張志杰，楊 碩

(1.西南民族大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，四川成都 610000; 2.沈陽(yáng)化工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，遼寧沈陽(yáng) 110142)

主-從PTZ視頻檢測(cè)軟件模塊化設(shè)計(jì)及架構(gòu)

張志杰1，楊 碩2

(1.西南民族大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，四川成都 610000; 2.沈陽(yáng)化工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，遼寧沈陽(yáng) 110142)

前方路面車(chē)輛的檢測(cè)和跟蹤是智能交通系統(tǒng)中的重要問(wèn)題。使用單定焦相機(jī)的系統(tǒng)，對(duì)處于復(fù)雜環(huán)境下的車(chē)輛視野有限，遠(yuǎn)處目標(biāo)的特征細(xì)節(jié)很難捕獲，較寬視野區(qū)域中的特征分辨率較低;而要獲得較高分辨率，就只能夠縮小監(jiān)控區(qū)域的視野，因此檢測(cè)效果較差。為解決單定焦相機(jī)視野與分辨率之間的沖突，文中引入主-從PTZ系統(tǒng)加以改進(jìn)。其中，主系統(tǒng)采用固定的廣角鏡頭以獲得較寬的視野，同時(shí)采用高清晰度的PTZ相機(jī)作為從系統(tǒng)，提升較寬的視野中特定目標(biāo)區(qū)域的分辨率。文中提出并實(shí)現(xiàn)了一個(gè)主-從PTZ視覺(jué)檢測(cè)軟件的模塊化解決方案。該方案利用主系統(tǒng)進(jìn)行廣角搜索，利用從PTZ增強(qiáng)特征細(xì)節(jié)。測(cè)試結(jié)果表明，該系統(tǒng)能夠?qū)崿F(xiàn)較寬視野中特定目標(biāo)的較快檢測(cè)，提高目標(biāo)圖像細(xì)節(jié)分辨率，改進(jìn)目標(biāo)特征細(xì)節(jié)檢測(cè)率，同時(shí)具有簡(jiǎn)單、快速、高效、易于二次開(kāi)發(fā)等優(yōu)點(diǎn)。

視覺(jué)檢測(cè);主-從PTZ;系統(tǒng)框架;智能交通;設(shè)計(jì)模式

0 引言

智能交通系統(tǒng)(Intelligent Transportation System，ITS)的目的是實(shí)現(xiàn)全方位、大范圍內(nèi)交通運(yùn)輸管理的實(shí)時(shí)、準(zhǔn)確、高效。為此，智能交通系統(tǒng)正在將數(shù)據(jù)通訊傳輸技術(shù)、電子傳感技術(shù)、自動(dòng)控制技術(shù)、數(shù)據(jù)挖掘技術(shù)等進(jìn)行交叉、集成，力圖將先進(jìn)的信息技術(shù)有效地集成運(yùn)用于整個(gè)交通管理系統(tǒng)，實(shí)現(xiàn)立體管理［1］。

美、歐、日等發(fā)達(dá)國(guó)家基本上完成了ITS體系框架，現(xiàn)階段的重點(diǎn)是在發(fā)展領(lǐng)域進(jìn)行大規(guī)模的應(yīng)用。ITS的應(yīng)用發(fā)展表明，ITS能夠更加高效地利用現(xiàn)有交通設(shè)施、保證交通安全、提高運(yùn)輸效率、減少交通負(fù)荷和環(huán)境污染［2］。

ITS的一個(gè)重要特點(diǎn)是與物聯(lián)網(wǎng)技術(shù)關(guān)系密切，其具體應(yīng)用均圍繞信息的收集、處理、發(fā)布、交換、分析、利用等內(nèi)容，動(dòng)態(tài)交通信息流是ITS研發(fā)與應(yīng)用的主線。

高效、智能的視頻檢測(cè)技術(shù)，是智能控制也是物聯(lián)網(wǎng)服務(wù)的研發(fā)目標(biāo)之一，具有良好的市場(chǎng)應(yīng)用前景，且經(jīng)濟(jì)效益與社會(huì)效益良好。

