基于視頻的雙模型卡口觸發(fā)算法

劉 俊， 譚中慧

(中遠(yuǎn)海運(yùn)科技股份有限公司，上海 200135)

基于視頻的雙模型卡口觸發(fā)算法

劉 俊， 譚中慧

(中遠(yuǎn)海運(yùn)科技股份有限公司，上海 200135)

地磁感應(yīng)線圈是一種傳統(tǒng)的卡口觸發(fā)信號(hào)源，該信號(hào)源原理簡(jiǎn)單，性能穩(wěn)定可靠，但其施工不便、容易損毀等諸多問(wèn)題在現(xiàn)代交通中逐漸凸顯。隨著視頻監(jiān)控的高清化、數(shù)字化程度逐漸提高及數(shù)字圖像處理技術(shù)的進(jìn)步，出現(xiàn)了以視頻圖像本身為信號(hào)源的牌照識(shí)別卡口觸發(fā)和基于多級(jí)分類(lèi)的車(chē)輛模型觸發(fā)等新的卡口觸發(fā)方式。前者對(duì)于車(chē)牌污損和無(wú)牌車(chē)輛不能提供較好的解決方案，后者不僅計(jì)算量大，且較難提取出通用性較好的車(chē)輛分類(lèi)器。提出利用視頻圖像虛擬線圈技術(shù)，利用視頻灰度時(shí)序?qū)崿F(xiàn)車(chē)輛目標(biāo)觸發(fā)，并通過(guò)車(chē)輛平面模型編碼特性消除遮擋誤差。該算法運(yùn)算速度快，可自適應(yīng)地動(dòng)態(tài)調(diào)整檢測(cè)參數(shù)，具有環(huán)境適應(yīng)性強(qiáng)和魯棒性高等優(yōu)點(diǎn)。

卡口；線圈；視頻；灰度；遮擋

0 引 言

交通卡口抓拍系統(tǒng)在國(guó)內(nèi)推行時(shí)間較早，應(yīng)用較為廣泛。傳統(tǒng)卡口抓拍系統(tǒng)的設(shè)備主要以一種純物理接觸式的地磁感線圈觸發(fā)為主，該系統(tǒng)原理簡(jiǎn)單、使用時(shí)穩(wěn)定可靠。然而，線圈鋪設(shè)需開(kāi)挖路基，影響交通，且因長(zhǎng)時(shí)間受到車(chē)輛碾壓而容易損毀。近年來(lái)，隨著交通壓力的逐步加大，線圈的弊端逐漸顯露。

目前，已有部分國(guó)內(nèi)外科研機(jī)構(gòu)、設(shè)備廠商將牌照識(shí)別和Haar分類(lèi)器等技術(shù)應(yīng)用到最新的產(chǎn)品中。牌照識(shí)別觸發(fā)是一種視頻有源觸發(fā)，將牌照作為目標(biāo)源，在圖像目標(biāo)區(qū)域內(nèi)不斷進(jìn)行掃描、搜索，定位牌照從而實(shí)現(xiàn)精確觸發(fā)，但牌照識(shí)別觸發(fā)方式對(duì)于牌照污損的車(chē)輛和無(wú)牌車(chē)輛不能提供很好的解決方案。Haar分類(lèi)器技術(shù)則是根據(jù)目標(biāo)的邊緣、線條、中心對(duì)稱(chēng)及對(duì)角線等Haar特征，利用Adaboost分類(lèi)算法創(chuàng)建一系列分類(lèi)器，通過(guò)計(jì)算目標(biāo)特征參數(shù)，判定目標(biāo)類(lèi)別，但該算法計(jì)算量大，很難訓(xùn)練出通用程度較高的分類(lèi)器，算法檢測(cè)準(zhǔn)確率仍有待提高。

為解決傳統(tǒng)線圈觸發(fā)式的缺陷，采用基于視頻的虛擬線圈觸發(fā)算法，同時(shí)為彌補(bǔ)牌照識(shí)別技術(shù)和Haar分類(lèi)器算法的不足，利用視頻圖像灰度分布時(shí)間和空間特性，提取目標(biāo)時(shí)間模型和空間模型，提出視頻、圖像雙模型觸發(fā)算法。該算法具有效率高、通用性好和抗干擾性強(qiáng)等優(yōu)點(diǎn)。

