公路收費(fèi)站車(chē)輛跟蹤及抓拍算法研究與系統(tǒng)實(shí)現(xiàn)

摘要： 為保障公路收費(fèi)站對(duì)車(chē)輛抓拍和車(chē)流統(tǒng)計(jì)的抗干擾能力，以靜止單孔攝像機(jī)獲取的檢票口車(chē)道視頻作為研究對(duì)象，提出了一種高效的易于擴(kuò)展的抓拍判斷系統(tǒng)框架.在分析常見(jiàn)運(yùn)動(dòng)檢測(cè)方法優(yōu)劣的基礎(chǔ)上，從實(shí)時(shí)性和魯棒性考慮，采用基于運(yùn)動(dòng)歷史圖像的改進(jìn)的幀差法，以提高運(yùn)動(dòng)檢測(cè)的靈敏度；為緩解服務(wù)器的計(jì)算壓力，提出了一種高效的車(chē)輛矩形區(qū)域快速定位算法，并在此基礎(chǔ)上定義了基于時(shí)間和空間變化的規(guī)則，以排除攝影機(jī)前人和桿臂運(yùn)動(dòng)對(duì)鏡頭的遮擋，最終構(gòu)成了抓拍判斷系統(tǒng)框架.此外，就多路車(chē)道在不同光照下并行地進(jìn)行了實(shí)時(shí)抓拍實(shí)驗(yàn)，結(jié)果顯示，在總時(shí)長(zhǎng)5.5 h的測(cè)試樣例中，車(chē)輛計(jì)數(shù)平均準(zhǔn)確度達(dá)87.8%，證明該框架可顯著減弱抬桿、落桿的遮擋以及光照變化的影響，提高抓拍的精度.

關(guān)鍵詞： 運(yùn)動(dòng)檢測(cè)；幀差法；車(chē)輛跟蹤；車(chē)輛抓拍；智能交通系統(tǒng)

中圖分類號(hào)： TP391.4文獻(xiàn)標(biāo)志碼： AVideoBased Vehicle Tracking and Capturing System

隨著中國(guó)智能交通系統(tǒng)（intelligent transportation system， ITS）的發(fā)展，基于計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)的數(shù)字視頻監(jiān)控系統(tǒng)扮演著越來(lái)越重要的角色.基于視頻的公路收費(fèi)站車(chē)輛跟蹤及抓拍系統(tǒng)屬于ITS的一部分，相對(duì)于磁感線圈和紅外傳感系統(tǒng)而言，該抓拍系統(tǒng)具有安裝調(diào)試容易、應(yīng)用靈活、遠(yuǎn)程數(shù)據(jù)讀取方便等諸多優(yōu)勢(shì)，且在已建成的收費(fèi)站上增設(shè)和維護(hù)成本較低.以拍照的形式記錄既解決了監(jiān)控中心集中存儲(chǔ)視頻的網(wǎng)絡(luò)壓力和資源壓力，又可進(jìn)一步作為車(chē)牌車(chē)型識(shí)別的重要輸入，總體而言具有所需儲(chǔ)存容量小、保存周期長(zhǎng)、檢索方便等優(yōu)點(diǎn).

ITS需要解決的一個(gè)首要問(wèn)題是車(chē)輛的檢測(cè)與跟蹤.近年來(lái)，針對(duì)該問(wèn)題已有較為深入的研究[17].一般地，須首先提取道路背景，并自適應(yīng)地更新以保持和環(huán)境變化協(xié)調(diào)一致[8]，然后進(jìn)行背景差分以突出目標(biāo)車(chē)輛[9]，接下來(lái)一一定位這些車(chē)輛，并分別進(jìn)行跟蹤[5，7]，最后統(tǒng)計(jì)車(chē)流的數(shù)據(jù)[56].在這些研究中，攝像機(jī)通常固定地架設(shè)在道路上方高處，所受干擾較小，且拍攝的視頻畫(huà)面包含有大面積靜止背景.目前，針對(duì)公路收費(fèi)站檢票口監(jiān)控視頻進(jìn)行車(chē)輛檢測(cè)的具體研究還較少，由于車(chē)輛通常排隊(duì)經(jīng)過(guò)檢票口，車(chē)速緩慢、間距緊密、停靠頻繁，且攝影機(jī)距離車(chē)道近、高度低，特別是重型車(chē)輛經(jīng)過(guò)攝影機(jī)時(shí)幾乎完全遮擋住鏡頭的整個(gè)可視區(qū)域，因此，視頻場(chǎng)景與普通交通監(jiān)控尚有較大區(qū)別，傳統(tǒng)的檢測(cè)方法不再有效.

