丁麗

摘要：該文提出一種基于粗集理論的車輛狀態(tài)提取方法，首先從視頻中提取存在目標(biāo)車輛的關(guān)鍵幀，對(duì)關(guān)鍵幀中的選定區(qū)域進(jìn)行掃描，根據(jù)關(guān)鍵幀中的R、G、B顏色信息以及像素點(diǎn)位置關(guān)系，建立區(qū)域內(nèi)的可能目標(biāo)的粗集表示。然后根據(jù)車輛目標(biāo)的特征，去除選定區(qū)域內(nèi)可能的偽目標(biāo)。進(jìn)而基于上下近似集表示車輛目標(biāo)提取車輛邊界，計(jì)算車輛目標(biāo)質(zhì)心，從而計(jì)算得到t時(shí)刻到t+1時(shí)刻內(nèi)車輛質(zhì)心的移動(dòng)距離和方向，計(jì)算得到車輛行駛方向和速度。仿真實(shí)驗(yàn)表明該文算法能夠準(zhǔn)確提取車輛目標(biāo)較少情況下的車輛運(yùn)行狀態(tài)數(shù)據(jù)。

關(guān)鍵詞：粗集；運(yùn)動(dòng)目標(biāo)檢測(cè)；車輛狀態(tài)檢測(cè)

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）01-0189-02

1 概述

隨著大數(shù)據(jù)技術(shù)的發(fā)展，智慧交通逐漸成為智能交通系統(tǒng)發(fā)展的方向。智慧交通的發(fā)展依賴于來(lái)自各類檢測(cè)設(shè)備的交通數(shù)據(jù)，多源交通數(shù)據(jù)是智慧交通發(fā)展的基礎(chǔ)。充分利用現(xiàn)有的交通基礎(chǔ)設(shè)施準(zhǔn)確提取各類交通數(shù)據(jù)，為交通控制、誘導(dǎo)提供必要的基礎(chǔ)數(shù)據(jù)，能夠有效提高城市交通運(yùn)行效率。

車輛運(yùn)動(dòng)狀態(tài)是一種重要的交通數(shù)據(jù)，基于車輛運(yùn)動(dòng)狀態(tài)信息我們可以進(jìn)行道路交通狀態(tài)檢測(cè)，從而針對(duì)不同交通狀態(tài)調(diào)整交通控制和誘導(dǎo)策略。隨著智能監(jiān)控系統(tǒng)的發(fā)展，道路視頻監(jiān)控系統(tǒng)已廣泛布設(shè)在城市各主要交通道路。基于道路監(jiān)控視頻的車輛運(yùn)動(dòng)檢測(cè)作為運(yùn)動(dòng)目標(biāo)檢測(cè)的一個(gè)重要內(nèi)容被眾多研究者廣泛關(guān)注，研究者通常利用幀間差分[1]、背景差分[2]、光流場(chǎng)[3]等運(yùn)動(dòng)目標(biāo)檢測(cè)方法提取車輛運(yùn)行狀態(tài)，取得了良好的效果。

幀間差分法是利用當(dāng)前幀與前一幀進(jìn)行差分運(yùn)算，并進(jìn)而通過(guò)圖像的膨脹和腐蝕等形態(tài)學(xué)運(yùn)算來(lái)獲取運(yùn)動(dòng)目標(biāo)的方法。在特定場(chǎng)景下該方法能夠有效的實(shí)現(xiàn)目標(biāo)檢測(cè)，但由于慢速目標(biāo)兩幀之間目標(biāo)位置變化較小，會(huì)造成此類目標(biāo)漏檢[4]。背景差分法是目前運(yùn)動(dòng)目標(biāo)檢測(cè)中最常用的方法，其通常利用當(dāng)前幀與背景幀進(jìn)行差分運(yùn)算從而提取出檢測(cè)目標(biāo)，但常因背景幀在不同場(chǎng)景下的變化較大，背景幀更新不及時(shí)，而導(dǎo)致目標(biāo)檢測(cè)失效[5]。光流場(chǎng)方法是根據(jù)連續(xù)多幀的前景和背景流光場(chǎng)來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)，該方法不依賴與場(chǎng)景信息，可以得到較好的檢測(cè)正確率，但由于光流場(chǎng)計(jì)算復(fù)雜，計(jì)算量大，使得該方法難以應(yīng)用于實(shí)時(shí)性要求較高的運(yùn)動(dòng)目標(biāo)檢測(cè)場(chǎng)景[6]。

