高速道路交通視頻中車輛目標提取研究*

劉凱雄， 李玉惠， 李 勃， 劉加運，

(1.昆明理工大學 信息工程與自動化學院，云南 昆明 650500;2.云南省智能交通系統工程技術研究中心 智能圖像處理研究室，云南 昆明 650500)

高速道路交通視頻中車輛目標提取研究*

劉凱雄1,2， 李玉惠1,2， 李 勃1,2， 劉加運1,2，

(1.昆明理工大學信息工程與自動化學院，云南昆明650500;2.云南省智能交通系統工程技術研究中心智能圖像處理研究室，云南昆明650500)

為了能夠從監控視頻中快速、準確地分析車輛目標，提出了基于感興趣區域(ROI)的車輛目標提取方法。針對高速公路監控視頻,利用混合高斯背景建模，在視頻中劃定ROI,以排除逆向車道車輛目標的影響，應用圖像形態學進行干擾點排除與前景圖像輪廓空洞填充，對運動車輛目標進行檢測后，用最小矩形方框法自動截取目標，最終，通過圖像尺度歸一化建立車輛樣本數據庫，為車型分類和識別提供目標圖像。實驗結果表明：該方法對車輛目標提取準確率高，且圖像數據庫樣本豐富。

混合高斯背景建模； 感興趣的區域； 背景差分法； 最小矩形； 車輛目標提取

0 引 言

目前，關于車輛識別和分類大量實驗圖像樣本庫的建立都是以人工截取建立的數據庫，任務量大，消耗人力且成本又高；同時,為了輔助公安及交警部門進行車輛目標的識別與軌跡分析等執法辦案。本文利用計算機圖像處理技術，針對道路交通視頻的智能化設計的車輛目標最優化自動提取的實驗研究，實現自動截取最優車輛目標圖像并保存，建立樣本數據庫，對車輛目標進行分類和識別[1,2]。

1 實驗整體方案設計

基于高速道路交通視頻中車輛目標提取系統是針對視頻中進行混合高斯模型進行背景訓練，通過劃定視頻中的感興趣的區域(region of interest,ROI)，排除逆向車道的車輛影響,同時,對車輛目標最優化的界定，背景差分法是獲取車輛目標在圖像中位置的關鍵步驟，最后對前景圖像以最小矩形的方法框定車輛目標[3],(最大化地獲取車輛目標，同時最小化圖像中背景圖像的干擾。)截取保留到指定文件夾中，最后通過圖像尺度歸一化將圖像保存，建立車輛目標的數據樣本庫。總體流程如圖1所示。

圖1 車輛目標提取實驗流程

2 實驗流程與原理

2.1 視頻中的ROI提取

首先，對視頻圖像序列中設定了一個ROI定義車輛目標提取相關圖像處理域，以避免反向車道車輛的影響，同時，可以減少圖像處理的計算量，從而降低提取的時間復雜度，提高處理效率。

目前的研究方法是通過設置一條虛擬檢測線進行后續的處理[4]，在實際實驗中，如果反向車道的車輛也在視頻ROI內運動，則通過再設置兩條由兩個端點各自向車輛運動方向的反向延伸的線段，即再設置兩個端點坐標P3(x3,y3)，P4(x4,y4)，與虛擬檢測線設置的兩個端點構成三條線段，兩條邊界線與虛擬檢測線形成“凹形框”，劃定車輛的行駛方向，可以避免反向車道內的車輛的影響，提高提取效率和準確率。虛擬檢測線與兩條邊界線構成的直線方程為：

虛擬檢測線

Ax+By+C=0

(1)

左邊界線

A1x+B1y+C1=0

(2)

右邊界線

A2x+B2y+C2=0

(3)

2.2 基于混合高斯背景建模算法

實現對車輛目標的檢測時首先要進行道路卡口的混合高斯背景建模，背景建模效果直接影響著運動目標檢測算法性能。混合高斯模型建模是目前主流背景建模的方法，運行時間短，復雜度低，詳細算法流程如圖2所示。

圖2 混合高斯模型算法流程

混合高斯背景建模算法原理：

1)任意一個新像素Xt同當前K個模型按式(4)進行匹配，直到找到匹配新像素值的分布模型，均值偏差x≤2.5σ

|Xt-μi,t-1|≤2.5σi,t-1

(4)

2)若所匹配的模式符合背景，則該像素屬于背景;否則,m屬于前景(運動目標)。

3)各模式權值按式(5)更新，其中，α為學習速率，對于匹配的模式Mk,t=1；否則，Mk,t=0。然后，對各模式的權重進行歸一化

wk,t=(1-α)wk,t+αMk,t

(5)

4)未匹配模式的均值μ與標準差σ保持不變，匹配模式的各參數進行更新

ρ=αη(Xt|μk,σk)

(6)

μt=(1-ρ)μt-1+ρXt

(7)

(8)

5)若步驟(1)中沒有任何模式匹配，則權重最小的模式被替換，即該模式的均值為當前像素值，標準差為初始較大值，權重為較小值。

6)各模式根據w/α2按降序排列，權重大、標準差小的模式排列先前。

7)選前B模式作為背景，B滿足式(9)，參數T為背景所占百分比

(9)