1 觸發(fā)模型建立

虛擬線圈檢測(cè)算法即按照實(shí)際線圈的布設(shè)模式，在視頻圖像中每個(gè)車(chē)道的適當(dāng)位置劃定一個(gè)實(shí)際線圈大小的檢測(cè)區(qū)域，在該線圈內(nèi)對(duì)視頻圖像進(jìn)行分析計(jì)算，判定有無(wú)車(chē)輛進(jìn)出。與實(shí)際地感線圈相似，虛擬線圈以外部分不用計(jì)入分析范圍。

設(shè)視頻圖像分辨率為M×N，每條車(chē)道虛擬線圈沿車(chē)道橫截面方向設(shè)置，則虛擬線圈檢測(cè)模型見(jiàn)圖1。圖1a)中設(shè)置3條白色車(chē)道橫截線表示虛擬線圈；圖1b)中對(duì)應(yīng)的白色區(qū)域?yàn)樘摂M線圈所包含的圖像范圍，其內(nèi)部像素即為檢測(cè)分析對(duì)象；其他黑色區(qū)域在灰度特征提取過(guò)程中不必納入分析范圍。

灰度特性提取模型為

(1)

式(1)中：m(i)表示圖像中第i個(gè)像素是否需要檢測(cè);1表示該像素在線圈內(nèi)，需要檢測(cè);0表示不在線圈內(nèi)；集合φ表示線圈所包含的像素集合。

2 線圈灰度特性提取及時(shí)間建模

線圈內(nèi)某像素點(diǎn)灰度值(Y分量)時(shí)間分布曲線見(jiàn)圖2。圖2b)中，下面為Y分量時(shí)間分布曲線，上面為像素點(diǎn)前后相鄰幀對(duì)應(yīng)Y值的差值曲線，豎直分割線表示當(dāng)前幀所在位置。線圈內(nèi)沒(méi)有車(chē)輛通過(guò)時(shí)，灰度值在路面灰度上下小范圍波動(dòng)，總體趨向路面灰度值，前后相鄰幀灰度差值趨向0。車(chē)輛通過(guò)該像素點(diǎn)位置時(shí)，灰度值上下大幅度波動(dòng)，灰度差異值成倍增大。車(chē)輛經(jīng)過(guò)之后，像素灰度值再次回歸路面灰度值。因此，像素灰度值在時(shí)間序列上具有較好的收斂性和魯棒性，滿足以路面灰度為對(duì)稱(chēng)中心的正態(tài)分布。

設(shè)灰度時(shí)間分布函數(shù)為Yt，灰度差時(shí)間分布函數(shù)為Dt，則單位像素灰度特性曲線為

(2)

式(2)中：a為正態(tài)分布分布均值，代表路面灰度值；δ1t為灰度值隨機(jī)波動(dòng)；δ2t為灰度差值隨機(jī)波動(dòng)。a值為一個(gè)常數(shù)，可通過(guò)平均法或統(tǒng)計(jì)法計(jì)算，以一定時(shí)間間隔為周期，可實(shí)現(xiàn)自適應(yīng)更新。

設(shè)F(i)t為對(duì)應(yīng)像素點(diǎn)目標(biāo)檢測(cè)函數(shù)，有車(chē)通過(guò)時(shí)其值為1，無(wú)車(chē)時(shí)其值為0，則其計(jì)算式為

(3)

式(3)中：σ1為灰度時(shí)間函數(shù)置信區(qū)間閾值；σ2為幀差函數(shù)置信區(qū)間閾值。

綜合線圈所有像素點(diǎn)量化結(jié)果，即可得到線圈時(shí)間序列模型函數(shù)為

(4)

式(4)中：Φ(i)t為某時(shí)刻某線圈有無(wú)車(chē)輛狀態(tài)值；Σ(1)為F(i)t=1的像素點(diǎn)個(gè)數(shù)總和；T為常量，代表線圈狀態(tài)統(tǒng)計(jì)高通濾波閾值。