針對(duì)上述問(wèn)題，本文提出一種基于RGB顏色的車輛運(yùn)動(dòng)檢測(cè)方法，利用粗集理論對(duì)每幀中的運(yùn)動(dòng)車輛進(jìn)行檢測(cè)，將每幀圖像中的靜態(tài)目標(biāo)以粗集形式表示，并根據(jù)待檢目標(biāo)特征剔除噪聲引起的偽目標(biāo)，從而實(shí)現(xiàn)有效運(yùn)動(dòng)目標(biāo)的檢測(cè)，并根據(jù)相鄰幀中的目標(biāo)特征實(shí)現(xiàn)目標(biāo)運(yùn)動(dòng)特征提取。

2 基于粗集的運(yùn)動(dòng)目標(biāo)檢測(cè)方法

通常圖像中的背景和前景目標(biāo)均是由不同顏色像素構(gòu)成，本文假設(shè)圖像采用RGB顏色模型表示，每個(gè)像素點(diǎn)由R、G、B三原色構(gòu)成，不同R、G、B混合比例產(chǎn)生不同的視覺顏色。當(dāng)三個(gè)顏色為（0，0，0）時(shí)表示黑色，三個(gè)顏色分量均為（255，255，255）表示白色[7]。本文假定圖像中的運(yùn)動(dòng)目標(biāo)本與背景之間存在顏色差異，考慮利用粗集理論為每幀圖像中各前景目標(biāo)建立基于顏色（R，G，B）和位置關(guān)系的粗集表示，通過(guò)上下近似集之差以及給定的邊界寬度閾值確定目標(biāo)物體的邊界，進(jìn)而計(jì)算得到運(yùn)動(dòng)目標(biāo)質(zhì)心，利用t時(shí)刻和t+1時(shí)刻運(yùn)動(dòng)目標(biāo)的質(zhì)心位置之差來(lái)計(jì)算目標(biāo)移動(dòng)距離，計(jì)算目標(biāo)運(yùn)動(dòng)的方向和速度。

2.1 目標(biāo)區(qū)域的提取

粗集是用于處理不確定、不一致、不完備數(shù)據(jù)的數(shù)學(xué)工具，其基本思想是利用論域中元組的不可分辨關(guān)系和等價(jià)類對(duì)未知知識(shí)進(jìn)行上下近似集表示[8]。在基于圖像的目標(biāo)識(shí)別中我們可以利用目標(biāo)區(qū)域的上下近似集來(lái)表示待識(shí)別目標(biāo)。假定有論域U，x和y是論域U上的元組，a是屬性，a（x）表示x元組對(duì)應(yīng)屬性a的值，則粗集中的不可分辨關(guān)系定義為：

對(duì)于未分類元組集合，以及不可分辨關(guān)系P，X的上近似集和下近似集分別表示為：

本文中我們將提取自監(jiān)控視頻的每幀圖像中的像素看作論域，每個(gè)像素的屬性包含（R，G，B，row，col），其中row表示像素的行號(hào)，col表示像素的列號(hào)，R，G，B表示像素的顏色信息。

為實(shí)現(xiàn)每幀圖像中運(yùn)動(dòng)目標(biāo)的快速識(shí)別，我們?nèi)?*3的像素區(qū)域?yàn)榛玖?。若基本粒中所有像素點(diǎn)顏色均屬于某給定閾值的目標(biāo)顏色范圍，則該基本粒歸入目標(biāo)區(qū)域的下近似集中，若基本粒中存在部分像素點(diǎn)顏色不屬于給定的目標(biāo)顏色范圍，則將該基本粒歸入目標(biāo)區(qū)域的上近似集中?；诖朔椒ǎ覀兗纯傻玫侥繕?biāo)區(qū)域的上下近似集表示：

其中表示上近似集，表示下近似集，Gi表示基本像素粒子，p表示基本粒中的一個(gè)像素，RGB（p）表示p像素的顏色，ColorB表示背景區(qū)域的顏色范圍。本文采用的目標(biāo)提取算法描述如下：

步驟1：任取圖像中的一個(gè)基本粒Gi，從Gi開始對(duì)選定區(qū)域進(jìn)行掃描處理；

步驟2：對(duì)Gi中每個(gè)像素p進(jìn)行掃描，

若Gi中的每個(gè)像素p顏色均在背景色閾值范圍內(nèi)，則Gi計(jì)入背景色；

若Gi中的每個(gè)像素p顏色均在背景色閾值范圍之外，判斷Gi是否與現(xiàn)有目標(biāo)相鄰，

若Gi與目標(biāo)Oj相鄰，則并將Gi計(jì)入目標(biāo)Oj的下近似集中；

若Gi與現(xiàn)有所有目標(biāo)均不相鄰，則新建目標(biāo)Onew，并計(jì)入Onew的下近似集；

若Gi中的部分像素p顏色不再背景色顏色閾值范圍內(nèi)，

若Gi與目標(biāo)Oj相鄰接，則Gi計(jì)入目標(biāo)Oj的上近似集中；

若Gi與現(xiàn)有目標(biāo)均不相鄰，則新建目標(biāo)Onew，并計(jì)入Onew的上近似集；

步驟3：對(duì)每個(gè)目標(biāo)進(jìn)行有效性識(shí)別，若目標(biāo)Oj的僅包含1個(gè)基本粒，則此目標(biāo)定義為偽目標(biāo)；

