基于自適應(yīng)的車輛跟蹤中的瀝青選擇

基于自適應(yīng)的車輛跟蹤中的瀝青選擇

交通視頻圖像序列的預(yù)處理現(xiàn)在，隨著經(jīng)濟(jì)的發(fā)展，車輛的數(shù)量每天都在增加，交通擁堵和交通擁堵變得越來(lái)越嚴(yán)重。事件自動(dòng)檢測(cè)和監(jiān)控交通流的系統(tǒng)能夠采集豐富而準(zhǔn)確的交通事件信息,在危險(xiǎn)狀況下實(shí)現(xiàn)對(duì)駕駛員的交通預(yù)警,較大程度地避免事故的發(fā)生。同時(shí),將從該系統(tǒng)得到的交通流信息用于城市和高速公路的信號(hào)周期控制,對(duì)于緩解交通擁堵和降低交通事故發(fā)生率有著重要的現(xiàn)實(shí)意義。對(duì)于開(kāi)發(fā)事件自動(dòng)檢測(cè)和監(jiān)控交通流的系統(tǒng)而言,采集交通事件信息是研究的關(guān)鍵。目前常用的采集技術(shù)采用環(huán)形線圈檢測(cè)器、超聲波檢測(cè)器、磁性線圈檢測(cè)器、紅外線檢測(cè)器、微波檢測(cè)器以及視頻檢測(cè)器等檢測(cè)器。其中,視頻檢測(cè)器相對(duì)于其他幾種傳感器的突出優(yōu)點(diǎn)是可以采集更為豐富的交通信息,如違章停車、闖紅燈、U形轉(zhuǎn)、交通擁堵等交通事件。而實(shí)現(xiàn)交通事件信息采集的一個(gè)關(guān)鍵技術(shù)是可靠的車輛跟蹤技術(shù)。車輛跟蹤技術(shù)在計(jì)算機(jī)視覺(jué)中有了較長(zhǎng)的研究歷史。在國(guó)外特別是在ITS領(lǐng)域,車輛跟蹤是一個(gè)研究熱點(diǎn)。文獻(xiàn)使用‘snake’方法提取車輛的輪廓用于車輛跟蹤。文獻(xiàn)則是使用了光流分析的方法。文獻(xiàn)介紹了一種基于Kalman濾波的跟蹤推理方法來(lái)解決車輛遮擋跟蹤問(wèn)題。但是,這些方法只是在不太擁擠的情況下相對(duì)有效。在車輛檢測(cè)中,不可避免地存在著車輛相互間的遮擋,多車輛、同一車輛分裂合并等問(wèn)題,這些問(wèn)題的解決有利于提高車輛跟蹤的精度。這就要求跟蹤算法要有足夠的魯棒性,能夠處理車輛相互遮擋、車輛合并分裂等復(fù)雜情況,對(duì)車輛進(jìn)行準(zhǔn)確跟蹤。針對(duì)車輛中出現(xiàn)的遮擋情況,并考慮到交通視頻圖像序列包含大量隨機(jī)過(guò)程,采用確定性模型進(jìn)行處理很難取得理想效果。因此,考慮采用馬爾可夫隨機(jī)場(chǎng)(MRF)模型處理交通視頻圖像序列。根據(jù)交通圖像序列的時(shí)空相關(guān)性,建立圖像序列的時(shí)空馬爾可夫隨機(jī)場(chǎng)(ST-MRF)模型,并采用隨機(jī)松弛算法對(duì)車輛標(biāo)號(hào)圖進(jìn)行優(yōu)化,從而解決車輛跟蹤中的遮擋問(wèn)題。1視覺(jué)問(wèn)題的不定車輛跟蹤本身是個(gè)計(jì)算機(jī)視覺(jué)問(wèn)題,由于三維場(chǎng)景投影成二維圖像時(shí)的信息丟失,成像灰度受場(chǎng)景中如光源、表面反射特性諸多因素影響,和成像過(guò)程中引入畸變和噪聲使得視覺(jué)問(wèn)題成為一個(gè)不適定問(wèn)題。不適定問(wèn)題的典型處理方法有:正則化方法和MRF方法。前者獲得的解滿足先驗(yàn)約束程度和觀測(cè)量相近程度的最佳折衷,但不具有普適性。