（計算機(jī)應(yīng)用技術(shù)專業(yè)論文）智能交通系統(tǒng)中的車輛檢測和車型識別技術(shù)研究.pdf

摘要 智能交通系統(tǒng)( i t s ) 是發(fā)展現(xiàn)代化交通的必由之路，基于機(jī)器視覺的車輛檢 測和車型分類技術(shù)是推進(jìn)智能交通系統(tǒng)發(fā)展的個重要的研究方向，在道路交通 監(jiān)控系統(tǒng)和高速公路收費系統(tǒng)等方面都有著廣泛的應(yīng)用前景。本文以此為出發(fā) 點，對智能交通系統(tǒng)中的車輛檢測和車型分類技術(shù)進(jìn)行了深入地研究和分析，并 提出了一種精確穩(wěn)定的車輛檢測和車型分類算法，主要內(nèi)容如下： 關(guān)于運動車輛的檢測問題，本文在分析總結(jié)國內(nèi)外現(xiàn)有的眾多車輛檢測算法 的基礎(chǔ)上，提出了一種基于中值像素灰度歸類的背景重構(gòu)方法，通過該方法重構(gòu) 的背景可以以較高的精度滿足背景差分下的車輛檢測問題；同時，考慮到相鄰像 素間的相關(guān)性，在背景更新時使用像素變化統(tǒng)計表，將背景區(qū)域進(jìn)行分塊處理， 每塊采用不同更新速率，從而使模型能更快的適應(yīng)環(huán)境的變化。對于運動車輛陰 影的干擾問題，本文將差分圖像轉(zhuǎn)換到s r g 顏色空間進(jìn)行陰影分割，實驗表明在 自然環(huán)境中可以得到很好的分割效果。 在車型分類方面，首先對差分圖像作形態(tài)學(xué)濾波和區(qū)域連通處理，得到運動 車輛的位置和輪廓，根據(jù)分類標(biāo)準(zhǔn)提取出車型分類所需的特征向量，然后分別用 兩種方法設(shè)計出車型分類器，一種是基于模糊k 一均值聚類的r b f 網(wǎng)絡(luò)車型分類 器，另一種是基于免疫算法的r b f 網(wǎng)絡(luò)車型分類器，通過在相同環(huán)境下的實驗對 比分析，基于免疫算法的r b f 網(wǎng)絡(luò)車型分類器在分類準(zhǔn)確性和速度方面都優(yōu)于基 于模糊k 一均值聚類的r b f 網(wǎng)絡(luò)車型分類器。本文首次將人工免疫算法與r b f 神 經(jīng)網(wǎng)絡(luò)相結(jié)合并用于車型分類，相比傳統(tǒng)車型分類算法取得了較好的分類效果， 值得在這一算法上作更深入系統(tǒng)的開發(fā)研究。 本文提出的方法適用大面積、多目標(biāo)的復(fù)雜場景，能有效排除干擾，滿足自 然條件下視頻監(jiān)控的車輛檢測和車型分類要求，具有一定的理論意義和實用價 值，可以推廣應(yīng)用到視頻監(jiān)控的其它領(lǐng)域中。 關(guān)鍵詞：車輛檢測；陰影分割；徑向基函數(shù)；k 一均值聚類算法；免疫算法 a b s t r a c t i n t e l l i g e n tt r a n s p o r ts y s t e m s ( i t s ) i st h ed e t e r m i n a t ea p p r o a c h e sf o r t h ed e v e l o p m e n to ft h em o d e r nt r a n s p o r t s ， t h ev e h i c l ed e t e c t i o na n d c l a s s i f i c a t i o nb a s e do nc o m p u t e rv i s i o nt h a ti sai m p o r t a n tr e s e a r c hf i e l d f o rt h ea d v a n c eo ft h ei t s 。 i th a sp r o m i s i n gp r o s p e c ti nt h ea p p l i c a t i o n o ft h er o a dt r a f f i cs u r v e i l l a n c es y s t e ma n dt h eh i g h w a yt o l ls y s t e ma n d s oo n i nt h i st h e s i s ，w er e s e a r c hd e e p l yt h et e c h n i q u ea b o u tv e h i c l e d e t e c t i o na n dc l a s s i f i c a t i o n ，a n dp r o p o s eap r e c i s ea n dr o b u s ta l g o r i t h m o fd e t e e t i n ga n dc l a s s i f y i n gm o v i n gv e h i c l e so nr o a d t h em a i nc o n t e n t s c a nb el i s t e da sf o l l o w s ： f i r s t ， t h i st h e s i sp r e s e n t sab a c k g r o u n dr e c o n s t r u c t i o na l g o r jt h m b a s e do nm e d i a np i x e li n t e n s i t yc l a s s i f i c a t i o na f t e ra n a l y z i n ga n d c o 1 c l u d i n gl i l a n yk i n d so fv e h i c l ed e t e c t i o na l g o r i t h m s i tc a nd e t e c t m o v i n g v e h i c l e s p r e c i s e l yb yb a c k g r o u n ds u b t r a c t i o n a n d t h e n ， c o n s i d e r i n gt h er e l a t i o n s h i pb e t w e e nt h ep i x e l s ， t h ea l g o r i