基于車頭燈光斑特征穩(wěn)定性與軌跡相似度的夜間交通流量檢測*

林培群 黃子敬 陳麗甜

(華南理工大學(xué)土木與交通學(xué)院 廣州 510640)

0 引 言

視頻交通數(shù)據(jù)采集是目前最有發(fā)展前景的交通流檢測技術(shù)。然而由于光照條件不良, 夜間圖像所能提取的車輛特征十分有限。此條件下車頭燈是車輛上明顯且穩(wěn)定的特征, 因此已提出的夜間交通流量檢測算法大都將車頭燈作為檢測車輛存在性的唯一依據(jù)。此類算法大體由三部分組成: 車頭燈分割、車頭燈配對(duì)、車輛識(shí)別與跟蹤。

車頭燈亮度遠(yuǎn)大于背景亮度, 所以基于灰度值進(jìn)行二值化閾值分割實(shí)現(xiàn)車頭燈的提取便是顯而易見的思路。Zhou[1]提出設(shè)置固定閾值二值化的方法；Sina等[2]提出一種基于類間方差最大化的自適應(yīng)閾值算法；吳海濤[3]提出使用雙閾值首先分割高亮度像素, 而后對(duì)周圍亮度衰減很快的像素進(jìn)行區(qū)域生長。R. Guo等[4]則提出一種通過計(jì)算灰度直方圖前景波峰和背景波峰之間的波谷得到閾值的自適應(yīng)閾值計(jì)算方法。但由于車燈在圖像中占比較小, 其波峰不明顯, 準(zhǔn)確計(jì)算閾值是比較困難的。為此孫曉艷[5]由車燈在累加直方圖中呈雙峰分布, 得出使用一種改進(jìn)Otsu算法來確定最佳分割閾值的方法。

此外, Zhang等[6]提出使用光線衰減法則獲取反射光強(qiáng)度圖, 而后使用反射抑制圖消除路面反射光。Lee等[7]提出可以消除車頭燈路面反射的“Retinex”算法。R. Taktak等[8]基于模板匹配識(shí)別可能車頭燈。此外Huang等[9]提出了一種基于亮度對(duì)比度的車燈提取方法。

隨著機(jī)器學(xué)習(xí)應(yīng)用的興起, 新的車頭燈識(shí)別思路便是使用機(jī)器學(xué)習(xí)算法訓(xùn)練分類器直接識(shí)別單個(gè)車頭燈或是車頭燈對(duì)。Zou等[10]的方案使用Adaboost算法基于Haar特征訓(xùn)練分類器識(shí)別單個(gè)車頭燈。K. Robert[11]的方法則是首先生成可能的車頭燈位置假設(shè), 然后使用決策樹驗(yàn)證假設(shè)并進(jìn)行弱分類, 對(duì)未被弱分類器分類的高亮度區(qū)域, 首先使用PCA降維, 然后使用神經(jīng)網(wǎng)絡(luò)(ANN)或支持向量機(jī)(SVM)識(shí)別車燈對(duì)。此方法同時(shí)完成車燈的分割與配對(duì)工作。

提取車頭燈像素之后, 需要將屬于同一輛車的車頭燈配對(duì), 才可識(shí)別車輛。常用的配對(duì)方法基于車燈的幾何形狀、面積、位置信息, 如Chen等[12]提出一種車燈空間聚類方法, 基于車頭燈空間位置關(guān)系實(shí)現(xiàn)配對(duì)。文獻(xiàn)[11]則結(jié)合使用決策樹、ANN和SVM完成車燈配對(duì)。

車輛跟蹤實(shí)際上就是對(duì)檢測到的車燈進(jìn)行跟蹤, 其關(guān)鍵是找到同一跟蹤對(duì)象在當(dāng)前幀和上1幀之位置。提出了根據(jù)相鄰幀的時(shí)間間隔和車速的合理范圍預(yù)測車燈在下1幀中可能出現(xiàn)的位置范圍的方法。認(rèn)為簡單地通過位置預(yù)測來跟蹤車燈只適用于車速慢且車流密度小的情況, 在車速快且車流密度大時(shí)易發(fā)生其他車燈出現(xiàn)在預(yù)測范圍內(nèi)的情況, 由此提出使用估計(jì)的滅點(diǎn)跟蹤、配對(duì)車燈的雙向推理算法。

