基于粗集理論的車輛狀態檢測

丁麗

摘要：該文提出一種基于粗集理論的車輛狀態提取方法，首先從視頻中提取存在目標車輛的關鍵幀，對關鍵幀中的選定區域進行掃描，根據關鍵幀中的R、G、B顏色信息以及像素點位置關系，建立區域內的可能目標的粗集表示。然后根據車輛目標的特征，去除選定區域內可能的偽目標。進而基于上下近似集表示車輛目標提取車輛邊界，計算車輛目標質心，從而計算得到t時刻到t+1時刻內車輛質心的移動距離和方向，計算得到車輛行駛方向和速度。仿真實驗表明該文算法能夠準確提取車輛目標較少情況下的車輛運行狀態數據。

關鍵詞：粗集；運動目標檢測；車輛狀態檢測

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2018）01-0189-02

1 概述

隨著大數據技術的發展，智慧交通逐漸成為智能交通系統發展的方向。智慧交通的發展依賴于來自各類檢測設備的交通數據，多源交通數據是智慧交通發展的基礎。充分利用現有的交通基礎設施準確提取各類交通數據，為交通控制、誘導提供必要的基礎數據，能夠有效提高城市交通運行效率。

車輛運動狀態是一種重要的交通數據，基于車輛運動狀態信息我們可以進行道路交通狀態檢測，從而針對不同交通狀態調整交通控制和誘導策略。隨著智能監控系統的發展，道路視頻監控系統已廣泛布設在城市各主要交通道路。基于道路監控視頻的車輛運動檢測作為運動目標檢測的一個重要內容被眾多研究者廣泛關注，研究者通常利用幀間差分[1]、背景差分[2]、光流場[3]等運動目標檢測方法提取車輛運行狀態，取得了良好的效果。

幀間差分法是利用當前幀與前一幀進行差分運算，并進而通過圖像的膨脹和腐蝕等形態學運算來獲取運動目標的方法。在特定場景下該方法能夠有效的實現目標檢測，但由于慢速目標兩幀之間目標位置變化較小，會造成此類目標漏檢[4]。背景差分法是目前運動目標檢測中最常用的方法，其通常利用當前幀與背景幀進行差分運算從而提取出檢測目標，但常因背景幀在不同場景下的變化較大，背景幀更新不及時，而導致目標檢測失效[5]。光流場方法是根據連續多幀的前景和背景流光場來實現目標檢測，該方法不依賴與場景信息，可以得到較好的檢測正確率，但由于光流場計算復雜，計算量大，使得該方法難以應用于實時性要求較高的運動目標檢測場景[6]。

針對上述問題，本文提出一種基于RGB顏色的車輛運動檢測方法，利用粗集理論對每幀中的運動車輛進行檢測，將每幀圖像中的靜態目標以粗集形式表示，并根據待檢目標特征剔除噪聲引起的偽目標，從而實現有效運動目標的檢測，并根據相鄰幀中的目標特征實現目標運動特征提取。

2 基于粗集的運動目標檢測方法

通常圖像中的背景和前景目標均是由不同顏色像素構成，本文假設圖像采用RGB顏色模型表示，每個像素點由R、G、B三原色構成，不同R、G、B混合比例產生不同的視覺顏色。當三個顏色為（0，0，0）時表示黑色，三個顏色分量均為（255，255，255）表示白色[7]。本文假定圖像中的運動目標本與背景之間存在顏色差異，考慮利用粗集理論為每幀圖像中各前景目標建立基于顏色（R，G，B）和位置關系的粗集表示，通過上下近似集之差以及給定的邊界寬度閾值確定目標物體的邊界，進而計算得到運動目標質心，利用t時刻和t+1時刻運動目標的質心位置之差來計算目標移動距離，計算目標運動的方向和速度。