步驟4：對(duì)每個(gè)有效目標(biāo)Oj的上近似集和下近似集中的像素點(diǎn)進(jìn)行差運(yùn)算，獲取目標(biāo)邊界區(qū)域，并對(duì)邊界區(qū)域內(nèi)部像素點(diǎn)進(jìn)行二值化處理；計(jì)算得到目標(biāo)的質(zhì)心位置。endprint

由于實(shí)際圖像中的每個(gè)基本粒中的像素顏色存在差異，可能存在某基本粒中某像素顏色不再背景顏色范圍內(nèi)的情況，如圖1（a）所示的綠色矩形區(qū)域，目標(biāo)本算將此類目標(biāo)定義為偽目標(biāo)加以去除。如圖1（a）中的紅色矩形框表示檢測(cè)得到的有效目標(biāo)上近似集區(qū)域，黃色矩形框表示有效檢測(cè)目標(biāo)的下近似集區(qū)域。（b）中的白色區(qū)域表示二值化處理之后的有效目標(biāo)區(qū)域。

2.2 車輛狀態(tài)提取

為準(zhǔn)確提取視頻中的車輛狀態(tài)，首先需要消除因視頻采集設(shè)備抖動(dòng)發(fā)生的圖像采集誤差。為消除由于視頻采集設(shè)備產(chǎn)生的運(yùn)動(dòng)目標(biāo)位置誤差，本文采用基于基準(zhǔn)位置的抖動(dòng)消除方法，在視頻采集區(qū)域內(nèi)設(shè)置基準(zhǔn)目標(biāo)區(qū)域，假定基準(zhǔn)目標(biāo)位置不會(huì)發(fā)生移動(dòng)，對(duì)采集視頻的每幀圖像，根據(jù)基準(zhǔn)目標(biāo)位置重新計(jì)算每一幀中的像素位置，從而消除因視頻采集設(shè)備本身不穩(wěn)定產(chǎn)生的視頻抖動(dòng)情況。

另一方面，由于視頻采集設(shè)備以及視頻采集環(huán)境因素的影響，提取的視頻關(guān)鍵幀中存在顏色失真情況，從而導(dǎo)致基于基本粒的目標(biāo)區(qū)域識(shí)別可能產(chǎn)生部分偽目標(biāo)區(qū)域。由于本文所提取目標(biāo)為車輛，本文根據(jù)車輛特征可以剔除2.1節(jié)中的偽目標(biāo)。本文中將識(shí)別出的所有目標(biāo)下近似集所占像素?cái)?shù)小于車輛目標(biāo)像素大小的目標(biāo)區(qū)域剔除，從而消除偽目標(biāo)。對(duì)于識(shí)別出的車輛目標(biāo)利用質(zhì)心計(jì)算公式計(jì)算算出質(zhì)心，并計(jì)算t時(shí)刻和t+1時(shí)刻幀之間質(zhì)心的移動(dòng)距離，從而計(jì)算出目標(biāo)移動(dòng)方向和速度。質(zhì)心計(jì)算公式如下：

根據(jù)t和t+1時(shí)刻的目標(biāo)i的質(zhì)心位置A（，）和B（，），我們即可計(jì)算得到目標(biāo)i從t到t+1時(shí)間范圍內(nèi)的移動(dòng)距離，從而計(jì)算得到運(yùn)動(dòng)目標(biāo)在AB方向上的移動(dòng)速度，并可根據(jù)AB連線與車道線的防線夾角判斷車輛是否存在變道行為。

