基于圖像軌跡代數(shù)運(yùn)算的車輛監(jiān)測(cè)技術(shù)與判定

任冠華

(江蘇聯(lián)合職業(yè)技術(shù)學(xué)院宜興分院，江蘇 宜興 214206)

0 前言

隨著汽車保有量的增加，對(duì)我國(guó)的交通監(jiān)管提出了更高的要求，也促進(jìn)了我國(guó)現(xiàn)代城市交通管理水平的提升。道路車輛智能監(jiān)測(cè)記錄系統(tǒng)能夠?qū)φ厥缕?、違章汽車、黑名單汽車等進(jìn)行快速識(shí)別和數(shù)據(jù)采集，為提高智慧交通服務(wù)水平，保障城市綜合交通網(wǎng)絡(luò)順暢運(yùn)行，為交通違法、交通事故逃逸、機(jī)動(dòng)汽車盜搶等案件的及時(shí)偵破提供了重要的信息和證據(jù)。

1 道路汽車監(jiān)測(cè)系統(tǒng)類型

1.1 雷達(dá)監(jiān)測(cè)系統(tǒng)

雷達(dá)監(jiān)測(cè)系統(tǒng)將雷達(dá)波發(fā)射到行駛的汽車上，根據(jù)反射信號(hào)進(jìn)行技術(shù)處理，得到目標(biāo)車輛的速度參數(shù)。在道路路口處安裝雷達(dá)，可以運(yùn)用雷達(dá)的發(fā)射時(shí)間間距和測(cè)速波長(zhǎng)，推測(cè)出車輛某一時(shí)間段的行駛速度，判斷車輛是否存在超速行為，達(dá)到對(duì)車輛監(jiān)測(cè)的目的。雷達(dá)監(jiān)測(cè)系統(tǒng)是一種被普遍使用且成本較低的速度監(jiān)測(cè)系統(tǒng)，安裝在路口或者有需要的地方，能實(shí)現(xiàn)對(duì)車輛的監(jiān)測(cè)和分析。但在有信號(hào)干擾的情況下，雷達(dá)監(jiān)測(cè)系統(tǒng)不具備良好的成像條件，不能及時(shí)和準(zhǔn)確地留取車輛詳細(xì)信息，無(wú)法發(fā)揮監(jiān)測(cè)功能，需要有與其匹配的儀器如激光測(cè)速儀等，才能使雷達(dá)監(jiān)測(cè)系統(tǒng)保持良好的監(jiān)測(cè)功能。激光測(cè)速儀的有效測(cè)速距離比雷達(dá)測(cè)速儀遠(yuǎn)，測(cè)速精度更高，取證能力更強(qiáng)，耗電量更低，因而在全世界范圍內(nèi)得到了廣泛認(rèn)可和推廣。

1.2 衛(wèi)星監(jiān)測(cè)系統(tǒng)

衛(wèi)星監(jiān)測(cè)系統(tǒng)能夠?qū)崿F(xiàn)24 h全天候監(jiān)測(cè)，實(shí)時(shí)收發(fā)照片，是目前最先進(jìn)的智能交通監(jiān)測(cè)技術(shù)之一。我國(guó)的北斗衛(wèi)星系統(tǒng)已初具規(guī)模，能夠在我國(guó)的領(lǐng)空形成密布而有序的監(jiān)測(cè)網(wǎng)絡(luò)，全方位提升國(guó)家安全能力。衛(wèi)星監(jiān)測(cè)系統(tǒng)是智能交通監(jiān)測(cè)的重要手段之一，但衛(wèi)星檢測(cè)系統(tǒng)的應(yīng)用成本較高，能源消耗較大。

1.3 紅外線監(jiān)測(cè)系統(tǒng)

在智能交通中，紅外線監(jiān)測(cè)系統(tǒng)類似于雷達(dá)監(jiān)測(cè)系統(tǒng)，通過各道路路口安裝的紅外線儀器，對(duì)車輛的行進(jìn)過程進(jìn)行監(jiān)測(cè)。紅外線監(jiān)測(cè)系統(tǒng)是檢測(cè)紅外線被車輛遮擋的時(shí)間來(lái)判斷目標(biāo)車輛的速度，這對(duì)儀器的使用和制造提出了較高要求。紅外線監(jiān)測(cè)系統(tǒng)可在夜間進(jìn)行監(jiān)測(cè)和探查，且不受外在因素影響。由于紅外線監(jiān)測(cè)系統(tǒng)極易損壞，所以需要及時(shí)修理和更換，避免對(duì)儀器設(shè)備的正常使用造成不便。

2 圖像軌跡代數(shù)運(yùn)算

在圖像處理技術(shù)中，只要滿足兩幀圖像的矩陣大小和維數(shù)相同，就可對(duì)圖像對(duì)應(yīng)的像元進(jìn)行加、減、乘、除等代數(shù)運(yùn)算?；趫D像的接觸網(wǎng)異物檢測(cè)主要是檢測(cè)出異物的大小和形狀，并在檢測(cè)過程中將采集圖像與模板圖像進(jìn)行比對(duì)，找尋兩幀圖像的差異性。采用代數(shù)運(yùn)算法對(duì)圖像進(jìn)行減法運(yùn)算，可以判別出兩張圖像的差異性。

