基于機(jī)器視覺(jué)的車(chē)流量統(tǒng)計(jì)算法應(yīng)用研究

李 東

(武漢城市職業(yè)學(xué)院 機(jī)電工程學(xué)院 湖北 武漢：430044)

智能交通檢測(cè)系統(tǒng)[1](Intelligent Transportation System)在解決道路資源方面非常有效。目前解決交通擁堵問(wèn)題主要涉及多個(gè)領(lǐng)域，包括人工智能、模糊識(shí)別、智能網(wǎng)絡(luò)控制及機(jī)器視覺(jué)等，在這幾個(gè)重點(diǎn)領(lǐng)域中機(jī)器視覺(jué)的應(yīng)用面非常廣。根據(jù)車(chē)輛信息的跟蹤和計(jì)數(shù)完成車(chē)輛信息的統(tǒng)計(jì)，其中車(chē)輛參數(shù)包括車(chē)流量、車(chē)牌、車(chē)輛速度等。本文結(jié)合圖像處理算法、運(yùn)動(dòng)控制跟蹤算法進(jìn)行圖像處理及運(yùn)動(dòng)目標(biāo)跟蹤預(yù)測(cè)。對(duì)車(chē)輛檢測(cè)方法進(jìn)行改進(jìn)，通過(guò)實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證準(zhǔn)確性較高。

1 車(chē)輛跟蹤問(wèn)題描述

在智能交通系統(tǒng)中，經(jīng)常遇到可見(jiàn)度較低的天氣，給傳統(tǒng)圖像檢測(cè)算法帶來(lái)極大的挑戰(zhàn)，在視頻流處理過(guò)程中動(dòng)態(tài)跟蹤問(wèn)題較大，對(duì)于檢測(cè)車(chē)輛信息的準(zhǔn)確性也尤為重要。

在傳統(tǒng)的虛擬線框檢測(cè)過(guò)程中存在檢測(cè)穩(wěn)定性差，算法精度低，車(chē)輛信息統(tǒng)計(jì)不準(zhǔn)確等問(wèn)題。針對(duì)傳統(tǒng)虛擬線框算法存在問(wèn)題，本文應(yīng)用運(yùn)動(dòng)跟蹤算法卡爾曼濾波算法對(duì)車(chē)輛信息進(jìn)行跟蹤并計(jì)數(shù)。根據(jù)車(chē)輛信息的位置信息、質(zhì)心坐標(biāo)、運(yùn)動(dòng)區(qū)域進(jìn)行跟蹤預(yù)測(cè)，實(shí)驗(yàn)結(jié)果證明具有一定的可行性。車(chē)輛基本信息實(shí)時(shí)監(jiān)視的前提保證是車(chē)輛檢測(cè)信息的準(zhǔn)確性。車(chē)輛行駛過(guò)程中的檢測(cè)參數(shù)包括車(chē)流量、車(chē)輛速度、車(chē)輛占有率、車(chē)標(biāo)、車(chē)牌等。本文的主要研究對(duì)象是車(chē)流量參數(shù)，應(yīng)用Kalman濾波算法進(jìn)行跟蹤并且計(jì)數(shù)。

2 基于卡爾曼濾波的車(chē)輛跟蹤與計(jì)數(shù)

2.1 卡爾曼濾波模型建立

卡爾曼濾波算法[3]是一種最優(yōu)迭代遞推濾波算法。Kalman濾波算法在機(jī)器視覺(jué)跟蹤檢測(cè)應(yīng)用非常廣泛，車(chē)輛實(shí)時(shí)跟蹤預(yù)測(cè)目標(biāo)位置信息，從而減少車(chē)輛搜索匹配范圍，提高系統(tǒng)運(yùn)行速度，降低匹配時(shí)間[4]?？柭Ｐ徒⑷缦拢?/p>

一個(gè)離散動(dòng)態(tài)系統(tǒng)可由q維動(dòng)態(tài)系統(tǒng)和r維(r≤q)的觀測(cè)系統(tǒng)組成。

q維動(dòng)態(tài)系統(tǒng)的狀態(tài)模型為:

x(k)=Ax(k-1)+w(k-1)

(1)

w(k)的協(xié)方差矩陣：

Q(k)=E[w(k)w(k)T]

(2)

其中Q(k)為系統(tǒng)噪聲陣，是q×q維矩陣。

r維觀測(cè)模型系統(tǒng)測(cè)量模型為

y(k)=Cx(k)+v(k)

(3)

v(k)的協(xié)方差矩陣為

r(k)=E[v(k)v(k)T]

(4)

