摘  要： 現(xiàn)有車輛類型識(shí)別系統(tǒng)中，由于攝像機(jī)未經(jīng)過標(biāo)定，使得在圖像分析中無法得到關(guān)于尺度和坐標(biāo)的真實(shí)數(shù)據(jù)，從而帶來了一系列問題。鑒于此，提出了基于已標(biāo)定攝像機(jī)的車輛識(shí)別系統(tǒng)，并結(jié)合特定車輛的3D模型，規(guī)劃設(shè)計(jì)了逃逸車輛的在線識(shí)別方案。攝像機(jī)標(biāo)定后，可以自動(dòng)檢測(cè)車輛的真實(shí)大小和在世界坐標(biāo)中的真實(shí)運(yùn)動(dòng)方向，不但能夠更為準(zhǔn)確地進(jìn)行車輛識(shí)別，而且為實(shí)現(xiàn)攝像機(jī)之間的聯(lián)合檢測(cè)和接力檢測(cè)提供了數(shù)據(jù)基礎(chǔ)。最后從攝像機(jī)標(biāo)定過程中的重投影誤差分布圖以及基于玩具車的模擬測(cè)試說明了基于攝像機(jī)參數(shù)和車輛模型動(dòng)態(tài)生成車輛視圖的可行性。

　　關(guān)鍵詞： 特定車輛；識(shí)別；標(biāo)定攝像機(jī)；3D模型

0 引言

　　關(guān)于車輛類型識(shí)別的方法已經(jīng)提出了很多。基于地埋感應(yīng)線圈的車型識(shí)別技術(shù)[1-2]只能對(duì)車型給與大致的區(qū)別，不能根據(jù)車外觀造型、顏色等進(jìn)行細(xì)分。基于地埋壓電傳感器的車型識(shí)別技術(shù)[3]只對(duì)重量檢測(cè)比較合適。基于紅外線檢測(cè)的車型識(shí)別技術(shù)[4]通過有無反射波來對(duì)過往車輛進(jìn)行檢測(cè)，鑒于速度這個(gè)不確定因素，也只能大致檢測(cè)。基于視頻圖像的車型識(shí)別技術(shù)通過攝像機(jī)采集視頻圖像，它可以獲得更為豐富的車輛信息，因此可以作更全面和準(zhǔn)確的車輛分類，同時(shí)檢測(cè)器安裝簡(jiǎn)便、監(jiān)控范圍廣。實(shí)際上，數(shù)字圖像和數(shù)字視頻技術(shù)常被用于道路車輛的視頻監(jiān)控、車牌識(shí)別、路況分析、車輛識(shí)別等。

　　然而目前的車輛監(jiān)控系統(tǒng)大多數(shù)采用單攝像機(jī)拍攝圖像，并且攝像機(jī)參數(shù)沒有經(jīng)過標(biāo)定。這使得對(duì)圖像內(nèi)容的處理過程中缺乏真實(shí)尺度信息，車輛的真實(shí)大小、運(yùn)行的實(shí)際空間方向無法獲知，對(duì)車輛識(shí)別造成困難，也使得車輛的全程跟蹤無法實(shí)現(xiàn)。為此，本文提出采用已標(biāo)定攝像機(jī)和車輛3D模型的方法，并對(duì)其中的技術(shù)原理和系統(tǒng)模型進(jìn)行了分析設(shè)計(jì)。

