梅黎錦

（上海電機學(xué)院 高職學(xué)院，上海 200240）

智能交通監(jiān)控主要用于減少交通堵塞與交通事故的頻繁發(fā)生，已經(jīng)受到廣泛關(guān)注.特別是空基系統(tǒng)的移動性強、視野廣的優(yōu)點，成為智能交通研究領(lǐng)域的一個熱點話題.

在硬件方面，文獻［1］提出了一個名為ATSS（Airborne Traffic Surveillance System）的監(jiān)控系統(tǒng)，利用無人駕駛飛機、高清攝像頭、無線網(wǎng)絡(luò)以及數(shù)字傳輸技術(shù)監(jiān)控交通流量.在軟件方面，設(shè)計一種高檢測率、低誤報率并且能滿足實時性需求的車輛檢測算法勢在必行.然而，能夠滿足需求的檢測算法并不容易設(shè)計，主要難點來自于攝像機的抖動.不少研究者在此方面已經(jīng)有很多努力，例如，比較著名的研究來自于文獻［2］提出的一套圖像配準(zhǔn)技術(shù)，該技術(shù)可以明顯地減少攝像機抖動帶來的影響.但是圖像配準(zhǔn)需要消耗大量的計算資源，使得在獲得準(zhǔn)確率的同時犧牲了大量的時間，不能滿足實時性需求.

此外，空基系統(tǒng)下所拍攝的城市交通圖像還存在以下幾個特點，使傳統(tǒng)的車輛檢測算法并不適用：①城市交通往往車輛擁擠，相鄰兩輛車很容易被識別為同一輛車輛，從而帶來漏報.例如，文獻［3］提出了一套無人機下簡單易行的車輛檢測技術(shù)，但是這套技術(shù)只能適應(yīng)于車輛很少的交通環(huán)境.②由于光線變化以及路邊復(fù)雜的場景，基于背景提取的檢測算法通常過于復(fù)雜，而基于光流的算法很難滿足實時性需求.例如，文獻［4］提出的光流算法用于分割背景和前景之間不同的光流密度場，從而起到車輛檢測的目的，然而這種算法需要消耗大量的計算時間，并且會在光噪聲強烈的地方產(chǎn)生大量的誤報.③城市交通下熱噪聲嚴(yán)重，使得基于熱圖像處理的算法無法適用.例如，MICHAELSEN E等人提取了一個三層熱圖像分類算法，并且在高速公路背景下取得了良好的車輛檢測效果，但是卻無法運行在城市交通背景之下.

因此，針對城市交通背景下的空基平臺，提出一種由粗到精的快速車輛檢測算法.該算法主要分為兩個過程：圖像預(yù)處理與分類.首先采用圖像預(yù)處理技術(shù)迅速提取道路區(qū)域，從而消除道路區(qū)域帶來的影響，獲得車輛候選區(qū)域.然后利用分類技術(shù)的高準(zhǔn)確性，在圖像候選區(qū)域中定位車輛的準(zhǔn)確位置.實驗表明，與傳統(tǒng)的車輛檢測算法相比，快速車輛檢測算法在檢測率、誤報率和檢測速度方面具有良好的表現(xiàn)性能.

1 檢測技術(shù)

檢測技術(shù)的基本框架圖如圖1所示，包括2個基本模塊：用于提取車輛候選區(qū)域的圖像預(yù)處理模塊以及用于對候選區(qū)域進行進一步細(xì)分的分類模塊.其中檢測流程可以用如下偽代碼描述：

圖1 系統(tǒng)流程圖Fig.1 System workflow image

1.1 圖像預(yù)處理

圖像預(yù)處理主要用于提取車輛候選區(qū)域，從而避免車輛擁擠和背景復(fù)雜所帶來的干擾，可以概述為以下步驟：

（1）對攝像頭所拍攝的相鄰兩幀圖像進行仿射變換.①從第二幀圖像中選擇一個尺寸為寬w、高h(yuǎn)、中心點為（w′，h′）的矩形區(qū)域.②從第一幀圖像中找到一個尺寸同樣為寬w、高h(yuǎn)的矩形區(qū)域，該矩形與第一幀中所得圖像具有最小的像素值差.③將第二幀圖像進行仿射變換，使得其與第一幀圖像中所得矩形相在世界坐標(biāo)系中重合.