t h md i v i d e d t h eb a c k g r o u n di n t os e v e r a lb l o c k sb v e a n so ft h es t a t i s t i ct a b l eo f p i x e l sc h a n g e ，a n du s e dt h ed i f f e r e n tv e l o c i t yu p d a t i n ge v e r yb l o c k ，w h i c h c a nm a k et h em o d e la d a p tt h ec h a n g i n ge n v i r o n m e n tq u i c k l y t os o l v et h e s h a d o w p r o b l e m ， a f t e rt h e u n d e r l y i n gp h y s i c so f s h a d o w sa n dt h e i r c h a r a c t e r i s t i c sa r es t u d i e d ，o n es h a d o ws e g m e n t e da p p r o a c hi se x p l o i t e d i tt r a n s f o r m st h es u b t r a c t i v ei m a g ef r o mr g bc o l o rs p a c et os r gc 0 1 0 rs p a c e t h ee x p e r i m e n ts h o w st h a ti t i se f f i c i e n tt os e g m e n tt h es h a d o ww i t ht h e m o v i n gv e h i c l e s s e c o n d l y ， i nt h ev e h i c l ec l a s s i f i c a t i o nm o d u l e w ep r o c e s st h e s u b t r a c t i v ei m a g eb yt h em o r p h 0 1 0 9 i c a lf i l t e r i n ga n dc o n n e c t e dc o m p o n e n t l a b e l i n g ，o b t a i nt h ef i g u r ea n dp o s i t i o no fm o v i n gv e h i c l e ，a n dd e c id e t h ec h a r a c t e r i s t i cv e c t o r s a l1 a s t ，t w ov e h i c l ec l a s s i f i e r sa r ed e s i 2 n e d o n ei st h er b f n n c l a s s i f i e rb a s e do nf u z z yk m e a n sc l u s t e r i n g ，t h eo t h e rist h er b f n n c l a s s i f i e rb a s e do ni m m u n ea l g o r i t h m u n d e rt h es a ee x p e r i m e n t a l c o n d i t i o n ，t h ec l a s s i f i e dr e s u l ts h o w st h a tt h el a t t e risb e t t e rt h a nt h e f o r m e ri nr e l i a b i l i t ya n ds d e e d t h em e t h o d sp r o p o s e di nt h i sp a p e ra d a p tt oc o m p l e xs c e n e ss u c ha s l a r g ea r e aa n dm u l t i p l eo b j e c t s ， a n dc a ns a t i s f yt h er e q u i r e m e n to f v e h i c l ed e t e c t i o na n dc l a s s i f i c a t i o ni nn a t u r a le n v i r o n m e n t t h er e s e a r c h w o u j d8 er e a s o n a b j ea n dv a j u a b j ei nt h e o r e t i c a ja n dp r a c t i c a ia r e a s ，a n d c a nb e 衛(wèi)e n e r a l i z e dt oo t h e rf i c l d so fv i d e os u r v e i l l a n c e k e y w o r d s ： v e h i c l ed e t e c t i o n ：s h a d o ws e g m e n t a t i o n ； r a d i a lb a s is f u n c t i o n ：k m e a n sc l u s t e r i n ga l g o r i t h m ： i m m u n ea l g o r i t h 【i 1 1 研究背景 第一章緒論 在現(xiàn)代社會發(fā)展曰新月異的今天，交通事業(yè)作為關(guān)系人們?nèi)粘Ｉ畹闹匾I(lǐng) 域，雖然取得了長足的進(jìn)步，但仍不能完全滿足人們生活運輸?shù)男枰?，不斷凸顯 的交通問題已成為一個全球性的棘手問題，交通擁擠、堵塞日益嚴(yán)重，交通事故 和環(huán)境污染也越來越引起社會的重視和關(guān)注。早期世界各國解決車路矛盾的傳統(tǒng) 方法是大規(guī)模修建和擴(kuò)建各種等級公路，然而有限的土地資源、能源和經(jīng)濟(jì)條件 的制約以及環(huán)境的壓力，使得人們不得不另尋它途。