通過(guò)對(duì)主-從PTZ視覺(jué)檢測(cè)系統(tǒng)的研究，再輔以信息技術(shù)、通信技術(shù)、控制技術(shù)、傳感技術(shù)和系統(tǒng)綜合等主要技術(shù)手段，以智能道路、智能路口、智能監(jiān)控和智能車(chē)輛等為主要研究?jī)?nèi)容，可以進(jìn)一步降低交通事故率，其應(yīng)用前景廣闊。

1 視覺(jué)檢測(cè)

視覺(jué)檢測(cè)，是指利用攝像機(jī)作為記錄設(shè)備，通過(guò)對(duì)目標(biāo)圖像、目標(biāo)視頻進(jìn)行預(yù)處理，然后再進(jìn)行后繼分析，以獲得動(dòng)態(tài)信息流的檢測(cè)手段［3］。

視覺(jué)檢測(cè)能夠應(yīng)用于許多領(lǐng)域:工業(yè)自動(dòng)化中的工程控制，比如工業(yè)機(jī)器人;醫(yī)學(xué)圖像與信號(hào)處理，比如超聲波視頻檢測(cè)、CT圖像檢測(cè)等;監(jiān)控視頻的自動(dòng)篩選，比如人數(shù)統(tǒng)計(jì)與特定目標(biāo)的識(shí)別;軍用民用的各類交通工具、運(yùn)載武器的自動(dòng)識(shí)別，比如精確制導(dǎo)導(dǎo)彈的目標(biāo)識(shí)別與戰(zhàn)場(chǎng)感知。

此外，視覺(jué)檢測(cè)快速發(fā)展的一個(gè)應(yīng)用領(lǐng)域是各類無(wú)人機(jī)(Unmanned Aerial Vehicle，UAV)，此類應(yīng)用不僅包括無(wú)人機(jī)，另有無(wú)人潛水艇、無(wú)人車(chē)輛、特種作業(yè)機(jī)器人等，均依賴于基于計(jì)算機(jī)視覺(jué)的視覺(jué)檢測(cè)系統(tǒng)，實(shí)現(xiàn)機(jī)器自主導(dǎo)航(Machine Navigation or Robot Navigation)、障礙物檢測(cè)(Obstacle Detection)、機(jī)器路線規(guī)劃(Route Planning)、環(huán)境生成(Simultaneous Localization And Mapping，SLAM 或 Concurrent Mapping and Localization，CML)、檢測(cè)特定的事件等功能。該類視覺(jué)檢測(cè)技術(shù)，尤其在NASA的太空探索計(jì)劃中，得到大量的應(yīng)用，例如:探月車(chē)、火星探測(cè)器等，其技術(shù)水平正在不斷進(jìn)步與提升中。

具體到ITS的信息采集方式，主要是自動(dòng)采集。而現(xiàn)階段ITS自動(dòng)采集的技術(shù)手段，又可以分為磁性檢測(cè)器、光學(xué)檢測(cè)器、微波檢測(cè)器、路況傳感器及測(cè)重傳感器等。在ITS中，視覺(jué)檢測(cè)的優(yōu)勢(shì)在于其形象、直觀、易于獲取，作為第一手的信息，其可靠性、信息包含的內(nèi)容都具有明顯優(yōu)勢(shì)。

而在現(xiàn)有水平的ITS中，視覺(jué)檢測(cè)存在的主要問(wèn)題在于:

(1)精度與價(jià)格相關(guān)。其可靠性、精確性依賴采集設(shè)備的物理特性，且往往與設(shè)備的價(jià)格成正比例關(guān)系，高精度的設(shè)備價(jià)格也更高。

(2)數(shù)據(jù)分析、處理的工作量大。作為攝像頭采集圖像、視頻信息，其采集具有自動(dòng)、全方位、大范圍、多角度等特點(diǎn)，數(shù)據(jù)量與采集設(shè)備工作時(shí)間成正比;采集的圖像、視頻信息中，存在大量的冗余信息，需要進(jìn)行篩選?，F(xiàn)階段，篩選工作仍然在很大程度上依賴于人力，其工作效率與機(jī)器數(shù)據(jù)采集的速度，存在很大差異。