（2）利用道路檢測算法提取非道路區(qū)域.由于城市交通下的空基圖像具有以下兩個特點：①道路覆蓋了圖像的大部分區(qū)域.②道路上的像素點的像素值差非常小，因此，直方圖統(tǒng)計法可以輕松獲取車輛可能存在的候選區(qū)域.圖2中右邊展示了統(tǒng)計直方圖三原色的分布狀況.其中，峰值點及其周邊區(qū)域代表了道路顏色的分布，而車輛只可能分布在非道路區(qū)域之中.

圖2 圖像預(yù)處理模塊示意圖Fig.2 Image process model

（4）利用圖像差分算法提取車輛候選區(qū)域.

在此模型中，由于攝像頭所拍攝的相鄰兩幀間隔為20～40 ms，而無人機在短時間間隔內(nèi)可以認(rèn)為是做直線運動.另外，圖像預(yù)處理模塊是一個粗略提取候選區(qū)域的過程，并不需要很高的精度.因此，（1）中為了避免旋轉(zhuǎn)仿射變換所帶來的大量計算消耗，只考慮圖像的水平和垂直兩個方向的運動.

1.2 分類模塊

車輛分類模塊主要用于對候選區(qū)域進行進一步的細(xì)分.在通過圖像預(yù)處理模塊之后，采用洪泛法配合差分算法獲得運動區(qū)域.結(jié)果如圖3所示，圖像中仍然存在一定程度的誤報.因此，經(jīng)研究采用一個訓(xùn)練獲得的分類器來消除誤報.基本流程為：

（1）調(diào)整候選區(qū)域的大小與訓(xùn)練樣本一致.

圖3 運動車輛候選區(qū)域提取Fig.3 Extraction of candidate vehicle region

（3）如果被判斷為車輛，則輸入檢測結(jié)果.

圖4 層疊分類器結(jié)構(gòu)Fig.4 Structure of cascade classifier

最終檢測結(jié)果如圖5所示，誤報率大幅度下降.

1.3 訓(xùn)練過程

對于分類器的訓(xùn)練過程，大量高質(zhì)量的正負(fù)訓(xùn)練樣本是分類器最終檢測效果的關(guān)鍵.因此，從高清圖像中手工獲取大量經(jīng)過精心挑選的樣本，并通過尺寸變換調(diào)整為32像素×16像素，采用亮度統(tǒng)計顏色模型中的灰度通道作為樣本基色.另外一個影響分類器效果的因素是分類器所采用的特征，文獻［5］提出Haar特征在行人檢測方面取得了良好的效果，因此研究采用了類似的處理方法.

研究所訓(xùn)練的每層單分類器的誤報率不高于0.95，而訓(xùn)練所采用的正樣本取自于正樣本庫，負(fù)樣本則取自負(fù)樣本庫與程序自動在無車輛圖片中隨機截取的海量負(fù)樣本，樣本示例如圖6和圖7所示.

圖5 最終結(jié)果圖Fig.5 Detection result

圖6 負(fù)樣本Fig.6 Negative sample

圖7 正樣本Fig.7 Positive sample

2 實驗結(jié)果

快速車輛檢測算法不僅可以從空基圖像上快速定位車輛區(qū)域，并且能夠有效地區(qū)分距離相近的兩輛車.下面利用對比實驗來驗證該算法在檢測率、誤報率以及檢測速度方面的綜合性能.

2.1 實驗平臺與視頻

實驗是基于真實空基平臺所拍攝的數(shù)字視頻進行的實時車輛檢測，采用Sony DCR-HC21E高清DV拍攝交通場景，Genuine Inter（R）2.60GHz處理器、4GB DDR內(nèi)存的計算機識別車輛.

飛行器的飛行高度約為60～90m，攝像頭的解析度為1 024像素×560像素，視頻中包括不同光照強度、車輛密度以及環(huán)境復(fù)雜度的檢測場景.而實驗中分類算法的掃描窗口大小為32像素×16像素.