2 0 世紀(jì)8 0 年代以來，隨著 信息電腦等高新科技的迅速發(fā)展，日本、美國和西歐等發(fā)達(dá)國家在解決共同面臨 的交通問題時，將先進(jìn)的人工智能技術(shù)、自動控制技術(shù)、信息通信技術(shù)、電子傳 感技術(shù)和系統(tǒng)工程技術(shù)有效地集成起來，應(yīng)用于地面交通管理，從而建立了一種 大范圍、全方位發(fā)揮作用的實時、準(zhǔn)確、高效的綜合交通運輸管理系統(tǒng)，從1 9 9 4 年起，被稱為智能交通系統(tǒng)( i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m ，簡稱i t s ) 的這一術(shù)語得到了全世界的廣泛承認(rèn)【l 】，它發(fā)揮了現(xiàn)有交通基礎(chǔ)設(shè)施的潛力，改 善了車、路、人等交通運輸子系統(tǒng)之間的相互作用，從而提高了運輸效率、緩解 了交通擁擠、保障了交通安全、降低了能源消耗和環(huán)境污染，從整體上提高了社 會經(jīng)濟(jì)效益，為解決交通問題開辟了一條光明的道路。 智能交通系統(tǒng)在日、歐、美等發(fā)達(dá)國家發(fā)展得最快。日本由于其機(jī)動化水平 高，城市人口密度大，國家對此非常重視，在全國已經(jīng)形成了官民學(xué)一體的協(xié)調(diào) 發(fā)展機(jī)制，這對日本的i t s 發(fā)展起了很大的推動作用f 2 】。歐洲的i t s 研究開發(fā)是 由官方與民間并行進(jìn)行的，由于歐洲的國家大部分很小，因此歐洲的i t s 主要從 洲際的角度進(jìn)行的，例如歐洲1 4 個國家共同投資了5 0 億美元，進(jìn)行一項全歐 i t s 體系結(jié)構(gòu)的項目研究。美國自動化的交通管理水平，早期由于重視不足而落 后于歐洲與r 本，但是美國在i t s 的開發(fā)研究上大有后來者居上之勢，它的研究 更側(cè)重于標(biāo)準(zhǔn)的開發(fā)制定。隨后，世界其它國家也相繼投入大量的資金和人力， 進(jìn)行大規(guī)模的道路交通管理智能化的開發(fā)和研究。韓國政府于2 0 0 1 年3 月制定 了全新的i t s 框架結(jié)構(gòu)和發(fā)展計劃，投資7 5 億美元，預(yù)計在2 0 1 0 年前建成7 個 先進(jìn)的i t s 子系統(tǒng)，包括汽車及高速公路系統(tǒng)、先進(jìn)的交通管理系統(tǒng)、電子收費 系統(tǒng)等；新加坡政府建立的城市道路電子動態(tài)收費系統(tǒng)應(yīng)用最為成功，已成為居 民生活不可分割的部分：現(xiàn)在中東的一些國家也開始了本國的智能交通系統(tǒng)的研 究工作。 我國既是當(dāng)今世界上道路等基礎(chǔ)設(shè)施建設(shè)速度最快的國家，又是交通需求增 長最快的國家，解決城市交通擁擠和堵塞，已成為我國大城市交通面臨的一項十 分迫切的任務(wù)，因此我國政府已早將i t s 作為中國未來交通領(lǐng)域發(fā)展的重要方 向，把i t s 列入了九五科技發(fā)展計劃和2 0 1 0 年長遠(yuǎn)規(guī)劃中；“十五”期間，科技 部將i t s 作為“十五”科技計劃的重大專項項目予以實施，促進(jìn)了中國智能交通 系統(tǒng)從技術(shù)研究到工程示范應(yīng)用在全國的開展；在國務(wù)院制定的國家中長期科 學(xué)和技術(shù)發(fā)展規(guī)劃綱要( 2 0 0 6 2 0 2 0 年) 中，把開發(fā)智能交通管理系統(tǒng)及交通 運輸安全和應(yīng)急保障作為交通運輸業(yè)重點領(lǐng)域的優(yōu)先主題之一；在即將實施的 “十一五”規(guī)劃中，未來五年將重點整臺現(xiàn)有資源，推進(jìn)綜合交通智能系統(tǒng)的建 設(shè)，以構(gòu)建現(xiàn)代化、信息化和人性化的智能交通系統(tǒng)為目標(biāo)。 世界各國之所以竟相投入大量的人力、物力、財力進(jìn)行i t s 的研究開發(fā)，不 僅因為它所帶來的巨大的社會效益，而且與它巨大的商業(yè)潛力密不可分。在未來 的2 0 年里，美國用于i t s 開發(fā)的總投資預(yù)計將超過3 0 0 0 億美元，這將極大地刺 激其國內(nèi)工商業(yè)的發(fā)展，而智能交通相關(guān)產(chǎn)品及服務(wù)的市場容量將超過4 2 0 0 億 美元：日本i t s 在2 0 0 0 年的市場規(guī)模為1 5 兆日元，預(yù)計到2 0 1 0 年將達(dá)4 j 兆日 元；中國的市場同樣巨大，預(yù)計用近3 0 年時間建成8 5 萬公里的國家高速公路 網(wǎng)，同時整合智能交通的建設(shè)和發(fā)展。i t s 業(yè)已成為當(dāng)前世界經(jīng)濟(jì)的一個新的增 長點。 由于國情和基礎(chǔ)產(chǎn)業(yè)的不同，各國對i t s 的理解和研究重點也不盡相同，但 其目標(biāo)卻是一致的，實現(xiàn)的技術(shù)和工作的主要內(nèi)容也大致相同均是依托信 息、通訊等技術(shù)的發(fā)展來實現(xiàn)交通系統(tǒng)高效、安全及舒適的運行。綜合起來，國 際上公認(rèn)的i t s 服務(wù)領(lǐng)域包括以下七個方面【lj ： ( 1 ) 先進(jìn)的交通信息服務(wù)系統(tǒng)( a d v a n c e dt r a n s p o r t a t i o ni n f o r m a t i o ns ? s t e m ， a t i s ) ： ( 2 ) 先進(jìn)的交通管理系統(tǒng)( a d v a n c e dt r a n s p o r t a t i o nm a n a g e m e n ts y s t e m ，a t m s ) ； ( 3 ) 先進(jìn)的公共交通系統(tǒng)( a d v a n c e dp u b l i ct r a n s p o r t a t i o ns y s t e m ，a p t s ) ： ( 4 ) 先進(jìn)的車輛控制系統(tǒng)( a d v a n c e dv e h i c l ec o n t r 0 1s y s t e m ，a v c s ) ； ( 5 ) 貨運管理系統(tǒng)( g o o d st r a n s p o r t a t i o ns y s t e m ，g t s ) ； ( 6 ) 電子收費系統(tǒng)( e l e c t r o n i ct o l lc o l l e c t i o ns y s t e l i l ，e t c ) ； ( 7 ) 緊急救援系統(tǒng)( e m e r g e n c ym a n a g es y s t e m ，e m s ) 。 