西南交通大學(xué)學(xué)報(bào)第48卷第2期夏創(chuàng)文等：公路收費(fèi)站車(chē)輛跟蹤及抓拍算法研究與系統(tǒng)實(shí)現(xiàn)本文在保證多路運(yùn)算實(shí)時(shí)性應(yīng)用需求的前提下，針對(duì)收費(fèi)站檢票口監(jiān)控視頻，改進(jìn)了運(yùn)動(dòng)檢測(cè)，提出了一種高效的車(chē)輛矩形區(qū)域快速定位算法，并在此基礎(chǔ)上研究拍照時(shí)機(jī)，進(jìn)一步提出了基于時(shí)間和空間變化的抓拍判決規(guī)則，以排除鏡頭前人和桿運(yùn)動(dòng)的遮擋，最后通過(guò)實(shí)驗(yàn)驗(yàn)證了所提出算法的有效性.1運(yùn)動(dòng)車(chē)輛檢測(cè)考慮到并行多路實(shí)時(shí)抓拍的實(shí)際需求，運(yùn)動(dòng)檢測(cè)算法須保證非常高的效率.這不僅要求設(shè)計(jì)的算法能對(duì)視頻流進(jìn)行實(shí)時(shí)處理，而且單處理線程必須盡可能少地占用處理器資源.在實(shí)時(shí)運(yùn)動(dòng)檢測(cè)方法中，背景差分法和幀間差分法是兩種常用的基本方法.

從運(yùn)動(dòng)的場(chǎng)景中有效地提取背景圖像是背景差分方法研究的主要問(wèn)題之一，使用自適應(yīng)背景差分方法必須首先解決被選作表示背景的特征（如像素灰度值、色度以及紋理等）.通常對(duì)于一處固定的位置，背景像素的出現(xiàn)頻率遠(yuǎn)高于前景像素，因此，一種基本的背景提取方法的思想是對(duì)視頻在一段時(shí)間內(nèi)的連續(xù)數(shù)幀求平均.但仔細(xì)觀察公路收費(fèi)站檢票口場(chǎng)景，不難發(fā)現(xiàn)，車(chē)輛在停靠檢票口時(shí)已占據(jù)圖像中央大部分區(qū)域，恰好將車(chē)輛下方和后方的部分道路遮擋，尤其是遇到車(chē)輛排隊(duì)依次通過(guò)檢票口或者大型貨車(chē)停靠檢票口時(shí)，后方的道路幾乎長(zhǎng)時(shí)間地被車(chē)輛全部遮擋.此時(shí)，對(duì)于檢票車(chē)道上被遮擋的位置，出現(xiàn)車(chē)輛前景的頻率往往遠(yuǎn)大于出現(xiàn)道路背景的頻率，這違背了動(dòng)態(tài)場(chǎng)景中提取靜態(tài)背景的基本原則，使背景提取方法在很大一部分圖像區(qū)域中無(wú)法正確區(qū)分出背景像素，如圖1所示.此外，由于提取出的背景幀被反復(fù)用于運(yùn)動(dòng)檢測(cè)，一旦提取錯(cuò)誤，其影響會(huì)擴(kuò)散到后續(xù)多幀.因此，本文基于幀差法進(jìn)行運(yùn)動(dòng)檢測(cè)，并對(duì)其準(zhǔn)確度和靈敏度進(jìn)行優(yōu)化.