(3)復(fù)雜環(huán)境下的精確度降低。視頻檢測(cè)的精度、速度，在很多情況下會(huì)隨著環(huán)境的復(fù)雜性變化而受到很大的影響。比如，晴朗天氣下視頻的單獨(dú)車(chē)輛車(chē)牌識(shí)別，就比雨天、雪天、霧天、復(fù)雜背景、快速變化、遮擋阻攔等情況下的精度、速度要高;換而言之，復(fù)雜環(huán)境下的視頻檢測(cè)還有待改進(jìn)。

(4)算法設(shè)計(jì)的局限性。由于復(fù)雜環(huán)境下的視頻檢測(cè)算法在實(shí)際應(yīng)用中存在諸多局限，因此，ITS作為視頻檢測(cè)的應(yīng)用背景，彰顯出若干視頻檢測(cè)算法的若干局限性，所有這些局限性為視頻檢測(cè)算法的發(fā)展提出了新的要求［4］。

2 主－從PTZ解決方案

視頻檢測(cè)，作為動(dòng)態(tài)信息流采集的重要渠道，一直是研究的熱點(diǎn)。而前方路面車(chē)輛的檢測(cè)和跟蹤則是ITS中動(dòng)態(tài)信息交通流的重要問(wèn)題，因而，日益受到各國(guó)的重視。

因此，解決好復(fù)雜環(huán)境下周?chē)?chē)輛的檢測(cè)和跟蹤問(wèn)題是降低事故發(fā)生率的一個(gè)有效手段。復(fù)雜環(huán)境分為:自然環(huán)境的復(fù)雜性(如雨天、霧天、能見(jiàn)度低等)和獲取的視頻圖像的復(fù)雜性(如復(fù)雜的圖像背景、劇烈的光照度變化、遮擋、運(yùn)動(dòng)平臺(tái)下相機(jī)的抖動(dòng)等)。

在現(xiàn)有文獻(xiàn)中，基于視頻的車(chē)輛檢測(cè)算法可以分為兩個(gè)步驟:

(1)假設(shè)生成:獲得圖像或視頻幀中可能包含車(chē)輛的候選區(qū)域;

(2)假設(shè)檢驗(yàn):用分類器或類似方法測(cè)試候選區(qū)域是否真實(shí)包含車(chē)輛。

假設(shè)生成一般使用簡(jiǎn)單的特征和快速的搜索算法將整個(gè)圖像區(qū)域內(nèi)可能包含車(chē)輛的候選提取出來(lái)，使用的方法可以分為:基于先驗(yàn)知識(shí)的、基于立體視覺(jué)的和基于運(yùn)動(dòng)信息的。假設(shè)檢驗(yàn)用于進(jìn)一步驗(yàn)證候選的正確性，可以分為兩種:基于模板(知識(shí))模型的和基于外觀模型的［5］。

上述經(jīng)典方法在特定環(huán)境下(如白天、高速公路、簡(jiǎn)單路況、無(wú)遮擋)取得了良好的檢測(cè)效果，但在復(fù)雜環(huán)境下，由于可供提取的車(chē)輛特征較少并且容易受到干擾，使得實(shí)際的檢測(cè)效果受到了限制。在課題組前期的研究中，主要針對(duì)復(fù)雜環(huán)境并對(duì)局部方法、稀疏表達(dá)和在線訓(xùn)練等方法做了一些研究，雖然取得了一定成果，但在實(shí)際環(huán)境下的效果依然不理想。

主-從PTZ視頻檢測(cè)方法(Master-Slave PTZ)，是目前較好的解決復(fù)雜環(huán)境中目標(biāo)視覺(jué)檢測(cè)的方法。清華大學(xué)在2013年度國(guó)家自然科學(xué)基金的研究課題中，就進(jìn)行過(guò)這方面的探索與研究:Cui Zhigao等的《Master-slave tracking algorithm using dual PTZ cameras based on ground plane constraint》、《A Master-slave Tracking Algorithm Using Two PTZ Cameras》。其主要研究?jī)?nèi)容，即為一主一從的主-從PTZ。

主-從PTZ視頻檢測(cè)方法，從各類相關(guān)文獻(xiàn)與自主軟硬件研發(fā)的結(jié)果中，被發(fā)現(xiàn)可以從物理結(jié)構(gòu)上一定程度地解決復(fù)雜背景、快速變化、遮擋阻攔等復(fù)雜環(huán)境帶來(lái)的問(wèn)題，同時(shí)結(jié)合專門(mén)的去霧、去雪、去雨等算法的設(shè)計(jì)，可以較好地解決若干視頻檢測(cè)算法的局限性［6-8］。

