基于車型特征提取的車輛檢測(cè)程序的實(shí)現(xiàn)

黃磊

摘 要：車輛檢測(cè)系統(tǒng)是智能交通系統(tǒng)的重要環(huán)節(jié)，基于視頻圖像的車型識(shí)別和車輛檢測(cè)技術(shù)研究也越來越多。本文以實(shí)時(shí)視頻為基礎(chǔ)，介紹了一種車輛特征提取算法-彈性松弛袋算法，來提取車輛的車長車高特征，從而實(shí)現(xiàn)對(duì)車輛的檢測(cè)和分類。本文著重介紹了彈性松弛袋算法提取車型特征的程序?qū)崿F(xiàn)，通過實(shí)驗(yàn)的結(jié)果，驗(yàn)證了該算法的可行性。

【關(guān)鍵詞】車輛檢測(cè) 車輛特征 彈性松弛袋

我國在“十五”綜合交通體系發(fā)展規(guī)劃中明確指出要以可持續(xù)發(fā)展為前提，以市場(chǎng)經(jīng)濟(jì)為導(dǎo)向，建立智能交通系統(tǒng)即ITS （Intelligent Transportation Systems）。其中，車輛動(dòng)態(tài)監(jiān)測(cè)和高速公路收費(fèi)站全自動(dòng)收費(fèi)對(duì)公路交通自動(dòng)化程度的提高，促進(jìn)智能交通系統(tǒng)的發(fā)展具有極其重大的實(shí)際意義。而車型檢測(cè)和識(shí)別技術(shù)在車輛動(dòng)態(tài)監(jiān)測(cè)和高速公路全自動(dòng)收費(fèi)中起著至關(guān)重要的作用。近年來基于圖像處理的視頻車輛檢測(cè)方法發(fā)展很快，由于它具有系統(tǒng)設(shè)置靈活、檢測(cè)區(qū)域大等突出的優(yōu)點(diǎn)，已成為車輛檢測(cè)領(lǐng)域研究的一個(gè)重點(diǎn)方向。本文的目的是旨在采用“視頻采集和預(yù)處理設(shè)備+應(yīng)用軟件”的最小系統(tǒng)結(jié)構(gòu)模式，實(shí)現(xiàn)對(duì)車輛的檢測(cè)和識(shí)別。

1 車輛檢測(cè)程序過程分析

在車輛檢測(cè)中，通常先使用攝像頭和視頻采集卡來采集AVI視頻流，圖像采集卡接收到視頻圖像信號(hào)后，通過采樣和量化將其二值化，實(shí)時(shí)顯示并逐幀將圖像存入計(jì)算機(jī)內(nèi)存中。然后通過對(duì)這些圖像的分析與處理，提取出車輛的車型特征，即車輛的長度和高度數(shù)據(jù)，由此判斷出檢測(cè)車輛的車型。

2 車輛特征提取算法-彈性松弛袋算法

通過對(duì)車輛檢測(cè)程序過程的分析，我們可以得出以下算法：判定車輛存在與該車輛車型特征提取算法——彈性松弛袋算法。

該算法表述如下：

輸入：視頻當(dāng)前圖像與背景圖像之差，即幀差圖像。

算法處理過程：

（1）在當(dāng)前背景圖像的右邊建立兩根豎線TAG1和TAG2。其中，TAG1作為車輛的最右端判斷依據(jù)，TAG2作為車輛的左端判定依據(jù)。如圖1所示。

（2）當(dāng)車輛進(jìn)入到攝像區(qū)域內(nèi)時(shí)，檢測(cè)到右側(cè)的按列投影將發(fā)生急劇的變化，此時(shí)當(dāng)前列的像素個(gè)數(shù)大于deltaA，其中deltaA是一個(gè)給定的閾值，只要TAG2始終處于劇烈變化塊中，即TAG2所在列的像素個(gè)數(shù)大于deltaA，TAG1便跟隨著急劇變化塊向左端推進(jìn)。

（3）當(dāng)上一幀圖片內(nèi)TAG2處在車型塊中，而在當(dāng)前幀中TAG1沒有處在車型塊中，TAG1不再往左端推進(jìn)。

（4）此時(shí)，可以從投影圖片的右側(cè)開始往左側(cè)尋找，確定車型的右邊界位置，然后繼續(xù)往左尋找，確定車型左側(cè)位置，兩者之差即為車長，如圖2所示。

（5）在第四步處理結(jié)束后，對(duì)提取車長length進(jìn)行后續(xù)處理，跳轉(zhuǎn)到第7步。

（6）將TAG1和TAG2歸位。跳轉(zhuǎn)到第2步。

（7）如果length滿足一定的分類要求，可以作出檢測(cè)到某一類型車的判定，否則，認(rèn)為是無用噪點(diǎn)的影響，直接舍棄。

以上是通過彈性松弛袋算法提取車輛車長的方法，對(duì)于提取車輛的車高，只需要將兩根豎線設(shè)置為垂直的即可。

3 利用彈性松弛袋算法，提取車輛的車長車高特征，對(duì)車輛進(jìn)行分類

在彈性袋松弛算法中，當(dāng)一輛車從右至左行駛進(jìn)入攝像區(qū)域（因?yàn)樵撍惴俣ㄈ绱?，?dāng)然也可以沿相反方向，結(jié)果一樣）時(shí)，偵測(cè)到的車長在不斷增大，直到下一幀偵測(cè)到的車長小于某個(gè)設(shè)定的最小值，就認(rèn)為該車輛的偵測(cè)結(jié)束。根據(jù)以上結(jié)論，程序結(jié)構(gòu)流程圖如圖3所示。

