監(jiān)控視頻中交通標(biāo)線的強(qiáng)魯棒性定位與重建(以雙黃線為例)

申小虎，安居白

(1. 大連海事大學(xué)信息科學(xué)與技術(shù)學(xué)院，遼寧 大連 116026；2. 江蘇警官學(xué)院刑事科學(xué)技術(shù)系，江蘇 南京 210031)

1 引言

雙黃線等交通標(biāo)線定位與重建在交通違章行為的智能判定、統(tǒng)計(jì)車道線污損率等研究領(lǐng)域具有基礎(chǔ)性研究價(jià)值。但由于受到建設(shè)條件的限制，交通監(jiān)控視頻中車道線目標(biāo)容易受到污損、遮擋、惡劣天氣等復(fù)雜監(jiān)控場景的影響，現(xiàn)有檢出與分割方法容易產(chǎn)生較大概率的漏檢與錯(cuò)檢，魯棒性不強(qiáng)。

在交通監(jiān)控視頻中的車道線分類檢出領(lǐng)域，學(xué)者錢將傳統(tǒng)圖像增強(qiáng)算法與深度網(wǎng)絡(luò)模型訓(xùn)練相結(jié)合，端到端的解決復(fù)雜道路場景下的車道線目標(biāo)檢出問題[1]。龐等人則提出一種語義分割神經(jīng)網(wǎng)絡(luò)，通過逐層融合車道線邊緣特征同時(shí)建立跨層的語義連接實(shí)現(xiàn)了車道線的準(zhǔn)確分類[2]。目前基于深度學(xué)習(xí)方法下提取的高維特征在目標(biāo)檢測分類上具有良好的性能，但在目標(biāo)精確分割問題上主流算法仍是依賴于低層統(tǒng)計(jì)特征。學(xué)者徐等人通過變形Sobel算子擴(kuò)充雙黃線區(qū)域紋理得到雙黃線區(qū)域位置，進(jìn)而使用Hough直線變換方法對雙黃線進(jìn)行分割[3]。熊等人提出了一種基于彩色檢測線的線間差分與灰度幀差統(tǒng)計(jì)法相結(jié)合的改進(jìn)混合型方法，減少陰影對雙黃線檢測精度的影響[4]。上述方法在目標(biāo)定位均取得了不錯(cuò)的效果，但在目標(biāo)邊緣分割抗噪性較差。同時(shí)，基于紋理特征提取和基于詞袋(BOW)模型的對象分類分別在海冰分割、輸電線檢測、地形測繪等領(lǐng)域下的目標(biāo)分割與分類領(lǐng)域取得過良好的結(jié)果[5-11]，為解決本文問題提供了豐富的思路。

基于上述討論，本文使用一種由粗至精的策略，依次利用了運(yùn)動(dòng)關(guān)系特征、局部特征、顏色紋理特征和形狀特征來提升監(jiān)控視頻目標(biāo)分割重建的魯棒性。首先，利用基于混合高斯模型的方法去除運(yùn)動(dòng)目標(biāo)干擾，得到輸入視頻的靜態(tài)背景圖像。其次，為去除背景圖像中的環(huán)境噪聲干擾，采用詞袋BOW模型提取雙黃線目標(biāo)Sift特征，并使用多核支持向量機(jī)(SVM)分類器[5]進(jìn)行監(jiān)督學(xué)習(xí)得到僅包含雙黃線目標(biāo)與周邊路面的感興趣區(qū)域。接著，使用基于顏色紋理特征聚類的方法對感興趣區(qū)域圖像中的雙黃線目標(biāo)進(jìn)行分割，并通過形態(tài)學(xué)處理消除磨損式雙黃線的影響。最后，采用基于最小二乘法的曲線擬合方法對雙黃線的截?cái)嗖糠诌M(jìn)行定位重建。本文使用Python進(jìn)行了仿真實(shí)現(xiàn)，并對現(xiàn)有方法進(jìn)行了實(shí)現(xiàn)并比較。實(shí)驗(yàn)結(jié)果表明，該方法能夠在殘缺雙黃線條件下有效完成定位與重建，提升了目標(biāo)分割精度與魯棒性。