通過(guò)分析發(fā)現(xiàn)，原有算法效果不理想的主要原因之一是:為了增加檢測(cè)范圍，實(shí)驗(yàn)采用了較寬視野的廣角鏡頭，使圖像細(xì)節(jié)丟失較多，不利于特征的提取和分類，從而降低了車(chē)輛檢測(cè)率。因此，在前期研究基礎(chǔ)上，文中提出使用主-從-PTZ相機(jī)構(gòu)建超分辨率圖像的方法，以提高復(fù)雜環(huán)境下的車(chē)輛檢測(cè)率。其中主相機(jī)具有固定的廣角鏡頭可以獲得較寬的視野，而通過(guò)PTZ相機(jī)可以將圖像、視頻的具體細(xì)節(jié)進(jìn)行保留，以便于特征的提取與分類。

3 系統(tǒng)整體框架

計(jì)算機(jī)視覺(jué)系統(tǒng)實(shí)現(xiàn)的方法、結(jié)構(gòu)、模塊、接口等，很大程度上依賴并取決于其具體應(yīng)用方向、技術(shù)要求等。標(biāo)準(zhǔn)的視覺(jué)檢測(cè)系統(tǒng)一般由圖像獲取、預(yù)處理、特征提取、檢測(cè)分割、后期處理等功能模塊組成。其中，后期處理模塊往往與機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、人工智能等內(nèi)容密切相關(guān)，其具體的目的就是要對(duì)獲得的視頻信息進(jìn)行分類與識(shí)別，其典型算法的代表即為2010年1月《IEEE Transactions on Pattern Analysis and Machine Intelligenc》上，Zdenek Kalal的《Tracking Learning Detection》。

作為一個(gè)系統(tǒng)的框架設(shè)計(jì)，還需要考慮到系統(tǒng)的框架、模塊的功能以及劃分、接口的定義與數(shù)據(jù)的統(tǒng)一格式、算法庫(kù)的架構(gòu)等因素，同時(shí)，算法庫(kù)要保持較好的可擴(kuò)展性，易于二次開(kāi)發(fā)。其中，比較有挑戰(zhàn)性的內(nèi)容為算法庫(kù)中不同視覺(jué)檢測(cè)算法的實(shí)現(xiàn)、效果比較、分析與改進(jìn)。

具體到該主-從PTZ視覺(jué)檢測(cè)系統(tǒng)，從現(xiàn)階段功能需求進(jìn)行劃分，主要包含如下模塊:運(yùn)動(dòng)目標(biāo)檢測(cè)模塊、運(yùn)動(dòng)目標(biāo)分類模塊、車(chē)輛跟蹤模塊、車(chē)牌檢測(cè)模塊、車(chē)牌字符分割模塊、車(chē)牌字符識(shí)別模塊以及其他輔助功能模塊。

其中，運(yùn)動(dòng)目標(biāo)檢測(cè)模塊主要進(jìn)行運(yùn)動(dòng)目標(biāo)的捕獲，采用盡可能簡(jiǎn)單的算法排除掉盡可能多的非目標(biāo)對(duì)象。運(yùn)動(dòng)目標(biāo)分類模塊主要進(jìn)行運(yùn)動(dòng)目標(biāo)的分類，其分類的依據(jù)主要是若干常用的圖像預(yù)處理、特征提取，由于視頻的工作量，仍然優(yōu)先選擇簡(jiǎn)單高速的算法。車(chē)輛跟蹤模塊與檢測(cè)模塊主要進(jìn)行基于不同特征的車(chē)輛檢測(cè)分類，作為系統(tǒng)的分類檢測(cè)依據(jù)，主要是進(jìn)行特征的綜合提取。車(chē)輛字符分割與字符識(shí)別模塊，是對(duì)需要捕獲車(chē)牌信息的特定檢測(cè)對(duì)象進(jìn)行車(chē)牌的分識(shí)別等處理。

