Gabor小波算法在車輛追蹤系統(tǒng)中的研究應(yīng)用

謝曉旦

摘 ?要：交通運(yùn)輸系統(tǒng)是經(jīng)濟(jì)持續(xù)發(fā)展的基礎(chǔ)，在社會發(fā)展和經(jīng)濟(jì)發(fā)展中起著舉足輕重的作用。在一個(gè)復(fù)雜環(huán)境中，如何對人和車輛等運(yùn)動目標(biāo)進(jìn)行實(shí)時(shí)的觀察，并給出對它們行為和動作的描述。該文對采用的二維算法進(jìn)行了改進(jìn)，利用目標(biāo)圖像中所提取的輪廓曲線來代替所有的二值像素進(jìn)行模型匹配。該文提出了一種基于二維Gabor小波的車輛監(jiān)測與追蹤算法。

關(guān)鍵詞：Gabor小波 ?車輛監(jiān)控 ?追蹤系統(tǒng) ?研究

中圖分類號：TP391 ? 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2020）06（b）-0041-03

1 ?車輛監(jiān)控系統(tǒng)相關(guān)研究

車輛監(jiān)控系統(tǒng)運(yùn)用移動物體偵測的方法，首先建立背景圖像，再與原始圖像相減，得到移動物體部分，接著下一步對移動物體進(jìn)行連通表示法和空洞補(bǔ)償法的圖像處理方法，使移動物體維持移動物體外觀的完整性，減少移動物體外型的破碎性;再經(jīng)由車道線信息的應(yīng)用，判斷移動物體在車道線中是否要切割，可降低車輛交疊情況。視覺長度與寬度計(jì)算在不同的CCD攝像頭架設(shè)高度與俯角下，計(jì)算大型車、小型車及機(jī)車的視覺長度及寬度亦有所不同，因此視覺長度和寬度作為車輛分類的依據(jù)。所利用的追蹤算法是當(dāng)移動物體進(jìn)入到追蹤區(qū)域，將一直追蹤移動物體到離開追蹤區(qū)域，移動物體追蹤期間統(tǒng)計(jì)移動物體的圖像特征、辨識車型、車輛歸屬的車道、車速計(jì)算以及車流量統(tǒng)計(jì)等。以圖像視覺技術(shù)為基礎(chǔ)的交通監(jiān)控系統(tǒng)，在前景物的特征采集上，使用車輛的特征角進(jìn)行追蹤，再使用top-view轉(zhuǎn)換之后的特征角坐標(biāo)，使得前景物的車輛形狀能顯示出來。物體追蹤上，取得以top-view轉(zhuǎn)換后的特征角坐標(biāo)，追蹤這些特征角，來計(jì)算出每個(gè)特征角的運(yùn)動參數(shù)，以提供角群集分割與合并，來找出車輛的運(yùn)動軌跡，進(jìn)而估算出個(gè)別車輛的運(yùn)動參數(shù)，并得到完整的車輛行進(jìn)軌跡以及大略的車體形狀圖[1]。研究利用光流的方式（特征向量）偵測高速公路上的車輛，使用動態(tài)背景和靜態(tài)背景的方式將車輛找出來，此研究定義的動態(tài)背景包含道路和天空等都是動態(tài)背景，使用光流的方式找出動態(tài)背景，將背景中的動態(tài)背景減去剩下來的就是所要偵測車輛的前景部分，雖然還會包含一些噪聲，但是已經(jīng)可以偵測出車輛，然后追蹤車輛的方法是先記錄先前所框出的車輛位置，之后再將現(xiàn)在所框出的車輛位置比對先前框出的位置，看看框線是否有重疊，若有重疊則視同一部車輛，若沒有重疊那就是另一部新偵測到的車輛，模擬的場景包含下雪的背景與陽光很強(qiáng)的背景，皆可偵測出車輛，此研究的缺點(diǎn)就是當(dāng)攝影機(jī)有很大的震動時(shí)，利用光流偵測的方法就不管用了。

同時(shí)，有研究表示，也使用路口監(jiān)視器系統(tǒng)來對移動中的物體來做辨識及分類，主要是運(yùn)用在車輛分類上，先利用相減的方法來將移動的對象采集出來，對這些對象做一些形態(tài)學(xué)上的處理讓采集出來的對象更具有準(zhǔn)確性，最后使用這些采集出來后的對象特征，進(jìn)而分辨出這些物件是屬于何種類型的車輛，達(dá)到車輛分類的效果。在橫面的車道影片中，主要就是以抓到車輛的框圍大小來判斷車輛種類，在斜面或是正面的車道影片里，以框圍里面的物體密度跟形狀來做比對，快速處理之后過的辨識率相當(dāng)高。

