基于視頻圖像的高速公路車輛識別算法研究

曾宇凡

摘要：針對高速公路監控視頻圖像實現路上車輛的自動識別，文章分析了當前主要的路況車輛識別算法，并提出采用基于高斯混合模型的矩陣區分背景圖像和前景道路，使用彩色矩陣變化獲得車輛前景信息，通過提取圖像紋理信息結合幀間差分算法識別道路車輛的改進算法。經實驗表明，該算法能快速實現背景分割，獲得前景圖像并能準確識別出車輛信息。

關鍵詞：視頻圖像;車輛識別;高斯模型;幀間差分算法

中圖分類號：U491 文獻標識碼：A DOI：10.13282/j.cnki.wccst.2019.09.046

文章編號：1673-4874（2019）09-0165-03

0引言

近年我國高速公路通車里程在高速增長，同時隨著信息技術的飛速發展，為建設智慧高速立體化管理系統提供有力支撐。其中路面監控視頻數據具有對路面路況信息的獲取最為豐富、數據可重復使用的概率最高、數據獲取方式最為直接等優點，因此采用路面監控設備結合視頻檢測系統，利用數字圖像處理技術與模式識別技術實現人工智能判別交通異常的方法，能夠實現高速公路上運動車輛自動檢測、根據車輛特征自動跟蹤、交通事故檢測、道路異常判斷等目標，對提高交通事故救援和排障的效率，提高高速公路運營管理效率具有重要意義。

1視頻圖像路況識別主流算法分析

對于采用圖像識別技術識別車流路況等動態信息，有很多人采用圖像幀間差分算法進行識別。幀間差分動態檢測算法的基本思路是將兩個相鄰的圖像數據進行差分運算獲得差值矩陣圖像，再對該差值矩陣圖像進行閾值化處理，設定預設的閾值進而檢測出圖像中運動的物體，公式如下：

式中：D（x，y）——檢測出的運動目標在圖像坐標（x，y）位置的像素值;

I（x，y）——t時刻視頻圖像中（x，y）坐標點的像素值;

T——計算的比較閾值，閾值的設置直接決定著公式判斷的準確性。

背景差分法是另一種識別圖像動態物體的常用算法，其主要思想為將采集到的視頻圖像與預先采集好的當前背景圖像進行矩陣差分計算，獲取當前差值圖像的矩陣，并同樣采取適當的閾值判斷，進而檢測出圖像中的運動物體。具體公式如下：

其中：D（x，y）——檢測出的運動物體在視頻圖

像中（x，y）坐標的位置;

F（x，y）——當前需要檢測的視頻圖像

（x，y）坐標的像素值;

B（x，y）——預先設置好的背景圖像中

（x，y）坐標點的像素值;

T——設置的閾值。

同樣為了提高識別算法的準確性設置合理的閾值非常重要。

流光檢測法的基本思想是可以將這些連續變化的圖像信息比作是“光流”，因為運動目標的灰度大小在短時間內變化較小且目標速度不會瞬間突變，因此，根據光流描述的圖像內像素點間的關系，可以獲得背景與目標的三維信息。具體計算過程為：圖像上點（x，y）在t時刻灰度值為I（x，y，t），那么經過dt時間后，原像素點（x，y）將會移動到位置（x+d，y+d），假設有μ（x，y）、v（x，y）分別表示（x，y）點處像素在x、y方向上的運動速度，根據圖像灰度值不變原則，可以得到如下公式：

I（x+dx，y+dy，t+dt）=I（x，y，t） （3）

上述公式可以表示為：

Idx+Idy=-Idt （4）

根據設定的u=dx/dt，v=dy/dt，可以得到公式（5）：

根據公式（5）即可獲得流光點的在x、y兩個方向上的速度，即可完成圖像中運動物體的識別。

另外還有一種是物體特征檢測法，該方法的主要思想是將圖像中的顏色、紋理和形狀等特征數據提取出來，檢測出視頻圖像中運動的物體。圖像顏色特征數據的提取一般采用將RGB變換到HSV空間表示，能獲得準確的顏色判別數據。而描述灰度變化規律的紋理特征提取則一般采用反映出灰度分布的均勻程度的二階距ASM為：

