視頻交通車輛信息檢測器的設計與實現

摘要：針對近年來城市交通的擁擠現象，特別是駕駛員違章嚴重、交通事故頻發等問題，介紹了在現代交通控制和管理系統中占有十分重要地位的傳感器—視頻車輛檢測器。主要利用CCD攝像機與圖像處理技術，完成了視頻交通車輛信息檢測器，給出了系統的軟件和硬件構架，并詳細分析了關鍵計算手段與方法。
關鍵詞：交通信息；視頻檢測；目標識別；目標跟蹤
0 引 言
智能交通系統是集計算機、信息、電子及通信等眾多高新科技手段于一體的交通控制和管理系統，是21世紀交通的重要發展方向。它通過對道路交通車輛的信息進行實時檢測，利用各種智能尋優算法及時確定出相應的控制策略，從而對交通流進行調節、警告和誘導。它的應用大大減少了道路交通違法、交通事故的發生，有效地提高了交通效率和安全性，從而使交通設施得以充分利用，實現交通運輸的集約式發展。而智能交通系統中的交通車輛信息檢測技術是實現動態智能交通控制的基礎，在現代交通控制管理和道路規劃中占有十分重要的地位。
早期的智能交通系統大量采用環形線圈車輛檢測器，其檢測精度高、成本低廉，但其工程安裝難度大，施工時要破壞路面，所能夠檢測的交通信息種類少。隨著計算機圖像處理與機器視覺理論的日趨完善、計算機硬件技術地迅猛發展、高速處理芯片和高速大容量存儲芯片的出現與普及，使得從圖像序列中檢測出運動信息、識別與跟蹤運動目標成為計算機視覺領域中一個非常活躍的分支，從而使視頻交通車輛檢測技術得到了較快發展。利用該項技術開發的視頻交通車輛信息檢測器，其安裝和維護簡便、所采集的信息量大、信息種類多、檢測區域寬，基本克服了上述環形線圈車輛檢測器的不足，代表了未來交通信息檢測領域的發展方向。
1 系統組成
1．1 硬件結構
視頻交通車輛信息檢測器硬件結構如圖1所示。它由工業CCD攝像機、PCI總線四路實時視頻采集卡、單板工業控制機（帶PCI總線接口）、DOM電子盤、I/O擴展卡和視頻交通信息疊加模塊構成。

工業CCD攝像機的視頻信號通過視頻采集卡實時采集和數字化形成連續的數字圖像序列。單板工業控制機經過對連續數字圖像序列的預處理、特征提取，在圖像序列中進行特征匹配，進而實現對目標物體的搜索，并從圖像序列中獲取目標動態信息，以達到識別和跟蹤目標的目的。I/O擴展卡用于向其他設備（如，交通信號機、交通違章抓拍設備）實時傳送車輛有無的觸發信號。視頻交通信息疊加模塊用于對視頻信號進行交通信息字符疊加，經視頻交通信息疊加后的視頻信號通過光纖傳至交通指揮中心。
1．2 軟件主要構架及數學模型
視頻交通車輛信息檢測器的軟件主要構架包括：觀察區域視頻獲取、觀察區域背景估計、目標區域分割、目標區域特征描述、目標的確定及模式識別、目標位置的具體描述、目標特征空間跟蹤、交通信息計算八部分。
設k（x，y，k）為第K幀序列圖像[1]，01[ ]為目標區域分割算子，02[ ]為目標識別特征提取算子，03[ ]為目標識別算子，04[ ]為目標具體位置求取算子，05[ ]為目標關聯、預測、跟蹤算子。
觀察區域視頻獲取和觀察區域背景估計的目的是為后面的目標區域分割作準備。
（1）目標區域分割：通過目標區域分割獲得目標可能的存在區域T（x，y，k）。則有
T(x，y，k)=01[f(x，y，k)，…，f（x，y，k-1)，…,f（x，y，k-M)]． (1)
（2）目標區域特征描述：對處理得到的可能目標區域T（x，y，k）進行特征描述。例如：02[ ]為幾何形狀特征提取算子、邊緣二值化圖像求取算子
S（k）=02[T（x，y，k）]， （2）
式中S（k）為識別特征向量。識別特征有許多種，如，統計距特征、幾何形狀特征等，還可以是歸一化的點陣邊緣二值圖像，在實際系統中，識別特征向量表示為