2 相關(guān)關(guān)鍵技術(shù)

2.1 混合高斯模型

在智能交通場景中，由于背景像素點(diǎn)具有多峰特性，為解決光線變化、視頻畫面抖動(dòng)帶來的干擾，常常利用混合高斯模型進(jìn)行背景建模。由于任何分布函數(shù)均可由多個(gè)高斯分布函數(shù)的線性的加權(quán)組合進(jìn)行描述，假定視頻幀中坐標(biāo)為(x，y)的像素點(diǎn)p在t時(shí)刻的像素值為Mt，并用k個(gè)高斯分布的加權(quán)混合來描述像素值隨時(shí)間變化的隨機(jī)過程，則其概率分布可表示如下

(1)

其中wt，i為t時(shí)刻混合高斯模型第i個(gè)高斯分布的權(quán)重，η為高斯分布的概率密度函數(shù)，具體公式如下

(2)

上述公式中的μ為各彩色通道分量組成的矢量，c為各顏色分量的協(xié)方差矩陣，可具體表示為

(3)

其中E為單位矩陣。與Mt相匹配的高斯分布的各參數(shù)更新過程為

μt，i=(1-ρ)·μt，i+ρ·Mt

(4)

(5)

(6)

其中ρ為參數(shù)更新速率，λ為高斯分布權(quán)值的更新速率，取值范圍均為[0，1]。

2.2 詞袋Bow模型

Bow模型最初應(yīng)用于大規(guī)模文檔集的文本統(tǒng)計(jì)建模，后延伸至圖像目標(biāo)分類研究領(lǐng)域[9]。Bow模型在圖像分類中，將目標(biāo)圖像分成若干區(qū)域塊，并將它們量化為離散的“視覺單詞”，得到圖像中所有待識(shí)別目標(biāo)的特征向量直方圖后進(jìn)行分類，具體步驟如下：

1)圖像塊的檢測與描述

通常使用SIFT、SUFR等算法提取訓(xùn)練樣本圖像塊中的特征向量，得到具有光照不變性的高魯棒性圖像特征。

2)詞典構(gòu)建

采用非監(jiān)督學(xué)習(xí)的K均值算法構(gòu)建詞典。該方法首先隨機(jī)初始化K個(gè)聚類中心，并計(jì)算各特征點(diǎn)到K個(gè)聚類的歐式距離最小值

(7)

根據(jù)距離計(jì)算結(jié)果將特征點(diǎn)Xi賦與聚類Yk。針對生成的各個(gè)聚類，重新計(jì)算聚類中心。迭代重復(fù)上述操作，直至算法收斂。

3)計(jì)算圖像特征直方圖

將圖像的特征點(diǎn)聚類到生成的聚類中心(詞典)，同時(shí)統(tǒng)計(jì)落入每個(gè)詞典中的特征點(diǎn)的個(gè)數(shù)，特征匹配上采用快速滑動(dòng)窗口策略，窗口滑過目標(biāo)區(qū)域的同時(shí)，提取該目標(biāo)區(qū)域的特征描述符并依次與Bow模型中的視覺單詞進(jìn)行匹配，統(tǒng)計(jì)詞表中每個(gè)單詞在滑動(dòng)窗口區(qū)域圖像中出現(xiàn)的次數(shù)，得到詞頻直方圖，即圖像特征直方圖。同時(shí)構(gòu)造視覺單詞到圖像的索引，根據(jù)索引結(jié)果進(jìn)行直方圖匹配得到圖像的分類。

2.3 顏色共生矩陣(CCM)