從上文可見, 現(xiàn)有夜間交通流檢測算法使用的都是先識(shí)別后跟蹤的方案, 其著重點(diǎn)在于通過充分挖掘靜態(tài)圖像中的信息來識(shí)別車燈對(duì)。識(shí)別出車燈后, 基于先驗(yàn)知識(shí)去預(yù)測該車燈在下1幀可能出現(xiàn)的位置范圍, 通過幀間匹配來實(shí)現(xiàn)車燈跟蹤。

先識(shí)別后跟蹤的方法好處在于可以在視頻的每1幀中實(shí)時(shí)得到檢測結(jié)果, 但車燈光斑所能利用的特征十分有限, 常用的圖像識(shí)別特征如顏色、紋理等都無法利用, 靜態(tài)識(shí)別的高難度往往使得此類算法復(fù)雜度較高, 從而影響實(shí)時(shí)性。交通流量檢測的目的是實(shí)時(shí)獲取駛過道路斷面的車輛數(shù), 只要對(duì)在視頻中出現(xiàn)并駛過的所有車輛均成功識(shí)別計(jì)數(shù)即可, 其實(shí)不需要每1幀都精準(zhǔn)識(shí)別并得到畫面中的車輛數(shù)。

車燈配對(duì)方面, 現(xiàn)有方法多根據(jù)輪廓幾何特征相似度與相對(duì)位置關(guān)系來實(shí)現(xiàn), 但實(shí)際上不同車輛的車燈幾何特征是很接近的, 靜態(tài)地基于相對(duì)位置來配對(duì)也很可能在2輛車并行時(shí)出現(xiàn)誤配。本研究使用可信度高的Camshift跟蹤算法, 跟蹤過程中結(jié)合分析軌跡點(diǎn)的速度、方向及其相對(duì)位置關(guān)系實(shí)現(xiàn)車燈配對(duì)。

1 夜間交通流量視頻檢測算法

所研究算法由初始標(biāo)定、靜態(tài)提取、動(dòng)態(tài)過濾、車燈配對(duì)四部分組成?？偭鞒桃妶D1。

圖1 算法總流程圖Fig.1 Flow chart of the algorithm

1.1 初始標(biāo)定

受限于圖像較低的亮度, 夜間進(jìn)行車道邊線的標(biāo)定比較困難, 現(xiàn)階段尚未有夜間應(yīng)用性強(qiáng)的研究成果, 所以需要手動(dòng)在視頻首幀圖像中進(jìn)行標(biāo)定。如圖8所示, 手動(dòng)劃出所檢測路段邊線, 并計(jì)算所劃邊線被檢測區(qū)上邊界在Y1高度處水平線所截長度|AB|=ΔX(Y1), 以及被檢測區(qū)下邊界在Y2高度處水平線所截長度|CD|=ΔX(Y2)。

則道路在畫面中任意Y高度處的像素寬度|EF|=LWp(Y)為

LWp(Y)=ΔX(Y)=

(1)

所標(biāo)道路的物理寬度由實(shí)地測量或根據(jù)已有數(shù)據(jù)得到, 定義為LWw。

則可得在圖像Y處的物理尺寸為

(2)

它表示圖像坐標(biāo)系中單位像素所對(duì)應(yīng)實(shí)際物理長度, 單位為m/px。此物理尺寸將在后文中用于完成距離、面積從圖像坐標(biāo)系值向世界坐標(biāo)系值的轉(zhuǎn)換。

1.2 靜態(tài)提取

在畫面上方設(shè)置長矩形感興趣區(qū)域, 區(qū)域內(nèi)基于簡單而寬松的規(guī)則粗略將疑似車頭燈光斑提取出來。

1.2.1 預(yù)處理

將原圖像轉(zhuǎn)換為灰度圖, 然后通過二值化閾值分割粗略提取高亮度像素, 所提取的光斑寧濫勿缺, 閾值取較為寬松的240灰度值。二值化閾值分割處理結(jié)果見圖2(a)。

此后對(duì)二值化結(jié)果圖進(jìn)行形態(tài)學(xué)開運(yùn)算。在結(jié)構(gòu)元素的選取上, 本算法使用3×3的方形結(jié)構(gòu)元素。形態(tài)學(xué)開運(yùn)算處理結(jié)果見圖2(b)～(c)。

