于春和，杜夢(mèng)麒

（沈陽(yáng)航空航天大學(xué) 電子信息工程學(xué)院，遼寧 沈陽(yáng) 110136）

0 引 言

近年來(lái)，人口和車(chē)輛龐大的數(shù)量給交通管制系統(tǒng)帶來(lái)了巨大的挑戰(zhàn)，因此視頻監(jiān)測(cè)作為一個(gè)重要輔助手段備受工作人員的青睞。而在海量的監(jiān)測(cè)數(shù)據(jù)面前，人工處理難免會(huì)出現(xiàn)漏判或誤判?？梢詫⑾冗M(jìn)計(jì)算機(jī)技術(shù)與交通系統(tǒng)融合，實(shí)現(xiàn)機(jī)器視覺(jué)下的視頻識(shí)別、數(shù)據(jù)采集和挖掘并給出判決，極大地減輕人工處理的負(fù)擔(dān)[1-2]。智能交通系統(tǒng)下的視頻監(jiān)測(cè)，利用先進(jìn)計(jì)算機(jī)技術(shù)完成目標(biāo)識(shí)別、目標(biāo)跟蹤以及目標(biāo)行為判別等工作，將在各地廣大交通網(wǎng)絡(luò)發(fā)揮實(shí)時(shí)且高效的作用。

1 視頻識(shí)別與檢測(cè)

1.1 視頻識(shí)別與檢測(cè)概述

視頻中目標(biāo)的識(shí)別和檢測(cè)是智能交通系統(tǒng)中重要的技術(shù)之一。區(qū)別于傳統(tǒng)交通系統(tǒng)的人工檢測(cè)技術(shù)，智能交通系統(tǒng)的視頻檢測(cè)利用先進(jìn)圖像處理技術(shù)和人工智能機(jī)器視覺(jué)技術(shù)極大地提高了檢測(cè)的速度與效率。同時(shí)，云平臺(tái)的海量空間為交通信息存儲(chǔ)提供了巨大的便利，也為有效數(shù)據(jù)的挖掘提供了足夠的資源。

機(jī)器視覺(jué)存在低中高3個(gè)層次，每個(gè)層次都有不同的用途和特點(diǎn)。低級(jí)層次主要作用為突出圖像中的有用信息，對(duì)圖像進(jìn)行視覺(jué)處理，為自動(dòng)識(shí)別做準(zhǔn)備。中級(jí)層次等價(jià)突出圖像中的感興趣區(qū)域，并對(duì)其進(jìn)行分割和檢測(cè)，從而得到圖像的客觀(guān)信息。高級(jí)層次是對(duì)圖像進(jìn)行理解，能夠像人一樣看圖說(shuō)話(huà)。移動(dòng)目標(biāo)檢測(cè)則屬于中間層次的研究。視頻識(shí)別與檢測(cè)的基本原理是建立在對(duì)視頻序列每一幀圖像的分析和處理的基礎(chǔ)上，從而將移動(dòng)目標(biāo)從圖像背景中篩選出來(lái)。機(jī)器視覺(jué)分為靜態(tài)視覺(jué)和動(dòng)態(tài)視覺(jué)兩種，靜態(tài)視覺(jué)即監(jiān)控不動(dòng)目標(biāo)動(dòng)，而動(dòng)態(tài)視覺(jué)是監(jiān)控也動(dòng)。在目前智能交通系統(tǒng)中，大多數(shù)屬于靜態(tài)視覺(jué)。

1.2 視頻識(shí)別與檢測(cè)方法

攝像機(jī)負(fù)責(zé)采集視頻原始的圖像信息，即將鏡頭范圍內(nèi)的光學(xué)信號(hào)轉(zhuǎn)化成電信號(hào)再進(jìn)行傳輸。算法對(duì)靜態(tài)視覺(jué)采集的視頻圖像進(jìn)行處理，通常對(duì)于移動(dòng)目標(biāo)的提取常用如下方法。

1.2.1 背景差分法

背景差分法是基于特定背景下的移動(dòng)目標(biāo)檢測(cè)方法，需選一幀初始背景圖像，再將目標(biāo)圖像和背景圖像進(jìn)行差分運(yùn)算，從而將目標(biāo)提取。在智能交通系統(tǒng)中，背景差分法的應(yīng)用難點(diǎn)在于背景圖像的時(shí)變性，每一時(shí)刻的背景都有可能不同，因此移動(dòng)目標(biāo)檢測(cè)系統(tǒng)里的背景圖像需要不斷更新，更新與維護(hù)將帶來(lái)極大的不便。