線圈內(nèi)車(chē)輛目標(biāo)點(diǎn)數(shù)及線圈狀態(tài)曲線結(jié)果見(jiàn)圖3，其中，N表示線圈內(nèi)正在通過(guò)的目標(biāo)所占的像素點(diǎn)的個(gè)數(shù)，線圈狀態(tài)中矩形方波表示有車(chē)通過(guò)。

3 基于車(chē)輛平面建模的遮擋和跟車(chē)問(wèn)題解決方法

若攝像機(jī)照射角度與車(chē)道成一定夾角(見(jiàn)圖4)，大車(chē)通過(guò)時(shí)可能遮擋臨近車(chē)道，造成臨近車(chē)道誤判。遮擋是視頻交通檢測(cè)中的普遍現(xiàn)象，這里提出通過(guò)車(chē)輛平面建模解決臨近車(chē)道遮擋問(wèn)題。

選取進(jìn)入檢測(cè)線圈的2個(gè)目標(biāo)(見(jiàn)圖5)。對(duì)比圖5a)和圖5b)不難發(fā)現(xiàn)：圖5b)中實(shí)際車(chē)輛車(chē)頭前方有明顯黑色陰影，且具有普遍性；圖5a)中雖然由于車(chē)身造成視覺(jué)遮擋，壓碰最左側(cè)車(chē)道虛擬線圈，但明顯不具有實(shí)際車(chē)輛特征。

a)偽目標(biāo)編碼矩陣b)實(shí)際車(chē)輛編碼矩陣

圖6偽目標(biāo)和實(shí)際車(chē)輛模型矩陣

以常量B為灰度閾值，對(duì)偽目標(biāo)和實(shí)際車(chē)輛進(jìn)行二值矩陣編碼，灰度值>B編碼為1，否則編碼為0。偽目標(biāo)和實(shí)際車(chē)輛對(duì)應(yīng)的平面模型分別見(jiàn)圖6a)及圖6b)。

當(dāng)車(chē)輛從遠(yuǎn)往近進(jìn)入虛擬線圈時(shí)，從下往上逐行掃描圖6的目標(biāo)矩陣。因此，統(tǒng)計(jì)線圈內(nèi)像素點(diǎn)在時(shí)間序列上編碼為0的像素點(diǎn)個(gè)數(shù)，便可得到線圈陰影時(shí)間序列曲線，進(jìn)而判斷是否為實(shí)際車(chē)輛通過(guò)。

由于臨近車(chē)道遮擋造成車(chē)道狀態(tài)為1時(shí)(見(jiàn)圖7)，相應(yīng)的線圈0編碼時(shí)序圖中對(duì)應(yīng)找不到有效的輸出脈沖，證明對(duì)應(yīng)實(shí)際目標(biāo)不滿足車(chē)輛平面模型關(guān)系，據(jù)此可排除遮擋誤判。

a)車(chē)道遮擋實(shí)際效果圖b)車(chē)輛平面模型偽目標(biāo)消除

圖7車(chē)輛平面模型去除車(chē)道遮擋誤判示意

臨近車(chē)道同時(shí)有目標(biāo)車(chē)輛經(jīng)過(guò)(見(jiàn)圖8)，近車(chē)道大車(chē)遮擋遠(yuǎn)車(chē)道車(chē)輛，但遠(yuǎn)車(chē)道車(chē)輛前方陰影仍可見(jiàn)，故遠(yuǎn)車(chē)道仍能有效地檢測(cè)車(chē)輛。

a)車(chē)道遮擋實(shí)際效果圖b)車(chē)輛平面模型偽目標(biāo)消除

圖8部分遮擋車(chē)輛有效觸發(fā)示意

流量較大時(shí)，跟車(chē)容易造成遮擋，車(chē)輛平面特征減弱，車(chē)輛分割難度加大，導(dǎo)致很難區(qū)分單車(chē)特性，為解決該問(wèn)題，在跟車(chē)現(xiàn)象密集路段從2方面進(jìn)行改進(jìn)。一方面，適當(dāng)加大攝像機(jī)安裝俯角，使攝像機(jī)主要聚焦在較近處，有效增加目標(biāo)成像間距；另一方面，將卡口觸發(fā)虛擬線圈設(shè)置在圖像近端，有助于拉開(kāi)目標(biāo)成像間距，降低跟車(chē)影響，其原理見(jiàn)圖9。