2.1 目標區域的提取

粗集是用于處理不確定、不一致、不完備數據的數學工具，其基本思想是利用論域中元組的不可分辨關系和等價類對未知知識進行上下近似集表示[8]。在基于圖像的目標識別中我們可以利用目標區域的上下近似集來表示待識別目標。假定有論域U，x和y是論域U上的元組，a是屬性，a（x）表示x元組對應屬性a的值，則粗集中的不可分辨關系定義為：

對于未分類元組集合，以及不可分辨關系P，X的上近似集和下近似集分別表示為：

本文中我們將提取自監控視頻的每幀圖像中的像素看作論域，每個像素的屬性包含（R，G，B，row，col），其中row表示像素的行號，col表示像素的列號，R，G，B表示像素的顏色信息。

為實現每幀圖像中運動目標的快速識別，我們取3*3的像素區域為基本粒。若基本粒中所有像素點顏色均屬于某給定閾值的目標顏色范圍，則該基本粒歸入目標區域的下近似集中，若基本粒中存在部分像素點顏色不屬于給定的目標顏色范圍，則將該基本粒歸入目標區域的上近似集中。基于此方法，我們即可得到目標區域的上下近似集表示：

其中表示上近似集，表示下近似集，Gi表示基本像素粒子，p表示基本粒中的一個像素，RGB（p）表示p像素的顏色，ColorB表示背景區域的顏色范圍。本文采用的目標提取算法描述如下：

步驟1：任取圖像中的一個基本粒Gi，從Gi開始對選定區域進行掃描處理；

步驟2：對Gi中每個像素p進行掃描，

若Gi中的每個像素p顏色均在背景色閾值范圍內，則Gi計入背景色；

若Gi中的每個像素p顏色均在背景色閾值范圍之外，判斷Gi是否與現有目標相鄰，

若Gi與目標Oj相鄰，則并將Gi計入目標Oj的下近似集中；

若Gi與現有所有目標均不相鄰，則新建目標Onew，并計入Onew的下近似集；

若Gi中的部分像素p顏色不再背景色顏色閾值范圍內，

若Gi與目標Oj相鄰接，則Gi計入目標Oj的上近似集中；

若Gi與現有目標均不相鄰，則新建目標Onew，并計入Onew的上近似集；

步驟3：對每個目標進行有效性識別，若目標Oj的僅包含1個基本粒，則此目標定義為偽目標；

步驟4：對每個有效目標Oj的上近似集和下近似集中的像素點進行差運算，獲取目標邊界區域，并對邊界區域內部像素點進行二值化處理；計算得到目標的質心位置。endprint

由于實際圖像中的每個基本粒中的像素顏色存在差異，可能存在某基本粒中某像素顏色不再背景顏色范圍內的情況，如圖1（a）所示的綠色矩形區域，目標本算將此類目標定義為偽目標加以去除。如圖1（a）中的紅色矩形框表示檢測得到的有效目標上近似集區域，黃色矩形框表示有效檢測目標的下近似集區域。（b）中的白色區域表示二值化處理之后的有效目標區域。

2.2 車輛狀態提取

為準確提取視頻中的車輛狀態，首先需要消除因視頻采集設備抖動發生的圖像采集誤差。為消除由于視頻采集設備產生的運動目標位置誤差，本文采用基于基準位置的抖動消除方法，在視頻采集區域內設置基準目標區域，假定基準目標位置不會發生移動，對采集視頻的每幀圖像，根據基準目標位置重新計算每一幀中的像素位置，從而消除因視頻采集設備本身不穩定產生的視頻抖動情況。

另一方面，由于視頻采集設備以及視頻采集環境因素的影響，提取的視頻關鍵幀中存在顏色失真情況，從而導致基于基本粒的目標區域識別可能產生部分偽目標區域。由于本文所提取目標為車輛，本文根據車輛特征可以剔除2.1節中的偽目標。本文中將識別出的所有目標下近似集所占像素數小于車輛目標像素大小的目標區域剔除，從而消除偽目標。對于識別出的車輛目標利用質心計算公式計算算出質心，并計算t時刻和t+1時刻幀之間質心的移動距離，從而計算出目標移動方向和速度。質心計算公式如下：

