復雜環(huán)境下的夜間視頻車輛檢測

摘要：分析了夜間復雜交通場景的特點，提出了應用于夜間交通信息采集的HLEPT(headlight extraction，pairing and tracking)算法。該算法包含車燈提取算法和配對跟蹤規(guī)則，并結(jié)合先配對車燈后跟蹤其軌跡和先跟蹤車燈后配對其軌跡兩種方法，對車流量、車速等交通信息進行統(tǒng)計。實驗表明，HLEPT算法復雜度低，具有良好的實時性、魯棒性，良好環(huán)境下其檢測率達到96%以上；即使在雨夜路面有車燈倒影的交通擁擠路段，也能達到88%的檢測率。

關鍵詞：車輛檢測；視頻檢測；車輛跟蹤

中圖分類號：TP391文獻標志碼：A

文章編號：1001-3695(2007)12-0386-04

0引言

隨著計算機視覺技術(shù)的發(fā)展，基于視頻的車輛檢測技術(shù)已成為實時交通信息采集的一種有效方式。目前，國際上已有多家廠商推出了視頻車輛檢測系統(tǒng)，如AutoScope、Iteris、Traficon、Peek等。其中大部分視頻檢測系統(tǒng)并不采用先分割圖像后跟蹤車輛的方法，而是關注圖像中局部區(qū)域內(nèi)灰度值的變化，以判斷當前該區(qū)域上有沒有車輛存在；也有少數(shù)如Peek，采用先提取車輛對象后跟蹤車輛的方法來采集交通信息。無論采用哪一種方法，視頻檢測的效果均會受到攝像機視點視角和環(huán)境因素的影響，尤其是后者不能被系統(tǒng)配置本身所決定，給檢測算法的適應性帶來了困難。Utah Department of Transportation^[1]對上述四家廠商的產(chǎn)品安裝在路口進行了實測評估。它們在良好天氣、霧、雨、雪、塵及夜間（前幾種天氣指白天）等不同天氣情況下表現(xiàn)各有優(yōu)劣，但是總體上夜間檢測正確率比白天低，多為80%左右甚至更低。O.H.Jutaek等人^[2]將PEEK VideoTrak 900安裝在高速公路上進行了多次24 h實測，其正確率也不盡如人意。特別是高載客車道的檢測錯誤率常在100%以上。

由于夜間道路較黑暗，白天的基于車身的檢測技術(shù)不再適用，需要尋找另一種穩(wěn)定的車輛目標特征。顯然耀眼的車輛前燈是夜間車輛最顯著的特征，而且無論是在高速路還是在城市道路，無論道路上有沒有路燈照明，無論天氣情況如何，車輛前燈特征是相對穩(wěn)定的。Iteris、Peek等系統(tǒng)在夜間就是采用檢測車輛前燈的方法檢測車輛。R.Taktak等人^[3]和R.Cucchiara等人^[4，5]也提出了基于車輛前燈的車輛檢測。然而，前面已經(jīng)提到夜間Iteris、Peek的檢測結(jié)果并不十分可靠。R.Taktak和R.Cucchiara等人簡單地認為車輛前燈在圖像上表現(xiàn)為規(guī)則的幾何形狀，沒有充分考慮小前燈、裝飾燈和轉(zhuǎn)向燈與大前燈粘連或者分離的復雜情況，也沒有考慮大型車輛車頂?shù)倪吔鐭簦约坝晏炻访娣e水引起上述眾多車燈的倒影，如圖1所示。本文就是研究上述復雜情況下的夜間車輛視頻檢測問題，提出了視場中眾多車燈按車輛分組的思想，綜合了先配對車燈后跟蹤其軌跡和先跟蹤車燈后配對其軌跡兩種方法，提出了復雜情況下的車燈提取、配對、跟蹤算法HLEPT，并實時統(tǒng)計車流量、車速等交通信息。

1夜間視頻車輛檢測系統(tǒng)框架

圖2為夜間視頻車輛檢測系統(tǒng)框架，由攝像機標定與視野設置、車燈提取、兩種跟蹤/配對、交通信息輸出等模塊組成。

攝像機標定與視野設置模塊指導攝像機的安裝方式，使得攝像機具有利于檢測算法的視點和視角；建立圖像平面坐標與路面坐標之間的可逆變換關系；確定實施車輛檢測的圖像區(qū)域（簡稱視野）。該模塊是整個系統(tǒng)的基石，具體見第2章。