MRF方法建立在MRF模型和Bayes估計(jì)的基礎(chǔ)上,MRF模型提供了為內(nèi)容相關(guān)項(xiàng)建模的途徑,結(jié)合實(shí)際觀測(cè)圖像,按統(tǒng)計(jì)決策和估計(jì)理論中的最優(yōu)準(zhǔn)則確定問(wèn)題的解。能克服正則化方法的不足。1.1mrf分析1.1.1鄰域結(jié)構(gòu)及國(guó)際刑法第1層次的規(guī)定,引起圖論爭(zhēng)取構(gòu)造過(guò)程包含兩個(gè)步驟:(1)確定鄰域和對(duì)應(yīng)的基團(tuán)(如圖1示),對(duì)規(guī)則位置集,點(diǎn)(i,j)的鄰域?yàn)棣莍,j={(k,l):0<(k-i)2+(l-j)2}≤d,由d決定鄰域結(jié)構(gòu)的大小和相應(yīng)的基團(tuán)。在目標(biāo)識(shí)別等問(wèn)題中,常借助圖論的方法構(gòu)造Markov圖,由它表示和處理這些問(wèn)題時(shí)所需的上下文關(guān)系,確定鄰域結(jié)構(gòu)及基團(tuán);(2)選擇基團(tuán),再確定其勢(shì)函數(shù)。1.1.2條件概率基于隨機(jī)場(chǎng)X的先驗(yàn)分布和測(cè)量噪聲的分布特性,并根據(jù)Bayes定理,可得到給定測(cè)量數(shù)據(jù)Y=y時(shí),X=x的后驗(yàn)分布:式中:P(x)是一個(gè)先驗(yàn)Gibbs分布;P(y/z)是給定X=x時(shí),Y=y的條件概率,也稱之為似然函數(shù),它描述測(cè)量數(shù)據(jù)的條件分布;P(y)是個(gè)未知常數(shù)。通常,該后驗(yàn)分布是關(guān)于S的鄰域系統(tǒng)的MRF分布。1.1.3準(zhǔn)則和后驗(yàn)估計(jì)給定問(wèn)題的解與預(yù)先確定的準(zhǔn)則有關(guān),常用Bayes準(zhǔn)則,它包括兩種常見(jiàn)的估計(jì):MAP估計(jì)和后驗(yàn)均值分布。此外還有其他形式的估計(jì)形式,MPM(MaximumPosteriorMarginal)估計(jì)。1.2時(shí)空馬爾可夫隨機(jī)模型在計(jì)算機(jī)視覺(jué)領(lǐng)域,在將馬爾可夫隨機(jī)場(chǎng)理論應(yīng)用到車輛跟蹤方面已經(jīng)取得一些成果,但這些研究?jī)H僅是將二維馬爾可夫隨機(jī)場(chǎng)(2D-MRF)模型應(yīng)用到空間圖像(即靜態(tài)圖像)上。我們將2D-MRF模型擴(kuò)展到時(shí)空馬爾可夫隨機(jī)場(chǎng)模型,這個(gè)模型不僅僅優(yōu)化圖像的空間分布,還將優(yōu)化圖像序列沿著時(shí)間軸的分布。在一個(gè)圖像序列中,在沿著時(shí)間軸上相鄰的對(duì)應(yīng)像素位置之間都有著聯(lián)系。時(shí)空馬爾可夫隨機(jī)場(chǎng)模型考慮這種時(shí)間軸上的聯(lián)系。由于實(shí)際運(yùn)動(dòng)車輛不可能以足夠高的幀率被捕獲到,包含車輛的像素最典型的移動(dòng)也不過(guò)在數(shù)十個(gè)像素以內(nèi)。因此,空間相鄰的像素在相鄰的圖像之間不可能有任何的聯(lián)系?；谶@種考慮,在我們的時(shí)空馬爾可夫隨機(jī)模型中,把圖像分成塊,將相鄰圖像間的塊通過(guò)它們的矢量聯(lián)系起來(lái)。