2 ?車輛追蹤算法技術(shù)

根據(jù)物體識別任務(wù)所在的空間，目前基于視頻的車型識別算法大致可以分為二維識別和三維識別。

二維識別研究利用路口周邊路段車流量之間的關(guān)系，以及流量守恒來建立一個(gè)可以利用設(shè)置在省道上少數(shù)的偵測器所偵測到的車流量、占有率等信息推算此路線中其他沒有偵測器之路段車流量的模式。實(shí)驗(yàn)推估出的路段車流量范圍大小與路線網(wǎng)絡(luò)中偵測器分布設(shè)置密度低，則所推測出車流量范圍大的路段占較大之百分比;反之，當(dāng)?shù)缆肪W(wǎng)絡(luò)中偵測器的分布設(shè)置密度高時(shí)，則所推斷出車流量小的路段則占較大之百分比，亦即所推估出的車流量較為精確[2]。

二維識別提出運(yùn)用在高速公路上的車流量分析，并且使用兩種方法：一個(gè)是數(shù)值模擬，另一個(gè)是實(shí)際觀測。在數(shù)值模擬方面，使用car-following model及決定性的路由方式去模擬車道會合處附近的車流量表現(xiàn)，可以在不同位置的車速以及相鄰車輛之間的距離分布中觀測到一個(gè)波，提出了一組方程式去解釋這個(gè)波，這一組方程式屬于delay differential equations。在實(shí)際觀測的部分，取3個(gè)量是車流量、車速以及車輛之間的距離。在道路的上方架設(shè)攝像頭，然后設(shè)計(jì)一些算法由影片中取得想要的信息。由于計(jì)算機(jī)不知道什么是車輛，因此，利用support vector machines讓計(jì)算機(jī)學(xué)會分辨路面和車輛。利用流量守恒、路口轉(zhuǎn)向比之關(guān)系來得到偵測器之路口分布設(shè)置模塊，并對位置做些微調(diào)后，得到道路網(wǎng)絡(luò)中之偵測器之分布設(shè)置的位置。接著從車流量推算模式中各式之關(guān)系，來推算得到移除偵測器之原則。透過這些原則配合，在預(yù)算限制之下移除偵測器后，同時(shí)利用車流量估算模式來推算與原道路網(wǎng)路車流量之比率，借以評估推算效率[3]。

三維識別判斷移動物體在車道線中是否要切割，可降低車輛交迭疊情況。視覺長度與寬度計(jì)算在不同的CCD 攝像頭架設(shè)高度與俯角下，計(jì)算大型車、小型車及機(jī)車的視覺長度及寬度亦有所不同，因此視覺長度和寬度作為車輛分類的依據(jù)。所利用之追蹤算法是當(dāng)移動物體進(jìn)入到追蹤區(qū)域，將一直追蹤移動物體到離開追蹤區(qū)域，移動物體追蹤期間統(tǒng)計(jì)移動物體的影像特征，辨識車型、車輛歸屬的車道、車速計(jì)算以及車流量統(tǒng)計(jì)等[4]。

3 ?車輛定位設(shè)計(jì)

對車輛進(jìn)行檢測、跟蹤和追蹤是自主車環(huán)境感知研究的重要環(huán)節(jié)。在現(xiàn)有的融合研究中，該文提出了一種新的圖像傳感器的融合跟蹤方法。為滿足路面車輛的機(jī)動特性，融合圖像的灰度信息，精確地“捕捉”到目標(biāo)中心，確立適合目標(biāo)大小的視覺窗口尺寸，結(jié)合改進(jìn)的Gabor小波建立姿態(tài)優(yōu)化函數(shù)，并通過改進(jìn)的分布算法全局尋優(yōu)獲取目標(biāo)準(zhǔn)確度。同時(shí)車輛追蹤系統(tǒng)建立在目標(biāo)跟蹤定位的基礎(chǔ)上，記錄下采樣時(shí)間內(nèi)不同模型精確定位后所對應(yīng)的評價(jià)值，車輛類型通過計(jì)算其時(shí)間平均值獲得，從而避免了車輛處于某種特殊姿態(tài)時(shí)引起的誤追蹤。