車燈提取模塊從灰度圖像中提取可能是車燈的明亮區(qū)域，并計算它們的面積、長寬、長寬比、圓形度等形狀特征。

虛線框1表示HLPT(headlight pair tracking)方法，包含兩個模塊。幀內(nèi)車燈配對模塊實現(xiàn)車燈的兩兩配對，將屬于同一輛車的大小前燈、裝飾燈、車頂燈及它們的倒影歸為一組（簡稱車燈組），并找出其中的大前燈對。幀間燈對跟蹤模塊根據(jù)大前燈對的形狀特征和可預知的范圍關聯(lián)下一幀圖像的車燈對，從而實現(xiàn)大前燈對的跟蹤，得到其軌跡。

虛線框2表示HLTP(headlight trajectory pairing)方法，包含兩個模塊。落單車燈跟蹤模塊跟蹤那些因左右車燈不對稱而不能配對的落單車燈。車燈軌跡配對模塊根據(jù)軌跡的相似性配對落單車燈。根據(jù)兩種方法的實驗效果，本文采用以HLPT方法為主HLTP方法為輔的策略。

交通信息輸出模塊根據(jù)軌跡的位置和速度判斷車輛已經(jīng)完全通過視野之后，統(tǒng)計車流量、車速等交通信息。

2攝像機標定與視野設置

2．1攝像機安裝

一般視頻車輛檢測算法受攝像機視點視角影響較大，所以攝像機應具有一個合理的高度和良好的視角。本文不討論工程實施時安裝攝像機的一般準則，而默認攝像機的安裝情況是良好的。

2．2攝像機標定

如果能建立圖像平面坐標與路面坐標之間的可逆變換關系，就能精確地測量每一輛車的速度，從而得到精確的車流速度；另外還能估計各種車燈在圖像上的分布范圍，便于算法判斷這些車燈是否屬于同一輛車。所以有必要求得這個從二維平面到二維平面的可逆變換關系。本文稱此過程為標定。

實驗表明，只要給出五個以上不共線點在路面和圖像平面的對應坐標，便可解得變換矩陣M3×3。這里給出需求解的方程組：

b)幀間車燈對關聯(lián)規(guī)則

規(guī)則1a)給出了預測范圍。

規(guī)則2前后幀車燈相似。相似度度量方法與3.2.1節(jié)規(guī)則三相同。

規(guī)則3當前幀建立了車燈對，那么從下一幀圖像提取的車燈中尋找可以與當前幀車燈對關聯(lián)的兩車燈，而不是從下一幀圖像提取的大前燈對中選擇。這樣做的目的是為了增加車燈對關聯(lián)的穩(wěn)定性，以免因車燈在前后幀圖像中表現(xiàn)發(fā)生變化而配對失敗，從而引起關聯(lián)失敗。車燈在前后幀圖像中表現(xiàn)發(fā)生變化，是因為車輛運動過程中車燈相對于攝像機的角度和距離發(fā)生了變化。

c)車燈對軌跡的歸并與鏈接

對軌跡進行鏈接是因為幀間車燈在圖像上表現(xiàn)的不穩(wěn)定性而引起了斷裂軌跡。判斷兩軌跡屬于同一對車燈的依據(jù)是軌跡存在時間和軌跡的位置、方向。對軌跡進行歸并是因為各種車燈先后出入視野并被算法成功配對，從而可能先后產(chǎn)生車燈倒影軌跡、小前燈軌跡和頂燈軌跡，所以需要把它們歸為一組。歸并的規(guī)則類似3.2.2節(jié)。

3．3HLTP方法

先對每個車燈進行跟蹤，然后對軌跡進行配對。跟蹤方法與HLPT方法相似。軌跡配對規(guī)則如下：

規(guī)則1兩車燈的軌跡存在時間大致相同。

規(guī)則2兩車燈的位置關系滿足3．2．1節(jié)車燈配對規(guī)則1、2。

規(guī)則3軌跡是平行產(chǎn)生的，前后幀四車燈應構(gòu)成平行四邊形ABCD，因此設計一個軌跡平行度度量函數(shù)：

Δ=1/n∑n-1i=1Δi，i+1；Δi，i+1=[(AB-CD)2-(AD-BC)2]^1/2（4）

其中：AB為前一幀車燈對；CD為后一幀車燈對；ABCD按順時針排列。四邊形ABCD越接近平行四邊形，Δ越小。利用這個函數(shù)配對軌跡，配對之后與3．2．3節(jié)的c）類似地處理軌跡。