在我們的方法中,使用自適應(yīng)的車輛跟蹤算法來(lái)實(shí)現(xiàn)對(duì)車輛的初始標(biāo)號(hào),然后基于ST-MRF模型來(lái)解決跟蹤算法中遮擋時(shí)出現(xiàn)的問(wèn)題。1.3自適應(yīng)的車輛標(biāo)記算法作為車輛跟蹤算法的初始準(zhǔn)備,考慮到一個(gè)像素太小,不足以作為ST-MRF中的一個(gè)場(chǎng)景(site),需要一個(gè)較大的像素組。因此,把一個(gè)720×640的圖像分割成90×80的塊,即每個(gè)塊由8×8的像素組成。在我們的算法中,把一個(gè)塊對(duì)應(yīng)于ST-MRF中的一個(gè)場(chǎng)景。即把每個(gè)塊和一個(gè)車輛聯(lián)系起來(lái),也就是給每個(gè)塊賦一個(gè)對(duì)應(yīng)的車的標(biāo)號(hào)。在使用跟蹤算法的時(shí)候,首先決定一個(gè)初始標(biāo)號(hào)分配,然后通過(guò)ST-MRF把標(biāo)號(hào)分配提煉優(yōu)化。在提煉過(guò)程中,算法考慮塊在時(shí)間域和空間的聯(lián)系,使用馬爾可夫模型,把標(biāo)號(hào)賦給塊。以文獻(xiàn)中的算法為基礎(chǔ),使用形態(tài)學(xué)和統(tǒng)計(jì)學(xué)方法改進(jìn)背景生成方法,并使用聚類算法處理了進(jìn)入槽線的遮擋問(wèn)題。自適應(yīng)的車輛跟蹤算法步驟如下所示:(1)初始化及新車輛標(biāo)號(hào)的產(chǎn)生。首先建立一個(gè)研究區(qū)域的背景圖像,通過(guò)使用形態(tài)學(xué)和統(tǒng)計(jì)學(xué)的方法處理一個(gè)圖像序列得到。在我們的研究過(guò)程中累計(jì)了20min。在算法中,在道路進(jìn)入處建立一個(gè)檢測(cè)槽線(槽線寬為一個(gè)塊)。并在槽線上檢測(cè)灰度變化,用于判斷是否進(jìn)入車輛。在槽線塊上,每一個(gè)塊的當(dāng)前灰度和背景灰度的差值一直在被檢測(cè)。當(dāng)這個(gè)差值大于一定的閾值時(shí),算法就判斷檢測(cè)到一輛新車,并產(chǎn)生一個(gè)新的標(biāo)號(hào)。(2)計(jì)算車輛運(yùn)動(dòng)矢量。當(dāng)車輛離開(kāi)槽線后,算法需要移動(dòng)和更新它的標(biāo)號(hào)。因此需要計(jì)算各個(gè)車輛區(qū)域的塊的運(yùn)動(dòng)矢量。對(duì)每個(gè)塊,通過(guò)使用基于MAD準(zhǔn)則的三步塊匹配算法(如圖2所示)來(lái)計(jì)算相鄰兩個(gè)時(shí)刻之間的矢量。(3)車輛標(biāo)號(hào)移動(dòng)和更新。通過(guò)使用(2)計(jì)算得到的每個(gè)塊的矢量,將有標(biāo)號(hào)的塊從前一時(shí)刻的位置移到下一時(shí)刻的位置。在這些塊移動(dòng)后,通過(guò)每個(gè)塊的灰度差與閾值比較,來(lái)判定該塊是否賦予該車標(biāo)號(hào)。(4)初始遮擋的解決。在車輛跟蹤過(guò)程中由于有些情況車輛會(huì)出現(xiàn)在槽線遮擋的情況,會(huì)影響車輛的初始標(biāo)號(hào)。因此,在本文中出現(xiàn)上述情況時(shí),反推三幀,計(jì)算其矢量。通過(guò)觀察矢量分布,并對(duì)其應(yīng)用聚類分析的方法進(jìn)行初步分割。