基于灰度級(jí)的圖像分割方法僅適用于灰度圖像，但面對信息更豐富的彩色圖像，可分別處理不同的彩色圖像通道，然后通過各種策略獲得分割結(jié)果。圖像紋理反應(yīng)了圖像灰度在空間維度上的變化關(guān)系，因此在圖像處理領(lǐng)域，顏色共生矩陣往往被用于提取彩色圖像的局部紋理特征信息[15]。

顏色共生矩陣通過計(jì)算水平、垂直、雙方向?qū)蔷€上的像素對出現(xiàn)的聯(lián)合概率密度來定義一個(gè)二階統(tǒng)計(jì)特征，反映了圖像顏色、亮度與相同顏色亮度的像素間的分布特性，即計(jì)算不同獨(dú)立顏色分量的聯(lián)合概率密度的共生矩陣，類似于顏色直方圖特征。顏色共生矩陣可由各顏色空間下的不同分量組成，假定同一顏色空間下的任意兩個(gè)顏色分量為α、β，顏色共生矩陣需對像素顏色分量α中分量值為i，同時(shí)像素顏色分量β中分量值為j的像素點(diǎn)進(jìn)行計(jì)算，具體公式如下

(8)

其中Δx和Δy分別表示像素原點(diǎn)在橫坐標(biāo)和縱坐標(biāo)上的增量。得到顏色紋理特征后，需要對各特征矩陣進(jìn)行統(tǒng)計(jì)。典型常用的四個(gè)不具備相關(guān)性的特征統(tǒng)計(jì)值分別為逆差矩(I)、對比度(C)、能量(S) 和熵(E)[13]，其實(shí)現(xiàn)算法如下

(9)

(10)

(11)

(12)

其中p(i，j)代表相同顏色空間下像素對出現(xiàn)的聯(lián)合概率密度，D為各顏色分量的量化級(jí)數(shù)，μ和σ分別表示均值和方差。

3 視頻監(jiān)控中雙黃線目標(biāo)的定位與重建方法

本文設(shè)計(jì)使用的雙黃線目標(biāo)定位重建算法(MG-BCF)流程如圖1所示，該方法主要分為視頻處理與圖像處理兩個(gè)部分。其中視頻處理部分主要提取視頻場景背景圖像，圖像處理部分則依次執(zhí)行提取ROI區(qū)域、雙黃線分割、目標(biāo)重建三個(gè)步驟。其中在感興趣區(qū)域提取步驟，需對雙黃線樣本進(jìn)行有監(jiān)督的學(xué)習(xí)訓(xùn)練建模。

圖1 本文提出的雙黃線定位與重建方法(MG-BCF)

3.1 視頻背景圖像提取

設(shè)計(jì)使用基于混合高斯模型的平均背景法從動(dòng)態(tài)視頻中提取靜態(tài)背景去除運(yùn)動(dòng)前景目標(biāo)，減少背景圖像中干擾因素，有效提升雙黃線等靜態(tài)目標(biāo)的檢測精度。視頻中各視頻幀圖像的每個(gè)像素點(diǎn)的值隨時(shí)間呈現(xiàn)高斯分布，即像素值均圍繞某一中心值(均值)并在一定距離(方差)內(nèi)分布。同時(shí)為應(yīng)對視頻畫面抖動(dòng)、光照短時(shí)間內(nèi)緩慢變化等問題，通常選擇使用混合高斯模型來解決背景像素點(diǎn)的多峰特性問題，主要步驟：

1)取輸入視頻的第一幀圖像的各像素點(diǎn)灰度值設(shè)定為均值的初始值，同時(shí)設(shè)定方差初始值為15，高斯分量個(gè)數(shù)初始值為1，權(quán)重為0.001；

2)將當(dāng)前圖像幀像素點(diǎn)p在t時(shí)刻的像素值Mt與已有的高斯分量依次進(jìn)行匹配

|Mt-μt，i|<2.5σt，i

(13)

如滿足上述匹配條件，參照式(4)-(6)根據(jù)當(dāng)前像素值不斷迭代更新調(diào)整第i個(gè)高斯模型的參數(shù)和權(quán)重。如果不滿足，則進(jìn)入步驟3)；