幀差法是利用視頻幀間像素的時(shí)域相關(guān)性，用當(dāng)前幀圖像與相鄰幀圖像求差來(lái)檢測(cè)目標(biāo)的方法有諸多優(yōu)越性：首先，因?yàn)閹罘ǖ臋z測(cè)僅考慮當(dāng)前幀的相鄰幀或前數(shù)幀，具有無(wú)后效性的特點(diǎn)，因此它的性能穩(wěn)定；其次，幀差法效率高，且對(duì)于動(dòng)態(tài)變化的環(huán)境顯示出較強(qiáng)的自適應(yīng)性[1]；此外，由于本文所討論的車(chē)輛跟蹤及抓拍只關(guān)注精確控制抓拍時(shí)機(jī)，無(wú)需準(zhǔn)確識(shí)別車(chē)輛輪廓，因此，對(duì)于幀差法引入車(chē)尾鬼影造成檢測(cè)到的運(yùn)動(dòng)區(qū)域擴(kuò)大可以忽略.但是，幀差法提取出的運(yùn)動(dòng)實(shí)體內(nèi)部往往容易產(chǎn)生大量空洞.比如同一顏色的車(chē)身或者車(chē)頂相鄰像素之間的灰度值差異不大，加之前后兩幀車(chē)的位移量小，因而兩幀間這些位置的像素差異很小，這是空洞的主要成因.由于檢票口攝影機(jī)距離車(chē)輛近，空洞現(xiàn)象變得尤其嚴(yán)重，進(jìn)一步導(dǎo)致檢測(cè)出的車(chē)輛被分隔成多個(gè)部分.

為了解決空洞造成的分裂，本文采用多種方法填補(bǔ)空洞區(qū)域.首先通過(guò)維護(hù)一個(gè)數(shù)幀大小的幀緩沖池，將幀差從相鄰幀求差擴(kuò)展到允許間隔數(shù)幀求差，從而放大了車(chē)輛的位移，使得任何緩慢的運(yùn)動(dòng)都更容易被偵測(cè)到；然后，對(duì)二值化的前景像素采用中值濾波抑噪[1012]，以及形態(tài)學(xué)的閉運(yùn)算操作先膨脹后腐蝕[13]，來(lái)增強(qiáng)區(qū)域的連通性；最后，使用運(yùn)動(dòng)歷史圖像（motion history image， MHI）[14]進(jìn)一步充實(shí)車(chē)體.運(yùn)動(dòng)歷史疊加將一個(gè)連續(xù)的視頻運(yùn)動(dòng)序列逐幀疊加到運(yùn)動(dòng)歷史圖像中，并在每一次進(jìn)行疊加的時(shí)候記錄該幀運(yùn)動(dòng)像素的當(dāng)前時(shí)刻.運(yùn)動(dòng)歷史疊加可以設(shè)置一個(gè)消隱時(shí)間，超過(guò)該消隱時(shí)間的運(yùn)動(dòng)前景像素將從運(yùn)動(dòng)歷史圖像上刪除.

本文采用間隔3幀求差，以3×3的窗口大小進(jìn)行中值濾波，以5×3的矩形作為閉運(yùn)算結(jié)構(gòu)化元素，將結(jié)構(gòu)化元素的中心點(diǎn)選取為矩形中心，并迭代2次閉運(yùn)算以強(qiáng)化效果.選取的結(jié)構(gòu)化元素具有寬度大于高度的特點(diǎn)，這是考慮到具體的收費(fèi)站檢票口1臺(tái)攝影機(jī)總是對(duì)應(yīng)于單一車(chē)道.因此，前景圖像中，X方向上只考慮同一輛車(chē)，可以增強(qiáng)閉運(yùn)算來(lái)增加連通性；而在Y方向上，可能出現(xiàn)前后2車(chē)間隔距離較近的情況，須減弱閉運(yùn)算，避免將前后的車(chē)輛連接在一起.最后，設(shè)置運(yùn)動(dòng)歷史疊加的消隱時(shí)間th為0.4 s，以在空洞填補(bǔ)效果和車(chē)尾鬼影長(zhǎng)度之間取得平衡.所采用的多種車(chē)身運(yùn)動(dòng)檢測(cè)空洞填補(bǔ)方法效果如圖2所示，經(jīng)過(guò)對(duì)比可以顯見(jiàn)每種方法都在一定程度上進(jìn)一步充實(shí)了車(chē)體，從而便于提高車(chē)身定位的精確度.