上述幾種算法都是當前比較主流的通過視頻圖像處理技術對運動物體進行識別的算法，它們都有各自的優點和缺點。幀間差分法的優點是算法實現簡單，運算速度快，受到圖像光照變化影響較小;但是處理效果與圖像采樣率以及運動物體的運動速度有關，識別率不穩定。背景差分法實現算法簡單，識別準確率較高，但是需要預先設置背景數據，對于背景復雜的圖像識別率不高，而且對于存在光線變化的背景圖像需要精確匹配預設的背景圖像進行差分運算。流光法的主要優點是無需預先設置背景數據，而且能夠使用攝像頭設備動態采集數據，但是流光法受圖像光線的影響比較大，如果需要提高識別準確率就要對圖像的顏色、灰度進行變換運算，運算量比較大。顏色、紋理特征提取識別法的優點是識別的準確率比較高，但是運算的復雜度比較高，對于復雜背景的圖像識別準確率不穩定。

2 在高速公路監控視頻圖像場景T的改進算法

基于上述主流圖像識別算法的分析可以發現，在高速公路路面監控視頻圖像場景下，對圖像進行分析處理進而實現視頻圖像中的車輛識別、異常檢測等智能識別功能需要。考慮到高速公路上整體背景復雜，環境變化大，光線變化較大，但是道路局部背景環境變化小，車輛運行速度快，出現的異常情況復雜，對圖像識別速度要求高.因此，本文探討一種在高斯混合背景模型下，結合基于HSV色彩轉換的鄰域均值快速背景消除法，提取視頻圖像前景車輛局部信息，再采用圖像紋理特征量數據對車輛運動信息進行檢測的算法思路。算法步驟如下：

（1）通過結合高斯混合模型的矩陣將當前幀圖像的復雜背景過濾掉，獲得前景道路即車輛數據信息。

高斯混合模型矩陣包含了分別表示前景圖像概率密度和背景圖像概率密度的高斯分布函數。為了能夠區分出前景圖像和背景圖像，將監控圖像的高斯混合模型中的X個高斯分布按照權重和標準差之間作對比排序，排序在B前的高斯分布函數作為背景的高斯分布，而排在K-B后面的高斯分布作為前景分布描述。

公式中T表示設置的權重閾值，度量高斯混合模型中背景的分布權重和獲得的最小值。相關文獻中已經證明，T取0.5-0.8之間時獲得的背景和前景分割效果最好。

（2）HSV色彩轉換后的灰度矩陣采用最大類間分割法來確定前景車輛和背景道路間的閾值，使得分割后圖像的前景與背景之間方差達到最大.因為HSV顏色模型更加符合人的視覺感受，而且能夠保留精確的灰度信息和色彩信息，能夠突出陰影與運動物體和背景的差距，使背景和前景獲得最大差距。具體計算公式如下：

（3）通過提取上文敘述的4個紋理特征量，對獲得的前景車輛圖片進行分析識別，將兩幀之間的圖片獲得的相同車輛特征數據做幀間差分運算，獲得車輛運動狀態數據，或者道路異常信息數據，或者對將上一步獲得的非車輛前景圖片數據進行判別獲得道路異常信息。決策算法如下：

Δ是相鄰的圖像幀獲得的紋理信息價值之間的差值，即：

ΔP=P-P（16）

δ為判斷閾值，紋理判斷結果超出閾值則相對應的圖像區域為最終識別的運動目標區域。

3 實驗結果

本文主要是針對泉南高速（柳州至南寧段）建設的全程監控錄像圖像作為實驗對象，獲得的實驗結果如圖1-4所示。

根據實驗結果可見，改進后的識別算法能夠提取路面前景連通域的道路圖，并通過色彩矩陣獲得車輛數據，再通過紋理特征識別出車輛信息.

4 結語

本文提出的改進算法在一定程度上能夠提高視頻圖像識別道路車輛的算法速度和準確性，下一步應該針對監控圖像中出現的行車異常、突發事故、異常物體運動等視頻圖像進行提取和識別，需要深入研究自動識別異常圖像的算法。