對(duì)于背景的選取，一般可以考慮第一幀沒(méi)有目標(biāo)的圖像。在檢測(cè)交通的視頻中通常選取沒(méi)有車(chē)輛的路面作為背景，但是由于交通背景圖像具有時(shí)變性，單一背景并不符合車(chē)輛檢測(cè)的實(shí)際需求。為了從視頻里提取一個(gè)精確和高效的背景可考慮在視頻的基礎(chǔ)上做一個(gè)背景的建模。例如，均值法背景建模、中值法背景建模以及單高斯分布背景建模。每一種建模都存在一定的局限性，特別是較為復(fù)雜背景的建模。

1.2.2 光流法

流光法基于像素點(diǎn)和速度矢量的一一對(duì)應(yīng)的關(guān)系，構(gòu)畫(huà)出一個(gè)有關(guān)運(yùn)動(dòng)場(chǎng)的圖像。該運(yùn)動(dòng)場(chǎng)是由圖像的亮度變化形成的，因此反映著每一個(gè)像素點(diǎn)灰度的變化情況。一旦目標(biāo)在圖像中與背景出現(xiàn)相對(duì)運(yùn)動(dòng)時(shí)，移動(dòng)目標(biāo)所在的像素點(diǎn)會(huì)有速度矢量的變化，從而可以很快地從圖像中篩選出來(lái)。其中，二維速度矢量是景物中可見(jiàn)點(diǎn)的三維速度矢量在成像表面的投影，所以光流法不僅包含運(yùn)動(dòng)目標(biāo)的信息，還包含周?chē)拔锏呢S富信息。

光流法對(duì)于場(chǎng)景的變化適應(yīng)性很好，無(wú)需了解場(chǎng)景信息就可以識(shí)別運(yùn)動(dòng)目標(biāo)的位置。但是，由于光流法對(duì)于光線(xiàn)變化太過(guò)敏感和依賴(lài)，現(xiàn)實(shí)場(chǎng)景的光照不能滿(mǎn)足恒定不變，所以現(xiàn)實(shí)場(chǎng)景中識(shí)別誤差大精度低。同時(shí)，由于現(xiàn)實(shí)中車(chē)輛行駛過(guò)快、距離過(guò)長(zhǎng)，導(dǎo)致計(jì)算量大耗時(shí)長(zhǎng)，傳統(tǒng)的光流法計(jì)算速度又過(guò)慢，導(dǎo)致時(shí)效性和精確性難以同時(shí)兼得，對(duì)于要求苛刻的實(shí)時(shí)場(chǎng)景來(lái)說(shuō)并不適用。

1.2.3 幀間差分法

幀間差分法是基于視頻序列相鄰幀圖像的灰度值差值對(duì)比，經(jīng)過(guò)計(jì)算兩張圖片的灰度值的差值，從而檢測(cè)到移動(dòng)目標(biāo)。通常為讀取視頻序列的相鄰兩幀圖像，利用對(duì)應(yīng)的像素點(diǎn)的灰度值差分相減的算法得到差分圖，再把差分圖進(jìn)行二值化處理，然后需要計(jì)算并選擇一個(gè)合理的閾值，將這個(gè)閾值作為前景點(diǎn)和背景點(diǎn)的判別機(jī)制。

比較3個(gè)方法，幀間差分法相對(duì)適合于智能交通系統(tǒng)下視頻識(shí)別與檢測(cè)。在實(shí)際應(yīng)用中，為了提高視頻識(shí)別和檢測(cè)的精度，幀間差分法處理后還需要利用分割技術(shù)和形態(tài)學(xué)處理技術(shù)。

1.3 圖像分割技術(shù)

圖像分割技術(shù)是利用從圖像大致分離出檢測(cè)目標(biāo)進(jìn)行加工和處理。圖像分割技術(shù)包含閾值分割算法、邊緣檢測(cè)算法以及區(qū)域生長(zhǎng)算法。

