征的交叉口行车检测方法

基于图像局部特征的交叉口行车检测方法

1基于fft的交通监控与阵列检测近年来，在车辆的自动监控系统中应用的图像技术越来越多。不同的光照条件,车辆的大小、颜色、形状各异,以及车辆被直接或间接(如被路边树的阴影)遮挡等,都为获取交通信息带来了困难。对于不同的路段,如交通路口附近、高速公路等,处理方法又有所不同。本文研究的目标是从在交通路口拍摄下来的图像中自动检测交通路口的车辆排队的长度。Rourke和Bell在1991年提出了一种基于FFT的交通监控及队列检测的方法,该方法依据检测区域在图像中有车和无车对应频谱的不同,来检测公路上是否存在车辆。该方法通过建立窗函数降低了计算量,但是仍然很费时,而且没有定量的给出检测到的队列长度。Hoose于1992年提出的算法同样不能给出相对准确的车辆排队长度。本文提出的方法通过融合了图像的点特征(角点)和线特征(边缘),完成车流长度的检测。2算法的描述2.1图像的特征区别交通视频图像中,目标(即车辆)的一些几何特征常常可以被用来代表整个车辆信息。通常选取为特征的量包括点特征(图像中的一些重要象素点的位置及其取值,例如曲率变化比较大的点、灰度变化比较大的点等等)、线特征(指定义在从图像中提取出来的各种线段或曲线之上,能够描述出线段或者曲线的位置及性质,例如长度、轮廓走向、平滑度等等的各种度量)和区域特征即面特征(指定义在图像中某区域之上,用来描述该区域的大小、圆度等特征的度量)。本文主要是利用线特征和点特征。2.1.1交通视频图像中的差分线特征作为规则图形的特征非常理想。线特征的提取速度比较快。通常线特征的提取采用Sobel算子等一些常见的差分算子,仅需对图像计算一次差分,规定好阈值后就可以进行线特征提取。如果目标是规则的几何图形,线特征将很明显,例如多边形、多面体等图形的边沿,同时线特征对于点噪声不敏感,抗干扰性好。但是,在交通视频图像中,采用线特征也存在一些不足。最严重的问题是,在交通拥挤的情况下,线特征不稳定。如图1所示,随着目标间的相对移动,目标被提取出来的线特征长度发生变化。图中深色线段表示出图像中的两个线特征,当出现遮挡时,他们的长度发生了变化。2.1.2检测算法优缺点点特征是目标上的标志点,通常可以选择目标图形的顶点、颜色(灰度)突变点作为特征点。选取点特征的优点是,目标由于相对运动造成的遮挡现象仅仅会造成特征点的消失和出现,变化较简单;其缺点有二:一是提取速度慢,二是容易受噪声影响,检测算法不稳定。本文力求融合点特征和线特征的优点,以提高检测的精度。对于线特征,我们就采用比较常用的Soble算子法,下面将主要介绍点特征的提取。2.2角点特征选取在计算机视觉领域中,轮廓特征点具有相当重要的作用。轮廓特征点包括角点、切点和拐点,其中,角点指沿图像边缘曲线上的具有曲率局部极大值的点,或者在一定条件下可以放宽为曲率大于一定阈值的点;切点特征是指图像边缘曲线上圆弧和直线的平滑过渡点;拐点特征是指图像边缘曲线上凸圆弧和凹圆弧的平滑过渡点,如图2中所示。这些特征点是决定目标形状的最基本的特征基元,一旦找到了目标的这些特征点也就大致掌握了目标的形状。由于切点和拐点的提取都比较困难,且角点特征中的信息更加丰富,更能代表车的整体特性,因此本文采用比较容易检测的角点作为特征点。在选择不同的角点检测算法时,可以从如下几方面来衡量其算法性能的好坏:1)检测结果的精确性:能检测出来各种角点;2)检测结果抗噪声能力强:能够有效抑制颗粒状高频噪声,不会把这类噪声作为角点检测;3)检测结果位置的准确性:要求检测出来的角点特征位置和实际的角点位置差异足够小;4)检测结果的稳定性:对于同一背景下采得的不同图像样本,角点检测结果可以很好地重复;5)算法复杂度:较低的算法复杂度可以使其实现的时候更为快捷。2.2.1基于高斯平滑的孔隙率检测算法在对多种角点检测算法进行了比较之后,我们采用了ZhiqiangZheng于1999年提出的一种新的角点检测器。这种算法是一种基于灰度图像的角点检测方法,通过计算经过高斯平滑后图像的自相关性来检测角点,算法实现简单。并且在角点的求取过程中,首先对子窗口进行了高斯平滑过程,也就是进行了低通滤波,如下面所述,使得该过程对高频噪声具有一定的抗噪能力。角点检测算法实现的主要步骤如下:1)计算灰度的梯度图像;2)计算高斯局部平滑变量,主要是为了避免把那些呈阶跃状的边缘误判为角点,也就是说起着抑制高频噪声影响的作用;3)计算角点尺度;4)选定适当的阈值,输出所有的满足尺度大于阈值的点,作为角点。