S（k）=[P（k），Q（k），D（k）]， （3）
式中P（k）為目標的重心位置；Q（k）為目標區域T（x，y，k）包圍矩形的參數；D（k）是歸一化為64×64的邊緣二值圖像。
（3）目標的確定及模式識別：目標確定是通過對相鄰幾幀的S（k）分量P（k）和Q（k）進行匹配，從而確認待識目標的過程；目標模式識別算子03[ ]是在識別特征向量空間的運算，其具體的形式取決于具體的識別特征向量S（k），這實際上也是一個特征空間聚類的問題。將03[ ]選為神經元網絡識別算子，通過03[ ]對S（k）的分量D（k）識別，判定區域T（x，y，k）是否為目標，該目標為哪一種類型（既車型分類）。
（4）目標具體位置的描述：目標具體位置指假定路面為z=0平面的三維坐標系中，目標的若干特殊點在該坐標系下的具體位置（XT，YT，0），它通過目標具體位置檢測算子04[ ]計算得到。在實際系統中04[ ]選為利用針孔模型求取目標區域T（x，y，k）包圍矩形的4個端點具體位置的算子（這需要預先進行攝相機標定），則有
（XT，YT，0）=04[Q（k）]． （4）
（5）目標特征空間跟蹤：使用05[ ]來對目標的特征進行關聯、預測和跟蹤，通過以前的目標具體位置數據，對下一幀圖像中目標所在位置預測后，利用該具體位置數據和其他特征與下一幀圖像中實際目標位置和其他特征進行關聯，從而實現空間跟蹤。
最后，進行交通信息計算。所計算的交通信息包括：交通流量、空間平均車速、時間平均車速、交通密度、空間占有率、時間占有率、平均車頭空距、平均車頭時距等。
實踐表明：對算子01[ ]，02[ ]，03[ ]，04[ ]，05[ ]的具體形式和計算方法的選取是決定視頻交通車輛信息檢測器性能的關鍵，其順序圖如圖2所示。

1．3 背景估計與目標的分割、識別
對數字圖像中的目標區域進行分割，首先，要進行背景估計。采用長時間邊緣圖像背景估計方法，即在每單位時段抽取一幀圖像，利用柯西邊緣算子對此圖像進行邊緣檢測，最后，利用該邊緣圖像和前面一些時刻所對應的單位時段邊緣圖像進行背景估計。背景估計公式為

式中i=n-M到n-1；B（x，y，n）為第n時段邊緣圖像的背景估計；F（x，y，i）為第i時段邊緣圖像；W（i）為第i時段邊緣圖像的估計系數。
在實際應用中，取單位時段為30s，M取值為7，W（n）=W（n-1）=5，W（n-2）=W（n-3)=W（n-4)=W（n-5）=4，W（n-6)=W（n-7）=3，Wa=32。
背景估計圖像得到后，就可以利用幀差法將當前圖像的邊緣圖與背景估計圖像做差，再進行二值化獲得邊緣幀差二值圖。對該邊緣幀差二值圖再進行膨脹、腐蝕、陰影濾除等一系列計算后，才可以進入目標分割階段。
采用4連通區域標記方法對連通區域進行檢測，從而分割出目標。在進行連通區域檢測的過程中，記錄下每個目標區域包圍矩形的4個端點坐標。對于面積較小的目標區域包圍矩形予以刪除。既認為是行人等非交通車輛目標干擾。
在目標識別方面，采用了神經元網絡識別方法。首先，對預先建立的樣本庫中的邊緣二值圖像進行歸一化（樣本庫中不但有機動車輛圖像，還有非機動車、行人等圖像），歸一化后的圖像寬高均為64像素，然后，將這些圖像以矢量形式送入輸入節點為4096個、4層的MLP神經元網絡利用BP算法進行訓練，該網絡只有4個輸出節點，即將樣本庫的歸一化邊緣二值圖像分為四類：小型車、中型車、大型車、拒識。