3)建立新的高斯分量模型，并初始化參數(shù)。同時(shí)判斷當(dāng)前高斯分量個(gè)數(shù)是否達(dá)到高斯分量個(gè)數(shù)上限，如果i=k，刪除最小權(quán)值w所對應(yīng)的高斯分量模型；

4)通過判斷各高斯分量的權(quán)值與閾值T得到t時(shí)刻的背景圖像Bt，閾值T設(shè)定為0.75

(14)

5)得到不同時(shí)刻的多個(gè)背景模型后，求多幀背景圖像平均得到最終的視頻背景靜態(tài)圖像。

B=Avg(Bt)

(15)

圖2 從監(jiān)控視頻中提取到的靜態(tài)背景圖像

3.2 提取感興趣區(qū)域(ROI)

通過視頻的背景圖像提取，時(shí)序視頻幀計(jì)算問題轉(zhuǎn)變?yōu)殪o態(tài)圖像處理的問題。針對監(jiān)控視頻背景圖像，本文設(shè)計(jì)使用基于Sift特征的Bow詞袋模型對背景圖像的ROI區(qū)域進(jìn)行檢索，即對雙黃線目標(biāo)位置進(jìn)行粗略估計(jì)。由于BOW模型主要基于目標(biāo)的局部特征進(jìn)行檢索分類，而不考慮局部特征間的空間關(guān)系，因此對各類污損條件下不完整車道線圖像漏檢率較低，并且可消除雙黃線目標(biāo)周圍的圖像噪聲。

在目標(biāo)檢索問題上傳統(tǒng)SIFT特征優(yōu)于Dense-SIFT特征的表現(xiàn)，因此利用Opencv提取標(biāo)準(zhǔn)Sift特征生成局部特征描述子并利用K均值算法進(jìn)行聚類，迭代計(jì)算得到聚類中心個(gè)數(shù)(詞典中的視覺單詞個(gè)數(shù))為5。作為SVM分類器輸入，所有詞頻直方圖均通過min-max方法進(jìn)行了歸一化處理。同時(shí)ROI區(qū)域匹配上采用滑動(dòng)窗口操作，以1920×1080分辨率的圖片條件下，采用240×120的區(qū)域滑動(dòng)窗口，窗口依照從上至下，從左至右的方向依次滑過背景圖像。對于每一個(gè)滑動(dòng)區(qū)域，使用訓(xùn)練好的SVM進(jìn)行分類；如匹配成功則該窗口區(qū)域定義為ROI區(qū)域。圖3顯示了某候選區(qū)域的匹配過程與最終得到的感興趣ROI區(qū)域。

圖3 從背景圖像中提取感興趣雙黃線區(qū)域

將線性不可分的數(shù)據(jù)映射到高維特征空間并可分時(shí)，SVM核函數(shù)的選擇決定了系統(tǒng)的分類精度。作為主流核函數(shù)，多項(xiàng)式核函數(shù)和高斯RBF核函數(shù)間存在互補(bǔ)特性，實(shí)驗(yàn)證明，通過將泛化能力較強(qiáng)的多項(xiàng)式核函數(shù)與學(xué)習(xí)能力較強(qiáng)的高斯核函數(shù)結(jié)合起來，得到的混合高斯函數(shù)兼?zhèn)淞己玫耐馔颇芰蛢?nèi)推能力[5]。如式(16)所示，在SVM核函數(shù)的選擇上，本文使用了由多項(xiàng)式核函數(shù)、高斯核函數(shù)組合構(gòu)建混合核函數(shù)用于解決非線性劃分和二維模式分類問題。

Kcom=αKp+(1-α)Kr

(16)