算法定位1幀圖像中多個(gè)連通的前景像素矩形區(qū)域僅需對(duì)圖像進(jìn)行1次逐行掃描.其核心思想是對(duì)掃描到的前景像素點(diǎn)進(jìn)行標(biāo)號(hào)，并建立其矩形區(qū)域，對(duì)編號(hào)相同的點(diǎn)擴(kuò)展其矩形區(qū)域，而對(duì)不同編號(hào)的連通域，則合并其所屬的矩形區(qū)域，但無(wú)需再逐一修改其編號(hào)，最終整理出這些矩形區(qū)域即可.

詳細(xì)的算法描述如下：

算法輸入：二值化后的運(yùn)動(dòng)檢測(cè)前景圖；

算法輸出：由相互鄰接的像素所覆蓋的矩形區(qū)域.

（1） 從圖像左上角第1個(gè)像素起，從左至右，從上至下，逐行進(jìn)行掃描，直到圖像的所有像素被掃描完畢；

（2） 對(duì)每個(gè)被標(biāo)記為前景的像素進(jìn)行標(biāo)號(hào)，標(biāo)號(hào)規(guī)則是：

① 首先判決當(dāng)前位置像素上方和左方的點(diǎn)是否已被標(biāo)號(hào)，如果均未被標(biāo)號(hào)，則為該像素建立新的編號(hào)，新編號(hào)的值由1開(kāi)始依次累加，且新記錄一個(gè)覆蓋該像素的最小矩形區(qū)域，矩形區(qū)域由其四邊界的值確定，這時(shí)的四邊界與該點(diǎn)坐標(biāo)重合；

② 如果只是上方的點(diǎn)已被標(biāo)號(hào)，則該像素的編號(hào)取上邊的編號(hào)，并擴(kuò)展已記錄有該編號(hào)的矩形區(qū)域邊界以覆蓋當(dāng)前像素；

③ 如果只是左方的點(diǎn)已被標(biāo)號(hào)，則該像素的編號(hào)取左邊的編號(hào)，并擴(kuò)展已記錄有該編號(hào)的矩形區(qū)域邊界以覆蓋當(dāng)前像素；

④ 如果上方的點(diǎn)和左方的點(diǎn)均已經(jīng)被標(biāo)號(hào)，則該像素的編號(hào)應(yīng)選取上邊的編號(hào)值；2個(gè)不同編號(hào)的連通區(qū)域相遇時(shí)，除了為該像素選取編號(hào)外，還需要合并上方和左方2個(gè)點(diǎn)的編號(hào)所屬的矩形區(qū)域.

為了實(shí)現(xiàn)對(duì)指定矩形域的各種頻繁操作，例如刪除、合并和重排列，還須動(dòng)態(tài)維護(hù)1個(gè)索引數(shù)組，其中的每個(gè)元素都指向1個(gè)矩形區(qū)域.當(dāng)整幅圖像的像素全部掃描完畢時(shí)，就完成了多目標(biāo)矩形區(qū)域定位.圖3是該算法的1個(gè)示例，前景圖像關(guān)注區(qū)域大小為8×16.

