视频交通监控系统中运动车辆捕捉算法的研究
2009-09-09
作者:龚文凌 王洪澄 孙 敏
摘 要: 提出了一种新的运动车辆捕捉算法——序列轮廓差分捕捉算法。
关键词: 视频监控 车辆捕捉 运动分割
基于视频图像和字符识别技术的视频车辆自动监控系统是目前极具发展潜力的监控系统之一。它与传统的基于磁环路检测器的交通监控系统相比具有如下优势:
(1)安装简单灵活,不用进行路面施工。
(2)维护简易,系统升级方便。
(3)能够检测多种交通流信息,包括车速、饱和度、占有率等,并且可用于视频的电子警察系统。
一个典型的视频车辆自动监控系统的工作流程图如图1所示。
1 捕捉算法分析
车辆捕捉算法实际上就是去除背景后剩下的图像中是否含有车辆的问题。但是由于实际交通状况的复杂性使车辆捕捉存在以下难点:
(1)监控范围内光场的变化。
(2)车道上非车辆运动物体的干扰。
(3)摄像头量化的误差。
(4)摄像头在重型车辆驶过或是有大风的时候产生的图像轻微抖动。
本文分析了传统的图像去背景车辆捕捉算法,并在此基础上作出改进,提出了一种新的捕捉算法——序列轮廓差分捕捉算法。
1.1 传统图像去背景捕捉算法
要在视频监控系统中检测运动的车辆,可以采用当前输入图像减去不含汽车的纯背景图像的方法,通过二帧图像的灰度差捕捉运动车辆。但是实际情况是在监控系统中难以得到不含车辆的纯背景图像。传统的取背景算法是采取直接从图像序列中抽取某一副图像作为背景,或者是以多幅图像的直接平均作为背景的方法。采取这种取背景算法不可避免的问题是背景图像中包含有残存运动车辆的信息,差影减后难以区分前景和背景的运动车辆。
本文对去背景算法做如下改进:
(1)对图像序列中的二幅图像(一个图像对)进行比较,灰度变化小于一定值的区域称共同区域。
(2)对多个图像对的共同区域求和取平均,作为背景。
B(i,j,k)为图像对中共同区域的值,(i,j)为像素点,M为共同区域的个数。
(3)多个图像对时间间隔大于一定值。对于由于天气、光线、阴影的变换造成背景灰度变换显著的情况引入衰减因子a,更新背景图像。
Vt为阈值,P(i,j,k)为当前输入图像。
(4)目标检测。取背景算法可得到近似无车的背景图像,因此运动车辆检测可通过对输入图像和背景图像的比较来检测:
选择一个适当的阈值Vk,就可以产生一个二值化的目标轮廓,即可以检测出运动的车辆。
改进算法在去背景方面效果比直接平均法好些,但是仍残有一些阴影,这也是去背景算法的缺陷所在。本文提出的序列轮廓差分捕捉算法不需要得到背景图案,能够消除阴影,较好地检测出运动车辆。
1.2 序列轮廓差分捕捉算法
这里介绍的序列轮廓差分捕捉算法中,利用二值化的轮廓图像进行差分,可以消除不需要的背景轮廓(如车道线、栅栏等),得到所需要的汽车轮廓,从而达到运动车辆捕捉的目的。算法如下:
(1)高斯平滑滤波
由于CCD摄像头量化误差的影响,造成背景图像灰度的不均,可能会出现一些颗粒噪声和毛刺噪声,给后面的边缘提取和检测带来影响。因此先用高斯平滑滤波器对采样的图像进行滤波处理,以降低量化噪声。高斯平滑模板如图2所示。
模板系数为1/16。
(2)边缘检测
边缘检测是捕捉算法的关键步骤,好的边缘检测算子可以比较好地区分汽车边缘灰度和路面灰度的梯度,为后续工作打下良好的基础。
在视频交通监控系统中摄像机一般安装在道路的一侧,车辆是由图像的下方进入,上方出去。依据这个特点,本文采用了对45°角方向比较敏感的Roberts算子。
与其他Sobel、Prewitt等算子相比,Roberts算子对成块的图像边缘比较敏感,而忽略了一些边缘变化不是特别明显的小细节。它特别适合对汽车这样的大目标的检测,而且对后续的二值化工作大有裨益。
(3)对图像进行二值化处理
因为是对提取的轮廓图像进行二值化处理,其灰度范围被拉窄了,这里采取的是一个最佳阈值算法。求最佳阈值的步骤如下:
①求出图像中最大和最小的灰度值Zl和Zk,令阈值初值为:
最佳阈值求出来后,就可以根据阈值对轮廓图进行二值化处理,从而得到基本的汽车轮廓。
(4)对二值化的轮廓图做开运算(先腐蚀后膨胀)
对二值化的轮廓图做开运算,开运算子为1×3的水平方向运算子。做开运算可以平滑边界、消除突刺,又能保持边界强度信息,并且可以解决摄像头由于重型车辆驶过或大风引起抖动产生的帧间背景偏移的问题。此运算为下一步轮廓图的序列差分处理做准备。
(5)用轮廓图的序列差分图像做运动车辆检测
用二帧轮廓图的序列图像做差影检测:
轮廓图像是只有0和1的二值化图像,而汽车外型轮廓亮度为1。一般前后帧汽车轮廓不在同一个位置。若(i,j)点的前一帧图像为汽车轮廓即1,而后一帧图象为背景即0,相减后赋值为0。采用这种方式可以有效地滤除前一帧图像的汽车轮廓,而保留后一帧图像的汽车轮廓。而对于固定不动的背景轮廓,例如车道线、栅栏等,由于前后帧的轮廓在同一个位置,采用这种方式也可以有效地去除背景轮廓,从而有效地检测出运动车辆。这也是序列轮廓差分算法与去背景法相比的优势所在。
实验中对一个20分钟的路口样本视频流进行车辆捕获,录像时间是白天。在对实时性不做严格要求的情况下,正确捕捉率能够达到93%。
2 结 论
视频交通监控系统是近年来发展较快的一种路面交通监控系统,车辆捕捉是其关键技术之一。通过车辆捕捉可以检测到路面交通流的一些参数,例如车流量、车速等,并且也可以用于车辆是否闯红灯的判断。本文分析了传统的去背景捕捉算法并且提出了一种新的捕捉算法——序列轮廓差分捕捉算法。就这二种捕捉算法而言,传统的去背景捕捉算法不可避免地残留一些阴影,在保留车体方面性能较差。而序列轮廓差分捕捉算法则可以比较好地解决这个问题,并且能够消除量化误差、摄像头抖动等噪声的影响,但存在运算量较大的缺点。解决的办法是适当降低图像的分辨率。
参考文献
1 Guo L,Ljung L.Performance analysis of general tracking algorithms.IEEE Transactions on Auto-maticCon trol,1995;40(8)
2 Walter E,Lahanier HP.Estimation of parameter bounds from bounded-error data:a survey.MathComput
Simulation,1990;(32)
3 Nayeri M.Unifying the landmark development in optimal bounding ellipsoid identification.International Journal of Adaptive Control and Signal Processing,1994;(8)
4 Takatoo M.Traffic flow measuring system using image processing.SPIE 1197,1989
5 王春波,张卫东,张文渊等.复杂交通环境中车辆的视觉检测.上海交通大学学报,2000;12(1)