4 ?Gabor小波算法

由于特征提取與匹配過程對遮擋、光照、噪聲敏感，且時(shí)間損耗大，因此難以滿足實(shí)際應(yīng)用的需要。Gabor小波變換與其他方法相比：一方面其處理的數(shù)據(jù)量較少，能滿足系統(tǒng)的實(shí)時(shí)性要求;另一方面小波變換對光照變化不敏感，且能容忍一定程度的圖像旋轉(zhuǎn)和變形，當(dāng)采用基于歐氏距離進(jìn)行識別時(shí)，特征模式與待測特征不需要嚴(yán)格的對應(yīng)，故能提高系統(tǒng)的魯棒性。通過求解目標(biāo)圖像與三維模型平面投影之間的匹配函數(shù)，即姿態(tài)評價(jià)函數(shù)的最優(yōu)解獲得目標(biāo)的方向角。

采用改進(jìn)的二維Gabor小波，作為模型投影與目標(biāo)圖像的匹配量測，避免建立模型與圖像之間精確的點(diǎn)-點(diǎn)對應(yīng)，且以帶有權(quán)值的目標(biāo)輪廓點(diǎn)（通過輪廓提取獲得）代替二值圖像同模型進(jìn)行匹配，既降低了計(jì)算損耗，又進(jìn)一步避免了傳統(tǒng)Gabor小波中遠(yuǎn)離邊界的噪聲點(diǎn)對模型匹配的影響。它在提取目標(biāo)的局部空間和頻率域信息方面具有良好的特性。雖然Gabor小波本身并不能構(gòu)成正交基，但在特定參數(shù)下可構(gòu)成緊框架。Gabor小波對于圖像的邊緣敏感，能夠提供良好的方向選擇和尺度選擇特性，而且對于光照變化不敏感，能夠提供對光照變化良好的適應(yīng)性。

在空間域，二維Gabor小波是高斯函數(shù)被一個(gè)正弦平面波所調(diào)變的結(jié)果，可以表示為：

這里的z=（x，y），ks，d=ksexp（j），ks=kmax/fs為頻率，θd=πd/8，θd∈π為方向，kmax為最大頻率，f是Gabor小波變化在頻域的間隔系數(shù)（spacing factor）。波向量ks，d控制Gabor小波變化的空間解析度和方向，s控制Gabor小波變化的尺寸，也就是決定小波變化的頻域中心;而d控制的是Gabor小波變化的方向;尺寸系數(shù)ks使得不同空間頻率的小波變化有大致相等的能量;σ決定了高斯窗（Gaussian window）的寬度與波向量長度的比例。由于（4）式的虛部分量的平均值為0，但實(shí)部分量的平均值不為0，所以要減去，使得小波變化對于照明的變化敏感度降低。該文使用的是3種尺寸0，1，2、8個(gè)方向（d∈0，…，7），并設(shè)定σ=2π的Gabor小波變化，如圖1所示。

Gabor小波作為匹配測度建立模型集投影與車輛輪廓點(diǎn)集的匹配函數(shù)。由于它無需建立模型和圖像之間精確的點(diǎn)-點(diǎn)對應(yīng)，因此比其他匹配方法更具容錯(cuò)性。但傳統(tǒng)的Gabor小波依賴于一個(gè)物體和另一個(gè)物體中最不匹配點(diǎn)的距離，從而對任何遠(yuǎn)離中心的噪聲點(diǎn)非常敏感。文中采用的二維算法進(jìn)行了改進(jìn)，利用目標(biāo)圖像中所提取的輪廓曲線來代替所有的二值像素進(jìn)行模型匹配。

參考文獻(xiàn)

[1] Zhao Jiyin，Zheng Ruirui，Li Min，et al.License plate recognition based on genetic algorithm[C]//Proceedings of the 2008 IEEE Inter-national Conference on Computer Science and Software Engineering.2008.

[2] 王亮，胡衛(wèi)明，譚鐵牛.人運(yùn)動的視覺分析綜述[J].計(jì)算機(jī)學(xué)報(bào)，2012，2（3）：12-15.

[3] 耿彥峰，馬鉞.基于模糊模式識別的車型分類研究[J].計(jì)算機(jī)工程，2012，2（1）：543-550.

[4] 胡良梅，高雋，何柯峰.圖像融合質(zhì)量評價(jià)方法的研究[J].電子學(xué)報(bào)，2014，2（11）：32-33.