跟蹤算法得到的結(jié)果將作為后續(xù)研究中優(yōu)化算法的初始標(biāo)號(hào)。由于遮擋,第3步中一個(gè)塊會(huì)出現(xiàn)可能屬于兩個(gè)不同的塊時(shí),無(wú)法判斷屬于哪個(gè)號(hào)。這個(gè)問(wèn)題可以用基于ST-MRF模型的松弛算法來(lái)解決。1.4現(xiàn)代自模型的建立為了解決上節(jié)提出的問(wèn)題,考慮到兩個(gè)問(wèn)題:(1)上下文約束對(duì)視覺(jué)問(wèn)題的解決是必須的,(2)應(yīng)該在優(yōu)化理論基礎(chǔ)上來(lái)尋求視覺(jué)問(wèn)題的解。MRF提供了描述上下文約束特性的理論基礎(chǔ),與估計(jì)優(yōu)化理論相結(jié)合,可以提供求解優(yōu)化準(zhǔn)則的系統(tǒng)方法。MRF與MAP(maximumaposterior)理論相結(jié)合,即MRF-MAP理論框架,可以用來(lái)系統(tǒng)地解決視覺(jué)問(wèn)題。因此,近年來(lái)MRF-MAP框架在計(jì)算機(jī)視覺(jué)建模中被越來(lái)越多地使用。使用MRF-MAP框架,結(jié)合彩色紋理信息,基于ST-MRF和松弛方法解決上節(jié)中提出的問(wèn)題。因此,首先要建立后驗(yàn)概率模型,并將其最大化,可以得到車輛標(biāo)號(hào)場(chǎng)的一個(gè)最大可能的實(shí)現(xiàn)。該后驗(yàn)概率可表示為:其中B(t)、T(t)、C(t)和B(t-1)、T(t-1)、C(t-1)分別為當(dāng)前時(shí)刻和前一時(shí)刻的車輛標(biāo)號(hào)圖、灰度圖像、彩色圖像。將每個(gè)塊的概率看成高斯分布,那么P(B(t)=b)即為這些高斯分布的乘積:我們?cè)诮Ｖ惺褂肕RF模型中的自模型。由于標(biāo)號(hào)集為實(shí)數(shù)集,聯(lián)合概率密度分布為高斯分布,因此該自模型即為Gaussian-MRF。其能量函數(shù)為:式中:是指一個(gè)塊的鄰塊中和該塊有相同標(biāo)號(hào)塊的數(shù)目?？紤]使用如圖(1)中所示的8鄰域,因此把式(1)右邊分子除P(B(t)=h)部分看成是兩個(gè)獨(dú)立變量的高斯函數(shù)。即:同理可得,式中:Exyk表示遮擋的程度,也就是部分遮擋的兩個(gè)塊中遮擋部分的像素的個(gè)數(shù),顯然μExy=64;Wxyk表示前后兩幀彩色圖像的紋理聯(lián)系。塊的Wxyk值是通過(guò)對(duì)其運(yùn)用歐幾里得平方范數(shù)結(jié)合標(biāo)號(hào)的矢量(νfi,νfj)累加計(jì)算得到。自此,式(2)的優(yōu)化問(wèn)題相當(dāng)于下面能量函數(shù)的最小化。2確定松弛算法直接求Bayes估計(jì)具有指數(shù)復(fù)雜性,因?yàn)樾枰?jì)算所有的可能狀態(tài)的后驗(yàn)概率,實(shí)際上是不行的,通常避開(kāi)這個(gè)困難,選擇可行的途徑和算法。在我們的問(wèn)題中,求MAP估計(jì)時(shí)將原問(wèn)題轉(zhuǎn)化成了求后驗(yàn)?zāi)芰縐最小值所對(duì)應(yīng)的狀態(tài),通常U有多個(gè)極小,即是非凸的,所以是一個(gè)組合優(yōu)化問(wèn)題?？梢杂秒S機(jī)松弛和確定松弛算法求解。