圖2 光斑預(yù)處理過程示例Fig.2 Example of pretreatment process

1.2.2 基于幾何特征的粗略篩選

對(duì)上一步驟所提取光斑進(jìn)行輪廓檢測, 而后計(jì)算輪廓的外包絡(luò)矩形, 并獲取光斑的幾何特征, 然后基于幾何特征進(jìn)行初步的篩選。篩選條件如下。

1) 光斑輪廓外包絡(luò)矩形之長寬比在閾值之內(nèi)。

(3)

式中：BW和BH分別指光斑外包絡(luò)的矩形寬度和高度。T1為長寬比上限閾值, 取值為3。

2) 光斑面積應(yīng)在閾值范圍之內(nèi)

T2

(4)

式中：BA為光斑面積；T2與T3分別指光斑面積下限閾值與上限閾值, 取值分別為30 px2和300 px2。

篩選結(jié)果見圖3(b), 被矩形包絡(luò)的輪廓所屬光斑表示已被提取為疑似車頭燈光斑,對(duì)比圖3(a)可見圖中路面大面積反射光以及一些小面積的光斑都被篩除。

圖3 車頭燈光斑靜態(tài)提取結(jié)果圖Fig.3 Result of static headlight blobs extraction

1.3 基于光斑特征穩(wěn)定性的動(dòng)態(tài)過濾

1.3.1 動(dòng)態(tài)過濾原理

交通流檢測視頻中, 車頭燈光斑在車輛移動(dòng)的過程中具有以下3個(gè)特征, 且與部分干擾光斑形成區(qū)分。

1) 從畫面上方移動(dòng)至畫面下方。反例：靜止光源(如路燈)不會(huì)在畫面中移動(dòng)。

2) 移動(dòng)全過程始終維持高亮度。反例：根據(jù)光反射原理, 路面近光燈反射光斑的亮度會(huì)隨著車輛向攝像頭靠近而降低, 而路面標(biāo)志標(biāo)線反射光斑僅當(dāng)車輛行駛至特定位置才會(huì)被攝入。

3) 移動(dòng)全過程始終維持車頭燈應(yīng)有的尺寸和形態(tài)。反例：根據(jù)針孔成像模型(見圖4), 路面近光燈反射光斑面積會(huì)隨著車輛向攝像頭靠近而變大。

圖4 透視投影示意圖Fig.4 Demonstration of perspective projection

實(shí)際觀察表明, 對(duì)夜間車燈識(shí)別造成干擾的光斑絕大多數(shù)是反射光, 如路面近光燈反射、車身反射, 考慮到車頭燈的移動(dòng)過程中在亮度、形態(tài)、尺寸上均能穩(wěn)定保持其特征, 而反射光斑在車輛移動(dòng)的過程中容易因位置的變化而導(dǎo)致反射角度的變化, 進(jìn)而引起上述特征的變化, 因此本文將上述特征的動(dòng)態(tài)穩(wěn)定性作為識(shí)別的重要依據(jù), 提出先跟蹤后識(shí)別的動(dòng)態(tài)過濾方案。

1.3.2 動(dòng)態(tài)過濾的實(shí)現(xiàn)

本應(yīng)用場景中, 所需跟蹤的靜態(tài)提取所得疑似車頭燈光斑在亮度上遠(yuǎn)高于周圍像素, 在灰度圖像中表現(xiàn)為像素值明顯高于周圍環(huán)境像素的區(qū)域。因此將灰度值作為離散數(shù)據(jù)集, 利用Camshift跟蹤算法通過概率密度梯度爬升不斷地逼近跟蹤目標(biāo)的原理可以有效地對(duì)光斑進(jìn)行跟蹤。此外由于Camshift基于單一灰度數(shù)據(jù)跟蹤的特性, 即使車燈被部分遮擋也可被有效跟蹤[13]。

定義Ci為第i個(gè)Camshift跟蹤對(duì)象,Ci在當(dāng)前幀中跟蹤結(jié)果窗口的起點(diǎn)(左上角點(diǎn))的x軸和y軸坐標(biāo)分別為Cx,i和Cy,i,高和寬分別為CH,i、CW,i,面積為CA,i。此外定義跟蹤區(qū)域ROI的行數(shù)為ROIr、列數(shù)為ROIc。