其中，車輛檢測和識別分類是i t s 服務(wù)領(lǐng)域的應(yīng)用基礎(chǔ)，它為i t s 系統(tǒng)提供 了必要的數(shù)據(jù)來源。這類技術(shù)在發(fā)達(dá)國家應(yīng)用較為廣泛，但我國的開發(fā)和應(yīng)用尚 處于起步階段。結(jié)合我國的具體國情，真接應(yīng)用外國的系統(tǒng)并不能獲得滿意的結(jié) 果，我們只有合理借鑒國外的開發(fā)思想，在關(guān)鍵技術(shù)領(lǐng)域堅持自主研發(fā)，才能從 各個方面共同推動i t s 的發(fā)展。本文的研究課題就是在這種背景下提出的，期望 在基于視頻的車輛檢測和車型識別這一目漸發(fā)展的領(lǐng)域內(nèi)能迎頭趕上發(fā)達(dá)國家， 建立我們自己的智能交通系統(tǒng)。 1 2i t s 中的車輛檢測和車型分類技術(shù) 車輛檢測和車型分類技術(shù)是i t s 研究的關(guān)鍵技術(shù)，涉及到計算機(jī)視頻圖像處 理技術(shù)、模式識別、人工智能、工業(yè)測控技術(shù)、電子技術(shù)、通信技術(shù)等多個學(xué)科 和領(lǐng)域。車輛檢測的種類很多，車型分類方法更因檢測方法和應(yīng)用目的的不同而 不盡相同。車輛的正確檢測是交通數(shù)據(jù)提取和車型分類的基礎(chǔ)。目前的車輛檢測 器都是基于硬件設(shè)備來實現(xiàn)的，其基本功能可概括為兩大類：一是檢測車輛的出 現(xiàn)或存在，二是檢測車輛的運動或通過。任何車輛檢測設(shè)備都必須至少具有上述 兩個功能之一。當(dāng)前的車輛檢測器按工作原理的不同，可分為電磁感應(yīng)式、紅外 線式、聲波式、光電式等多種類型f 3 】，也可以按其工作時的波長差別，分為磁頻 檢測器、波頻檢測器、視頻檢測器等【”，或者依其工作方式的不同，分為主動式 和被動式、接觸式和非接觸式等等。下面介紹當(dāng)前流行的幾種檢測方法： 1 2 1 電磁感應(yīng)線圈檢測技術(shù) 電磁感應(yīng)檢測技術(shù)起源于交通控制系統(tǒng)對交通數(shù)據(jù)的檢測需求，屬于接觸式 被動檢測技術(shù)。其工作原理為，預(yù)先在公路下面鋪設(shè)一個線圈并加以高頻電流， 當(dāng)車輛從上面通過時，由于車輛大部分由金屬制成，因而會在線圈內(nèi)部產(chǎn)生渦流 而使線圈電感量減小，從而獲得交通流量信號。在用于車型識別時，由于不同車 型的底盤結(jié)構(gòu)和鐵磁物質(zhì)分布的不同，電流變化引起的磁場的變化也不同，系統(tǒng) 就是根據(jù)感應(yīng)曲線的不同而區(qū)分不同類型的車輛。對于檢測交通流量、占有率等 交通參數(shù)時，這種方法準(zhǔn)確率較高，且具有成本較低、不受氣候影響等優(yōu)點；但 該方法在實施中需要將線圈埋入地下，設(shè)備還會受到車輛擠壓，因此具有破壞路 面、可移動性差、容易損壞、壽命短等缺憾，同時受車輛行駛速度和其它干擾因 素等影響，獲得的車輛特征曲線對車輛的分類效果不理想，所以很少單獨使用， 通常作為其他系統(tǒng)的輔助裝置。 1 2 2 超聲波檢測分類技術(shù) 超聲波檢測分類技術(shù)在高速公路上應(yīng)用比較多，屬于非接觸式主動檢測技 術(shù)。它利用反射回波原理，系統(tǒng)主要由探頭和控制機(jī)構(gòu)成，探頭具有發(fā)射和接受 雙重功能，被設(shè)置于道路的正上方。其工作原理是，由超聲波發(fā)生器發(fā)射高頻波， 并由運動車輛以變化的頻率返回，通過換能器記錄下頻率特征，從而進(jìn)行車輛檢 測和車型識別。超聲波檢測器采用懸掛式安裝，這與路面埋設(shè)式相比不需破壞路 面，也不受路面變形的影響；而且有使用壽命長、可移動、架設(shè)方便的優(yōu)點。不 足之處是其檢測范圍呈錐形，受車輛遮擋和行人的影響，反射信號不穩(wěn)定，檢測 精度較差；另外其精度也易受環(huán)境的影響，尤其是大風(fēng)、暴雨等自然條件的影響， 有時甚至?xí)斐烧`檢。 1 2 3 激光檢測分類技術(shù) 這也是一種非接觸式主動檢測技術(shù)，用脈沖激光作為媒介，通過測量激光面 的反射結(jié)果來檢測距離信息，根據(jù)不同距離獲取車輛的三維外形形狀，進(jìn)行車輛 檢測和車型識別f 5 】。該技術(shù)已成功應(yīng)用于加拿大4 0 7 高速公路和其他一些收費道 路的收費系統(tǒng)中。其安裝方法是每個車道采用6 個激光檢測器，安裝高度為 j 5 m m ，設(shè)置成2 排，縱向間距3 0 c m ，每排有3 個光束，中陽j 光束垂直向下，左 邊的左傾1 2 。，右邊的右傾1 2 。，前排為3 個加寬光束，通過一個l o 。光孔模 投射在路上，產(chǎn)生一個橫向3 3 0 c m 連續(xù)測量線，3 段l l o c m 的測量線之間的縱向 間距不超過o 5 c m 。第二排有3 個窄光束，分別產(chǎn)生1 0 c m o 5 c f f l 的測量區(qū)域。 由于脈沖激光投射到路面并反射回到激光檢測器的時間是固定的，因而可通 過反射光間距發(fā)生變化的時間，精確地測量出車輛高度信息。另一方面，選用道 路的反射強(qiáng)度作為參考值，通過檢測出反射能量的變化即可測出車輛的存在。如 果脈沖激光強(qiáng)度頻率為1 0 k h z ，利用高度變化信息的1 0 ，就可測出速度為 2 5 0 k m h 的車輛每隔6 9 c m 的車高輪廓圖，完全可得到慢速到高速行駛車輛的車 高輪廓的詳細(xì)信息。