張星龍，馮 全

（甘肅農(nóng)業(yè)大學 工學院，甘肅 蘭州 730070）

隨著經(jīng)濟技術(shù)的快速發(fā)展，工業(yè)水平的不斷進步，道路上機動車的數(shù)量也在迅猛的增加。因此，為了保證交通運輸?shù)耐〞?，對交通資源合理分配的要求也在不斷提高。根據(jù)對大量交通擁堵的數(shù)據(jù)統(tǒng)計分析得出，低效、原始的交通資源分配和管理模式是道路堵塞的主要原因，現(xiàn)有的道路資源并沒有得到充分的利用。由于警力有限，通過人力提高管理效能是不現(xiàn)實的。而基于在城市中安裝大量傳感器建立的監(jiān)測網(wǎng)絡(luò)系統(tǒng)又會耗費很多不必要的經(jīng)濟投入[1-2]。所以有必要開發(fā)一種低成本、低人工、高智能的現(xiàn)代化監(jiān)控系統(tǒng)，代替原始、老舊的工作模式，實現(xiàn)車流量的統(tǒng)計和運動目標的識別。

文中提出了一種在交通路口監(jiān)控識別機動車與非機動車的方法，主要使用背景差分法提取運動目標[3]，然后對圖像進行透視變換，采用一個統(tǒng)一的閾值濾除行人、自行車和摩托車等非監(jiān)控目標，只針對車輛進行檢測。該設(shè)計的目的是提高車輛檢測的準確性，為合理安排交通資源提供可靠、準確的統(tǒng)計數(shù)據(jù)，減少交通擁堵。

1 運動目標提取

本文采用背景差分法檢測交通視頻中的運動目標，該方法通過比較當前幀與背景圖像的差異實現(xiàn)對目標運動區(qū)域的檢測。假設(shè)B為背景幀，It是第t幀的視頻序列，則背景差分的計算公式為：

其中（i，j）為每個像素點的位置，|·|表示絕對值運算，通過計算進入檢測區(qū)域圖像與背景的差異可以檢測到運動目標的位置、大小等信息。得到的差異值需要通過閾值判斷實現(xiàn)二值化操作，最終確定目標的位置，二值化的計算公式為：

其中τ是閾值，即當當前幀圖像與背景圖像的差異大于該值時才被識別為運動目標。

為了克服物體移動產(chǎn)生的陰影、光照變化和其他運動對象的影響、天氣因素的干擾，采用了高斯混合模型[4]（Gaussian Mixture Models，GMM）。該方法使用若干個高斯模型來表征圖像中各個像素點的特征，用當前圖像中的每個像素點與混合高斯模型匹配，如果成功則判定該點為背景點，否則為前景點[5]。

高斯混合模型是一種像素在時間域上的概率分布。定義t時刻X像素點的像素值Xt屬于背景像素的概率為：

在視頻監(jiān)控中認為像素點是有前景、背景和陰影組成，故K一般選擇為3，協(xié)方差矩陣Σj，t可 以表 示 為·I。 其中，σj，t表示第j個高斯分布的標準差，I為單位矩陣。

圖像中每個像素點的概率分布都是由一組混合高斯函數(shù)描述的。當讀入一個新的像素值，Xt+1，Xt+1的概率一般用混合高斯模型中占主要成分的幾個分布函數(shù)來描述，并且用像素值Xt+1更新模型，從而實現(xiàn)背景圖像的不斷更新。

這種方法能夠很好的解決由光照突變、背景中運動物體以及場景長時間緩慢變化甚至不變以及其他外界環(huán)境所產(chǎn)生的影響。

圖1 建立高斯混合模型進行運動目標提取Fig.1 Detected moving objects using Gaussian mixture model

可以從圖1中看出高斯混合模型對運動與非運動目標的提取效果。圖中上下方向為紅燈禁行狀態(tài)，左右方向為綠燈通行狀態(tài)。經(jīng)過處理后，左右方向上通行的四輛機動車均被識別并效果明顯，而上下方向上停止中的機動與非機動車輛均被很好的屏蔽，但由于高斯混合模型對運動目標敏感的特性，下方運動的摩托車也被識別為機動車輛，對檢測形成干擾。

2 透視變換與非監(jiān)測目標的剔除方法

智能交通系統(tǒng)監(jiān)控視頻中包含了多種不同類型的運動目標，例如車輛（監(jiān)控目標）以及行人、摩托車和自行車等（非監(jiān)控目標）。在檢測機動車輛時，視頻中出現(xiàn)的非監(jiān)控目標會產(chǎn)生較強的干擾。因此需要在提取車輛的同時排除以上目標的干擾，提高車輛識別的準確率。

運動目標的識別過程中，面積和顏色都是重要的參考依據(jù)[6]，其中機動車的面積比較大，其次是非機動車，行人的面積最小。并且由于行人頭發(fā)顏色的原因，車輛上不會出現(xiàn)與人頭部面積相當?shù)暮谏珔^(qū)域，若是黑色汽車，則整個車身都為黑色且面積較大；若不是黑色汽車則不會出現(xiàn)黑色區(qū)域，所以顏色特征又能在面積特征的基礎(chǔ)上，進一步的確認目標的類別。

但由于攝像機的成像特性與光學原理所產(chǎn)生的透視效果，會導致在圖像中不同位置的目標產(chǎn)生透視畸變，最明顯的結(jié)果就是遠處物體明顯縮小。從而影響了基于面積和像素數(shù)量的目標識別過程，導致攝像頭遠端方向上的有效目標可能被誤判或消除，對整體識別的效果產(chǎn)生很大的干擾：目標識別不準確、目標計數(shù)不準確等。為了消除這方面的影響，就需要對產(chǎn)生畸變的圖像進行矯正。

