一種基于路側攝像頭的車輛跟蹤方法

湯從衡，李其仲

（1.現代汽車零部件技術湖北省重點實驗室（武漢理工大學），湖北 武漢 430070；2.汽車零部件技術湖北省協同創新中心，湖北 武漢 430070）

1 引言

在道路視頻檢測領域，車輛檢測及跟蹤是非常重要的技術之一，基于道路視頻的車輛檢測及跟蹤不僅能獲取實時的交通信息，而且能通過先進的通訊技術，將道路信息發布，可以極大地緩解交通壓力。在道路視頻檢測中，常用的車輛檢測算法有幀間差分法、背景差分法、背景建模法等[1-3]，ViBe 背景建模算法是一種常用的背景建模檢測算法，能夠自動適應背景環境的變化。然而ViBe背景建模算法在光線較為強烈時，由于運動目標的陰影存在，容易將目標陰影檢測為運動目標，影響車輛的檢測精度，許多學者對這一問題進行了研究[4-6]。目前最常用于道路視頻檢測的車輛跟蹤方法有卡爾曼濾波算法、Camshift 算法、特征匹配跟蹤算法、TLD 目標跟蹤算法[7-9]，其中卡爾曼濾波算法比較適用于視頻幀率較高的視頻車輛跟蹤中。

為了解決ViBe背景建模算法易受陰影影響的問題，本文提出了一種HSV陰影消除方法，并在此基礎上，提出一種弱重疊視域的車輛跟蹤方法，通過路側設備之間的信息交互實現車輛的跟蹤。

2 基于改進ViBe算法的車輛檢測

2.1 傳統ViBe背景建模算法

傳統ViBe背景建模算法是一種能夠自動適應背景環境的背景建模檢測算法，ViBe 背景算法將背景圖像中的像素點視作是由多個樣本構成，可以用一個像素集合表示，當集合中存在N個樣本時，像素點(x,y)的背景模型表達式為：

式中M(x,y)表示背景圖像的像素點，v(x,y)為當前圖像在(x,y)像素點處的像素值。現設SR(x,y)表示以v(x,y)為圓心、半徑為R的圓形像素點區域，具體如圖1所示。最終SR(x,y)范圍內所包含的背景樣本點個數Num的計算公式為：

圖1 ViBe背景建模算法像素點圓形區域示意圖

當給定一個閾值T，若根據式（2）計算所得Num大于閾值T，則視像素點(x,y)為背景像素點，反之則視作檢測目標像素點。ViBe算法的實現過程主要分為三個步驟：

（1）背景圖像初始化。原始ViBe 算法的背景圖是以視頻中第一幀圖像作為背景圖像，利用第一幀圖像實現圖像像素樣本集的構建。以第一幀圖像對背景圖像進行建模，具體的建模公式為：

式中M0(x,y)為初始背景模型中(x,y)處的像素點，v0表示初始原圖像中(x,y)像素點處的像素值，NG(x,y)表示鄰域中與(x,y)像素點相鄰的點。

（2）前景檢測。通過該步驟可將前景檢測目標從背景圖像中分離出來，即目標檢測過程。設(x,y)像素點處的像素值為v(x,y)，對應的背景樣本集為M(x,y)，相應地在(x,y)像素點處檢測圖像與背景圖像的像素值之差為D(x,y)，則D(x,y)的計算公式為：

式中di=v(x,y)-vi(x,y)。當半徑閾值R以及差分閾值T確定之后，通過統計當前像素點與歷史樣本值之差大于R的個數，若個數大于T，則判定該像素點為前景目標點，反之為背景點。

（3）背景圖像更新。ViBe 算法對于模板圖像的更新采用了三個重要策略：無記憶更新策略、時間采樣更新策略、空間鄰域更新策略。無記憶更新策略在更新背景圖像的像素點時，為確定具體需要更新的像素點，采用的是利用新像素點像素值隨機替代該像素點樣本的某一樣本集；時間采樣更新策略則是按照事先設定的更新速率對背景圖像進行更新，當某一像素點被判別為背景點時，該像素點有的概率更新背景模型，其中φ為時間采樣因子，一般設為16。其具體的更新方法如下：每個背景點都有的概率更新該像素點的模型樣本值，有的概率去更新該像素點鄰居點的模型樣本值，當目標像素點數量累積達到臨界值時，將該像素點轉變為背景點，之后同樣存在的概率進行背景樣本值的更新。