根據t和t+1時刻的目標i的質心位置A（，）和B（，），我們即可計算得到目標i從t到t+1時間范圍內的移動距離，從而計算得到運動目標在AB方向上的移動速度，并可根據AB連線與車道線的防線夾角判斷車輛是否存在變道行為。

3 實驗仿真

本文利用視頻采集設備采集濟南市經十路千佛山路口附近車輛運行狀況視頻，采集時間2015年5月6日下午17：34：11，視頻時間長度4：45。本文僅對車輛較少情況下的算法識別有效性進行驗證，對視頻開始1：42至1：45時間內的車輛運動狀態進行識別。且為降低數據計算量，提高車輛狀態識別準確度，本文設定了梯形識別區域，對選定區域內的車輛進行狀態識別，如圖2（a）所示是提取自原視頻的1：42時刻關鍵幀，（b）所示是利用粗集提取到的目標區域二值圖像，（c）是去除偽目標后的效果。

根據2.1節中的目標提取方法我們可以得到目標的上下近似集，利用上下近似集之差可以獲得目標的邊界范圍，進而計算得到目標質心。進而對t+1時刻關鍵幀進行目標提取和偽目標去除，并計算t+1時刻目標質心，利用t時刻到t+1時刻目標質心移動距離和方向即可提取車輛目標的運動速度和方向。

4 總結

針對智能交通系統中的車輛狀態識別問題，本文提出了基于視頻的車輛狀態提取算法。首先對交通視頻進行關鍵幀提取，并對視頻選定區域內的車輛目標進行識別。根據車輛目標的顏色特征與背景道路的顏色特征存在差異的特點，將選定區域劃分為基本像素粒子，利用粗集理論對選定區域內的運行車輛進行上下近似集表示，從而獲取車輛目標的邊界區域。進而利用質心計算公式得到運動車輛在不同時刻的質心位置，計算得到車輛的運行狀態。仿真實驗表明，本文所提算法能夠有效提取交通視頻中的車輛運行狀態信息，為智能交通系統提供必要的基礎數據。

為進一步提高本文算法的效率和識別準確率，在未來研究中我們將考慮基于粗集的背景提取和融合算法，以獲取更加準確的背景顏色閾值，實現針對不同背景條件下的車輛狀態識別算法。

參考文獻：

[1] 王忠華，王超. 聯合幀間差分和邊緣檢測的運動目標檢測算法[J]. 南昌大學學報：理科版，2017，41（1）：42-46.

[2] 沈瑜，王新新. 基于背景減法和幀間差分法的視頻運動目標檢測方法[J]. 自動化與儀器儀表，2017（4）：122-124.

[3] 趙曉剛，馮全，王書志. 一種基于幀間差分與模板匹配的河水表面流速測量方法[J]. 計算機應用與軟件，2017，34（9）：68-71.

[4] 侯濤，李丹丹. 基于雙背景建模與差分圖像的軌道異物識別[J]. 蘭州交通大學學報，2017，36（1）：47-50.

[5] 諶湘倩，馬紹惠，須文波. 基于背景差分檢測和改進GM-PHD濾波器的多目標跟蹤[J]. 計算機工程，2017，43（1）：253-258.

[6] 潘崢嶸，鐘珍珍，張寧. 改進的背景減法與五幀差分法相結合的運動目標檢測[J]. 自動化與儀表，2017，32（7）：22-25.

[7] 李俊峰. 基于RGB色彩空間自然場景統計的無參考圖像質量評價[J]. 自動化學報，2015，41（9）：1601-1615.

[8] 安利平，陳增強. 基于粗集的多準則決策分析[J]. 控制與決策，2013，28（1）：1-12.endprint