若經(jīng)過運(yùn)算處理后的兩幀圖像存在差異性，并不能確定接觸網(wǎng)間存在異物，還應(yīng)對(duì)存在差異的圖像進(jìn)行處理。采用上述方法，對(duì)差異圖像進(jìn)行直方圖均衡化運(yùn)算及濾波、閥值分割、邊緣檢測(cè)等處理，才能得到真正的異物圖像。

3 汽車軌跡級(jí)聯(lián)預(yù)測(cè)道路狀況

汽車軌跡級(jí)聯(lián)預(yù)測(cè)方法是利用汽車攝像頭采集到的道路圖像信息，通過軟件分析車輛當(dāng)前所處位置并提供相應(yīng)的處理方法。路徑識(shí)別處理方式包括常規(guī)道路識(shí)別處理、交通燈識(shí)別處理、停車標(biāo)志識(shí)別處理和障礙物識(shí)別處理等。其中，常規(guī)道路識(shí)別處理又包括單車道、雙車道、十字路口及有行駛方向標(biāo)識(shí)的路口等。道路交通流運(yùn)行方向控制采用“比例-積分-微分”(PID)控制算法。圖像采集模塊是計(jì)算機(jī)硬件部分最重要的組成部分，系統(tǒng)所需的大多數(shù)信息均來(lái)自視覺信號(hào)如道路標(biāo)識(shí)、交通圖案、交通信號(hào)等。計(jì)算機(jī)軟件部分則主要包括道路識(shí)別與方向控制模塊、脈沖寬度調(diào)制(PWM)輸出模塊及串口通信模塊。

3.1 常規(guī)道路識(shí)別處理

將常規(guī)道路圖像信息像素調(diào)整成為高度160像素、寬度120像素，由于事先已對(duì)采集到的樣本圖像進(jìn)行了分析，因此不必再對(duì)整幅圖像進(jìn)行處理。道路圖像的有效部分的圖像區(qū)域?yàn)?6行至50行，以及最后20行的區(qū)域，可以認(rèn)定該區(qū)域是交通燈箭頭所在的區(qū)域。由事先采集的樣本圖像可知，當(dāng)從道路圖像的中心位置分別向左右遍歷圖像所有像素值時(shí)，會(huì)有明顯的黑白分界線，像素值從255突變?yōu)槌?。這被認(rèn)定為圖像的邊界值，可利用此特征尋找道路的邊線。

若圖像的邊界值一直保持遞增或遞減的變化趨勢(shì)，說明此時(shí)汽車處于直道上，圖像的中心像素值等于兩邊界像素值之和的平均值；若圖像邊界像素值突然從連續(xù)增加變?yōu)檫B續(xù)減小或從連續(xù)減小變?yōu)檫B續(xù)增加時(shí)，說明汽車即將到達(dá)十字路口，在圖像上邊界像素值發(fā)生相反變化的第1個(gè)像素點(diǎn)即為折點(diǎn)，且圖像在折點(diǎn)后的其他行的中心像素值等于上一行的中心像素值。此外，當(dāng)圖像中某一行找到的邊界像素值突然距離圖像的中心像素值很近，并且在該行后幾行的邊界像素值又回歸到30左右的正常水平，說明汽車已到達(dá)道路地面上有行駛方向標(biāo)識(shí)的路口，需要通過判斷指示箭頭的朝向來(lái)確定箭頭所在行的中心像素值。若箭頭朝向?yàn)橄蜃?，則程序設(shè)定這幾行的中心像素值會(huì)逐漸減小，反之亦然。

在討論圖像某行中心值時(shí)，應(yīng)首先判別汽車所處的道路是直行道還是彎道。彎道圖像中每一行的邊界像素值變化都較大，而直行道圖像中每一行的邊界只相差1個(gè)像素值。彎道圖像的中心像素值由上一行的中心像素值和該行及邊界的趨勢(shì)決定，直行道圖像則需要根據(jù)找到的邊界像素值預(yù)估出尚未找到邊界的那些行的邊界像素值，然后使每一行的中心像素值等于左右邊界像素值之和的平均值。

當(dāng)無(wú)法找到左右邊界時(shí)，應(yīng)采用手動(dòng)調(diào)整，使每一行的中心像素值等于上一行的中心像素值。在處理每幅圖像時(shí)，首先要找第1行的邊界，并將其作為標(biāo)定行。因此，針對(duì)左右邊界都無(wú)法找到的圖像，其每一行的中心像素值都是相同的，且都等于第1行的中心像素值。