跟蹤過程中, 當(dāng)跟蹤結(jié)果窗口不滿足下列任一條件, 刪除該跟蹤對(duì)象所屬跟蹤器。

1) 面積在閾值范圍內(nèi)。

1

(5)

2) 長寬比小于設(shè)定閾值。

(6)

式中：T5為長寬比上限閾值, 取值為5。

3) 左邊不得觸及跟蹤區(qū)左邊緣。

Cx,i>0

(7)

4) 右邊不得觸及跟蹤區(qū)右邊緣。

Cx,i+CW,i

(8)

5) 底邊不得觸及跟蹤區(qū)底邊緣。

Cy,i+CH,i

(9)

為了更好地呈現(xiàn)動(dòng)態(tài)過濾的實(shí)現(xiàn)過程,圖5截取了部分處理過程畫面。畫面上方長條矩形區(qū)域?yàn)殪o態(tài)提取區(qū),面積最大的矩形區(qū)域?yàn)閯?dòng)態(tài)過濾區(qū),較小矩形為Camshift跟蹤窗口,與跟蹤窗口相連的線為最近30幀軌跡線(未跟蹤達(dá)30幀不顯示), 右上方為幀序號(hào)。

圖5(a)中畫面上方車輛近光燈在路面形成高亮度反射區(qū)域, 且光斑的形狀、面積與車燈接近, 故在靜態(tài)提取步驟中被提取, 但此后隨著車輛向攝像頭方向移動(dòng), 該光斑面積變大, 最終超過閾值而被放棄跟蹤。圖5(b)中路面標(biāo)志受車燈照射而形成光亮度反射光斑, 隨著車輛駛過該標(biāo)志, 反射光斑消失而不再被跟蹤。圖5(c)中畫面左側(cè)貨車車箱出現(xiàn)反射光斑, 隨著車輛接近攝像頭, 該光斑被包絡(luò)為長條矩形, 最終長寬比超過閾值而被放棄跟蹤。

圖5 動(dòng)態(tài)過濾過程示意圖Fig.5 Demonstration of dynamic filtering process

1.4 基于軌跡相似度的車燈配對(duì)

1.4.1 基于Kalman濾波估計(jì)的跟蹤軌跡平滑處理

為降低攝像頭抖動(dòng)對(duì)車燈跟蹤軌跡平滑度的影響, 使用Kalman濾波對(duì)車燈跟蹤窗口中心點(diǎn)進(jìn)行平滑修正, 從而提高所提取軌跡點(diǎn)移動(dòng)特征的準(zhǔn)確性。

將Camshift算法的初始跟蹤窗口中心位置作為Kalman濾波初始狀態(tài)估計(jì)向量以完成其初始化, 而后從下1幀開始, 將Camshift算法的跟蹤窗口中心點(diǎn)坐標(biāo)作為觀測量, 輸入到Kalman濾波器中。算法內(nèi)部完成狀態(tài)預(yù)測、修正的計(jì)算過程, 輸出狀態(tài)估計(jì)點(diǎn)坐標(biāo)。如此迭代下去, 便可實(shí)現(xiàn)對(duì)Camshift跟蹤軌跡的平滑處理。圖6為平滑效果圖。

圖6 Kalman濾波軌跡平滑效果圖Fig.6 Effect of Kalman filter on smoothing the trajectory

1.4.2 車燈配對(duì)規(guī)則

得到修正后的車頭燈跟蹤軌跡點(diǎn)后,利用跟蹤軌跡點(diǎn)移動(dòng)特征以及軌跡點(diǎn)位置關(guān)系來將屬于同一輛車的車頭燈配對(duì)起來。

定義第k幀圖像中存在n個(gè)跟蹤對(duì)象,Ki(k)表示第k幀圖像中第i個(gè)經(jīng)Kalman濾波修正后的跟蹤對(duì)象(i∈(0,n-1)), 該跟蹤對(duì)象中心點(diǎn)之X、Y軸坐標(biāo)分別為Ky,i(k)。

與2.3.2中所述車燈對(duì)應(yīng)有關(guān)系相對(duì)應(yīng)地, 被配對(duì)的跟蹤對(duì)象需滿足以下條件。

攝像頭的視角下, 根據(jù)針孔成像原理, 在車輛移動(dòng)過程中, 屬于該車的車頭燈對(duì)應(yīng)該存在以下關(guān)系。

1) 2車燈的圖像豎直距離約等于零。定義DYij(k){i,j∈(0,n-1)且i≠j}為第k幀圖像第i個(gè)跟蹤對(duì)象與第j個(gè)跟蹤對(duì)象之Y軸向像素距離。則需滿足