真實坐標在攝像機像平面中成像的過程可以用數(shù)學公式表示為 A=HB，其中 A（X，Y）是真實世界坐標向量，B（x，y）是像平面坐標向量，H是變換矩陣[8]。實際情況中根據(jù)攝像頭與地面相對靜止的特點，通過手動標定，確定圖1（a）中上下方向道路與左右方向道路的白色實線和路沿延長線的4個交點為矯正參考點，將該區(qū)域變換為已知的矩形。變換過程可以具體描述為：

其中 a、b、c、d、e、f、g、h 為變換矩陣的參數(shù)。 可以看出：

展開并消除得到：

所有變換前后的一對坐標點都能夠滿足上式。通過畸變前后標定的四對相對應(yīng)的控制點坐標，將坐標代入式（3）則可得出四對方程組，由8個方程解出變換矩陣的8個參數(shù)a，b，c，d，e，f，g，h。

式（3）用矩陣表示為：

根據(jù)已知變換矩陣參數(shù)，將需要變換圖像的每個像素坐標代入式（4），通過最小二乘法就能獲得變換后的坐標。

視頻圖像中，透視變換對于較遠的物體會產(chǎn)生較大畸變，解決交通路口的實際問題中，需要結(jié)合實際問題，選擇畸變較小的區(qū)域；此外選擇特定區(qū)域也在一定程度上減少了需要處理的目標數(shù)量。本文的監(jiān)控區(qū)域圍十字路口，選擇的監(jiān)控區(qū)域圍圖像從下往上約2/3的圖像區(qū)域 （即圖2（a）虛線以下區(qū)域），在該范圍內(nèi)的目標由于透視效應(yīng)，非監(jiān)測而目標（如圖2（a）白色箭頭所指位置）的尺寸相差較大。而變換后的圖像模矯正了透視畸變，使非監(jiān)測目標之間的尺寸較為接近，而與機動車的尺寸則相差較大（見圖2（b））。這樣，可以據(jù)每個運動目標區(qū)域面積和長寬比，剔除非監(jiān)測目標。

圖2 透視變換Fig.2 Perspective transformation

在檢測車輛的同時，對檢測到的行人和非機動車進行反向剔除處理，具體方法為：若運動對象面積小于閾值T1且高寬比大于閾值T2，則認為是非監(jiān)測目標，將這一部分運動區(qū)域與之前高斯混合模型提取的運動前景圖像做二次差分運算，消除掉非機動車的干擾，最終達到提高機動車檢測準確率的目的。例如，圖3（a）中，在監(jiān)視區(qū)域，運動目標有3個，分別是圖像中部的出租車以及一輛自行車和一輛摩托車（后者在圖中的白色箭頭處），后者距攝像頭的距離相差較大，故在圖像中尺寸相差也較大。圖3（b）給出了這3個對象經(jīng)過運動目標檢測和透視變換后的情況，可以看出中的兩個干擾目標尺寸相近。圖3（c）給出用相同的閾值將它們剔除后的圖像。

3 實驗結(jié)果

根據(jù)本文提出的方法，通過在銀川市寶湖路與鳳凰街路口采集到的一段時長90秒、每秒20幀的視頻，在Matlab2013b的環(huán)境中進行了測試。測試結(jié)果如表1所示。

圖3 不同位置的處理效果比較Fig.3 Comparison of the effects in different locations

表1 程序檢測運行結(jié)果Tab.1 Test result of prgram

4 結(jié)論

實驗結(jié)果表明，該方法對提高識別車輛是有效的，與傳統(tǒng)的直接車輛檢測方法相比，本方法優(yōu)化了運行的結(jié)果，排除了可能存在的干擾，有效的降低了誤檢率。采用了改進算法后仍然存在少量誤檢與漏檢，其中誤檢來源與非機動車目標在圖像中較為接近，受視頻質(zhì)量的限制無法區(qū)分；漏檢來源與目標運動速度極其緩慢，是由高斯混合模型的特性對此并不敏感導致的。在試驗中，由于圖像質(zhì)量和處理方法的不同，會對目標的識別、實驗的結(jié)果產(chǎn)生很大影響。因此，不斷的優(yōu)化算法，

提高圖像處理的精度和速度也是今后需要改進的方向。

[1]ZHANG W，Tan G，Ding N，et al.Vehicle classification algorithm basedonbinaryproximitymagneticsensorsand neural network[C]//11th International IEEE Conference on Intelligent Transportation Systems，2008:145-150.

[2]Munoz-Ferreras Ma J，Perez-Martinez F，Calvo-Gallego J，et al.Traffic surveillance system based on a high-resolution radar[C]//IEEEtransactionson geoscienceand remote sensing，2008:1624-1633.

[3]陳鳳東，洪炳镕.基于動態(tài)閾值背景差分算法的目標檢測方法[J].哈爾濱工業(yè)大學學報，2005，37（7）:883-885.CHEN Feng-dong，HONG Bing-rong.Object detecting method based on background image difference using dynamic threshold[J].Journal of Harbin Institute of Technology，2005，37（7）:883-885.

[4]Haque M，Murshed M，Paul M.A hybrid object detection technique from dynamic background using gaussian mixture models[C]//10th Multimedia Signal Processing，2008：915-920.

[5]張偉.基于DM6446的視頻運動車輛及交通流量監(jiān)測系統(tǒng)研究[D].杭州：杭州電子科技大學，2010.

[6]王琪.關(guān)于運動目標特征提取車輛顏色識別算法的研究[D].成都：電子科技大學，2011.