2.3 背景差分法

背景差分法是采用圖像序列中的當前幀和背景參考模型比較來檢測運動物體的一種方法,其性能依賴于所使用的背景建模技術[5]，具有檢測運動目標速度快且結論相對準確，易于實現。系統采用了背景差分法，在建立混合高斯背景模型后，運用背景差分法，通過形態學處理可實現對車輛目標輪廓空洞填充，消除微小背景及水印干擾點，實現車輛目標檢測得到前景圖像及車輛輪廓，如圖3所示。

圖3 背景差分法的處理流程

2.4 車輛目標的最小矩形

最小外接矩形是指以二維坐標表示的若干二維形狀(例如點、直線、多邊形)的最大范圍，即以給定的二維形狀各頂點中的最大橫坐標pt[2]、最小橫坐標pt[0]、最大縱坐標pt[3]、最小縱坐標pt[1]定下邊界的矩形。一個矩形包含給定的二維形狀，且邊與坐標軸平行。最小外接矩形是最小外接框的二維形式，如圖4所示。

圖4 最小矩形二維形式

2.5 車輛圖像尺度歸一化

由于道路視頻分辨率存在的差異使得車輛對象圖像的大小不同，不同卡口攝像機拍攝到的同一車輛對象的尺寸大小通常不一樣。車輛尺寸的不一致增加了對后續車型的識別誤差。為了減小圖像尺度不一對部分車輛識別和分類分析的影響，在提取車輛對象后需要對圖像進行歸一化處理。本實驗采用區域插值法：1)利用圖像的紋理復雜度，將圖像劃分成不同的區域；2)根據采樣點在原圖像中的區域位置，利用區域插值方法構造采樣點。

3 實驗結果分析

為了測試本文算法的性能，實驗采用云南省高速道路某卡口的視頻幀序列，視頻ROI的劃定采用人工鼠標事件進行4個坐標點的標準[8]，效果如圖5所示。

圖5 車輛目標提取過程

對于視頻中提取到的車輛目標可根據具體后續實驗的需求，設定歸一化的尺寸，實驗中對車型分類進行了64×64的歸一化處理，實驗結果如圖6所示。

最后,對同一視頻提取車輛目標的實驗結果進行數據分析，正確率=(提取到的車輛目標數—提取到的重復目標數)/ 總車輛數。實驗視頻幀序列中總車輛數為241輛，提取到232輛，重復提取13輛。因此,本次實驗提取車輛目標的正確率為90.87%。

圖6 歸一化處理后車輛圖像樣本

4 結束語

本文提出了基于視頻中ROI的最優化車輛目標的自動提取系統的實現原理與過程，運用混合高斯模型進行背景建模景差分法對圖像中的每個像素建立多個高斯模型，有效克服了白噪聲、字幕、樹葉周期性抖動的影響，對監控視頻中車輛對象提取保留了對象車輛的相對完整性，同時，對不同尺寸的車輛目標圖像進行歸一化處理，以消除對后續車型分類和識別的影響。實驗結果表明：該系統有效地解決了高速道路監控視頻中車輛目標的提取及樣本庫的建立，可應用于實際道路視頻監控工作中。

[1] Li Zhihua,Zhou Fan,Tian Xiang ,etc.High efficient moving object extraction and classification in traffic video surveillance[J].Journal of Systems Engineering and Electronics,2009,20(4):858-868.

[2] 繆小冬,李舜酩,沈 峘,等.路面車輛的視覺檢測方法[J].傳感器與微系統,2010,29(2):5-8,12.

[3] 朱 煉,孫 楓,夏芳莉,等.圖像融合研究綜述[J].傳感器與微系統,2014,33(2):14-18.

[4] 夏 潔,吳 健,陳建明,等.基于虛擬檢測線的交通視頻關鍵幀提取[J].蘇州大學報：工科版,2010(2):1-11.

[5] 屈晶晶，辛云宏 .連續幀間差分與背景差分相融合的運動目標檢測方法[J].光子學報，2014，43(7)：1-8.

Researchonvideovehicleobjectextractionbasedonhigh-speedroadtraffic*

LIU Kai-xiong1,2， LI Yu-hui1,2， LI Bo1,2， LIU Jia-yun1,2

(1.SchoolofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,China;2.IntelligentImageProcessingResearchCenterofIntelligentTransportationSystemEngineeringTechnologyResearchCenterofYunnanProvince,Kunming650500,China)

In order to analyze on vehicle target from the surveillance video quickly and accurately,vehicle target extraction method based on region of interest (ROI) area is proposed.Aiming at highway surveillance video,use Gaussian mixture background for modeling,draw ROI area invideo,to eliminate the influence of the reverse drive vehicle target,by method of image morphology for eliminating interference points and image contour cavity filling,after detecting vehicle moving target automatically intercept target with minimum rectangular box method,and finally build vehicles sample database by normalized image scale,provide target image for vehicle classification and recognition.The experimental results show that extraction accuracy of vehicle target by the method is high,and be able to rich the image database sample.

Gaussian mixture background modeling; region of interest(ROI) area; background difference method; the smallest rectangle; vehicle target extraction

10.13873/J.1000—9787(2017)10—0035—03

2016—08—12

國家自然科學基金資助項目(61363043)

TN 919

A

1000—9787(2017)10—0035—03

劉凱雄(1990-)，男，碩士研究生，主要研究方向為智能圖像處理。李玉惠，通訊作者，E—mail：1484946977@qq.com。