3 實(shí)驗(yàn)仿真

本文利用視頻采集設(shè)備采集濟(jì)南市經(jīng)十路千佛山路口附近車輛運(yùn)行狀況視頻，采集時(shí)間2015年5月6日下午17：34：11，視頻時(shí)間長(zhǎng)度4：45。本文僅對(duì)車輛較少情況下的算法識(shí)別有效性進(jìn)行驗(yàn)證，對(duì)視頻開始1：42至1：45時(shí)間內(nèi)的車輛運(yùn)動(dòng)狀態(tài)進(jìn)行識(shí)別。且為降低數(shù)據(jù)計(jì)算量，提高車輛狀態(tài)識(shí)別準(zhǔn)確度，本文設(shè)定了梯形識(shí)別區(qū)域，對(duì)選定區(qū)域內(nèi)的車輛進(jìn)行狀態(tài)識(shí)別，如圖2（a）所示是提取自原視頻的1：42時(shí)刻關(guān)鍵幀，（b）所示是利用粗集提取到的目標(biāo)區(qū)域二值圖像，（c）是去除偽目標(biāo)后的效果。

根據(jù)2.1節(jié)中的目標(biāo)提取方法我們可以得到目標(biāo)的上下近似集，利用上下近似集之差可以獲得目標(biāo)的邊界范圍，進(jìn)而計(jì)算得到目標(biāo)質(zhì)心。進(jìn)而對(duì)t+1時(shí)刻關(guān)鍵幀進(jìn)行目標(biāo)提取和偽目標(biāo)去除，并計(jì)算t+1時(shí)刻目標(biāo)質(zhì)心，利用t時(shí)刻到t+1時(shí)刻目標(biāo)質(zhì)心移動(dòng)距離和方向即可提取車輛目標(biāo)的運(yùn)動(dòng)速度和方向。

4 總結(jié)

針對(duì)智能交通系統(tǒng)中的車輛狀態(tài)識(shí)別問(wèn)題，本文提出了基于視頻的車輛狀態(tài)提取算法。首先對(duì)交通視頻進(jìn)行關(guān)鍵幀提取，并對(duì)視頻選定區(qū)域內(nèi)的車輛目標(biāo)進(jìn)行識(shí)別。根據(jù)車輛目標(biāo)的顏色特征與背景道路的顏色特征存在差異的特點(diǎn)，將選定區(qū)域劃分為基本像素粒子，利用粗集理論對(duì)選定區(qū)域內(nèi)的運(yùn)行車輛進(jìn)行上下近似集表示，從而獲取車輛目標(biāo)的邊界區(qū)域。進(jìn)而利用質(zhì)心計(jì)算公式得到運(yùn)動(dòng)車輛在不同時(shí)刻的質(zhì)心位置，計(jì)算得到車輛的運(yùn)行狀態(tài)。仿真實(shí)驗(yàn)表明，本文所提算法能夠有效提取交通視頻中的車輛運(yùn)行狀態(tài)信息，為智能交通系統(tǒng)提供必要的基礎(chǔ)數(shù)據(jù)。

為進(jìn)一步提高本文算法的效率和識(shí)別準(zhǔn)確率，在未來(lái)研究中我們將考慮基于粗集的背景提取和融合算法，以獲取更加準(zhǔn)確的背景顏色閾值，實(shí)現(xiàn)針對(duì)不同背景條件下的車輛狀態(tài)識(shí)別算法。

參考文獻(xiàn)：

[1] 王忠華，王超. 聯(lián)合幀間差分和邊緣檢測(cè)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 南昌大學(xué)學(xué)報(bào)：理科版，2017，41（1）：42-46.

[2] 沈瑜，王新新. 基于背景減法和幀間差分法的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 自動(dòng)化與儀器儀表，2017（4）：122-124.

[3] 趙曉剛，馮全，王書志. 一種基于幀間差分與模板匹配的河水表面流速測(cè)量方法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2017，34（9）：68-71.

[4] 侯濤，李丹丹. 基于雙背景建模與差分圖像的軌道異物識(shí)別[J]. 蘭州交通大學(xué)學(xué)報(bào)，2017，36（1）：47-50.

[5] 諶湘倩，馬紹惠，須文波. 基于背景差分檢測(cè)和改進(jìn)GM-PHD濾波器的多目標(biāo)跟蹤[J]. 計(jì)算機(jī)工程，2017，43（1）：253-258.

[6] 潘崢嶸，鐘珍珍，張寧. 改進(jìn)的背景減法與五幀差分法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 自動(dòng)化與儀表，2017，32（7）：22-25.

[7] 李俊峰. 基于RGB色彩空間自然場(chǎng)景統(tǒng)計(jì)的無(wú)參考圖像質(zhì)量評(píng)價(jià)[J]. 自動(dòng)化學(xué)報(bào)，2015，41（9）：1601-1615.

[8] 安利平，陳增強(qiáng). 基于粗集的多準(zhǔn)則決策分析[J]. 控制與決策，2013，28（1）：1-12.endprint