2.2 基于改進ViBe背景算法的車輛檢測

傳統ViBe背景建模算法容易將陰影背景檢測成前景目標。當光線較為強烈時，運動目標在光線下會產生陰影，且陰影區域的顏色與周圍背景區域顏色差異大，背景差分之后將陰影誤檢為運動目標，并導致運動目標形狀檢測不準確，產生較大的誤檢區域。為了減小陰影現象對ViBe背景建模算法檢測精度的影響，需要對陰影進行消除。

目前主流的陰影消除法有兩種，一種是基于HSV 顏色空間的陰影消除法，一種是基于RGB 顏色空間的陰影消除法。經過研究表明，在HSV 色彩空間中，陰影的數值比較穩定，運動目標產生的陰影在HSV 色彩空間中亮度V 會降低，且運動目標產生的陰影在整個HSV色彩空間中的分量和比背景的分量和因此本文在HSV 色彩空間中執行陰影抑制算法來減少陰影對檢測結果的影響。

在ViBe 背景建模算法檢測的前景區域內，根據陰影在HSV色彩空間中的特點統計出可能是陰影的像素點。統計公式為：

根據式（5）初步選取陰影像素，然后將選取的像素全部置入像素集合中，最后根據連通區域原理將候選陰影集合SPC 劃分為不同的連通區域集合

由于經過式（5）篩選的區域并不完全是陰影區域，因此需要計算連通區域內像素的梯度和梯度方向，計算公式為：

式中，?p和θp分別表示梯度和梯度方向。當時，τm為固定閾值，由此可以確定新的像素集合

式中，τa為設定閾值，H(X)函數為階躍函數，表達公式為

計算出連通區域集合SPCi中每個連通區域的梯度相關系數C，并設定閾值τa。當梯度相關系數C 大于閾值τa時，認為該區域為陰影區域，顯示為背景。當梯度相關系數C小于閾值τa時，認為該區域為檢測區域，不做改變，顯示為前景。基于HSV色彩空間的陰影抑制算法可以去除動態目標的大部分陰影區域，隨后采用相關圖像形態學處理辦法消除小連通區域，最終達到較好的檢測效果。

3 卡爾曼濾波車輛跟蹤

在跟蹤算法中，最為常用的算法為卡爾曼濾波（Kalman Filter，KF），該算法是將視頻檢測過程視為一個動態系統序列，通過最小線性方差估計預測得到視頻序列中車輛目標的最優位置狀態。其狀態方程見式（10）。

式中，x為系統狀態變量，y為系統觀測變量，u是系統的輸入；A是狀態轉移矩陣，B是控制矩陣，wk和vk分別是系統誤差和測量誤差。卡爾曼濾波算法對車輛進行跟蹤主要分為兩個過程：預測和跟蹤。

（1）預測過程。對車輛狀態預測的原理是利用前一時刻的車輛狀態信息對后一時刻的車輛狀態進行預測，計算目標的預測狀態值用式（11），預測值與真實值的誤差協方差矩陣見式（12）。

（2）更新過程。在更新過程中，首先計算得到最優卡爾曼增益，然后根據卡爾曼增益得到當前時刻的最優估計值，最后計算得到預測值和實際值之間的誤差協方差矩陣，為下一次的預測做準備。最優卡爾曼增益公式見式（13），修正狀態公式見式（14），修正最小均方差計算公式見式（15）。

4 弱重疊視域車輛跟蹤

由于本文采用路側攝像頭對車輛進行跟蹤，在跟蹤過程中會發生目標車輛離開當前路側攝像頭監控范圍進入相鄰攝像頭監控范圍的情況，此時容易發生丟失目標車輛的情況。

相鄰攝像頭的車輛跟蹤方法一般分為非重疊視域的車輛跟蹤方法[10]和重疊視域的車輛跟蹤方法[11]，如圖2所示。非重疊視域的車輛跟蹤方法如圖2（a）所示，重疊視域的車輛跟蹤方法如圖2（b）所示。

圖2 相鄰攝像頭車輛跟蹤方法

方法a存在視野盲區，不能很好的利用空間位置對目標車輛進行匹配和跟蹤。方法b 存在視野區域重疊的部分，可以充分利用相鄰攝像頭視野之間的重疊，對目標車輛進行匹配，完成跨攝像頭的車輛跟蹤，但基于重疊視域的車輛跟蹤方法需要的路側攝像頭較多，浪費資源。

針對這兩種車輛跟蹤方法的局限性，本文設計了一種弱重疊視域的車輛跟蹤模塊，弱重疊視域的示意圖如圖3所示。通過合理設計相鄰攝像頭的視野區域分布情況，利用相鄰攝像頭視野區域緊密銜接的特點，實現目標車輛的連續跟蹤。