其中Kp、Kr分別表示多項(xiàng)式核函數(shù)和高斯RBF核函數(shù)，表示多項(xiàng)式核函數(shù)的權(quán)重系數(shù)。利用交叉驗(yàn)證方法進(jìn)行權(quán)值優(yōu)化，得到=0.89時(shí)，驗(yàn)證精度最高。ROI區(qū)域提取結(jié)束后，去除了圖像中例如周邊建筑、路燈等非路面目標(biāo)，得到了主要由雙黃線目標(biāo)與路面背景組成的區(qū)域圖像，為下一步進(jìn)行目標(biāo)分割減少了干擾因素。

3.3 雙黃線目標(biāo)分割

雙黃線等交通標(biāo)線由于受到對受光照不均勻、污損、積水反光等情況的影響，背景圖像中的雙黃線目標(biāo)可能會(huì)具有不同的顏色信息，同時(shí)還造成二值化圖像中車道線邊緣極不規(guī)則，因此傳統(tǒng)的Candy檢測與Hough變換方法在直線檢出上精確度不高，本文設(shè)計(jì)使用顏色共生矩陣(CCM)提取雙黃線目標(biāo)特征，并進(jìn)行邊緣分割。計(jì)算顏色共生矩陣時(shí)，本文將圖像空間顏色分量的量化級(jí)數(shù)定義為16，得到16×16的共生矩陣。為增加紋理特征的光照不變性，未采用亮度顏色分量，同時(shí)考慮到RGB顏色空間下三種顏色分量存在線性相關(guān)，本文最終選用RGB空間的R、G，Lab空間的a *、b *與HSI空間的H和S共9個(gè)顏色分量作為顏色聚類空間的組成，定義為[Frr，F(xiàn)rg，F(xiàn)gg，F(xiàn)aa，F(xiàn)ab，F(xiàn)bb，F(xiàn)hh，F(xiàn)hs，F(xiàn)ss]。圖4展示了雙黃線目標(biāo)圖片的各顏色分量。

圖4 雙黃線目標(biāo)圖片各顏色分量

通過對雙黃線圖像樣本的分析，提取ROI區(qū)域內(nèi)有效區(qū)分雙黃線和路面背景的顏色特征。在中心像素的0°、45°、90°與135°四個(gè)方向上分別計(jì)算CCM可得到各顏色分量直方圖，進(jìn)一步根據(jù)式(9)-(12)計(jì)算4個(gè)特征統(tǒng)計(jì)值[14]，最終得到36維的特征向量。最后再根據(jù)K均值非監(jiān)督聚類算法，通過計(jì)算不同區(qū)域(點(diǎn))的CCM特征矩陣之間的歐式距離進(jìn)行圖像區(qū)域的分割。

針對分割后圖像中仍存在噪點(diǎn)且部分雙黃線目標(biāo)像素分布較離散的問題，可利用形態(tài)學(xué)處理中的開操作消除分散的路面噪點(diǎn)，閉操作來將某些區(qū)域連接在一起擴(kuò)大顏色聯(lián)通區(qū)域集面積，避免因雙黃線磨損所導(dǎo)致的紋理特征不清晰造成目標(biāo)丟失的情況。使用的形態(tài)圖像處理依次進(jìn)行1次開操作與2次閉操作的方式，采用橢圓核結(jié)構(gòu)元素，核大小定義為6×6。雙黃線目標(biāo)的最終分割效果如圖5所示。

圖5 雙黃線部分污損區(qū)域分割的細(xì)節(jié)效果

3.4 雙黃線目標(biāo)的重建

經(jīng)過顏色紋理特征聚類與形態(tài)學(xué)處理后，雖然能夠消除雙黃線磨損部位對于目標(biāo)分割帶來的影響，但是雙黃線截?cái)嗍讲课灰廊淮嬖?，因此需要根?jù)已有的雙黃線封閉區(qū)域進(jìn)行重建。雙黃線幾何形狀在大多數(shù)條件下為直線，也會(huì)存在彎曲雙黃線的情形，因此本文采用基于最小二乘法的曲線擬合對截?cái)嗖课贿M(jìn)行回歸計(jì)算。設(shè)分割后各連通區(qū)域的質(zhì)心集合為T，離散的質(zhì)心點(diǎn)個(gè)數(shù)為N