1 現(xiàn)有車輛識(shí)別中存在的問題

　　基于視覺的目標(biāo)檢測(cè)，通常是通過統(tǒng)計(jì)車輛的某種特征來比對(duì)識(shí)別的。一般的處理步驟是，首先根據(jù)運(yùn)動(dòng)信息分割車出輛區(qū)域，然后根據(jù)車輛的各種數(shù)據(jù)進(jìn)行判決，這些特征信息可能是車輛圖像幾何參數(shù)特征[5-7]、代數(shù)特征值、矩特征[8]、變換系數(shù)特征[9-11]、圖像特征點(diǎn)特征[12-13]。對(duì)這些特征進(jìn)行判別的方法，常用的主要有：（1）最小距離分類法，例如采用角點(diǎn)的Hausdorff距離；（2）隱馬爾可夫模型識(shí)別方法；（3）支持向量機(jī)識(shí)別方法；（4）人工神經(jīng)網(wǎng)絡(luò)[14]等。有的學(xué)者[15-16]采用一種基于三維結(jié)構(gòu)模型的車輛特征提取方法，為車輛建立一個(gè)參數(shù)模型，并提出了利用3D幾何模型來對(duì)車輛運(yùn)動(dòng)跟蹤的方法[17]。

　　上述的方法策略中，都是基于未標(biāo)定的攝像機(jī)，所存儲(chǔ)的視頻序列數(shù)據(jù)庫(kù)中不包含攝像機(jī)的參數(shù)信息。未標(biāo)定的攝像機(jī)會(huì)帶來較大的難度：（1）對(duì)象的實(shí)際尺寸無法獲知；（2）無法獲知車輛的運(yùn)行方位；（3）在處理多攝像之間的視頻銜接時(shí)，也需要人工判斷和比對(duì)。因此，本文將未標(biāo)定攝像機(jī)改為已標(biāo)定攝像，并將攝像機(jī)的內(nèi)外參數(shù)與其所拍攝的視頻數(shù)據(jù)同時(shí)存儲(chǔ)。

2 已標(biāo)定攝像機(jī)系統(tǒng)及其作用

　　目前視頻監(jiān)控以單攝像機(jī)為主，也有采用雙攝像機(jī)或者多攝像機(jī)同時(shí)監(jiān)控的。但是在系統(tǒng)設(shè)計(jì)時(shí)，攝像機(jī)之間沒有相關(guān)性。雙目攝像機(jī)系統(tǒng)可以記錄和重建目標(biāo)的三維空間信息[18]，從而為視頻對(duì)象的處理帶來極大的便利。

　　通常的攝像機(jī)都不可能是理想的攝像機(jī)，例如焦距與標(biāo)稱值有誤差，焦距在水平和豎直方向上不一致，圖像的主點(diǎn)不在圖像的中心，拍攝的圖像存在徑向和切向的畸變。對(duì)于雙目攝像機(jī)，還存在兩個(gè)攝像機(jī)的參數(shù)不一致、距離標(biāo)定問題。這些參數(shù)被劃分為內(nèi)部參數(shù)intrinsic和外部參數(shù)extrinsic，它們可以通過攝像的標(biāo)定算法計(jì)算出來[19]。這些參數(shù)包括每個(gè)攝像機(jī)的內(nèi)部參數(shù)intrinsic以及攝像機(jī)之間的外部參數(shù)extrinsic，另外還需要知道世界坐標(biāo)相關(guān)數(shù)據(jù)。

　　intrinsic={Fx，F(xiàn)y，cx，cy，?酌，k1，k2，k3，p1，p2}

　　extrinsic={?茲x，?茲y，?茲z，tx，ty，tz}

　　依據(jù)攝像機(jī)的內(nèi)部和外部參數(shù)，可以進(jìn)一步通過立體校正，將兩個(gè)攝像機(jī)的參數(shù)校正到左右一致的虛擬參數(shù)上，這時(shí)兩個(gè)實(shí)際的攝像機(jī)可被看作一套理想的立體攝像機(jī)系統(tǒng)，只需要{F，cx，cy，tx}這4個(gè)參數(shù)。這4個(gè)參數(shù)可寫成一個(gè)4×4矩陣的形式，它可以在視差d已知的情況下由圖像m（x，y）坐標(biāo)計(jì)算出三維空間坐標(biāo)■=[X，Y，Z，1]T，如式（1）所示，■為齊次坐標(biāo)形式，其中比例參數(shù)s可以在求解的過程中消掉。