經(jīng)過(guò)上訴一系列推導(dǎo)，得到卡爾曼濾波遞推公式:

濾波協(xié)方差預(yù)測(cè)方程：

P1(k)=AP(k-1)AT+Q(k-1)

(5)

濾波增益方程：

K(k)=P1(k)CT[CP1(k)CT+R(k)]-1

(6)

濾波協(xié)方差方程:

P(k)=P1(k)-K(k)CP1(k)

(7)

濾波估計(jì)方程：

(8)

預(yù)測(cè)估計(jì)方程：

(9)

通過(guò)上式卡爾曼公式的推導(dǎo)可以得知，卡爾曼濾波算法的工作原理流程圖如圖1所示。

圖1 卡爾曼濾波算法的工作流程圖

2.2 運(yùn)動(dòng)估計(jì)模型參數(shù)設(shè)定

通過(guò)卡爾曼系統(tǒng)模型建立，下面對(duì)其中參數(shù)進(jìn)行設(shè)定

1)狀態(tài)向量X(k)

狀態(tài)變量X(k)表示為

(10)

2)測(cè)量向量Y(k)

(11)

3)系統(tǒng)參數(shù)A

(12)

2.3 目標(biāo)匹配

質(zhì)心距離公式：

(13)

矩形面積相似公式：

(14)

面積相似公式：

(15)

D(n,m)、L(n,m)、ΔS(n,m)數(shù)據(jù)未知的，所以要將D(n,m)、L(n,m)、ΔS(n,m)都?xì)w一化。

D(n,m)=D(n,m)/maxD(n,*)

(16)

L(n,m)=L(n,m)/maxL(n,*)

(17)

ΔS(n,m)=ΔS(n,m)/maxΔS(n,*)

(18)

其中，*代表第k+1幀上的任何車(chē)輛。

匹配函數(shù)的公式：

E(n,m)=αD(n,m)+βL(n,m)+γΔS(n,m)

(19)

2.4 跟蹤模型更新

1)當(dāng)k+1幀的檢測(cè)目標(biāo)與第k幀的檢測(cè)目標(biāo)匹配后，標(biāo)記k+1幀當(dāng)前目標(biāo)中的第m個(gè)目標(biāo)，保留特征值并標(biāo)記新的車(chē)輛信息，對(duì)Kalman模型更新，數(shù)據(jù)保留。

2)第k+1幀上檢測(cè)的目標(biāo)與第n個(gè)檢測(cè)目標(biāo)配對(duì)后，假如其中無(wú)匹配目標(biāo)，證明當(dāng)前的跟蹤車(chē)輛消失在視頻流模型中，取消標(biāo)記目標(biāo)。

3)當(dāng)車(chē)輛信息新目標(biāo)進(jìn)入視頻流中，其中無(wú)標(biāo)記目標(biāo)，需要重新建立模型，保留運(yùn)動(dòng)目標(biāo)特征，同時(shí)初始化模型。

3 Kalman算法實(shí)現(xiàn)跟蹤過(guò)程

根據(jù)算法分析流程，Kalman跟蹤算法需要如下幾個(gè)過(guò)程[2]：

Step1：車(chē)輛信息的特征值計(jì)算，根據(jù)車(chē)輛信息運(yùn)動(dòng)區(qū)域，首先初始化、二值化、膨脹腐蝕、開(kāi)閉運(yùn)算等圖像預(yù)處理過(guò)程，特征選擇、目標(biāo)定位，通過(guò)圖像質(zhì)心位置和跟蹤區(qū)域特征值計(jì)算，記錄車(chē)輛信息特征值。

Step2：建立Kalman模型，初始化參數(shù)，通過(guò)Kalman算法預(yù)測(cè)判斷運(yùn)動(dòng)車(chē)輛下一時(shí)刻在圖像可能出現(xiàn)的位置

Step3：進(jìn)行特征值匹配，設(shè)定相似匹配函數(shù)，包括運(yùn)動(dòng)車(chē)輛質(zhì)心位置，最小外接矩形的長(zhǎng)、寬和外接區(qū)域面積等預(yù)測(cè)參數(shù)，從而預(yù)判當(dāng)前車(chē)輛是否為同一車(chē)輛，從而進(jìn)行迭代跟蹤，跟蹤計(jì)數(shù)統(tǒng)計(jì)車(chē)流量。

Step4：卡爾曼跟蹤模型更新，根據(jù)運(yùn)動(dòng)參數(shù)預(yù)測(cè)作為下一幀模型初始化的原始參數(shù)。如圖2所示Kalman跟蹤與計(jì)數(shù)流程圖。