3.1存儲(chǔ)結(jié)構(gòu)由于判決目標(biāo)在時(shí)間和空間上的運(yùn)動(dòng)模式需要回顧、分析歷史的運(yùn)動(dòng)目標(biāo)矩形區(qū)域，因此必須緩存歷史數(shù)據(jù).考慮到每幀中可能出現(xiàn)多個(gè)目標(biāo)矩形區(qū)域，因此將緩存數(shù)據(jù)結(jié)構(gòu)分為2級(jí).第1級(jí)是幀結(jié)構(gòu)，每個(gè)單元包含3個(gè)信息：該幀的矩形域個(gè)數(shù)、該幀是否有目標(biāo)進(jìn)入拍照檢測(cè)區(qū)域以及1個(gè)指向第2級(jí)矩形域結(jié)構(gòu)的指針；第2級(jí)是矩形域結(jié)構(gòu)，每個(gè)單元包含1個(gè)矩形的特征信息.這種2級(jí)的存儲(chǔ)結(jié)構(gòu)如圖5所示.顯然，這種分級(jí)結(jié)構(gòu)同時(shí)具有很強(qiáng)的可擴(kuò)展性，可以方便地增加其他便于利用的信息.

3.2基于時(shí)間的規(guī)則基于時(shí)間的拍照判決是針對(duì)2級(jí)緩沖結(jié)構(gòu)的第1級(jí)（即基于幀的存儲(chǔ)結(jié)構(gòu)）的.在每次拍照判決時(shí)將首先掃描第1級(jí)的幀歷史緩沖區(qū)，一旦發(fā)現(xiàn)歷史幀中有車(chē)輛出現(xiàn)在拍照檢測(cè)區(qū)域，則不進(jìn)行拍照，這具有拍照延時(shí)的作用，避免大車(chē)經(jīng)過(guò)時(shí)因車(chē)身大面積遮擋攝影機(jī)的可視區(qū)域帶來(lái)的噪聲干擾，延時(shí)時(shí)間由幀緩沖區(qū)大小決定.并且，該設(shè)計(jì)借助緩存歷史，實(shí)現(xiàn)了在前一輛車(chē)離開(kāi)拍照檢測(cè)區(qū)之后才開(kāi)始計(jì)算延時(shí)，而不是直接針對(duì)駛?cè)肱恼諜z測(cè)區(qū)的每一輛車(chē)設(shè)置一個(gè)經(jīng)驗(yàn)性的通過(guò)時(shí)間，因而與車(chē)輛運(yùn)動(dòng)速度的快慢無(wú)關(guān).所以，該方法對(duì)片狀噪聲有一定抵抗能力，且能適應(yīng)于車(chē)輛以不同車(chē)速經(jīng)過(guò)檢票口的情況，提升了拍照判決的魯棒性.3.3基于空間的規(guī)則基于空間幾何變化特征的規(guī)則是車(chē)輛抓拍判決的核心，且具有良好的可擴(kuò)展性.

規(guī)則1根據(jù)透視圖性質(zhì)，車(chē)輛到達(dá)拍照檢測(cè)區(qū)域的過(guò)程是一個(gè)連續(xù)的運(yùn)動(dòng)過(guò)程，因此，在車(chē)輛剛剛駛?cè)肱恼諜z測(cè)區(qū)域時(shí)，回顧前幾幀的歷史應(yīng)檢測(cè)到連續(xù)的運(yùn)動(dòng)出現(xiàn).該規(guī)則的目的在于過(guò)濾拍照檢測(cè)區(qū)域中突發(fā)出現(xiàn)的片狀噪聲.此類噪聲的特征是引發(fā)視頻大面積灰度突變，在突變前幾幀檢測(cè)不到應(yīng)有的符合車(chē)輛特征的運(yùn)動(dòng)矩形區(qū)域，因而得以將噪聲與車(chē)輛的特征區(qū)分開(kāi)來(lái).