1.3.1 閾值分割算法

閾值分割適用于前景和背景灰度值差別較大的圖像。由于其實(shí)現(xiàn)方便、計(jì)算量小、性能穩(wěn)定，通常用來(lái)做圖像的預(yù)處理。具體是根據(jù)灰度級(jí)設(shè)定不同的閾值將圖像分成若干區(qū)域，保證各區(qū)域內(nèi)部具有相同的屬性，同時(shí)不同于相鄰區(qū)域的屬性。但是，算法對(duì)噪聲敏感，而且對(duì)于灰度值對(duì)比不明顯的圖像處理效果不好，所以常與其他算法配合使用。

1.3.2 邊緣檢測(cè)算法

邊緣檢測(cè)主要識(shí)別數(shù)字圖像中變化明顯像素點(diǎn)，然后把這些像素點(diǎn)連接在一起得到圖像的邊緣，從而定位目標(biāo)圖像邊緣的過(guò)程。邊緣增強(qiáng)算法用以增強(qiáng)圖像前景邊緣和背景的對(duì)比度，一般與邊緣檢測(cè)算法連用，突出邊緣輪廓。

1.3.3 區(qū)域生長(zhǎng)算法

區(qū)域生長(zhǎng)法和分裂合并法是兩種典型的串行區(qū)域技術(shù)。區(qū)域生長(zhǎng)法利用圖像中像素點(diǎn)的灰度值、紋理特性、強(qiáng)度等相似屬性，由種子點(diǎn)為起點(diǎn)將所有相似屬性的像素點(diǎn)集合起來(lái)發(fā)展成一個(gè)區(qū)域。

1.4 形態(tài)學(xué)處理

形態(tài)學(xué)處理技術(shù)[3]是基于形態(tài)結(jié)構(gòu)元素去衡量移動(dòng)目標(biāo)的形狀，通過(guò)分析和處理將其進(jìn)一步提取。常用的運(yùn)算方法有膨脹、腐蝕、形態(tài)學(xué)梯度、開(kāi)運(yùn)算、閉運(yùn)算、頂帽運(yùn)算及黑帽運(yùn)算等。

在復(fù)雜背景下，目標(biāo)差分二值圖像完成閾值分割后，難免會(huì)出現(xiàn)一些空洞和少量噪聲的問(wèn)題。這時(shí)需要對(duì)圖像進(jìn)行腐蝕去除干擾點(diǎn)，然后再利用膨脹擴(kuò)展感興趣區(qū)域。利用形態(tài)學(xué)處理技術(shù)處理閾值分割后的圖像，可以使目標(biāo)檢測(cè)的準(zhǔn)確性相對(duì)提高。

2 視頻測(cè)速與跟蹤

2.1 交通系統(tǒng)的測(cè)速手段

測(cè)速是交通系統(tǒng)重要的監(jiān)管指標(biāo)。交通系統(tǒng)中移動(dòng)目標(biāo)速度的檢測(cè)有3種手段：感應(yīng)線(xiàn)圈測(cè)速、雷達(dá)測(cè)速以及視頻測(cè)速。

感應(yīng)線(xiàn)圈測(cè)速需在測(cè)速區(qū)間的合理位置鋪設(shè)感應(yīng)線(xiàn)圈，利用電磁感應(yīng)的原理探測(cè)移動(dòng)目標(biāo)的位置。此手段對(duì)移動(dòng)目標(biāo)測(cè)量的局限性較高，其只能對(duì)區(qū)間類(lèi)金屬移動(dòng)目標(biāo)進(jìn)行檢測(cè)，同時(shí)對(duì)目標(biāo)的識(shí)別依然需依賴(lài)監(jiān)控系統(tǒng)，不適用于智能交通系統(tǒng)。

雷達(dá)測(cè)速是傳統(tǒng)交通系統(tǒng)使用較多的手段，其測(cè)速精準(zhǔn)且高速。但是，雷達(dá)測(cè)速在多移動(dòng)目標(biāo)的復(fù)雜環(huán)境下檢測(cè)的準(zhǔn)確性大大降低，因?yàn)槠淇垢蓴_性差且成本高，地域和環(huán)境存在局限在性，不適合智能交通系統(tǒng)廣泛應(yīng)用。

視頻測(cè)速是智能交通系統(tǒng)下重要技術(shù)之一，也是實(shí)現(xiàn)目標(biāo)跟蹤的重要目的之一。其原理是利用某些參數(shù)結(jié)合每一幀圖中車(chē)輛的二維位置從而得到車(chē)輛在視頻中的三維位置，推算出視頻時(shí)間段的位移，得到車(chē)輛的速度。其安裝方便，抗干擾能力強(qiáng)，具有實(shí)時(shí)性，結(jié)合人工智能等先進(jìn)技術(shù)可實(shí)現(xiàn)復(fù)雜環(huán)境下的檢測(cè)。