T={(xi，f′i)}i∈(1，N)

(17)

擬合多項(xiàng)式函數(shù)與誤差函數(shù)分別為

(18)

(19)

代碼實(shí)現(xiàn)上使用Numpy庫的polyfit函數(shù)，同時(shí)為防止高階多項(xiàng)式出現(xiàn)曲線擬合問題，根據(jù)所得到的雙黃線樣本的幾何形態(tài)，多項(xiàng)式階數(shù)m設(shè)定為3，質(zhì)點(diǎn)的個(gè)數(shù)不小于4，得到的曲線方程為

y=ax3+bx2+cx+d

(20)

其中a、b、c、d為求得三次多項(xiàng)式函數(shù)的參數(shù)實(shí)數(shù)，當(dāng)雙黃線圖像為直線時(shí)，a=b=0。根據(jù)前圖例中所得到的擬合曲線如圖6所示。

圖6 計(jì)算得到的三次多項(xiàng)式擬合曲線例

接著通過Hough直線檢測[17]得到雙黃線的邊緣基點(diǎn)，根據(jù)基點(diǎn)可將擬合曲線平移投影到雙黃線的邊緣，即

y=a(x±Δx)3+b(x±Δx)2+c(x±Δx)+(d±Δy)

(21)

其中Δx，Δy分別是雙黃線各邊緣與擬合曲線間的偏移橫坐標(biāo)與縱坐標(biāo)。重建后的雙黃線圖像如圖7所示。

圖7 雙黃線重建效果

4 對比實(shí)驗(yàn)

本文實(shí)驗(yàn)所用雙黃線圖像來源于宿遷市公安局視頻專網(wǎng)與北京多維視通公司提供的交通監(jiān)控視頻數(shù)據(jù)，數(shù)據(jù)集對象均為CCD攝像機(jī)采錄的高清視頻，分辨率為1980×1020像素。

4.1 雙黃線定位重建結(jié)果

使用自定義的數(shù)據(jù)集中的視頻進(jìn)行測試，圖8中分別為殘缺彎曲雙黃線與殘缺直線雙黃線條件下的定位重建結(jié)果。這部分實(shí)驗(yàn)驗(yàn)證表明，本文的算法可針對視頻集中存在遮擋、陰影、磨損等條件下的雙黃線進(jìn)行有效的定位重建，取得了較好的視覺效果。

圖8 雙黃線重建效果

4.2 參數(shù)設(shè)定討論

基于BOW模型的ROI區(qū)域檢出是本文所提出的雙黃線定位重建的第一步，特別是當(dāng)雙黃線區(qū)域缺損區(qū)域較多時(shí)，其作用非常關(guān)鍵。而感興趣ROI區(qū)域提取的一個(gè)重要參數(shù)是BOW模型中視覺單詞個(gè)數(shù)。視覺單詞數(shù)量決定著目標(biāo)識(shí)別的精確度，而感興趣區(qū)域提取的結(jié)果則直接影響下一步紋理特征提取范圍。本文針對視覺單詞數(shù)量為2～8的條件下，評(píng)估其性能，如圖9所示。

圖9 算法準(zhǔn)確率與計(jì)算時(shí)間的交叉驗(yàn)證

可以看出，召回率和精確度與視覺單詞數(shù)個(gè)數(shù)均呈現(xiàn)正相關(guān)關(guān)系。同時(shí)使用本文所提算法依次測試其性能和計(jì)算時(shí)間。圖9同時(shí)也表明，計(jì)算時(shí)間會(huì)隨著視覺單詞數(shù)量的增加而迅速增加。因此，基于權(quán)衡考慮算法精度與計(jì)算成本的前提下，根據(jù)上述交叉驗(yàn)證方法最終確定視覺單詞的數(shù)量為5。