規(guī)則2為了進(jìn)一步過(guò)濾噪聲，特別是針對(duì)車(chē)輛靠近檢票口攝影機(jī)而引起的并發(fā)噪聲，算法禁止在車(chē)輛到達(dá)拍照檢測(cè)區(qū)域的前3幀出現(xiàn)運(yùn)動(dòng)矩形區(qū)域的突然變化.這是因?yàn)檐?chē)輛靠近并駛過(guò)檢票口攝影機(jī)的過(guò)程在運(yùn)動(dòng)前景圖像上是運(yùn)動(dòng)矩形區(qū)域自右上角到左下角由小變大的過(guò)程，應(yīng)當(dāng)具有連續(xù)性，而出現(xiàn)躍變則考慮是噪聲干擾.

規(guī)則3在前2個(gè)關(guān)于噪聲過(guò)濾的規(guī)則完成之后，將對(duì)收費(fèi)站升降桿臂運(yùn)動(dòng)和工作人員在攝影機(jī)前走動(dòng)的情況進(jìn)行識(shí)別.首先，仍假設(shè)車(chē)道位于攝影機(jī)左邊，收費(fèi)站桿臂的運(yùn)動(dòng)軌跡和車(chē)輛的運(yùn)動(dòng)軌跡有明顯的區(qū)別.由于桿臂安裝在右側(cè)，因此桿臂在轉(zhuǎn)動(dòng)時(shí)將檢測(cè)到緊靠右邊界對(duì)齊的運(yùn)動(dòng)矩形區(qū)域，這種矩形區(qū)域的直觀特征在于其右邊界貼近于鏡頭視野右邊界，而左邊界則離鏡頭視野左邊界有一定的距離.再次對(duì)比分析車(chē)輛逐漸靠近并駛過(guò)攝影機(jī)的運(yùn)動(dòng)模式，其表現(xiàn)在運(yùn)動(dòng)矩形區(qū)域變化上具有從右上角移動(dòng)到左下角，并逐漸擴(kuò)大的幾何特征，因此矩形的左邊界到鏡頭視野左邊界的距離是一個(gè)逐漸減小的過(guò)程，這正好與桿臂的矩形區(qū)域運(yùn)動(dòng)模式相反.基于這一點(diǎn)，可以區(qū)分出收費(fèi)站桿臂的運(yùn)動(dòng).

規(guī)則4考慮工作人員運(yùn)動(dòng)的識(shí)別.運(yùn)動(dòng)的人與運(yùn)動(dòng)的車(chē)在運(yùn)動(dòng)前景圖像上的最顯著區(qū)別在于人的運(yùn)動(dòng)矩形區(qū)域在寬度上明顯小于車(chē)的.因此，當(dāng)人和車(chē)在設(shè)置為左下角的拍照檢測(cè)區(qū)域中出現(xiàn)時(shí)，車(chē)因?qū)挾却螅渚匦螀^(qū)域右邊界往往投在鏡頭視野的右半平面內(nèi)，而人的右邊界往往在鏡頭視野的左半平面.基于這一點(diǎn)，可區(qū)分出收費(fèi)站工作人員的運(yùn)動(dòng).

4實(shí)驗(yàn)結(jié)果本文以廣東省公路收費(fèi)站所使用的服務(wù)器實(shí)際配置搭建實(shí)驗(yàn)平臺(tái)，其CPU采用一顆四核的Xeon處理器，主頻2.26 GHz，內(nèi)存4 GB，工作在Windows XP操作系統(tǒng)上.應(yīng)用本文提出的系統(tǒng)框架，能實(shí)現(xiàn)8路車(chē)道并行的實(shí)時(shí)車(chē)輛跟蹤和抓拍，以及簡(jiǎn)單的車(chē)流量和車(chē)型大小統(tǒng)計(jì).