RL1:DYij(k)=|Ky,i(k)-Ky,j(k)|

(10)

式中：T6為Y軸向距離上限閾值, 取值為30 px。

2) 2車燈的實(shí)際水平距離在一定范圍之內(nèi)。定義DWij(k){i,j∈(0,n-1)且i≠j}為第k幀圖像第i個(gè)跟蹤對(duì)象與第j個(gè)跟蹤對(duì)象之X軸向物理距離。則需滿足

RL2:T7

(11)

式中：T7與T8分別為X軸向物理距離的下限和上限閾值, 根據(jù)國標(biāo)GB1589-2016[14], 分別取0.7 m和2.6 m。

若已滿足RL1, 可知這2個(gè)車燈近乎并排處于同一水平線上。則有

DWij(k)=|Kx,i(k)-Kx,j(k)|·α(Ky,i(k))

(12)

因RL1已滿足, 即已有Ky,i(k)≈Ky,j(k), 所以物理尺寸可取i，j跟蹤對(duì)象中任一個(gè)的Y軸坐標(biāo)所對(duì)應(yīng)物理尺寸。上式所使用的是i跟蹤對(duì)象所處高度的物理尺寸。

3) 2車燈在畫面中移動(dòng)速度大小接近。定義Si(k)，Spdi(k)分別為第i個(gè)跟蹤對(duì)象在第k幀圖像最近30幀的所移動(dòng)的物理距離、平均速度,t為相鄰幀時(shí)間間隔。則有

(13)

又定義DSpdij(k){i,j∈(0,n-1)且i≠j}為第k幀圖像中第i個(gè)跟蹤對(duì)象與第j個(gè)跟蹤對(duì)象的前30幀平均速度之差值,km/h。則需滿足

RL3:DSpdij(k)=|Spdi(k)-Spdj(k)|

(14)

式中：T9為速度差上限閾值, 取值為8 km/h。

4) 2車燈在畫面中移動(dòng)速度方向接近。定義βi(k)為第i個(gè)跟蹤對(duì)象從其在第k-30幀圖像中坐標(biāo)指向其在第k幀圖像中坐標(biāo)的方向向量與Y軸正向的夾角。則有

(15)

又定義Dβij(k){i,j∈(0,n-1)且i≠j}為第k幀圖像中第i個(gè)跟蹤對(duì)象與第j個(gè)跟蹤對(duì)象的角度之差值。則需滿足

RL4:Dβij(k)=|βi(k)-βj(k)|

(16)

式中：T10為角度差上限閾值, 取值為15°。

1.4.3 車燈配對(duì)邏輯

上述關(guān)系是在車輛出現(xiàn)在畫面的全過程始終全部滿足的, 因此一旦某幀中判定某關(guān)系不滿足, 即認(rèn)為這2個(gè)車燈不屬于同一輛車, 此后即使再次滿足上述所有關(guān)系, 也不再對(duì)其配對(duì)。這樣的配對(duì)邏輯可有效避免對(duì)并行車輛車燈誤配對(duì)的情況。

車燈配對(duì)流程圖見圖7。在第k幀圖像中, 若跟蹤對(duì)象i，j滿足上節(jié)所述的所有條件且此前未曾被配對(duì), 則將兩者配對(duì);若跟蹤對(duì)象i，j已被配對(duì)且仍舊滿足上述所有條件, 則維持對(duì)兩者的配對(duì); 若跟蹤對(duì)象i，j已被配對(duì)但不滿足上節(jié)所述任一條件, 則解除對(duì)兩者配對(duì), 且兩者此后無論是否再次滿足所有條件也不再被配對(duì)。

圖7 車燈配對(duì)流程圖Fig.7 Flow chart of headlight pairing

車燈配對(duì)結(jié)果見圖8,圖中平行于車輛方向的線為跟蹤軌跡線，矩形框?yàn)楣獍邞腋〈翱冢摻貓D位于視頻畫面下部, 可見被跟蹤至此處的光斑已全為車頭燈光斑。若車燈跟蹤框之間有連線, 則表示這對(duì)車燈已被配對(duì), 判定屬于同一輛車。