圖2 Kalman跟蹤與計(jì)數(shù)流程圖

4 仿真實(shí)驗(yàn)與結(jié)果分析

本實(shí)驗(yàn)是基于Inter(R)工控機(jī)平臺(tái)下硬件平臺(tái)基礎(chǔ)上做的仿真實(shí)驗(yàn)，視頻截取圖像來(lái)自武漢城市職業(yè)學(xué)院附近某一樓口拍攝的視頻圖像，分辨率為320×240，進(jìn)行圖像處理跟蹤計(jì)數(shù)。圖3分別截取視流中的第33幀和46幀跟蹤顯示結(jié)果。

通過(guò)檢測(cè)視頻流單位時(shí)間內(nèi)經(jīng)過(guò)車(chē)流量，應(yīng)Kalman跟蹤統(tǒng)計(jì)算法，可以實(shí)時(shí)監(jiān)測(cè)車(chē)流量統(tǒng)計(jì)曲線，如圖4所示。

圖3 爾曼跟蹤車(chē)輛目標(biāo)

圖4 車(chē)流量統(tǒng)計(jì)曲線

根據(jù)Kalman算法建立的跟蹤模型對(duì)車(chē)輛統(tǒng)計(jì)結(jié)果與傳統(tǒng)虛擬線框檢測(cè)算法結(jié)果進(jìn)行對(duì)比，如表1所示。

表1 不同車(chē)流量算法檢測(cè)結(jié)果

根據(jù)漏檢率、虛警率、準(zhǔn)確率作為評(píng)價(jià)系統(tǒng)指標(biāo)性能參數(shù)，定義如下：

漏檢率=系統(tǒng)漏檢車(chē)輛的數(shù)量/程序數(shù)車(chē)的總數(shù)量；

虛警率=系統(tǒng)多數(shù)車(chē)輛的數(shù)量/程序數(shù)車(chē)的總數(shù)量；

準(zhǔn)確率=1-漏檢率-虛警率。

根據(jù)檢測(cè)結(jié)果的漏檢率和虛警率來(lái)判斷準(zhǔn)確率的高低，可以說(shuō)明系統(tǒng)檢測(cè)車(chē)輛信息的準(zhǔn)確性。當(dāng)漏檢率和虛警率越小時(shí)，模型的檢測(cè)準(zhǔn)確性率越高。

根據(jù)表1數(shù)據(jù)分析：

1)由于光照影響，光線不充足的情況下，采集圖像的像素可能存在偏差，噪聲干擾導(dǎo)致檢測(cè)數(shù)據(jù)存在偏差。

2)拍攝角度原因，車(chē)輛距離較近時(shí)，前后車(chē)輛目標(biāo)區(qū)域粘連，出現(xiàn)相互遮擋現(xiàn)象，導(dǎo)致漏檢率增加。

3)檢測(cè)過(guò)程中由于車(chē)輛行駛的不規(guī)則性，導(dǎo)致檢測(cè)車(chē)輛的虛警率明顯增高。

最后通過(guò)不同算法的數(shù)據(jù)檢測(cè)結(jié)果可知，建立卡爾曼跟蹤模型降低了漏檢率和虛警率，提升了檢測(cè)車(chē)輛的準(zhǔn)確性，相比于傳統(tǒng)的虛擬線框檢測(cè)方法更有市場(chǎng)應(yīng)用價(jià)值。

5 結(jié)論

本文針對(duì)機(jī)器視覺(jué)檢測(cè)車(chē)流量過(guò)程中存在的問(wèn)題進(jìn)行研究，針對(duì)虛擬線框檢測(cè)系統(tǒng)對(duì)于復(fù)雜交通路口檢測(cè)率較低，誤檢率較大問(wèn)題，應(yīng)用Kalman濾波算法進(jìn)行改進(jìn)，通過(guò)車(chē)輛跟蹤與計(jì)數(shù)實(shí)時(shí)監(jiān)控車(chē)流。實(shí)驗(yàn)結(jié)果證明，本文的算法可以實(shí)現(xiàn)車(chē)輛跟蹤與計(jì)數(shù)的目的，并實(shí)時(shí)監(jiān)測(cè)統(tǒng)計(jì)車(chē)流量信息。實(shí)驗(yàn)結(jié)果證明，本文的算法更好的實(shí)現(xiàn)車(chē)輛跟蹤與計(jì)數(shù)的目的，實(shí)時(shí)監(jiān)控車(chē)流量信息，提高了檢測(cè)精度和準(zhǔn)確率。