對(duì)廣東省3個(gè)公路收費(fèi)站，共11組監(jiān)控視頻進(jìn)行了實(shí)驗(yàn).視頻總時(shí)長(zhǎng)5.5 h，共包含494 871幀圖像，不連續(xù)地覆蓋了白天各個(gè)時(shí)間段的光照情況.實(shí)際通過(guò)車(chē)輛共1 156輛，其中誤檢83輛，誤檢率7.2%；漏檢224輛，漏檢率19.4%.車(chē)輛計(jì)數(shù)平均準(zhǔn)確度87.8%.針對(duì)本文中提出的同時(shí)基于時(shí)間和空間變化規(guī)則的拍照判決算法，實(shí)驗(yàn)結(jié)果表明，該算法總體上表現(xiàn)出較好的魯棒性.圖6展示了該算法對(duì)于兩種典型情況在車(chē)輛抓拍魯棒性上的明顯改進(jìn).圖6（b）是圖6（a）的檢測(cè)結(jié)果，可見(jiàn)桿臂運(yùn)動(dòng)的殘影形成連續(xù)前景區(qū)域被識(shí)別出來(lái)（大框），且該區(qū)域與左下角拍照區(qū)（小框）重疊，但通過(guò)規(guī)則3予以濾除，從而避免誤拍.圖6（d）是圖6（c）的檢測(cè)結(jié)果，同樣地，人的運(yùn)動(dòng)區(qū)域（大框）

4予以濾除.

另外，基于空間變化規(guī)則的引入大大增強(qiáng)了算法的可擴(kuò)展性，在遇到新的問(wèn)題影響抓拍判決時(shí)，只要該問(wèn)題可以從空間幾何分布上予以識(shí)別和區(qū)分，就能夠添加到現(xiàn)有的過(guò)濾中.另一方面，該算法僅對(duì)每幀中的矩形區(qū)域進(jìn)行記錄和緩沖，無(wú)需請(qǐng)求大的內(nèi)存空間，并且每幀中的矩形區(qū)域數(shù)量有限，因而并不增加識(shí)別判決的時(shí)間復(fù)雜度.所以，無(wú)論在時(shí)間還是在空間復(fù)雜度上，該算法都有普遍優(yōu)勢(shì).在實(shí)驗(yàn)的檢測(cè)結(jié)果方面，漏檢的情況種類多、原因復(fù)雜，致使漏檢率遠(yuǎn)高于誤檢率，但總體看來(lái)尚在可接受的范圍內(nèi).

5結(jié)論本文中分析了基于視頻的公路收費(fèi)站車(chē)輛跟蹤及抓拍系統(tǒng)，其主要的工作和成果如下：

（1） 討論了背景差分方法在收費(fèi)站場(chǎng)景中應(yīng)用的局限性，使用幀差法并進(jìn)行了優(yōu)化.具體地，首先引入了幀緩沖池進(jìn)行間隔數(shù)幀求差以提高運(yùn)動(dòng)檢測(cè)靈敏度，然后分別使用中值濾波、形態(tài)學(xué)閉運(yùn)算和運(yùn)動(dòng)歷史圖像，極大程度上解決了一般幀差運(yùn)動(dòng)檢測(cè)法在運(yùn)動(dòng)實(shí)體內(nèi)部的空洞現(xiàn)象；

（2） 提出了一種高效的車(chē)輛矩形區(qū)域快速定位算法，算法定位一幀圖像中多個(gè)連通的前景像素矩形區(qū)域僅需對(duì)圖像進(jìn)行一次逐行掃描，具有良好的計(jì)算性能，且內(nèi)存開(kāi)銷小；

（3） 進(jìn)一步提出了同時(shí)基于時(shí)間和空間變化規(guī)則的拍照判決算法，該算法以噪聲過(guò)濾和解決收費(fèi)站欄桿臂運(yùn)動(dòng)和工作人員在攝影機(jī)前走動(dòng)的影響為目標(biāo)，采取兩級(jí)緩存數(shù)據(jù)結(jié)構(gòu)，在提高拍照判決穩(wěn)定性的同時(shí)還具備很好的可擴(kuò)展性.

目前，收費(fèi)站升降桿臂的運(yùn)動(dòng)影響仍不能完全被排除，對(duì)于部分光照條件差、受路面積水反光影響嚴(yán)重的視頻序列，拍照時(shí)機(jī)的選擇仍有待改進(jìn)，因此有必要進(jìn)一步研究針對(duì)性的方法.