利用車輛從一排光束到另一排相距3 0 c m 光束所花的時間就 可以計算出車輛長度。 因為寬光束部分會投射到路上，部分會投射到車輛上，這樣測量車的高度要 小于實際高度，這個高度與窄光束測得準(zhǔn)確高度的比例反映了車輛的寬度信息， 可用來測量出車輛每一斷面的寬度。如果掃描頻率和脈沖激光束頻率足夠高，由 每一斷面寬度、高度和車長信息就獲得了高精度車輛三維外形圖像，進(jìn)一步可按 任意標(biāo)準(zhǔn)進(jìn)行車型分類。 這種檢測技術(shù)對利用輪廓信息進(jìn)行車型分類十分有利，但設(shè)備成本過高，同 類檢測器之間存在信號干擾問題，有時會產(chǎn)生接收數(shù)據(jù)錯誤，降低了系統(tǒng)的可靠 性，而且它們對環(huán)境造成一定的污染也是一個不容忽視的問題。 1 2 4 動態(tài)稱重技術(shù) 動態(tài)稱重( w e i g h i n m o t i o n ，w i n ) 技術(shù)【6 】屬接觸式被動檢測技術(shù)，按使用 的檢測器分類，有應(yīng)變片檢測器、壓力檢測器和電容器檢測器三類，其工作原理 是，當(dāng)車輛通過埋入路面下的檢測器時，檢鋇4 器受力產(chǎn)生形變，根據(jù)回傳信息對 車輛進(jìn)行檢測，可測量車輛的軸重、軸距、總重、車速等，并按預(yù)先制定的車型 分類表，自動識別車型。相對于靜態(tài)稱重，動態(tài)稱重具有節(jié)省時間、提高效率的 特點，同時對車輛超限超載的治理工作提供了精確而客觀的依據(jù)，有利于車輛的 行車安全，延長了路面的使用壽命，推動了公路運輸車輛超限執(zhí)法的規(guī)范化和科 學(xué)化。 美國聯(lián)邦高速公路署( f h w a ) 7 j 主要根據(jù)車輛的軸數(shù)和軸距分類，將車輛定 義為從摩托車到多用途拖車共1 3 個類別，這個分類標(biāo)準(zhǔn)被世界各國普遍認(rèn)同， 但到目前為止，還沒有任何一個車型識別系統(tǒng)能夠按照這個標(biāo)準(zhǔn)正確分類所有車 輛。實際應(yīng)用中，分類標(biāo)準(zhǔn)及類別數(shù)根據(jù)具體情況而變化。動態(tài)稱重技術(shù)很適合 這個分類標(biāo)準(zhǔn)，但由于其技術(shù)還不夠成熟，加之設(shè)備安裝復(fù)雜、壽命短，溫度、 車輛振動、道路質(zhì)量等都會對系統(tǒng)精度產(chǎn)生很大影響，所以在車輛檢測和車型識 別中還沒有得到廣泛應(yīng)用。 1 2 5 視頻檢測識別技術(shù) 基于視頻圖像的車輛檢測和車型識別技術(shù)，是一種非接觸式被動檢測技術(shù)。 它以視頻圖像為主要分析對象，通過視頻攝像頭從視頻流中提取交通圖像，利用 計算機(jī)模仿人類的視覺功能，通過對圖像的分析處理提取出有效信息，根據(jù)信息 進(jìn)行車輛檢測和車型識別。 相對于其它交通檢測技術(shù)而言，視頻檢測識別技術(shù)主要有以下的優(yōu)勢： ( 1 ) 安裝簡便，無需破壞路面，施工時不影響交通，易于移動、調(diào)整檢測器 位置，維護(hù)費用低： ( 2 ) 直觀可靠，便于管理人員干預(yù)，檢測范圍廣，獲取信息量大，還可以利 用原有的監(jiān)控設(shè)備，最大限度的發(fā)揮原有資源的作用： ( 3 ) 可提供現(xiàn)場錄像，重現(xiàn)交通場景，為研究交通行為、改進(jìn)交通管理方法 和處理交通事故提供了大量的信息； ( 4 ) 對周圍環(huán)境沒有影響，不會造成污染，相同檢凋器之間也不會發(fā)生相互 干擾。 這些優(yōu)勢使得它可被廣泛應(yīng)用于國民經(jīng)濟(jì)的各個鄰域。它的難點在于圖像識 別實時性要求較高，復(fù)雜背景下車輛檢測和車型分類的準(zhǔn)確率也難達(dá)到實用化的 程度，但其適用范圍廣闊，應(yīng)用前景光明。隨著計算機(jī)硬件和軟件技術(shù)、數(shù)據(jù)圖 像處理和人工智能技術(shù)的發(fā)展進(jìn)步，一些視頻檢測難題正在不斷克服，計算速度、 檢測精度及模型泛化能力正在逐步提高，所以這一技術(shù)必將在i t s 領(lǐng)域得到廣泛 的應(yīng)用，并能代表自動化檢測技術(shù)的發(fā)展趨勢。本文即從交通視頻圖像處理技術(shù) 出發(fā)，模擬人眼功能檢測車輛，通過提取車輛的幾何特征來實現(xiàn)對車型的自動識 別分類。 1 3 基于視頻的車輛檢測和車型分類技術(shù)的發(fā)展?fàn)顩r 早期由于計算機(jī)速度和存儲能力的限制，使得視頻檢測技術(shù)發(fā)展遠(yuǎn)遠(yuǎn)落后于 感應(yīng)線圈檢測及紅外檢測等技術(shù)，各國在這一領(lǐng)域的投入也相對不足。2 0 世紀(jì) 8 0 年代后，隨著計算機(jī)處理能力的增強(qiáng)和人工智能的發(fā)展，視頻檢測技術(shù)也慢 慢活躍起來，世界各國都相繼將研究重點投入這一領(lǐng)域，并取得了顯著的成果， 比較著名的有美國i i s 公司的a u t o s c o p e 系統(tǒng)、p e e k 公司的v e c o m 系統(tǒng)、歐洲 十一國聯(lián)合研制的e u r o - c o s t 系統(tǒng)等。1 9 9 1 年6 月，美國c a l i f o r n i ap 0 1 y t e c h n i c 大學(xué)曾經(jīng)針對當(dāng)今世界各國所完成或尚在發(fā)展的基于視覺的車輛檢測系統(tǒng)作了 長達(dá)2 2 個月的評估工作，并發(fā)表了評估結(jié)果，對于這種系統(tǒng)的功能和成本效益 給予了極高的評價。視頻檢測技術(shù)的發(fā)展趨勢使得它在i t s 中占有了越來越重要 的地位。我國的研究也緊跟其后，一些高校和科研院所都有相應(yīng)的智能交通系統(tǒng) 研究實驗室，承擔(dān)著國家智能交通系統(tǒng)研發(fā)的重要使命，其中基于視頻的檢測技 術(shù)和分類方法穩(wěn)穩(wěn)的居于當(dāng)前研究的主流地位。