　　實(shí)際上，單攝像機(jī)系統(tǒng)是最常用的。它不能像雙攝像機(jī)系統(tǒng)那樣在攝像機(jī)參數(shù)已知的情況下直接計(jì)算出三維目標(biāo)的尺寸及其世界坐標(biāo)位置，但是對(duì)于“路面交通”這樣的應(yīng)用環(huán)境，也是有所作為的，因?yàn)檐囕v都位于路面上，所以只考慮路面到攝像機(jī)像平面的映射即可。不妨假定Z=0，則像素坐標(biāo)m（x，y）與地面世界坐標(biāo)π=[X，Y，1]T之間可以通過一個(gè)3×3的單應(yīng)性矩陣H聯(lián)系起來，如式（2）所示，這個(gè)關(guān)系是可以進(jìn)行逆運(yùn)算的。

　　對(duì)于車輛檢測(cè)應(yīng)用系統(tǒng)[20-21]，無論是雙攝像機(jī)系統(tǒng)還是單攝像機(jī)系統(tǒng)，都可以建立圖像像素坐標(biāo)到空間目標(biāo)坐標(biāo)之間的對(duì)應(yīng)計(jì)算關(guān)系，可以通過像素坐標(biāo)來計(jì)算空間坐標(biāo)。這樣，可以在攝像機(jī)參數(shù)已知的情況下實(shí)現(xiàn)：

　　（1）計(jì)算空間目標(biāo)的位置（X，Y，Z），從而確定車輛在世界坐標(biāo)中的真實(shí)位置；

　　（2）計(jì)算目標(biāo)的實(shí)際大小，從而為車輛類型的判別提供重要依據(jù)；

　　（3）通過車輛在攝像機(jī)視場(chǎng)中真實(shí)位置，可以根據(jù)車輛模型和攝像機(jī)參數(shù)生成用于車輛識(shí)別的車輛視圖；

　　（4）可以判斷車輛在真實(shí)世界中的運(yùn)行方向和速度。

　　這其中最為關(guān)鍵的是對(duì)車輛位置的計(jì)算。兩者相比之下，雙目攝像機(jī)可以提供更為準(zhǔn)確的三維重建，它可以計(jì)算像素點(diǎn)的真實(shí)三維空間位置，X、Y、Z 3個(gè)坐標(biāo)值都可以計(jì)算出來，如圖1中的P2點(diǎn)。而單攝像機(jī)系統(tǒng)在目標(biāo)位置定位的過程中會(huì)造成較大的誤差。單目相機(jī)將像素點(diǎn)全部映射到地面上，而實(shí)際的車輛都有一定的高度，因此會(huì)帶來誤差，如圖1中的點(diǎn)P1。

3 基于已標(biāo)定像機(jī)的特定車輛識(shí)別

　　采用基于3D模型的方法對(duì)特定車輛進(jìn)行識(shí)別，由于車輛在攝像機(jī)視場(chǎng)中處于不同的位置時(shí)，實(shí)拍車輛圖像會(huì)有很大不同，為了準(zhǔn)確生成對(duì)應(yīng)的模型圖像，需要對(duì)車輛的位置和方向角度進(jìn)行檢測(cè)。同時(shí)，為了便于監(jiān)控場(chǎng)點(diǎn)之間的連續(xù)性跟蹤，需要建立基于GPS的全局坐標(biāo)系系統(tǒng)。

　　3.1 坐標(biāo)系統(tǒng)模型

　　為了不增加硬件成本，采用目前已經(jīng)在運(yùn)行的單攝像機(jī)系統(tǒng)，如圖2所示。全網(wǎng)的攝像機(jī)采用統(tǒng)一模式的“局部世界坐標(biāo)”系統(tǒng)。即以正北方為Y軸，以正東方為X軸，線桿與地面的交點(diǎn)為原點(diǎn)，Z軸垂直于地面豎直向上，也就是坐標(biāo)系的XY平面建立在地平面上，從而確定了此攝像機(jī)局部世界坐標(biāo)（OwXYZ）。