參考文獻(xiàn)：

[1]GUPTE S， MASOUD O， MARTIN R F K， et al. Detection and classification of vehicles[J]. IEEE Transactions on Intelligent Transportation Systems， 2002， 3（1）： 3747.

[2]MORRIS B T， TRIVEDI M M. A survey of visionbased trajectory learning and analysis for surveillance[J]. IEEE Transactions on Circuits and Systems for Video Technology， 2008， 18（8）： 11141127.

[3]KHAMMARI A， NASHASHIBI F， ABRAMSON Y， et al. Vehicle detection combining gradient analysis and AdaBoost classification[C]∥Proc. of the IEEE Conference on Intelligent Transportation Systems. Vienna： IEEE， 2005： 6671.

[4]Van LEEUWEN M B， GROEN F C A. Vehicle detection with a mobile camera： spotting midrange， distant， and passing cars[J]. IEEE Robotics Automation Magazine， 2005， 12（1）： 3743.

[5]HSIEH J W， YU S H， CHEN Y S， et al. Automatic traffic surveillance system for vehicle tracking and classification[J]. IEEE Transactions on Intelligent Transportation Systems， 2006， 7（2）： 175187.

[6]BAS E， TEKALP M， SALMAN F S. Automatic vehicle counting from video for traffic flow analysis[C]∥Proc. of the IEEE Intelligent Vehicles Symposium. Istanbul： IEEE， 2007： 392397.

[7]XIE Lei， ZHU Guangxi， WANG Yuqi， et al. Realtime vehicles tracking based on kalman filter in a videobased ITS[C]∥Proc. of IEEE Conf. on Communications， Circuits and Systems. Hongkong： IEEE， 2005， 2： 883886.

[8]曾艷，于濂. 一種新的道路交通背景提取算法及研究[J]. 中國(guó)圖象圖形學(xué)報(bào)，2008，13（3）： 593599.

ZENG Yan， YU Lian. A new background subtraction method for on road traffic[J]. Journal of Image and Graphics， 2008， 13（3）： 593599.

[9]SHI Peijun， JONES E G， ZHU Qiuming. Median model for background subtraction in intelligent transportation system[C]∥Proc. of SPIE， Imaging Processing： Algorithms and Systems Ⅲ. San Jose： SPIE， 2004， 5298： 168176.

[10]張?zhí)扈? 基于改進(jìn)型中值濾波算法的圖像去噪[J]. 長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)，2009，30（1）： 4952.

ZHANG Tianyu. Image denoising based on improved median filter[J]. Journal of Changchun University of Technology， 2009， 30（1）： 4952.

[11]董付國(guó)，原達(dá)，王金鵬. 中值濾波快速算法的進(jìn)一步思考[J]. 計(jì)算機(jī)工程與應(yīng)用，2007，43（26）： 4849.

DONG Fuguo， YUAN Da， WANG Jinpeng. Study on fast algorithm of median filtering[J]. Computer Engineering and Applications， 2007， 43（26）： 4849.

[12]YUAN Shiqiang， TAN Yonghong. The solutions of equationbased noise detector for an adaptive median filter[J]. Pattern Recognition， 2006， 39（11）： 22522257.

[13]RICHARD A P. A new algorithm for image noise reduction using mathematical morphology[J]. IEEE Transactions on Image Processing， 1995， 4（3）： 554568.

[14]屈楨深，于萌萌，姜永林，等. 用小波模歷史圖像的運(yùn)動(dòng)車(chē)輛視頻檢測(cè)[J]. 西南交通大學(xué)學(xué)報(bào)，2012，47（3）： 8995.

QU Zhenshen， YU Mengmeng， JIANG Yonglin， et al. Visionbased detection of moving vehicles using wavelet modulus history images[J]. Journal of Southwest Jiaotong University， 2012， 47（3）： 8995.