圖3 弱重疊視域示意圖

以單車道為例設計弱重疊視域跟蹤模塊，首先分析單個路側攝像頭的視野區域，將單個路側攝像頭的視野區域劃分為三塊區域，這三塊區域分別為駛入提醒區域、測速區域1和測速區域2。另外，考慮到車輛駛出測速區域2 時存在車輛后半部分在原始目標區域的情況，為描述方便，將該攝像頭安裝位置到視野邊緣的這塊區域設定為駛出提醒區域，如圖4所示。

圖4 單個路側攝像頭區域劃分圖

駛入提醒區域用以告知路側攝像頭，目標車輛已經進入視野區域。測速區域用以計算目標車輛在視野區域內的速度信息和加速度信息，為車輛信息的通訊提供數據。駛出提醒區域用以告知相鄰攝像頭，該目標車輛已經駛入相鄰攝像頭視野區域，并在該區域內實時傳輸目標車輛的位置信息、速度信息和加速度信息。

然后分析相鄰路側攝像頭之間的視野區域劃分情況。基于弱重疊視域的思想，將相鄰攝像頭視野區域緊密銜接，相鄰路側攝像頭區域劃分情況如圖5所示。

圖5 相鄰路側攝像頭區域劃分圖

5 實驗結果及分析

為了驗證本文所提出車輛跟蹤方法的有效性，在校園道路模擬城市道路進行實驗，實驗器材有：①Mavic Pro 大疆無人機，通過懸停模式模擬路側監控攝像頭進行視頻采集；②大唐電信DMD31模組，用于模擬路側單元中的路側通訊設備；③PC 電腦，Intel(R) Core(TM) i3-4170 @ 3.70GHz CPU、NVIDIA GeForce GTX 1050 2G 顯存、8G RAM、本文軟件環境在Windows 操作系統下進行，另外使用了Visual Studio 2013開發工具集和OpenCV計算機視覺庫。

本次實驗需要測試三個方面的內容，一是驗證改進的ViBe算法在路側單元上進行車輛檢測的優越性；二是驗證卡爾曼濾波算法應用于路側攝像頭環境下車輛跟蹤的有效性；三是獲取實驗車輛的運動狀態信息，并采用DMD31模組接收獲取的車輛信息。

（1）車輛檢測結果分析。分別采用傳統的ViBe算法和改進的ViBe 算法對采集的視頻進行車輛檢測，二者檢測效果如圖6所示。

圖6 陰影檢測效果對比圖

從圖中效果可見，傳統的ViBe 算法受陰影影響較大，改進后的ViBe 算法能夠降低陰影對車輛檢測的影響，且改進后的ViBe 算法生成的前景圖質量更高，噪點影響較低，最終導致的結果是改進后的ViBe算法生成的車輛檢測框定位更加精準。

（2）車輛跟蹤結果分析。車輛跟蹤實驗在實際校園場地上進行，在改進的ViBe算法基礎上，使用卡爾曼濾波算法對目標車輛進行跟蹤。為了方便說明視頻效果，在文中每隔一段時間選取一張圖片組成視頻序列圖像，用以實驗結果分析，視頻序列圖像如圖7所示。

從圖中結果可知，將卡爾曼濾波算法和改進ViBe算法結合能對車輛實現很好的跟蹤，漏檢率較低。

（3）車輛運動信息提取及信息傳輸。從圖8中結果可知，目標車輛進入測速區域1 時，視頻為第48幀，進入測速區域2時，視頻為第143幀，進入駛出提醒區域時，視頻為第250 幀，此時測試結果顯示車輛行駛速度為2.8m/s，約為10km/h，加速度為-0.1m/s2，與目標車輛實際行駛速度相符，并能成功將駛出提醒區域處的信息傳輸給DMD31 模組，驗證了本文中提出方法的可行性和有效性。

圖7 視頻序列原始圖像

圖8 運動信息提取結果圖

6 結論

本文提出一種基于路側攝像頭的車輛跟蹤方法。在車輛檢測部分，通過在HSV空間中抑制陰影的產生，有效減少了陰影現象對車輛檢測的影響。在車輛跟蹤階段，通過將改進ViBe算法與卡爾曼濾波算法結合，且構建了一種弱重疊視域的車輛跟蹤模塊，實現車輛在目標區域的有效跟蹤，并能將車輛在監控范圍內的運動信息傳遞出去。實驗表明，本文方法能滿足實際道路交通監控中的車輛跟蹤需求。