國內(nèi)的公司如北京漢王、上海高 德威、川大智勝、香港亞洲視覺等在視頻檢測方面都有相關(guān)產(chǎn)品處于實驗或應(yīng)用 中?；谝曨l的車輛檢測和車型分類技術(shù)必將有廣闊的應(yīng)用前景，在這方面的積 極研究和開發(fā)，不管是從學(xué)術(shù)，還是從應(yīng)用來說，都是勢在必行的。 1 4 論文的主要內(nèi)容和組織結(jié)構(gòu) 車輛檢測和車型分類可以歸結(jié)為變化檢測、數(shù)據(jù)獲取、特征抽取和選擇、匹 配分類四個階段。本文所研究的基于視頻的車輛檢測和車型分類技術(shù)，具體工作 過程如下：利用安裝在車道側(cè)面的單眼攝像機(jī)通過計算機(jī)和圖像采集卡實時采集 視頻圖像序列，用背景差分法檢測視頻區(qū)域中運動車輛，分割出車輛輪廓，經(jīng)過 圖像處理提取出有效特征，輸入設(shè)計訓(xùn)練好的車型識別器得出車型分類結(jié)果。其 中利用背景動態(tài)更新算法解決不同光照、不同氣候條件下的背景差異問題：用背 景差分法所獲的圖像中的運動目標(biāo)，也有其它干擾因素如陰影造成的錯誤分割及 場景中的樹葉擾動等，所以需要進(jìn)行一些后續(xù)處理，如濾除噪音、平滑輪廓、連 通區(qū)域等等；最后從處理后的圖像中提取所需特征，用訓(xùn)練好的基于徑向基函數(shù) 神經(jīng)網(wǎng)絡(luò)識別器識別車型。整個過程的流程圖如圖1 1 所示。 圈1 1 系統(tǒng)流程圖 本文的結(jié)構(gòu)安排如下： 第一章，首先介紹了本課題的研究背景，分析了國內(nèi)外車輛檢測和車型分類 技術(shù)的研究現(xiàn)狀和發(fā)展方向，并針對主流的視頻檢測和車型分類技術(shù)提出了合理 的系統(tǒng)實現(xiàn)的方法。 第二章，主要介紹了基于視頻的車輛檢測技術(shù)的相關(guān)難點及解決的辦法，根 據(jù)統(tǒng)計原理提出了準(zhǔn)確性較高的基于中值像素灰度歸類的背景重構(gòu)算法，同時采 用了分塊處理的背景更新策略，提高了系統(tǒng)的實時可靠性；對于陰影干擾的消除， 利用了r g b 空間到s r g 空間的轉(zhuǎn)換技術(shù)來實現(xiàn)。實驗結(jié)果表明這種方法能很好地 檢測出運動車輛并有效消除陰影的干擾。 第三章，主要對差分圖像進(jìn)行了形態(tài)學(xué)濾波和區(qū)域連通性處理，得到標(biāo)準(zhǔn)的 車輛側(cè)面輪廓圖，同時給出了車型分類的相關(guān)標(biāo)準(zhǔn)和從輪廓圖中提取分類特征的 方法。 第四章，主要介紹了基于模糊k 一均值的徑向基函數(shù)網(wǎng)絡(luò)車型分類器和基于 免疫算法的徑向基函數(shù)網(wǎng)絡(luò)車型分類器的構(gòu)造方法和訓(xùn)練方法，并通過實驗比較 兩種方法的優(yōu)缺點，確定出基于免疫算法的r b f 網(wǎng)絡(luò)分類器有更佳的車型分類效 果和實用價值。 最后一章，總結(jié)了本文所做的研究工作，并對本課題今后的研究方向做了一 些預(yù)測和展望。 第二章車輛檢測及陰影分割技術(shù) 人類認(rèn)識的外界信息中，8 0 以上是通過視覺得到的，而視覺系統(tǒng)所完成的 功能是十分復(fù)雜的。就現(xiàn)階段而言，要建立一個可與人類視覺系統(tǒng)相比擬的通用 視覺系統(tǒng)還無法實現(xiàn)，目前人們所創(chuàng)建的各種視覺系統(tǒng)絕大多也只適用于某一特 定環(huán)境或應(yīng)用場合。本文基于計算機(jī)視覺技術(shù)，使用單目攝像機(jī)來模擬人眼功能， 對公路上的車輛進(jìn)行檢測和識別，用來提高道路監(jiān)控的自動化和智能化程度。本 章主要內(nèi)容為實時視頻流的車輛檢測和陰影分割技術(shù)，首先綜述目前存在的基于 視頻序列的車輛檢測方法，然后提出了基于中值像素灰度歸類的背景重構(gòu)技術(shù)和 基于統(tǒng)計分塊處理的背景更新方法，用背景差分法檢測車輛，隨后采用s r g 顏色 空間模型來消除車輛檢測過程中產(chǎn)生的陰影的影響。 2 1 車輛的檢測方法 要實現(xiàn)車輛的自動識別、分類，第一步是要從視頻圖像中檢測、提取出運動 車輛，屬于運動目標(biāo)的檢測和分割問題。通常運動目標(biāo)的檢測主要是基于運動的 時間域分析，而分割則是在檢測結(jié)果基礎(chǔ)上的空間域分析。在不同的應(yīng)用場合， 對運動物體的檢測有不同的要求。針對視頻流中運動物體的檢測，一個好的算法 應(yīng)滿足如下條件【8 】： 對環(huán)境的緩慢變化( 如光照變化等) 不敏感； 應(yīng)能夠處理背景、攝像機(jī)和前景目標(biāo)之間存在復(fù)雜相對運動的情況； 對于復(fù)雜背景和復(fù)雜目標(biāo)有效； 能適應(yīng)場景中個別物體運動的干擾( 如樹木的搖晃，水面的波動等) ； 能夠去除目標(biāo)陰影的影響； 檢測和分割的結(jié)果應(yīng)滿足后續(xù)處理( 如識別等) 的精度要求。 與計算機(jī)視覺中的大多數(shù)問題一樣，現(xiàn)階段還無法提出一種能夠較好處理各 種情況的通用算法。在實際中，一般多是針對不同應(yīng)用場合設(shè)計不同的算法，并 且要在算法的精度、復(fù)雜度和可靠性等方面進(jìn)行折衷考慮。目前大多數(shù)視頻目標(biāo) 檢測和分割算法都是在某種應(yīng)用假設(shè)下提出的。本章研究的主要內(nèi)容為背景靜止 條件下的車輛檢測和分割，車輛的檢測和有效分割對于特征的提取及最終的車型 分類等后期處理是非常重要的，因為后期處理過程僅僅考慮圖像中對應(yīng)于車輛運 動區(qū)域的像素。解決車輛檢測算法的計算量和實時性這對矛盾，是提高系統(tǒng)檢測 準(zhǔn)確度和穩(wěn)定度的關(guān)鍵，然而實際中光照的變化、背景混亂運動的干擾、運動目 標(biāo)的影子、攝像機(jī)的抖動以及運動目標(biāo)的自遮擋和互遮擋現(xiàn)象的存在，這些都會 影響車輛檢測和分割的精度，必須在算法中考慮這些因素的影響及其去除的方 法。