綜上所述，該主-從PTZ視覺(jué)檢測(cè)系統(tǒng)主要結(jié)構(gòu)如圖1所示。

其中，運(yùn)動(dòng)目標(biāo)檢測(cè)模塊主要實(shí)現(xiàn)的方法為Visual Background Extractor，以下簡(jiǎn)稱為VIBE［9-11］。

VIBE是一種像素級(jí)的視頻背景檢測(cè)算法，其算法簡(jiǎn)單、實(shí)用，對(duì)于硬件內(nèi)存的占用較少，因此，可以達(dá)到較高的處理速度和理想的處理結(jié)果。其具體實(shí)現(xiàn)如下:首先用第一幀初始化VIBE算法，該函數(shù)只調(diào)用一次，其中input是函數(shù)輸入，為視頻的第一幀，24位RGB彩色圖像。

在視頻的隨后幀中，每幀或隔幀(跳幀)調(diào)用處理函數(shù)，完成背景差分，并對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)。

運(yùn)動(dòng)目標(biāo)分類模塊主要實(shí)現(xiàn)的方法如下:檢測(cè)該目標(biāo)底部是否有陰影(該陰影就是本影)。因?yàn)檐?chē)輛在白天時(shí)車(chē)底必出現(xiàn)本影，不管是陰天還是晴天，而且車(chē)底本影的長(zhǎng)度與車(chē)寬一致［12-14］。

其具體的實(shí)現(xiàn)如下:陰影像素的灰度值遠(yuǎn)低于車(chē)身灰度值，充分利用車(chē)底陰影作為特征進(jìn)行特征提取，就可將車(chē)輛和行人(或自行車(chē))分開(kāi)。

車(chē)輛跟蹤模塊主要實(shí)現(xiàn)的方法如下:包圍框覆蓋法。

由于車(chē)輛屬于剛性目標(biāo)(本身不會(huì)形變)，且速度不會(huì)發(fā)生突變，在屏幕中的視角一般也不變，因此，對(duì)車(chē)輛的跟蹤就可以使用帶自適應(yīng)參數(shù)的包圍框覆蓋法［15-16］。

其中，自適應(yīng)參數(shù)主要解決某些干擾會(huì)導(dǎo)致包圍框偏離正常位置，或者過(guò)小、過(guò)大，從而導(dǎo)致跟蹤失敗的問(wèn)題。

車(chē)牌檢測(cè)模塊主要實(shí)現(xiàn)的方法如下:定位、特征點(diǎn)檢測(cè)與特征點(diǎn)提取。其中，定位主要是為了提升特征提取的角度;而特征提取車(chē)牌主要的問(wèn)題是車(chē)輛高速移動(dòng)時(shí)造成的車(chē)牌圖像、視頻模糊。

為盡可能排除干擾，采用綜合特征提取方法，結(jié)合了顏色特征、梯度特征、形狀特征、幾何特征等，提高特征點(diǎn)提取的精確度。

車(chē)牌字符分割模塊主要實(shí)現(xiàn)的方法為濾波器字符分割。

由于車(chē)牌的有用信息要包括0到9的數(shù)字、A到Z的字母，外加代表省的字符，有用字符一共為7個(gè)，所以，車(chē)牌檢測(cè)的主要功能就是在包含車(chē)牌的圖像中找到車(chē)牌的位置并將7個(gè)字符分割出來(lái)［17-18］。

這里采用一個(gè)8條豎線的“柵欄狀”濾波器，對(duì)投影圖進(jìn)行濾波。通過(guò)改變“柵欄線”的間距和位置可得到最大響應(yīng)，根據(jù)得到的最大響應(yīng)就可以將字符彼此分開(kāi)。

車(chē)牌字符識(shí)別模塊主要實(shí)現(xiàn)的方法為模板匹配。即將待識(shí)別字符與事先獲取的字符模板庫(kù)(10個(gè)數(shù)字、24個(gè)英文字母和31個(gè)漢字)逐一對(duì)比，找到最接近的作為識(shí)別結(jié)果［19-20］。

由于類別較少，且現(xiàn)代計(jì)算機(jī)的處理速度很高，模板匹配的實(shí)時(shí)性很好，車(chē)牌字符識(shí)別模塊完全適用于視頻連續(xù)識(shí)別。同時(shí)，模板匹配在各類圖像上的識(shí)別率表現(xiàn)比較穩(wěn)定，因此模板匹配仍然具有很高的使用和研究?jī)r(jià)值。