3.2 交通燈識(shí)別處理

在設(shè)計(jì)交通燈識(shí)別算法時(shí)，采用霍夫圓檢測(cè)方法來(lái)檢測(cè)交通燈。在前期試驗(yàn)階段，使用微軟公司開發(fā)的Visual Studio 2010軟件結(jié)合OpenCV軟件模擬真實(shí)道路交通燈的仿真檢測(cè)，如圖1 所示。由圖1可見，3個(gè)交通燈圖像都能被找到，檢測(cè)效果較好。由于這是在靜態(tài)圖像上進(jìn)行處理，因此圖像效果較好，并未受到太多干擾。但將該段代碼移植到指令地址寄存器(IAR)的開發(fā)環(huán)境下進(jìn)行測(cè)試時(shí)，效果并不理想，其邊緣檢測(cè)Canny算子的閾值、圓半徑的設(shè)置、類間距離及其他霍夫變換的參數(shù)均難以調(diào)整到理想的狀態(tài)。因此，可根據(jù)實(shí)際情況，將霍夫圓檢測(cè)方法轉(zhuǎn)化為識(shí)別算法。

圖1 交通燈的仿真檢測(cè)

將指示燈設(shè)置為左、中、右3個(gè)方向，本文重點(diǎn)介紹左轉(zhuǎn)向指示燈的識(shí)別，其他2種情況可依此類推。交通燈檢測(cè)流程如圖2所示。

圖2 交通燈檢測(cè)流程

當(dāng)指示燈亮起時(shí)，經(jīng)過圖像二值化處理后，圖像中指示燈所在范圍呈現(xiàn)為白色，其背景為黑色。在二維圖像中左轉(zhuǎn)向箭頭具有以下特征：① 箭頭的左半部分呈階梯狀，箭頭最左端會(huì)有尖點(diǎn)；② 箭頭的右半部分呈矩形狀，在尖點(diǎn)所在行可找到箭頭的右邊界，將該右邊界的上下行進(jìn)行對(duì)比，觀察邊界像素值的變化是否趨弱或者呈近似于直線狀。當(dāng)在某段區(qū)域中檢測(cè)到符合上述特征的圖像時(shí)，就可判定為找到了左轉(zhuǎn)向箭頭。

3.3 障礙物識(shí)別處理

在障礙物的識(shí)別檢測(cè)過程中，障礙物采用1個(gè)長(zhǎng)15 cm、寬8 cm的矩形物體。該矩形物體表面用黑色膠帶裹住，放至跑道偏左的位置。對(duì)于障礙物的識(shí)別，在算法上主要以圖像邊界像素值的連續(xù)性和完整性作為判別方式。

障礙物識(shí)別流程如圖3所示。若圖像中一邊的邊界像素值和上下兩行的邊界像素值相差為20時(shí)，可初步判斷發(fā)生了突變，并判定為障礙物。為避免障礙物與路口出現(xiàn)的轉(zhuǎn)向指示標(biāo)志混淆，需要系統(tǒng)程序?qū)φ系K物圖像特征進(jìn)行判斷。將找到的邊界像素值發(fā)生突變的點(diǎn)作為起點(diǎn)，系統(tǒng)程序分別向左、向右、向上統(tǒng)計(jì)黑白點(diǎn)出現(xiàn)的數(shù)目，如果向左和向上統(tǒng)計(jì)到的黑點(diǎn)數(shù)目都大于7個(gè)像素值，向右統(tǒng)計(jì)到的白點(diǎn)數(shù)目大于20個(gè)像素值，則可初步判斷為找到障礙物，然后再根據(jù)圖像特征繼續(xù)進(jìn)行判斷。從突變點(diǎn)開始，判斷此后的連續(xù)若干行是否與每行僅相差1個(gè)像素值或者與邊界像素值相等。如果符合上述結(jié)論，則可判斷為已找到了障礙物。為使擬合出的中心線較為平滑，系統(tǒng)程序需要重新計(jì)算圖像每一行的中心像素值。

圖3 障礙物識(shí)別流程

4 結(jié)語(yǔ)

基于視頻的汽車監(jiān)測(cè)與追蹤系統(tǒng)其應(yīng)用環(huán)境是動(dòng)態(tài)且復(fù)雜的，待監(jiān)測(cè)目標(biāo)種類多樣，環(huán)境中的建筑物、廣告牌、標(biāo)識(shí)、樹木等都會(huì)使背景圖像更為復(fù)雜，而天氣、光線突變等因素也會(huì)對(duì)目標(biāo)監(jiān)測(cè)造成一定影響，因此對(duì)目標(biāo)監(jiān)測(cè)與追蹤算法提出了更高的要求。

本文構(gòu)建了適用于真實(shí)交通復(fù)雜環(huán)境的視頻汽車監(jiān)測(cè)與追蹤系統(tǒng)，測(cè)試驗(yàn)證了多個(gè)場(chǎng)景下的目標(biāo)監(jiān)測(cè)與追蹤效果，并提供了相關(guān)的試驗(yàn)數(shù)據(jù)，具有較強(qiáng)的實(shí)用性。對(duì)圖像軌跡進(jìn)行代數(shù)運(yùn)算，有助于增強(qiáng)圖像的清晰度，方便車輛行駛軌跡的監(jiān)測(cè)與判定，可有效提升城市交通管理體系的智能化水平。