下面先對目前常用的基于視頻的車輛檢測方法進(jìn)行簡單梳理。 2 1 1 基于幀間差分的方法 幀間差分法【9 1 是基于運動圖像序列中，相鄰兩幀圖像問具有強(qiáng)相關(guān)性而提出 的檢測方法。在攝像頭固定的情況下，對連續(xù)的圖像序列中的相鄰兩幀圖像采用 基于像素的時間差分來提取圖像中的運動區(qū)域，設(shè)在 和f 時刻采集到同一背景 下的兩幅運動圖像為廠( x ，y ， ) 和廠( 工，j ，f ：) ，則差分圖像的定義為： 正( z ，y ) - l ，( x ，y ，f ：) 一，( 膏，y ，) l ( 2 1 ) 對上式的差分結(jié)果進(jìn)行閾值處理，就可以提取出運動物體， 丘，： m ，y ，f 2 盤垡y 2 乃 ( 2 2 ) ，w 2 1 0其它 皚糾 其中乃為分割閾值，可以事先給定或者用自適應(yīng)的方法確定。下圖為相鄰兩 幀圖像的差分結(jié)果圖： ( a ) 第k 幀圖像 ( b ) 第k + l 幀圖像( c ) 兩幀圖像差分結(jié)果 圖2 1 相鄰幀差法的運動車輛檢測 這種檢測方法對光照變化不敏感，非常適合于動態(tài)變化的環(huán)境，而且運算簡 單，檢測速度快，車輛定位準(zhǔn)確，適用于實時性要求較高的應(yīng)用環(huán)境。但從眾多 的差分結(jié)果可以看出，它存在以下幾個缺點：首先，它不能檢測出靜止或運動速 度過慢的物體，對于高速運動的物體又會使得分割區(qū)域遠(yuǎn)遠(yuǎn)大于真實目標(biāo)，其分 割區(qū)域與目標(biāo)運動速度相關(guān)；其次，如果物體內(nèi)部的灰度比較均勻，相鄰幀差可 能在目標(biāo)重疊部分形成較大空洞，嚴(yán)重時造成分割結(jié)果不連通，不利于進(jìn)一步的 物體分析與識別。在實際應(yīng)用中，幀問差分法往往是許多復(fù)雜檢測算法的基礎(chǔ)， 通過對算法的改進(jìn)可以將它與其它算法結(jié)合來提高整體的檢測效果。一種改進(jìn)的 方法是利用多幀差分代替兩幀差分，如文獻(xiàn)【l o 】中提出了一種自適應(yīng)背景減除與三 幀差分相結(jié)合的混合算法，它能夠快速有效地從背景中檢測出運動著的目標(biāo)。 2 1 2 基于光流場的方法 在空間中，運動可以用運動場描述，而在一個圖像平面上，物體的運動往往 是通過圖像序列中不同圖像灰度分布的不同體現(xiàn)的，從而，空間中的運動場轉(zhuǎn)移 到圖像上就表示為光流場( o p t i c a lf 1 0 wf i e l d ) 。光流場反映了圖像上每一點 灰度的變化趨勢，可看成是帶有灰度的像素點在圖像平面上運動而產(chǎn)生的瞬時速 度場，也是一種對真實運動場的近似估計1 1 】。 用廠( 工，y ，f ) 表示連續(xù)時空灰度分布，即像素點( 工，y ) 在t 時刻的灰度。假設(shè)運 動軌跡上的灰度保持不變，f + 出時刻可以得到該點運動到 + 出，y + 砂) 點，其 灰度為，+ 出，y + 咖，f + 出) ，則有光流約束方程 廠( x ，y ，f ) = 廠( z + 出，y + 妙，f + 研) ( 2 3 ) 將上式的右邊用泰勒級數(shù)展開，并令西啼0 ，略去高次項，則可得到： 望出+ 望咖+ 笪出：o ( 2 4 ) 出 砂。 甜 式( 2 4 ) 中令“：宰，v ：掣，分別表示t 時刻像素點( z ，y ) 在x 方向和_ y 方向的 d td t 兩個速度分量，也就是要求的量。把上式寫成： 一望：笪+ 笪v ：v ， u ( 2 5 ) 研 缸 咖 。 或 正“+ 工v + ：= o ( 2 6 ) 其中可= ( 正，工) 為圖像灰度空間梯度，u = ( “，v ) 為某像素點的光流速度，也就 是光流場a 上面的正，工，的計算可以用離散的差分代替導(dǎo)數(shù)求得。光流的計算 問題實際上就是在滿足一定約束條件下，估計”，v 的數(shù)值問題。但是只有一個方 程，所以這是個病態(tài)問題，必須通過其它約束方程來聯(lián)合求解。 h o m 和s c h u n c k 【1 2 】根據(jù)同一運動物體引起的光流場在時間間隔很小的前提 下應(yīng)該是連續(xù)的和平滑的假設(shè)條件下，提出了全局平滑量來約束光流場。光流的 平滑誤差度量可寫為 e = v “1 1 2 + i l v v i l 2 油匆 ( 2 7 ) 光流的誤差為 乓= f f ( v ，u + 工) 2 蛐 ( 2 8 ) 因此，光流場的計算歸結(jié)為求誤差和的最小值： e = t + z 丘= f r 丫廠u + ，) 2 + 五( | | v “1 1 2 + 1 1 v v l l 2 ) 蚴 ( 2 9 ) 其中五是附加約束的拉哥朗日乘子，它決定了上述兩種誤差之間的相對權(quán)重。這 是一個求泛函的極值問題，根據(jù)變分法原理由歐拉方程從式( 2 9 ) 可得 ( v ，u + z ) 六一a ! ( 2 1 0 ) ( 丫， u + 上) 工一丑2 v 2 v = 0 進(jìn)一步求解得 一 叉 蘑+ 七f 、 歸”可葫礦 ( 2 腳一錯 其中訂、礦分別為待求點的“、v 四鄰域平均值，至此得到了求解“、v 的兩個公 式。對上面公式采用松弛算法求解： 枷蚓”紫 旺 枷矧”駕等 其中n 表示迭代次數(shù)，當(dāng)n = o 時，可取玎( o ) = o ，蠆0 1 = o ，即光流的初始值為零。 這就是在車輛檢測中用到的光流法迭代公式。圖2 2 表示基于上面公式計算后相 鄰幀間的光流運動目標(biāo)檢測結(jié)果： ( a ) 第k 幀圖像( b ) 第k + 1 幀圖像( c ) 光流法檢測的結(jié)果 圖2 2 基于光流場的運動車輛檢測 在比較理想情況下的，它能夠檢測獨立運動的對象，不需要預(yù)先知道場景的 任何信息，可以很精確地計算出運動物體的速度，并且可用于攝像機(jī)運動的情況。 但光流法存在下面的缺點：有時即使沒有發(fā)生運動，在外部照明發(fā)生變化時，也 可以觀測到光流；另外，在缺乏足夠的灰度等級變化的區(qū)域，實際運動也往往觀 測不到。