2.2 檢測性能

空基平臺下車輛檢測技術(shù)的檢測性能主要可以用三方面來衡量：檢測率D，誤報率T以及檢測速度（幀·s－1）.而檢測率和誤報率可以用以下公式計算獲得：

式中：E為被檢測到的運動車輛數(shù)目；M為沒有車輛的區(qū)域被誤報為車輛的數(shù)目；F為沒有被檢測到的運動車輛數(shù)目.

為了有效地展示算法的表現(xiàn)性能，所有對比實驗都在相同的硬件平臺下運行.實驗1是傳統(tǒng)的圖像差分算法，該算法在安裝在電線桿、路邊建筑物等固定物體上的攝像頭所拍攝的場景中取得了良好的檢測性能.它利用圖像差分算法，計算相鄰兩幀圖像之間的像素差異獲取車輛區(qū)域.實驗2是在圖像差分的基礎(chǔ)上引入了車輛尺寸過濾器，根據(jù)車輛在真實世界中的尺寸范圍過濾掉不可能是車輛的區(qū)域［6］.實驗3是基于道路檢測的車輛提取算法［7］.實驗4是快速車輛檢測技術(shù).4個實驗的檢測結(jié)果如表1所示.

表1 對比實驗結(jié)果Tab.1 Comparison result

實驗結(jié)果表明，與傳統(tǒng)的圖像差分算法、車輛過濾技術(shù)以及基于道路的車輛檢測算法相比，快速車輛檢測算法具有更高的檢測率（80%～100%）、更低的誤報率（0～3%）.高檢測率是因為快速車輛檢測算法的道路檢測可以有效地區(qū)分距離相近的兩車；低誤報率則是因為車輛候選區(qū)域提取算法過濾掉了大部分不可能存在車輛的區(qū)域，以及經(jīng)過嚴(yán)格訓(xùn)練的分類器可以精分候選區(qū)域中的車輛.另外，盡管快速車輛檢測算法的檢測技術(shù)在速度方面不如實驗1和實驗2中的效果，但是已經(jīng)足夠滿足實時性的應(yīng)用需求.

3 結(jié)論

采用圖像預(yù)處理技術(shù)快速提取車輛候選區(qū)域，并用分類算法精確定位候選區(qū)域中的車輛.實驗結(jié)果表明，由粗到精的空基平臺下的快速車輛檢測算法在檢測率、誤報率和檢測速度方面具有良好的綜合性能.

未來的工作主要可以包括兩方面：第一，研究高性能的算法進一步提高檢測性能.第二，提高算法對不同環(huán)境的適應(yīng)性.

［1］SUMAN S，HANIPH L，JOHN S，et al.Airborne traffic surveillance systems-video surveillance of highway traffic［C］∥Proceedings of the ACM Second International Workshop on Video Surveillance and Sensor Networks.New York：Association for Computing Machinery，2004：131－135

［2］SHASTRY A C，SCHOWENGERDT R A.Airborne video registration and traffic-flow parameter estimation［J］.IEEE Transactions on Intelligent Transportation Systems，2005，6（4）：391－405.

［3］COIFMAN B，McCORD M M，MISHALANI R G，et al.Roadway traffic monitoring from an unmanned aerial vehicle［J］.IEE Proceedings：Intelligent Transport Systems，2006，153（1）：11－20.

［4］HULYA Y，MARTIAL H，ROBERT C，et al.A flow-based approach to vehicle detection and background mosaicking in airborne video［C］∥Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York：Institute of Electrical and Electronics Engineers Computer Society，2005：1202－1208.

［5］VIOLA P，JONES M J.Robust real-time face detection［J］.International Journal of Computer Vision，2004，57（2）：137－154.

［6］ANGEL A，HICKMAN M，CHANDNANI D，et al.Application of aerial video for traffic flow monitoring and management［C］∥Proceedings of the International Conference on Applications of Advanced Technologies in Transportation Engineering.New York：American Society of Civil Engineers，University of Arizona，2002：346－353.

［7］LIN Renjun，CAO Xianbin，XU Yanwu，et al.Airborne moving vehicle detection for urban traffic surveillance［C］∥IEEE Conference on Intelligent Transportation Systems，Proceedings，ITSC.Piscataway：Institute of Electrical and Electronics Engineers Inc，2008：163－167.