圖8 車燈配對(duì)結(jié)果圖Fig.8 Result of headlight pairing

1.5 車輛計(jì)數(shù)

車輛計(jì)數(shù)流程見圖9。

圖9 車輛計(jì)數(shù)流程圖Fig.9 Flow chart of vehicle counting

遍歷所有被跟蹤車燈, 當(dāng)被跟蹤車燈的中心點(diǎn)觸及或越過流量檢測線高度, 考察該車燈是否已被標(biāo)記, 若否則對(duì)該車燈進(jìn)行標(biāo)記, 且檢測流量增一。為避免重復(fù)計(jì)數(shù), 還需將與該車燈屬于同一車燈對(duì)的車燈標(biāo)記為已被計(jì)數(shù)。

計(jì)數(shù)過程見圖10, 畫面底部虛擬流量檢測線由白色(左圖)變?yōu)榛疑?右圖), 則車流量增一。

圖10 車輛計(jì)數(shù)示意圖Fig.10 Result of headlight counting

2 實(shí)驗(yàn)及結(jié)果分析

照明亮度、是否雨天、路面反光特性影響著干擾光斑的種類、數(shù)量和特征, 此外車輛行駛速度的可能會(huì)對(duì)車燈跟蹤造成難度, 因此拍攝了各種條件下的夜間道路視頻作為實(shí)驗(yàn)樣本。選取了2個(gè)路段拍攝了共6個(gè)視頻樣本, 其中S1，S2，S3位于廣州市六二三路, 為城市次干路；S4，S5，S6位于廣州市內(nèi)環(huán)路, 為城市快速路。

為了評(píng)價(jià)所提出算法的檢測效果, 使用的評(píng)價(jià)指標(biāo)包括漏檢率和正檢率, 各指標(biāo)定義如下。

漏檢率。指算法漏檢車輛數(shù)與實(shí)際車輛數(shù)的比值。

正檢率。指被正確檢出的車輛數(shù)與檢測車輛數(shù)的比值。

各視頻樣本的拍攝環(huán)境、時(shí)長、實(shí)際車輛數(shù)以及對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果數(shù)據(jù)見表1。

表1 實(shí)驗(yàn)結(jié)果數(shù)據(jù)Tab.1 Result data of experiments

筆者所提出算法所用到的車頭燈靜態(tài)特征只是簡單的亮度、形態(tài)、面積特征, 若要比較每一幀的靜態(tài)處理效果, 固然無法與較復(fù)雜的靜態(tài)識(shí)別方法匹敵, 但交通流量檢測的目的是獲取駛過檢測斷面的車輛數(shù), 先跟蹤后識(shí)別方案只需在車輛移動(dòng)至畫面下方流量檢測線位置時(shí)成功識(shí)別之并計(jì)數(shù)即可達(dá)到檢測目標(biāo)。

正檢率可以反映算法排除非車燈光斑干擾的有效程度, 從實(shí)驗(yàn)結(jié)果數(shù)據(jù)可見除了S6外的其余實(shí)驗(yàn)的正檢率都達(dá)到90%左右, 證明算法的動(dòng)態(tài)過濾機(jī)制在大多數(shù)環(huán)境下可以保持較強(qiáng)的魯棒性。

S6檢測條件較為惡劣, 雨天且路面反光較強(qiáng)。從圖11(f)中可見, 此時(shí)路面的光反射特性已接近鏡面反射, 這增加了誤檢的概率。這種惡劣條件, 即使是復(fù)雜的靜態(tài)識(shí)別算法也難以克服, 作者所查閱的相關(guān)研究文獻(xiàn)都沒有在類似條件下進(jìn)行實(shí)驗(yàn), 一個(gè)接近的實(shí)驗(yàn)來自Zou[10](見圖12), 但該實(shí)驗(yàn)的路面反射光斑呈明顯長條形, 使用本算法是可以輕易基于形態(tài)對(duì)比類干擾光斑進(jìn)行過濾的。

圖11 各視頻樣本檢測過程截圖Fig.11 Screenshots of experiments under different scenes

圖12 Zou[10]方法在強(qiáng)路面反射條件下的檢測效果圖Fig.12 Result of Zou′s method under the condition of salient reflection from road surface