另外，該系統(tǒng)還包括車(chē)型識(shí)別、駕駛員異常行為檢測(cè)、特定目標(biāo)跟蹤等功能。

4 實(shí)驗(yàn)結(jié)果與分析

該主-從PTZ視覺(jué)檢測(cè)系統(tǒng)中，主相機(jī)具有較寬的視野，從相機(jī)可以獲得圖像的細(xì)節(jié)。經(jīng)過(guò)初步研究發(fā)現(xiàn)，該系統(tǒng)可以在一定程度上提高現(xiàn)有算法的檢測(cè)率，但具體的效果的改進(jìn)評(píng)估，則還需要進(jìn)一步的數(shù)學(xué)證明、實(shí)驗(yàn)和論證。

該主-從PTZ視覺(jué)檢測(cè)系統(tǒng)部分運(yùn)行結(jié)果見(jiàn)圖2。

對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)之后，還需要進(jìn)行本影檢測(cè)，因此，良好、可靠、抗干擾的運(yùn)動(dòng)目標(biāo)檢測(cè)就成為先決條件，其質(zhì)量的優(yōu)劣將直接影響到后面的運(yùn)算結(jié)果。

特征提取的關(guān)鍵在于根據(jù)特征的特點(diǎn)，將干擾特征點(diǎn)進(jìn)行過(guò)濾。從圖3可見(jiàn)，該優(yōu)化特征提取方法效率相當(dāng)高。

5 結(jié)束語(yǔ)

該主-從PTZ視頻檢測(cè)系統(tǒng)主要依靠實(shí)時(shí)弱標(biāo)定算法，基于局部表達(dá)模型對(duì)車(chē)輛檢測(cè)局部特征的檢測(cè)效果進(jìn)行改進(jìn)。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠進(jìn)行基于局部特征的車(chē)輛視覺(jué)效果的檢測(cè)，同時(shí)進(jìn)行有效特征的檢測(cè)與分析，減少了算法的運(yùn)算量，其運(yùn)算速度較快，對(duì)于復(fù)雜環(huán)境的抗干擾性有所提高，且其運(yùn)算的精準(zhǔn)度也有所提升。下一步將繼續(xù)進(jìn)行主-從PTZ視頻檢測(cè)算法的相關(guān)研究。

［1］ Wang F Y.Scanning the issue and beyond:five transportations in one—a new direction for ITS from qingdao［J］.IEEE Transactions on Intelligent Transportation Systems，2015，16(5): 2310-2317.

［2］ Rimmer P J.Port dynamics since 1965:past patterns，current conditions and future directions［J］.Journal of International Logistics and Trade，2007，5(1):75-97.

［3］ Bertozzi M，Broggi A.GOLD:a parallel real-time stereo vision system for generic obstacle and lane detection［J］.IEEE Transactions on Image Processing，1998，7(1):62-81.

［4］ Sivaraman S，Trivedi M M.Looking at vehicles on the road:a survey of vision-based vehicle detection，tracking，and behavior analysis［J］.IEEE Transactions on Intelligent Transportation Systems，2013，14(4):1773-1795.

［5］ Bertozzi M，Broggi A，Cellario M，et al.Artificial vision in road vehicles［J］.Proceedings of the IEEE，2002，90(7):1258-1271.

［6］ Everts I，Sebe N，Jones G A.Cooperative object tracking with multiple PTZ cameras［C］//Proc of the international conference on image analysis and processing.［s.l.］:［s.n.］，2007: 323-330.

［7］ Kumar P，Dick A，Sheng T S.Real time target tracking with pan tilt zoom camera［C］//Proc of digital image computing: techniques and applications.［s.l.］:IEEE，2009:492-497.

［8］ Liao H C，Chen W Y.A dual-PTZ-camera system for visual tracking of a moving target in an open area［C］//Proc of 11th international conference on advanced communication technology.［s.l.］:IEEE，2009:440-443.

［9］ Barnich O，van Droogenbroeck M.ViBe:a powerful random technique to estimate the background in video sequences ［C］//Proc of IEEE International conference on acoustics，speech and signal processing.［s.l.］:IEEE，2009:945-948.