其程序如下：

bool bTag = false；//標(biāo)志變量，標(biāo)示是否有下一輛車進(jìn)入攝像區(qū)域

int preLength = 0；//preLength為前一幀上偵測(cè)到的車長

int curLength = 0；//curLength為當(dāng)前幀上偵測(cè)到的車長

int preHeight = 0；//preHeight為前一幀上偵測(cè)到的車高

int curHeight = 0；//curHeight為當(dāng)前幀上偵測(cè)到的車高

int minLength = 70；//minLength為系統(tǒng)設(shè)定的最小車長

int minHeight = 10；//minHeight為系統(tǒng)設(shè)定的最小車高

Trait t = getNextFrame（）；//Trait為車輛提取特征類

while （t ！= null）

{ curLength = t.length；

curHeight = t.height；

if （preLength < curLength && curLength > minLength && preHeight < curHeight && curHeight > minHeight）

{ bTag = true；}

else

{ Console.WriteLine（velCheck（curLength， curHeight））；

preLength = curLength；//當(dāng)前幀替換前一幀

preHeight = curHeight；

t = getNextFrame（）；//getNextFrame（）為獲得下一幀圖像的相關(guān)信息 }}

//車輛檢測(cè)分類

static string velCheck（int length ，int height）

{ string s = ""；

if （length>=400 && length <1000 && height>=100 && height<110）

{ s = "公交車"；}

if （length >= 270 && length < 400 && height >= 80 && height < 100）

{ s = "小型貨車"；}

if （length >= 180 && length < 270&& height >= 60 && height < 80）

{ s = "面包車"；}

if （length >= 110 && length < 180 && height >= 40 && height < 60）

{ s = "轎車"；}

return s；

}

4 實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)中，選用了一段實(shí)時(shí)視頻，該視頻是由安裝在道路上的攝像機(jī)獲取的。在整段實(shí)時(shí)視頻里，總共有48輛不同類型的汽車。除此之外，還包括了行人、自行車等干擾信號(hào)。實(shí)驗(yàn)中采用兩種統(tǒng)計(jì)方法，分別是通過人工統(tǒng)計(jì)，以及通過提取車輛車長車高信息進(jìn)行綜合統(tǒng)計(jì)。通過實(shí)驗(yàn)后，統(tǒng)計(jì)結(jié)果如表1所示。

從表1的實(shí)驗(yàn)結(jié)果可以看出，通過提取車輛車長車高信息進(jìn)行車輛識(shí)別的結(jié)果還是可以接受的。誤差主要是由以下原因造成的：一是建立的背景可能還不夠理想，含有噪點(diǎn)；二是實(shí)時(shí)視頻中的車輛不是在一個(gè)單向的車道上，相向車輛相互影響。

5 結(jié)束語

目前，視頻圖像檢測(cè)技術(shù)作為一種新興的交通信息檢測(cè)技術(shù)，在智能交通系統(tǒng)的研究和開發(fā)工作中已經(jīng)得到了廣泛的應(yīng)用。但是在我國這種技術(shù)尚處在起步階段。視頻圖像檢測(cè)技術(shù)在算法上具有適應(yīng)能力強(qiáng)和柔性大等特點(diǎn)，本文以彈性松弛袋算法為基礎(chǔ)，分析了車輛進(jìn)入攝像區(qū)域的整個(gè)過程，通過提取車輛的車長車高特征，對(duì)車輛進(jìn)行分類，并取得了不錯(cuò)的效果。

參考文獻(xiàn)

[1]張全元.基于實(shí)時(shí)視頻流的車型識(shí)別系統(tǒng)設(shè)計(jì)[J].中國地質(zhì)大學(xué)（武漢）碩士學(xué)位論文，2007.

[2]王春波，張衛(wèi)東.智能交通系統(tǒng)運(yùn)動(dòng)車輛的視覺檢測(cè)[J].紅外與毫米波學(xué)報(bào)，2001（20）.

[3]張帆，基于視頻流的車型識(shí)別特征提取方法研究[J].中國地質(zhì)大學(xué)（武漢）碩士學(xué)位論文，2010.

[4]林曉梅，李琳娜.基于小波邊緣檢測(cè)的圖象去噪方法[J].光學(xué)精密工程，2004.

[5]王耀南等.計(jì)算機(jī)圖像處理與識(shí)別技術(shù)[M].北京：高等教育出版社，2001.

[6]范伊紅.基于視頻的車型自動(dòng)識(shí)別系統(tǒng)的實(shí)現(xiàn)[D].（學(xué)位論文）鄭州：鄭州大學(xué)，2006（05）.

[7]高大山.智能交通系統(tǒng)中運(yùn)動(dòng)目標(biāo)檢測(cè)方法的研究[J].清華大學(xué)（碩士學(xué)位論文），2002.

作者單位

廣東省高級(jí)技工學(xué)校 廣東省惠州市 516100