基于簡單的靜態(tài)特征進(jìn)行識(shí)別有一個(gè)優(yōu)點(diǎn)就是算法對(duì)圖像質(zhì)量的要求不高, 即使出現(xiàn)未正確對(duì)焦的情況, 光斑的亮度、形態(tài)、面積都不會(huì)有大的變化, 仍可成功進(jìn)行跟蹤與識(shí)別(見圖13(c))。但對(duì)于某些純靜態(tài)識(shí)別的算法, 車燈光斑的獨(dú)有特征只有在對(duì)焦準(zhǔn)確、視頻高清的條件下才會(huì)出現(xiàn), 如基于亮度衰減的方法[6](見圖13(a)), 未正確對(duì)焦使得車燈光斑的亮度衰減特性減弱甚至消失(見圖13(b)), 識(shí)別機(jī)制將失效。

漏檢情況方面, 最理想的數(shù)據(jù)來自實(shí)驗(yàn)S1和S3, 漏檢率均低于10%, 此二實(shí)驗(yàn)所采用的視頻均屬于視頻畫面亮度不高、路面反光特性較弱的樣本, 證明算法在該環(huán)境下不易出現(xiàn)車燈被漏跟蹤的情況。

圖13 未正確對(duì)焦情況的檢測效果對(duì)比Fig.13 Comparison of results under inaccurate focused situation

但與此同時(shí), 在同一地點(diǎn)拍攝的S2所進(jìn)行的實(shí)驗(yàn)之漏檢率卻是最高, 達(dá)到23%。S2視頻是唯一的高亮度視頻樣本, 觀察發(fā)現(xiàn)問題主要出現(xiàn)在對(duì)白色車輛的漏檢。如圖14(a)所示, 攝像頭的高曝光度導(dǎo)致白色車輛的亮度與車燈接近, 根據(jù)Camshift自適應(yīng)調(diào)整跟蹤窗口尺寸的機(jī)制, 跟蹤窗口擴(kuò)大到車身區(qū)域, 進(jìn)而因面積超出閾值而被放棄跟蹤。對(duì)比實(shí)驗(yàn)表明, 應(yīng)將攝像頭曝光度調(diào)至低水平以避免對(duì)白色車輛的漏檢。

S4，S5，S6視頻漏檢率稍高, 為15%左右。這3個(gè)視頻的拍攝地點(diǎn)之路面反光特性均較強(qiáng), 當(dāng)高亮度反射出現(xiàn)在車燈前方(見圖14(a)～(b))或旁側(cè)(見圖14(c)～(d))近距離處時(shí), 同樣因Camshift的機(jī)制而導(dǎo)致跟蹤窗口擴(kuò)大包圍該干擾光源, 最終因其長寬比或面積超出閾值而被篩除。

圖14 漏檢原因匯總Fig.14 Demonstration of reasons of missed detection

3 結(jié)束語

筆者提出一種結(jié)合了車頭燈動(dòng)態(tài)過濾識(shí)別與車頭燈跟蹤軌跡配對(duì)的夜間交通流量視頻檢測算法, 其主要研究工作是: 利用車頭燈光斑亮度、形態(tài)、尺寸在車輛移動(dòng)過程中的穩(wěn)定性, 提出了一種先跟蹤后識(shí)別的夜間車頭燈動(dòng)態(tài)過濾識(shí)別方法。此外基于車燈跟蹤軌跡點(diǎn)移動(dòng)特征相似度及軌跡點(diǎn)相對(duì)位置關(guān)系, 加上配對(duì)邏輯, 提出了一種非靜態(tài)的車燈配對(duì)方法。

多場景下的實(shí)驗(yàn)結(jié)果表明,筆者所提出動(dòng)態(tài)過濾方案在常見檢測環(huán)境下對(duì)車頭燈光斑的識(shí)別可達(dá)到較理想的精度, 識(shí)別機(jī)制對(duì)視頻圖像質(zhì)量要求不高、即使在未正確對(duì)焦情況下仍可表現(xiàn)出良好的魯棒性。此外, 實(shí)驗(yàn)發(fā)現(xiàn)將攝像頭曝光度調(diào)至低水平可降低漏檢率。

然而, 實(shí)驗(yàn)還得出算法在應(yīng)對(duì)路面反射特性較強(qiáng)的環(huán)境時(shí)漏檢率會(huì)偏高, 因此改善算法在該環(huán)境下的漏檢問題, 將是今后的研究目標(biāo)。