常見(jiàn)的隨機(jī)松弛算法有Metropolis算法和Gibbs采樣器等,確定松弛算法包括迭代條件模型(ICM)法、平均場(chǎng)致退火算法、最高置信度(HCF)算法等。隨機(jī)松弛算法是一種全局優(yōu)化算法,它花費(fèi)大量時(shí)間計(jì)算獲得全局最優(yōu)解,而確定松弛算法是一種局部?jī)?yōu)化方法,本質(zhì)上是一種非隨機(jī)的確定過(guò)程。所需時(shí)間少,但只能得到局部最優(yōu)解。Metropolis算法性能介于一般的隨機(jī)松弛算法和確定松弛算法之間,它的計(jì)算量小于一般的全局最優(yōu)的模擬退火算法,效果優(yōu)于ICM等確定算法。因此,本文中根據(jù)Metropolis算法原理,結(jié)合設(shè)計(jì)的跟蹤算法和ST-MRF模型,設(shè)計(jì)了松弛算法步驟如下:(1)對(duì)所有屬于圖像的場(chǎng)景點(diǎn),根據(jù)車輛跟蹤算法得到標(biāo)號(hào)場(chǎng)。(2)對(duì)每一個(gè)場(chǎng)景點(diǎn),保持其余場(chǎng)景點(diǎn)的標(biāo)號(hào)值不變,隨機(jī)選擇當(dāng)前場(chǎng)景點(diǎn)的一個(gè)改變,獲得另一種標(biāo)號(hào)場(chǎng),計(jì)算兩種標(biāo)號(hào)場(chǎng)之間能量函數(shù)ΔU差,如果ΔU〈0,則接受新的標(biāo)號(hào)場(chǎng)分配,否則接受新標(biāo)號(hào)場(chǎng)的概率為e-ΔU/T。其中T為溫度。它不同于ICM算法確定性的接受新的分割,而是在每一個(gè)場(chǎng)景點(diǎn)的更新利用退火思想,根據(jù)概率決定是否接受新的標(biāo)號(hào)分配。因此可以避免能量函數(shù)陷入局部最小,獲得比較好的標(biāo)號(hào)分配結(jié)果。選擇一個(gè)初始溫度T0,通過(guò)對(duì)數(shù)下降法逐步冷卻,即式中:h為迭代次數(shù);T0為常數(shù)。(3)重復(fù)步驟(2),直到收斂,使系統(tǒng)能量函數(shù)收斂到最小。3非遮擾跟蹤算法實(shí)驗(yàn)為了驗(yàn)證前面提出的算法,我們拍攝了一段20sec的道路交通圖像序列,使用該圖像序列進(jìn)行了試驗(yàn)。我們的試驗(yàn)分為兩個(gè)過(guò)程。第一步,實(shí)現(xiàn)車輛的初始標(biāo)號(hào)。如圖3所示,我們?cè)O(shè)置了一條黑槽線,即車輛的進(jìn)入槽線。當(dāng)車輛進(jìn)入這條槽線后,就開(kāi)始對(duì)車輛進(jìn)行標(biāo)號(hào)。圖4是和圖3相對(duì)應(yīng)的標(biāo)號(hào)結(jié)果圖,圖4中的標(biāo)號(hào)分別與圖3中車輛相對(duì)應(yīng)。第二步,在初始標(biāo)號(hào)的基礎(chǔ)上,使用ST-MRF模型對(duì)標(biāo)號(hào)進(jìn)行優(yōu)化。優(yōu)化后的部分車輛跟蹤結(jié)果圖如圖5所示。應(yīng)用基于ST-MRF的自適應(yīng)車輛跟蹤算法,按照上述步驟,對(duì)拍攝的道路交通圖像序列進(jìn)行了試驗(yàn),其中共有586輛車經(jīng)過(guò),81輛車被遮擋。實(shí)驗(yàn)結(jié)果表明,在運(yùn)用本文提供的方法跟蹤不遮擋的車輛時(shí)達(dá)到的跟蹤成功率為95%