［10］ Barnich O，van Droogenbroeck M.ViBe:a universal background subtraction algorithm for video sequences［J］.IEEE Transactions on Image Processing，2011，20(6):1709-1724.

［11］Feng W，Liu R，Jia B，et al.An efficient pixel-wise method for moving object detection in complex scenes［C］//Proc of 10th IEEE international conference on advanced video and signal based surveillance.［s.l.］:IEEE，2013:389-394.

［12］Johansson B，Wiklund J，F(xiàn)orssén P E，et al.Combining shadow detection and simulation for estimation of vehicle size and position［J］.Pattern Recognition Letters，2009，30(8):751-759.

［13］Song X，Nevatia R.Detection and tracking of moving vehicles in crowded scenes［C］//Proc of IEEE workshop on motion and video computing.［s.l.］:IEEE，2007.

［14］Messelodi S，Modena C M，Zanin M.A computer vision system for the detection and classification of vehicles at urban road intersections［J］.Pattern Analysis and Applications，2005，8 (1):17-31.

［15］Lempitsky V，Kohli P，Rother C，et al.Image segmentation with a bounding box prior［C］//Proc of 12th international conference on computer vision.［s.l.］:IEEE，2009:277-284.

［16］Assarsson U，Moller T.Optimized view frustum culling algorithms for bounding boxes［J］.Journal of Graphics Tools，2000，5(1):9-22.

［17］Casey R G，Lecolinet E.A survey of methods and strategies in character segmentation［J］.IEEE Transactions on Pattern A-nalysis and Machine Intelligence，1996，18(7):690-706.

［18］ Fujisawa H，Nakano Y，Kurino K.Segmentation methods for character recognition:from segmentation to document structure analysis［J］.Proceedings of the IEEE，1992，80(7):1079 -1092.

［19］Lalonde M，Beaulieu M，Gagnon L.Fast and robust optic disc detection using pyramidal decomposition and Hausdorff-based template matching［J］.IEEE Transactions on Medical Imaging，2001，20(11):1193-1200.

［20］Battiato S，F(xiàn)arinella G M，F(xiàn)urnari A，et al.Vehicle tracking based on customized template matching［C］//Proc of international workshop on ultra wide context and content aware imaging.［s.l.］:［s.n.］，2014:755-760.

Modular Design and Architecture of Master-slave PTZ Video Detection Software

ZHANG Zhi-jie1，YANG Shuo2
(1.College of Computer Science＆Technology，Southwest University for Nationalities，Chengdu 610000，China; 2.College of Computer Science＆Technology，Shenyang University of Chemical Technology，Shenyang 110142，China)

The detecting and tracking of vehicles on the road is an important problem in intelligent transportation system.To the vehicle in complicated environment，only using single fixed-focus camera system，the details of remote environment around the vehicle are hard to capture for limited vision，and the effect of detection is poorer for same reason.For single fixed-focus camera system，the common method that could improve the details and higher resolution of remote object is focusing on a smaller vision coverage area.In order to solve the conflict between vision coverage area and resolution，the master-slave Pan/Tilt/Zoom camera system(M-S PTZ)is introduced.The master camera with fixed wide-angle lens is used to achieve a wider field of vision，and the slave one used PTZ lens to enhance the detail of the image and improve the detection rate.A modular video detection system of master-slave PTZ is presented and implemented in this paper.The system of M-S PTZ as solution has many advantages such as faster detection for specific object under field environment，higher resolution for specific target image，and more feature details of given target.At the same time，it is simple，rapid，efficient and easy to conduct secondary development.

vision detection;master-slave PTZ;system framework;intelligent transportation;modular design

TP31

A

1673-629X(2016)09-0114-05

10.3969/j.issn.1673-629X.2016.09.026

2015-11-17

2016-03-10< class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間:

時(shí)間:2016-06-22

四川省科技支撐計(jì)劃(2014GZ0150)

張志杰(1972-)，男，博士，高級(jí)實(shí)驗(yàn)師，研究方向?yàn)樗惴ㄔO(shè)計(jì)、信號(hào)與圖像處理與物聯(lián)網(wǎng)。

http://www.cnki.net/kcms/detail/61.1450.TP.20160622.0845.062.html