4 基于車(chē)道方向及線圈狀態(tài)的觸發(fā)點(diǎn)判定

為實(shí)現(xiàn)車(chē)頭或車(chē)尾位置精確抓拍，根據(jù)圖7所示線圈狀態(tài)曲線圖，結(jié)合車(chē)道方向?qū)崿F(xiàn)目標(biāo)精確觸發(fā)。

設(shè)定車(chē)道方向?yàn)閬?lái)向，車(chē)輛由遠(yuǎn)及近行駛，需抓拍車(chē)頭特寫(xiě)圖片，因此在車(chē)輛剛進(jìn)入線圈，即線圈狀態(tài)曲線上升沿進(jìn)行觸發(fā)；若車(chē)道方向?yàn)槿ハ?，則情況相反，只能對(duì)車(chē)尾特寫(xiě)圖片進(jìn)行抓拍，應(yīng)該在車(chē)尾離開(kāi)線圈，即線圈狀態(tài)曲線下降沿觸發(fā)。線圈狀態(tài)曲線矩形方波持續(xù)時(shí)間為目標(biāo)通過(guò)卡口時(shí)間，可用于計(jì)算車(chē)型。

車(chē)道為來(lái)向，車(chē)頭觸發(fā)時(shí)機(jī)、車(chē)尾位置計(jì)算式為

(5)

式(5)中：T(t)為觸發(fā)時(shí)間；L(t)為離開(kāi)時(shí)間；Φ(i)t1-1和Φ(i)t1+1為t時(shí)刻前后線圈狀態(tài)值。

車(chē)輛通過(guò)i線圈所用時(shí)間計(jì)算式為

F(i)=t2-t1

(6)

式(6)中：F(i)為車(chē)輛通過(guò)線圈的時(shí)間。

車(chē)道方向?yàn)槿ハ颍鄳?yīng)的目標(biāo)到達(dá)線圈位置時(shí)間計(jì)算式為

(7)

F(i)=t2-t1

(8)

式(7)中：C(t)為車(chē)輛到達(dá)線圈時(shí)刻。

以車(chē)道來(lái)向?yàn)槔?，?chē)輛觸發(fā)時(shí)序及對(duì)應(yīng)實(shí)際觸發(fā)效果見(jiàn)圖10。

a)車(chē)道狀態(tài)時(shí)序b)觸發(fā)效果

圖10車(chē)道狀態(tài)時(shí)序及實(shí)際觸發(fā)效果

5 算法試驗(yàn)

以滬嘉高速公路監(jiān)控視頻錄像為測(cè)試樣帶，環(huán)境為普通監(jiān)控視角、夜間路燈照明、無(wú)補(bǔ)光，視頻圖像分辨率為1 920×1 080，視頻格式為H.264。分別對(duì)陰天及雨天早、中、晚和夜間視頻進(jìn)行測(cè)試，結(jié)果見(jiàn)表1。

表1 卡口觸發(fā)算法測(cè)試數(shù)據(jù)

由表1可知：該算法在晴好天氣下準(zhǔn)確率高，在雨天稍低；同一天內(nèi)白天準(zhǔn)確率較高，夜間稍低。對(duì)數(shù)據(jù)進(jìn)行分析可知，該算法與傳統(tǒng)線圈觸發(fā)相比主要具有以下優(yōu)劣點(diǎn)：

1)純視頻觸發(fā)，不需增加額外裝置，可做到監(jiān)、抓共用；

2)傳統(tǒng)方式地感線圈容易損毀，安裝維護(hù)時(shí)需開(kāi)挖路面，施工成本高，該算法方案硬件設(shè)施不易損毀，施工成本??；

3)該算法由于采用非接觸式視頻觸發(fā)方式，易受到光線、天氣和角度等影響，易使成像質(zhì)量等發(fā)生變化，算法在抗干擾方面還有較大提升空間。

6 結(jié) 語(yǔ)