三維物體的運動投影到二維圖像的亮度變化，本身由于部分信息的丟失 而使光流法存在孑l 徑問題和遮擋問題，用光流法估算二維運動場是不確定的，需 要附加的假設(shè)模型來模擬二維運動場的結(jié)構(gòu)；同時僅僅依靠運動信息進(jìn)行視頻分 割，使得光流法對噪聲極為敏感，在準(zhǔn)確分割時，還需要利用顏色、灰度、邊緣 等空域特征來提高分割精度；同時由于光流法采用迭代的方法，計算復(fù)雜耗時， 如果沒有特殊的硬件支持，很難應(yīng)用于視頻序列的實時檢測。為了解決上述問題， 許多研究者都提出了各自的研究方法，例如n a g e l 1 3 】對光流場的平滑性約束提出 了改進(jìn)，假定正，工，z 的所有二階偏導(dǎo)數(shù)都存在且連續(xù)，這時，光流場不用復(fù)雜 的迭代運算，可以通過最小二乘法求解。限于篇幅和必要性，這里不再詳細(xì)敘述， 具體內(nèi)容可參考有關(guān)資料。 2 1 3 基于背景差分的方法 背景差分法是目前運動分割中最常用的一種方法，它適用于攝像機(jī)靜止的情 況，或自然環(huán)境的緩慢變化，其最簡單的實現(xiàn)是從視頻序列中預(yù)先抽取不含前景 運動物體的幀圖像作為背景，然后利用當(dāng)前幀與背景圖像的差分來檢測運動區(qū) 域，這種差分法對于復(fù)雜背景下的運動物體檢測效果較好，一般能夠提供最完整 的特征數(shù)據(jù)，計算量小，實用價值大。下圖顯示了理想背景下的圖像差分結(jié)果： ( a ) 當(dāng)前幀 ( b ) 理想背景( c ) 背景差分結(jié)果 圖2 3 背景差分法的運動車輛檢測 但這種方法對于場景的變化，如光照和外來無關(guān)事件的干擾等特別敏感，需 要采用一定的算法進(jìn)行背景模型的動態(tài)更新。目前人們太都致力于研究如何實現(xiàn) 背景圖像的建模和自適應(yīng)更新，使背景能夠不斷接近理想狀態(tài)，以期減少場景變 化對視頻圖像檢測分割的影響。 2 2 背景建模和更新技術(shù) 背景建模，即通過視頻序列的幀間信息估計和恢復(fù)背景。對于背景的建模問 題，常用的有以下幾種方法： 2 2 1 基于統(tǒng)計的背景模型 統(tǒng)計建模方法是基于概率統(tǒng)計理論的。理論上講，所謂靜止的“背景”就是 在圖像序列中灰度不發(fā)生變化或變化很小的像素；從統(tǒng)計學(xué)的角度來看，背景中 像素的灰度值可以看作是一個統(tǒng)計的結(jié)果，即圖像序列中各個像素在統(tǒng)計上最可 能出現(xiàn)的值。 基于這一思想，我們就可以建立基于統(tǒng)計的背景更新模型。設(shè)t 時刻的背景 圖像e ( 工，y ) 為： e ( 石，_ y ) = g ( ，( 工，y ) ，一，( x ，y ) ，z f 。1 ，( x ，y ) ，k b r _ 。( x ，y ) ) ( 2 1 3 ) 其中g(shù) ( ) 為更新函數(shù)， ( 上，y ) 為k 時亥0 采集到的圖像，n 為用來估計背景圖像 序列的長度，舅一。( x ，y ) 為上次統(tǒng)計得到的背景圖像，并給以一定的權(quán)重。若 采樣時間間隔為血，則統(tǒng)計時間為n f 。 在這個統(tǒng)計模型中，選擇不同的更新函數(shù)g ( ) ，就可以得到不同的背景更 新算法。其中最簡便和直觀的方法就是選擇均值函數(shù)作為更新函數(shù)，稱為“序列 均值法” 16 】【1 刀。應(yīng)用均值函數(shù)，公式( 2 1 3 ) 變?yōu)?e 0 ，y ) = 和d n ( z ( x ，y ) ，z 一。( x ，y ) ，z - ( 州) ( 工，y ) ，e 一1 ( x ，y ) ) 2 燾善z 拈卅e 拈瑚 ( 2 1 4 ) 這種方法建立的背景模型在靜止區(qū)域與真實的背景相似度比較高，而在包含 運動區(qū)域時就與真實背景產(chǎn)生偏差，因為運動區(qū)域的灰度變化影響了均值結(jié)果。 所以這種方法適用于背景大部分時間可見、運動目標(biāo)數(shù)量少的情況而且，為了 保證能有較小的估計偏差，需要對很長的視頻序列進(jìn)行計算求其均值，背景的更 新速度較慢。 另一種方法是“序列眾數(shù)法”【1 8 】它選擇眾數(shù)函數(shù)作為更新函數(shù)g ( ) ，即 日( 工，y ) = 脅d e ( z ( x ，y ) ，z l ( 工，y ) ，- ，吖一1 ) ( 石，y ) ，e 一1 ( x ，y ) ) ( 2 1 5 ) 也就是認(rèn)為像素點在視頻序列中最可能出現(xiàn)的值為最大的概率分布，并將其作為 背景。這種方法是統(tǒng)計學(xué)模型算法中最精確的一種，但是它要對元素進(jìn)行排序， 計算量和所消耗的存儲空間都很大，而且需要很大的n 值才能得到統(tǒng)計意義上的 概率分布，因此更新圖像的時間也比較慢。 在實際應(yīng)用中，經(jīng)驗表明，當(dāng)n 值比較小時，一種很好的折衷方法就是選擇 中值函數(shù)作為更新函數(shù) e ( x ，y ) = 脅歷口n ( z ( x ，y ) ，一，( x ，y ) ，一，一。一) ( 工，y l 比e l ( x ，y ) ) ( 2 1 6 ) 它的假設(shè)前提是視頻序列的像素超過半數(shù)是屬于背景的，不然就會將前景運 動目標(biāo)混入背景圖像當(dāng)中，產(chǎn)生混合現(xiàn)象。 為了進(jìn)一步提高背景更新的統(tǒng)計模型的性能，不少學(xué)者提出了一些改進(jìn)的方 法。文獻(xiàn)”1 提出了一種“計分板”的方法，僅對圖像變化小于某一閾值的像素采 用均值法進(jìn)行更新，大大提高了算法的效率；文獻(xiàn)【2 0 1 提出了一種基于塊處理技術(shù) 的背景重建方法，即將圖像分成n 塊，計算每塊的矢量，統(tǒng)計結(jié)果，分區(qū)域更新 背景，也在一定程度上提高了更新的速度。 2 0 2 2 2 基于卡爾曼濾波的背景模型 卡爾曼濾波( k a l m nf i l t e r ) 是卡爾曼( r e k a l m 8 n ) 于1 9 5 0 年提 出的，從與被提取信號有關(guān)的觀測量中通過遞推濾