車輛越界快速自適應(yīng)檢測方法研究

柯海森，李 江

(中國計量學(xué)院機電工程學(xué)院，浙江 杭州 310018)

隨著經(jīng)濟的發(fā)展和科技的進步，各國的汽車數(shù)量與日劇增，城市道路交通的負擔(dān)越來越嚴重。這引起了各國對智能交通系統(tǒng)(Intelligent Transportation Systems，ITS)的重視?；谝曨l的交通監(jiān)控具有直觀、有效、易取證等優(yōu)越性。因此針對視頻的智能交通系統(tǒng)成為國內(nèi)外的研究熱點。針對車輛越界檢測，有人提出車輛中心檢測法、灰度或色度幀差統(tǒng)計方法、線結(jié)構(gòu)邊緣檢測法[1]和虛擬線圈方法[2－3]等，但是需要遍歷圖像的像素個數(shù)過多，檢測過程中會出現(xiàn)大量的數(shù)據(jù)冗余。由于交通視頻是不間斷地進行保存，所以從視頻中提取的各圖像的光線強度不會一致，需要對圖像進行自適應(yīng)閾值[4－5]計算，而車道標(biāo)識線在圖像中僅是一小部分，沒必要對全圖像素值進行遍歷，只須根據(jù)關(guān)鍵點的像素特性確定閾值即可。

1 關(guān)鍵點確定

所處理的數(shù)據(jù)來源是Xvid編碼的avi格式的交通視頻，首先從視頻中每隔特定幀數(shù)提取一幀圖像。從提取的眾多圖像文件中的，選取一個光線較好而且沒有車輛違規(guī)越界現(xiàn)象的圖像文件，這樣有利于確定關(guān)鍵點的準(zhǔn)確性。

1.1 預(yù)處理

由于計算機中的圖像文件一般都是用RGB表色模型顯示和存儲的，該表色模型普遍應(yīng)用于彩色照相技術(shù)和彩色電子設(shè)備等實際應(yīng)用當(dāng)中。黑白圖像在每個像素只有1個亮度值，而彩色圖像在每個像素上具有紅、綠、藍3個亮度值，這3個值表示在不同波段上的強度，從人眼看來就是不同的顏色[6]。首先對圖像進行灰度化處理，將3個亮度值以不同的權(quán)值進行加權(quán)平均。由于人眼對綠色的敏感度最高，對藍色敏感最低，因此按式(1)對R，G，B這3個分量進行加權(quán)平均能得到較合理的灰度圖像

灰度化處理后每個像素對應(yīng)的值都是1個0～255的數(shù)。這樣數(shù)據(jù)量大大減少，而且經(jīng)過實驗證明不影響確定關(guān)鍵點的準(zhǔn)確性。

有些車道線有可能被油漬污染，或者被樹葉等細小物體臨時遮擋，所以要對灰度圖像進行濾波處理。中值平滑濾波[7]是一種典型的低通濾波器，主要用來抑制脈沖噪聲，它能夠徹底濾除尖波干擾噪聲，同時又具有較好的保護目標(biāo)圖像邊緣的特點。中值濾波一般采用奇數(shù)個單位長度滑動窗口，窗口中所有像素值按照大小排列后用中值代替目標(biāo)點的值。本文選的是3×3的滑動窗口，計算量小，邊緣保留效果好。

1.2 區(qū)域生長

區(qū)域生長[7]的基本思想是將特性相似的像素集合起來構(gòu)成區(qū)域。圖像文件中像素的特性就是像素值。本文采用堆棧方式實現(xiàn)種子點的區(qū)域生長，設(shè)圖像的尺寸為M×N，具體步驟如下:

1)新建一個和圖像大小相同的矩陣S(M×N)，將矩陣中的元素值初始化為0，這樣矩陣S的值與圖像像素有一一對應(yīng)關(guān)系，同時根據(jù)實際情況設(shè)定合適的閾值T。

2)在需要確定的區(qū)域內(nèi)選擇一個沒有明顯污漬的點作為區(qū)域生長的種子像素點，并把矩陣S中對應(yīng)種子像素的值設(shè)為1，種子像素點入棧。