4.3 算法檢測準(zhǔn)確性評(píng)估

為驗(yàn)證本文所提出雙黃線定位與重建方法的有效性，將部分視頻中的清晰完整的雙黃線作為基準(zhǔn)模板，并對其進(jìn)行了遮擋或軟件處理模擬殘缺雙黃線用于實(shí)驗(yàn)測試，同時(shí)利用現(xiàn)有數(shù)據(jù)集對重建效果的與精度值(Precision) 與召回率(Recall)進(jìn)行了評(píng)估

Precision=T P/(T P+F P)

(22)

Recall=T P/(T P+F N)

(23)

其中TP為重建后坐標(biāo)預(yù)測正確的像素點(diǎn)數(shù)，TP+FP為重建雙黃線范圍內(nèi)的像素點(diǎn)總數(shù)，而TP+FN為實(shí)際雙黃線范圍內(nèi)的像素點(diǎn)總數(shù)。

實(shí)驗(yàn)中將本文所提出的算法(MG-BCF)與基于變形Sobel算子擴(kuò)充區(qū)域與霍夫直線變換方法(SO-HLT)[3]、基于線間差分與灰度幀差的統(tǒng)計(jì)算法(LD-GFD)[4]進(jìn)行了比較分析。上述所有算法均使用相同實(shí)驗(yàn)視頻，視頻根據(jù)不同的監(jiān)控點(diǎn)位與雙黃線的幾何形狀進(jìn)行分組，從視頻數(shù)據(jù)集中得到存在缺損的直線雙黃線與彎曲雙黃線的實(shí)驗(yàn)視頻各10組。最終的實(shí)驗(yàn)結(jié)果如圖10所示。

圖10 三種算法的性能比較

圖10表明，本文所提出的算法的分割性能與其它兩種算法相比較，召回率與精度值都有一定程度的提升。其中，針對常見的直線雙黃線，三種算法的精度值均取得了不錯(cuò)實(shí)驗(yàn)結(jié)果。但SO-HLT算法在彎曲雙黃線的實(shí)驗(yàn)中召回率與精度值都較低，這是由于其在算法設(shè)計(jì)中未考慮雙黃線的彎曲形狀所導(dǎo)致。同時(shí)由于LD-GFD算法針對缺損目標(biāo)檢出的魯棒性較低，導(dǎo)致部分缺損區(qū)域未被正確重建，因此雖精度值尚可但召回率不佳。除此之外，通過對召回率與精度值在90%以下的部分實(shí)驗(yàn)組的數(shù)據(jù)集進(jìn)行分析后發(fā)現(xiàn)，這是由于監(jiān)控視頻建設(shè)安裝過程中水平俯視角度過大，造成了視頻中的遠(yuǎn)景重建目標(biāo)存在一定的幾何變形。針對這種情況，可通過透視變換原理[15]將原視頻背景圖像進(jìn)行校正，將原圖像坐標(biāo)映射至俯視圖坐標(biāo)，進(jìn)一步提升雙黃線重建的精確度。

5 結(jié)論

本文針對視頻監(jiān)控中存在缺損的雙黃線目標(biāo)提出了一種強(qiáng)魯棒性定位與重建方法。該方法采用一種由粗至精的分割策略，依次去除運(yùn)動(dòng)目標(biāo)信息、周邊環(huán)境信息的干擾，通過顏色紋理特征進(jìn)行精確分割后對破損區(qū)域進(jìn)行了擬合重建。

實(shí)驗(yàn)結(jié)果表明，該方法在直線、彎曲雙黃線條件下的正確檢出率分別達(dá)到了94.7%與93.1%，定位重建性能良好，準(zhǔn)確率優(yōu)于現(xiàn)有方法。該方法適用于各種復(fù)雜場景下雙黃線目標(biāo)定位與重建，在交通違章行為檢測、事故定責(zé)等領(lǐng)域具有一定的實(shí)用推廣價(jià)值。