2.3逆映射后的几何关系实际采集的三维图像是三维空间坐标在二维摄像头像平面上的映射,需要对采集的图像先进行逆映射后再进行实际几何关系计算。通常摄像头和公路坐标系的位置关系如图3所示。我们要确定图像上的检测区域在实际三维空间中的大小时,首先要做的就是确定成像模型(是指三维空间到视平面的投影关系)。2.3.1物理方面的研究小孔成像模型是一种理想的投影成像模型,它具有很好的物理性质。模型由图4所示。其中,S是视平面,C是小孔的位置,且有f=d(S,C)是该成像系统的焦距。2.3.2车高度传播域的划分虽然小孔成像模型具有很好的物理性质,但是实际的成像系统通常都是透视成像的。不过因为在实际的成像系统中物距都是远远大于像距的,所以还是可以近似用小孔成像模型来表示。并且,为了方便起见,还常常取坐标系为成正实像的投影变换坐标系,即将视平面的位置与光心(空间坐标系的原点)的位置对调。可以得到,视平面上的点p(x,y)与空间中的对应点P(X,Y,Z)之间的关系满足式(1)(取视平面S与光轴Z垂直):其中f是视点C到视平面S的距离。实际应用如图5所示,其中X′-Y′-Z′为公路坐标系,X-Y-Z为三维空间的坐标系,x-y是摄像头像平面坐标系。通过X-Y-Z为三维空间的坐标系这个中间环节,得到X′-Y′-Z′到摄像头像平面空间坐标系(x-y)的映射关系。其中各点物理意义为:O:摄像头焦点;f:焦距;Z0:摄像头光轴与公路的交点到X-O-Y坐标系原点的距离;θ:光轴与公路平面的平面角。本文中假设车的高度相对整个检测区域的尺寸可以忽略不计,即令:X′=0。变换关系如下:这样,已知像平面上的某点,就可以按照式(2)变换得到实际公路坐标系上的点。2.4排放系数的检测方法有了2.3所讲到的映射关系,我们就可以根据图像上的车辆队列的长度来得到实际车的长度。下面提到的长度,如没有特殊声明,均指的是实际三维空间的数据。本文提出的检测路口排队长度的算法,主要包括两个部分,分别得到两种意义的排队车长。一是车辆总排队长度,即在可视范围内所有的车辆长度,包括停止的和运动的车辆;二是得到停下来的车辆的排队长度。下面将分别介绍算法的两个部分:图像中道路的轴线先用边缘算子(如Sobel)得到被监控道路上的车量的边缘图像,再将得到的边缘映射到图像中道路的中轴线,如图6,继而统计中轴线上亮点的个数(即值等于1的象素个数),得到二维图像上的车队长度,然后通过公式(2)得到实际车辆的排队长度。由于该方法是对整个路面统一处理,得到的是车辆的整体排队长度,无法具体区分运动车辆与静止排队车辆的长度。行为表现的问题在路口监视系统中,有些情况(如控制交通灯的变化)需要得到已经停止车辆的长度,我们在前面用边缘信息得到总体排队车辆的长度基础上,结合点特征来得到这一参数。实际在统计亮点个数的时候,并不是逐行的进行扫描,而是一次扫描n行。n为实际中略小于一辆车的长度映射到二维图像上得到的象素数。本文中用的是略小于一辆天津夏历(TJ7101U型)的长度——3.5米。这里我们假设司机会自动并道停车,即使用所有可用的行车道,这也是符合实际情况的。在统计过程中,如果发现统计区域中(即3.5米)亮点的个数少于一半时,就假定此区域可能是停止车辆排队的终点,然后启动角点检测程序,如果该区域的角点数小于一定的阈值(此值可以根据实际需要来选取,通常可以选择一辆车平均角点的倍数),就认为当前扫描行为车辆排队的终点,如果大于相应的阈值,就继续扫描。下面主要就第二部分的结果即确定停止的车辆排队长度进行分析。3图像序列的检测我们用从北京市交通管理局采集到的白堆子路口为例,得到的实验结果。得到的数据为视频流,根据路口交通控制的特点,即不需要每帧画面都需要处理,我们采取每5秒提取一帧画面来进行处理。采集到的原始图、处理后得到的边缘图以及角点图由图7～9所示。在实际处理中,如2.4节所述,只是在可能的队尾才启动角点程序,检测相应区域中点的数目,如图10所示。在对大约10分钟的图像序列检测中,得到的结果是比较满意的,其中前50秒的结果及误差见图11及表1所示。图11中上面两条线中的实线代表实际的队列长度,虚线为检测到的队列长度,下面的实线为检测的误差。其中实际长度是在采集路口视频图像时,通过计算路中间护拦的个数得到的,误差为:|实际长度-检测长度|/实际长