3)從棧中彈出一個像素點，以該點為中心檢查它的鄰域像素點，將這些點的像素值一一與種子點的像素值比較，如果差值小于閾值T，并且該點沒有被生長過，則該點入棧，同時S中相應(yīng)位置的值設(shè)為1。

4)重復(fù)步驟3)，直至棧中沒有元素為止。

5)根據(jù)S中值為1的元素的位置找到生長后區(qū)域的x和y坐標(biāo)的最大值xmax和ymax，以及最小值xmin和ymin。

6)根據(jù)實際情況確定關(guān)鍵點的個數(shù)a，將關(guān)鍵點均勻分布在生長后區(qū)域的邊緣，并將關(guān)鍵點坐標(biāo)保存在矩陣Z(a×2)中，Z(a×2)的第一列為各關(guān)鍵點的x坐標(biāo)，第二列為對應(yīng)的y坐標(biāo)。

2 車輛越界檢測

以上只是針對一個固定的文件進行的處理，得到關(guān)鍵點的坐標(biāo)矩陣Z。下面根據(jù)矩陣Z判斷車輛是否越界。在車輛違規(guī)壓過車道線的過程中，生長區(qū)域中的像素肯定會發(fā)生變化。為方便表述，將車輛違規(guī)壓過車道線稱為事件A。首先將圖像二值化，如果圖像中沒有事件A發(fā)生，因為車道線和車道的顏色明顯不同，那么矩陣Z中保存的坐標(biāo)位置小范圍領(lǐng)域內(nèi)必定既有值為255(白色)的像素，又有值為0(黑色)的像素;如果圖像中有事件A發(fā)生，那么矩陣Z中保存的坐標(biāo)位置小范圍鄰域內(nèi)的像素值都為255或者都為0。此方法同時適合各種顏色的車輛越界檢測。

由于處理的原始數(shù)據(jù)是一個時間段內(nèi)錄制的實況視頻，光線是時刻變化的，因此對每幅圖像進行相同閾值的二值化處理不能滿足準(zhǔn)確性的要求，需要根據(jù)每幅圖像的實際情況選擇合適的閾值。日本的大津展之1980年提出了最大方差閾值，即大津閾值[8]。在直方圖的某一閾值處分割成兩組，當(dāng)被分成兩組間方差為最大時，決定閾值。這樣需要遍歷所有像素的值，根據(jù)所有像素值確定閾值，計算量較大;同時會因為某些區(qū)域的值偏差較大，影響閾值的確定，進而影響檢測結(jié)果。針對此問題，有人提出自適應(yīng)最大方差閾值[5]的方法，將圖像按幾何、統(tǒng)計等特性均勻分成若干部分，根據(jù)每個小部分內(nèi)像素的特征設(shè)定閾值。這種方法還是沒有解決計算量大的問題。本文根據(jù)上文確定的關(guān)鍵點的HSI空間像素特征設(shè)定閾值，而不需要對全圖像素進行遍歷，這樣工作量大大減少。

HSI模型[9]是常用的表色模型，在這個模型中H表示色調(diào)(Hue)，S表示色飽和度(Saturation)，I表示強度(Intensity，對應(yīng)成像亮度和圖像灰度)。這個模型有2個主要特點:1)圖像的彩色信息H分量和S分量與I分量無關(guān);2)人感受和描述顏色的方式與H分量和S分量相一致。這2個特點使HSI表色模型適合于人機交互情況下的圖像處理算法的研究，其處理結(jié)果也便于觀察和分析。采用HSI表色模型可以減少彩色圖像處理的復(fù)雜性，增加快速性。由于光線強度是時刻變化的，所以根據(jù)HSI模型中的I分量確定合適的二值化閾值。RGB模型到HSI模型的轉(zhuǎn)換公式為

具體步驟如下:

1)打開一個圖像文件，通過計算得到圖像在HSI模型下各分量的值。

2)由a個關(guān)鍵像素點的I分量值確定二值化閾值，進行圖像灰度化處理和二值化處理。

3)新建2個數(shù)值變量havewhiteandblack和numerror，并都初始化為0。

4)判斷每個關(guān)鍵像素點小范圍鄰域內(nèi)是否存在值為255和0的像素。如果同時存在 255和0，則設(shè)置havewhiteandblack為1;反之設(shè)置havewhiteandblack為0，numerror加1。numerror大于等于Tnumerror(點個數(shù)閾值)時，表示圖像中有可能發(fā)生A事件，將記錄存在文本文件中(因為可能有噪聲的存在，所以不能只簡單地把Tnumerror設(shè)置為1)，重復(fù)步驟3)。

5)打開下一個圖像文件，重復(fù)以上步驟，達到自適應(yīng)確定閾值的目的。

3 實驗結(jié)果與分析

實驗數(shù)據(jù)樣本為從一個視頻文件中提取出的616個圖像文件，圖像文件的光線強度是連續(xù)變化的。通過3種方法對樣本文件進行檢測，方法1是本文提出的關(guān)鍵點檢測和自適應(yīng)HSI閾值，方法2是文獻[2]和文獻[8]提到的逐行檢測和最大方差閾值，方法3是文獻[1]提出的逐行檢測和固定閾值。關(guān)鍵點個數(shù)根據(jù)實際情況選為16個，檢測結(jié)果如表1所示。

表1 3種方法檢測結(jié)果對比

通過對比3種方法的檢測結(jié)果，本文所提出的方法1比方法2的檢測時間短，同時準(zhǔn)確率不受影響，準(zhǔn)確率為97.40%;而與方法3相比，由于要對每個圖像文件進行閾值計算，所以檢測時間稍稍長了一些，但準(zhǔn)確率大大提高。該方法滿足準(zhǔn)確性和實時性的要求，克服了光線變化對檢測結(jié)果的影響。經(jīng)分析，方法1少量誤檢測出現(xiàn)的原因為:1)二值化閾值和I分量之間的關(guān)系不能很好地確定;2)點個數(shù)閾值Tnumerror和關(guān)鍵點個數(shù)a的適當(dāng)選取。另外，光線過強或過弱都會導(dǎo)致檢測結(jié)果出現(xiàn)誤差。

4 小結(jié)

本文提出了基于區(qū)域生長的邊緣關(guān)鍵點提取和基于HSI色彩空間的自適應(yīng)檢測方法，將此方法與實際中的車輛越界檢測應(yīng)用結(jié)合。實驗結(jié)果表明，文中論述的圖像處理方法是有效的，實現(xiàn)了快速自適應(yīng)檢測車輛越界，并且同時適合各種顏色車輛的檢測。本文沒有考慮目標(biāo)跟蹤，導(dǎo)致檢測結(jié)果的信息會出現(xiàn)冗余，同一車輛可能在連續(xù)的小時間段內(nèi)重復(fù)被檢測到。針對以上不足，在今后工作中需要進一步研究并加以改進。

[1]周勝.基于視頻的道路黃線違章檢測算法研究[D].西安:西安電子科技大學(xué)，2006.

[2]謝寒生.基于視頻技術(shù)的車輛違章檢測算法研究與設(shè)計[D].武漢:華中科技大學(xué)，2004.

[3]于洋，于明，翟艷東，等.多車道場景下的視頻車輛測速方法[J].河北工業(yè)大學(xué)學(xué)報，2011，40(3):79－83.

[4]何昕，李曉華，周激流.一種自適應(yīng)多閾值直方圖均衡方法[J].計算機工程，2011，37(17):206－210.

[5]魯威威，肖志濤，雷美琳.基于單目視覺的前方車輛檢測與測距方法研究[J].電視技術(shù)，2011，35(1):125－128.

[6]CASTLEMAN K R.數(shù)字圖像處理[M].北京:電子工業(yè)出版社，2011:4－5.

[7]謝鳳英，趙丹培.Visual C++數(shù)字圖像處理[M].北京:電子工業(yè)出版社，2008:263－267.

[8]管欣，賈鑫，高振海.車道檢測中感興趣區(qū)域選擇及自適應(yīng)閾值分割[J].公路交通科技，2009，26(6):104－108.

[9]孫即祥.圖像處理[M].北京:科學(xué)出版社，2009:53－56.