通過(guò)研究基于視頻的卡口觸發(fā)算法，運(yùn)用虛擬線圈技術(shù)，根據(jù)線圈內(nèi)圖像總體灰度時(shí)間分布特性和目標(biāo)車(chē)輛在平面空間的規(guī)律性灰度分布特性，提出基于時(shí)間和空間雙重模型的卡口觸發(fā)算法。試驗(yàn)結(jié)果表明，該算法的觸發(fā)準(zhǔn)確率高，能有效消除遮擋影響；該算法關(guān)鍵參數(shù)不依賴(lài)具體車(chē)輛、車(chē)型，具有較好的通用性和穩(wěn)定性。該算法不僅能實(shí)現(xiàn)精確觸發(fā)，還能確定目標(biāo)車(chē)輛的車(chē)頭和車(chē)尾，計(jì)算車(chē)長(zhǎng)，對(duì)進(jìn)一步識(shí)別目標(biāo)車(chē)型、提取其他交調(diào)參數(shù)具有較好的輔助作用，應(yīng)用價(jià)值較高。

[1] 譚中慧，張勇. 視頻圖像目標(biāo)偵測(cè)及改進(jìn)算法[J].上海船舶運(yùn)輸科學(xué)研究所學(xué)報(bào)，2016，39(4)：67-72.

[2] 甘玲，李瑞. 基于自適應(yīng)虛擬線圈的多車(chē)道車(chē)流量檢測(cè)算法[J].自動(dòng)化學(xué)報(bào)，2016，36(12)：3511-3514.

[3] 袁彬，張勇. 基于圖像紋理分析的交通擁堵檢測(cè)算法研究[J].上海船舶運(yùn)輸科學(xué)研究所學(xué)報(bào)，2015，38(4)：77-79.

[4] 汪國(guó)強(qiáng). 基于背景差分法的視頻目標(biāo)檢測(cè)算法研究[J].黑龍江大學(xué)工程學(xué)報(bào)，2014(5)：64-68.

[5] 徐鉦，賀波濤. 虛擬卡口系統(tǒng)的設(shè)計(jì)[J].電子測(cè)試，2014(24):6-9.

[6] 張海燕. 高清卡口系統(tǒng)設(shè)計(jì)[J].中國(guó)交通信息化，2012(12):137-139.

[7] 曲寶珠，曹?chē)?guó)，劉宇，等.基于多特征集成的卡口圖像前車(chē)窗的定位算法[J].信息技術(shù)，2016(12):19-24.

[8] 鄺先驗(yàn)，朱磊，吳赟，等. 基于Adaboost算法和顏色特征的公交車(chē)輛視頻檢測(cè)[J]. 廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，34(1):9-18.

[9] 楊麗琴. 高速公路車(chē)道高清卡口系統(tǒng)實(shí)施方案[J]. 中國(guó)交通信息化，2015(6):107-108.

[10] TAN Z H，ZHANG Y，SONG J F. A Regional Rotation Algorithm of Video Images[C]//2012 5th International Congress on Image and Signal Processing IEEE，2012:190-192.

[11] 譚中慧，張勇. 利用軌跡跟蹤的視頻交通事件檢測(cè)算法[J].上海船舶運(yùn)輸科學(xué)研究所學(xué)報(bào)，2013，36(2)：26-31.

VideoBasedDualModeTrafficTriggeringAlgorithm

LIUJun，TANZhonghui

(COSCO SHIPPING Technology Co., Ltd., Shanghai 200135, China)

Geomagnetic induction coil is a traditional traffic trigger signal source. The principle is straightforward, and the performance stable and reliable. But it is easy to damage and involves construction work. On the other hand, as the improvement of the video surveillance equipment and the progress of the digital image processing technology, some new traffic trigger modes based on video itself, such as video license plate recognition and multi-level classification of vehicle model triggering, come along. The former can not deal with license plate defacement or unlicensed vehicles, and the latter is not only computationally intensive, but vehicle classification model dependent. A meaningful vehicle classification model takes effort to build. This paper proposes the video image virtual coil technology, with the video gray level timing to achieve vehicle target trigger, and the vehicle discrimination on basis of their plane model coding characteristics to eliminate the occlusion error. The algorithm is fast and adaptive, and has high ambient tolerance and robustness.

traffic; detection coil; video; grayscale; shelter

TP391.41

A

2017-06-05

劉 俊(1977—)，男，江西鄱陽(yáng)人，高級(jí)工程師，主要從事智能電子產(chǎn)品研究。

1674-5949(2017)03-0064-07