由于使用上述訓練后的神經元網絡進行目標識別計算量較大，不可能每幀都對目標區域進行識別，因此，在目標識別前還要進行目標確定的工作。所謂目標確定，指在獲得特征向量S（k）分量P（k），Q（k）的基礎上，對目標進行簡單的二維平面跟蹤，通過相鄰幾幀的P（k），Q（k）歐式距離匹配來確定目標。這種簡單的匹配實際上就是利用2個假設：即同一個目標相鄰幾幀內目標重心變化不大；同一個目標在相鄰幾幀內目標區域包圍矩形的4個端點及區域面積變化不大。如果通過目標分割得到的目標區域在鄰近時間內連續多次滿足上述2個假設，則認為該目標是可靠的，這樣，便可以將該區域確認為待識目標再進行目標識別。識別完成后，若網絡不為拒識，則將二維平面目標跟蹤鏈中該目標的可信度屬性置為最高級別（置為最高級別可信度的目標將不再進行神經元網絡目標識別），同時，車輛計數值加一。
1．4 攝像機標定和目標跟蹤
由于所采集的視頻圖像為二維圖像，因此，上述目標分割、確定和目標識別，均為二維運動估計的內容。由于實際應用中攝像機安裝固定且水平方向與地面平行，完全可以通過針孔模型攝像機標定方法，以地面為z=0的平面，再利用給定的一組三維空間點坐標和這些點在圖像中對應的二維坐標，求解線性方程組，計算透視投影矩陣中的各個元素，從而從二維圖像序列中恢復出所跟蹤目標的三維信息。這樣跟蹤目標的一個重要特征，即運動速度也可以很容易計算出來。
本文采用機器視覺中的針孔模型，利用標定后求解得到的透視投影變換矩陣中的參數以及預先測得的攝像機鏡頭安裝的水平傾角和垂直傾角，就可以計算出數字圖像中目標包圍矩形的4個端點對應以路面為Z=0的三維坐標系中的坐標。這樣，就可以檢測出交通車輛的實際位置和行駛速度。然后，再利用交通車輛的實際位置和行駛速度等信息進行目標特征空間跟蹤。
目標特征空間跟蹤采用基于數據關聯、點跡預測的跟蹤方法。其中，數據關聯采用最近鄰數據關聯法（NNDA）。
數據關聯中采用的特征不僅包括目標實際位置和行駛速度這樣的信息，還包括數字圖像中目標重心、目標面積等二維信息。
點跡預測方面考慮到在實際應用中當噪聲統計特性獲取不準或目標出現隨機時卡爾曼預測器性能會迅速下降，甚至丟失目標，因此，沒有采用卡爾曼預測器而采用了比較穩定、計算量小，且易于實現α-β-γ預測器。
另外，定義了目標的6種狀態[4]，它們是目標產生、目標被正常跟蹤、目標合并、目標分裂、目標暫時消失，目標真正消失。其中，目標合并、目標分裂、目標暫時消失是為了解決目標遮擋問題而引入的。
（1）目標合并：當一個被正常跟蹤的目標在觀察區域內突然丟失，并且，此目標占據的空間被另一較大目標覆蓋，則將目標鏈中此目標的合并分裂屬性加一，同時，將此目標置為目標暫時消失狀態。下一幀此目標若仍無法檢出，則將此目標合并分裂屬性繼續加一，當此目標合并分裂屬性超過一定閥值且其運動速度與較大目標的運動速度相近時，則將此目標與較大目標合并形成一個新的目標，同時，繼承原有目標的動態特征，這個新目標被置為目標合并狀態。當此目標合并分裂屬性沒有達到一定閥值時又被檢出，則要將此目標從目標暫時消失狀態置回目標被正常跟蹤狀態。
（2）目標分裂：當一個處于目標合并狀態的目標突然丟失，并且，此目標占據的空間被一些較小的目標共同占據，則將目標鏈中此目標的合并分裂屬性減一，下一幀此目標若仍無法檢出，則將此目標合并分裂屬性繼續減一，當此目標合并分裂屬性低于一定閥值且其運動速度與其分裂出來的那些較小目標的運動速度相近時，則對這些小目標依次建立新的目標鏈且將它們的狀態置為目標產生狀態，而較大的前景目標則置為目標真正消失狀態，從而便于后續的目標鏈清理和刪除操作。當此目標合并分裂屬性沒有低于一定閥值時，仍然要將這些較小的目標合并為一個較大的前景目標，并將這個較大的前景目標置為目標分裂狀態。
2 實驗結果
檢測器的某日實際測試數據如表1所示。