3．4HLPT與HLTP方法的比較與結(jié)合

這兩種方法都具有其可行性，但從其應用效果來說有其差異。HLPT比HLTP方法簡單，需要的存儲空間少。因為一旦車燈對確立就可以將屬于同一輛車的其他光源排除掉。HLTP方法需要跟蹤所有光源，并且這些光源的軌跡是平行的，從中找出前燈對有一定困難。然而HLPT方法有一個明顯的弱點，即如果前燈對沒有成功配對，那么HLPT方法將忽略這個車輛。配對失敗的主要原因是車燈對在圖像上表現(xiàn)為不對稱。不對稱的原因之一是車燈的物理故障；其二是左右車燈與攝像機的視角不同，使得進入攝像機鏡頭的光強不同，或者左右大小前燈不同時粘連。HLTP方法卻能處理這種情況。

用HLPT方法進行實驗發(fā)現(xiàn)不對稱情況出現(xiàn)的幾率與攝像機視角有很大關系，而且比較敏感。為適應攝像機安裝時視角的變化，本文采用了以HLPT方法為主、HLTP方法為輔，兩者相結(jié)合的策略。先配對，并跟蹤車燈對；后利用車燈對，排除其附近光源，剩下的車燈分別進行跟蹤、軌跡配對。

3．5HLEPT 算法的復雜度

車燈提取過程由二值化、區(qū)域生長和形狀特征計算三部分組成，計算量較小。HLPT方法或者HLTP方法處理的對象是車燈的形狀特征數(shù)據(jù)，而且在視野內(nèi)車燈個數(shù)不會太多。因此其計算量相對于車燈提取這種圖像處理過程來說要小得多。總的來說，HLEPT算法的復雜度較低。

4實驗結(jié)果與分析

表1描述了本文采集的實驗樣本，其中車輛數(shù)量不包括未開燈的、只有一個燈亮的和車燈完全被其他車輛遮擋的車輛。實驗樣本均采自高速公路。其中樣本1的攝像機高度為7．74 m，樣本2、3的攝像機高度為8．5 m。

表2為實驗結(jié)果。文中檢測結(jié)果只給出流量而不給出速度，因為很難判斷檢測出速度的正確性；第二列準確率是算法檢測到的流量與實際車輛數(shù)的比值，其實并不代表算法的準確率。準確率應由檢測率和虛警率表達，但算法提交給外部的只是檢測到的流量這一宏觀信息，所以準確率是外部評價算法的標準。樣本2比1檢測效果好。這是因為樣本2的攝像機比1 高，且攝像機俯角較1大。雖然樣本2環(huán)境比1復雜得多，路面和車身上有車燈和路燈的反光，但是HLEPT算法成功地處理了這些光源。樣本3情況更復雜，各種車燈、車燈倒影和車身反光常常并行前進，使得算法難以正確判斷出大前燈對，出現(xiàn)了較多的錯檢。圖6展示了樣本3中的車輛檢測效果。其中橫線條表示車燈配對或車燈軌跡配對，縱線條表示軌跡，白色方框表示視野；兩輛小車被HLPT方法檢測到，大客車被HLTP方法檢測到。

5結(jié)束語

通過分析車輛運動和攝像機成像的物理規(guī)律，提出了車燈配對跟蹤規(guī)則。從實驗結(jié)果來看，HELPT算法有效地解決了良好天氣或雨天情況下高速公路的夜間交通信息采集問題，具有較高的正確率和很好的環(huán)境適應能力，而且算法復雜度低，具有很好的實時性。HELPT算法對于車燈特征的假設和配對跟蹤規(guī)則同樣適用于高架路、城鄉(xiāng)道路等路段的夜間交通信息采集。

參考文獻：

[1]MARTIN P T， DHARMAVARAM G， STEVANOVIC A. Evaluation of UDOT’S video detection systems:system’s performance in various test conditions[EB/OL].(2004－12).http://www.mountain－plains.org/pubs/pdf/MPC04－166.pdf.

[2]JUTAEK O H， LEONARD J D. Vehicle detection using video image processing system:evaluation of PEEK VideoTrak[J].Journal of Transportation Engineering，2003，129(4):462-465.

[3]TAKTAK R，DUFAUT M，HUSSON R.Vehicle detection at night using image processing and pattern recognition[C]//Proc of International Conference on Image Processing. Austin， Texas:[s.n.]， 1994:296-300.

[4]CUCCHIARA R.PICCARDI M.Vehicle detection under day and night illumination[C]//Proc of ISCS－IIA’99， Special Session on Vehicle Traffic and Surveillance. 1999:789－794.

[5]CUCCHIARA R， PICCARDI M， MELLO P. Image analysis and rule－based reasoning for a traffic monitoring system[J].IEEE Transactions on Intelligent Transportation Systems，2000，1(2):119－130.

“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文”