2.2 運(yùn)動(dòng)目標(biāo)的定位與跟蹤

運(yùn)動(dòng)目標(biāo)檢測(cè)基本思路就是利用計(jì)算機(jī)視覺(jué)以及圖像處理技術(shù)，分析攝像頭獲取的交通視頻序列得到相關(guān)的參數(shù)。在智能交通體系網(wǎng)中，目標(biāo)跟蹤不僅是車(chē)輛測(cè)速的方法，也是治安保障的關(guān)鍵，如疫情防控或者犯人追捕等。運(yùn)動(dòng)目標(biāo)跟蹤方法大致可從如下3種思路入手。

2.2.1 移動(dòng)目標(biāo)特征的抓取

此方法的特點(diǎn)是不需要知道移動(dòng)目標(biāo)的全貌，只需要部分特征即可以做跟蹤觀(guān)測(cè)。但是，局限于運(yùn)動(dòng)目標(biāo)的特征集合的穩(wěn)定和權(quán)重，沒(méi)有足夠權(quán)重的固定特征作為目標(biāo)判斷依據(jù)很容易造成錯(cuò)誤跟蹤而導(dǎo)致效率低下，同時(shí)若運(yùn)動(dòng)目標(biāo)發(fā)生人為的特征點(diǎn)遮擋很容易造成逃逸?；谝陨暇窒扌?，在未來(lái)智能交通系統(tǒng)中，目標(biāo)特征的抓取法很難得到進(jìn)一步的發(fā)展。

2.2.2 移動(dòng)目標(biāo)的建模

此方法基于對(duì)目標(biāo)進(jìn)行3D、2D或者線(xiàn)圖模型的建立，或者基于更高層次的模型空間的建立，如三維和二維空間。模型的建立對(duì)目標(biāo)的追蹤可靠性強(qiáng)，但是建立的工作量和難度大，對(duì)個(gè)例開(kāi)展實(shí)施有效，不具有應(yīng)用普遍性。

2.2.3 區(qū)域跟蹤法

區(qū)域跟蹤法建立在目標(biāo)區(qū)域背景模板上，通過(guò)對(duì)比每一幀領(lǐng)近圖像的紋理、梯度、色彩等特征，將移動(dòng)目標(biāo)給篩選出來(lái)，然后選擇出最清晰的特征用于識(shí)別和跟蹤，從而構(gòu)畫(huà)出目標(biāo)在視頻中的移動(dòng)軌跡，很適合當(dāng)今智能交通系統(tǒng)。區(qū)域跟蹤法對(duì)目標(biāo)的定位可參考如下兩種方法。

（1）灰度重心定位法。由于移動(dòng)目標(biāo)在視頻序列相鄰兩幀不會(huì)出現(xiàn)速度和方法的突變，目標(biāo)在圖像中的灰度重心因此不會(huì)有很大的位置變化。將灰度重心最為特征定位參數(shù)，每一幀的灰度重心點(diǎn)能夠建立移動(dòng)目標(biāo)的運(yùn)動(dòng)軌跡。

（2）亞像素定位法。這是一項(xiàng)十分典型的圖像特征篩選技術(shù)，對(duì)特征目標(biāo)的定位精度高，受到了計(jì)算機(jī)領(lǐng)域相關(guān)學(xué)者的關(guān)注。其對(duì)目標(biāo)的選取基于一定的形狀分布和特定的形狀分布，對(duì)面積大小以及灰度變化程度上也有一定要求。不同于灰度重心法的單個(gè)像素特征點(diǎn)，亞像素定位法對(duì)目標(biāo)篩選出了一個(gè)矩特性，而矩特性在視頻的成像是不變的，因此可以用矩形框?qū)⒁苿?dòng)的目標(biāo)在視頻中定位。人工智能的移動(dòng)人臉識(shí)別也是基于該原理。

3 結(jié) 論

智能交通系統(tǒng)下視頻監(jiān)控技術(shù)具有很大的發(fā)展空間和發(fā)展?jié)摿4]，特別是在當(dāng)今的大數(shù)據(jù)時(shí)代，交通系統(tǒng)下視頻信息處理將被要求更快更準(zhǔn)，因此本文研究具有重要意義。