　　同時(shí)，通過全球定位系統(tǒng)GPS測(cè)量出Ow的經(jīng)緯度坐標(biāo)以確定局部世界坐標(biāo)在世界坐標(biāo)中的位置Ow=（Xgps，Ygps，0）。因此，需要以下參數(shù)來描述攝像機(jī)：

　　cam_para={intrinsic，extrinsic}Ow={Xgps，Ygps，0}

　　其中，內(nèi)部參數(shù)intrinsic描述攝像機(jī)自身的屬性，外部參數(shù)extrinsic描述了該攝像機(jī)在局部世界坐標(biāo)中的位置和方向，而Ow確定了局部世界坐標(biāo)在全局世界坐標(biāo)中的位置。

　　預(yù)先對(duì)各個(gè)路口的攝像機(jī)進(jìn)行標(biāo)定，獲取內(nèi)部參數(shù)和外部參數(shù)，并同時(shí)存儲(chǔ)在攝像機(jī)機(jī)身中和服務(wù)器的“攝像機(jī)參數(shù)”數(shù)據(jù)庫(kù)中。通過攝像機(jī)標(biāo)定算法，可以計(jì)算出該攝像機(jī)的內(nèi)部和外部參數(shù)。

　　3.2 系統(tǒng)工作原理

　　需要針對(duì)逃逸車輛建立3D模型，并計(jì)算其特征數(shù)據(jù)，然后通知所有攝像機(jī)按照特征數(shù)據(jù)檢查過往車輛，并實(shí)時(shí)報(bào)警。而創(chuàng)建一種車輛的視覺3D模型也不是一件很難的事情，因?yàn)檫@種模型只需要提供外觀特征，而不必關(guān)心車身內(nèi)部。車輛模型建立后可以存入模型庫(kù)以備下次直接調(diào)用。系統(tǒng)工作原理如圖3所示。

　　從圖3可以看出，當(dāng)追逃任務(wù)下達(dá)后，服務(wù)器根據(jù)待查車輛的類型調(diào)出車輛3D模型，依據(jù)各個(gè)監(jiān)控場(chǎng)點(diǎn)的攝像機(jī)參數(shù)生成目標(biāo)車輛的多張參考圖像，并將它們發(fā)送給各個(gè)攝像機(jī)，攝像機(jī)依據(jù)這些圖像進(jìn)行在線識(shí)別。因?yàn)閳D像的數(shù)據(jù)量比較大，所以實(shí)際系統(tǒng)中也可以由服務(wù)器根據(jù)圖像計(jì)算出特征矢量，然后將特征矢量數(shù)據(jù)發(fā)送給攝像機(jī)，以便減小通信壓力。可有以下3種實(shí)現(xiàn)策略。

　　（1）現(xiàn)場(chǎng)實(shí)時(shí)分析

　　將3D模型下發(fā)給各個(gè)攝像機(jī)的現(xiàn)場(chǎng)處理器，由現(xiàn)場(chǎng)處理器生成特定視圖及其特征矢量數(shù)據(jù)。這是最理想的方案，但是目前由于現(xiàn)場(chǎng)處理器計(jì)算能力和內(nèi)存容量的限制，這種方案難以實(shí)現(xiàn)。

　　（2）服務(wù)器實(shí)時(shí)分析

　　攝像機(jī)實(shí)時(shí)檢測(cè)車輛的距離和方位，然后要求實(shí)時(shí)生成特定視圖及其特征矢量數(shù)據(jù)，并發(fā)送給攝像機(jī)，這種模式對(duì)通信能力的要求過高。

　　（3）服務(wù)器預(yù)分析

　　服務(wù)器根據(jù)每個(gè)攝像機(jī)的參數(shù)預(yù)先生成可能的視圖及其特征矢量，然后下發(fā)給攝像機(jī)。服務(wù)器不可能把所有可能的視角圖像都預(yù)先生成，為此，將俯視角?茁和側(cè)視角?琢都劃分為9個(gè)子角度，這樣總共有81種視角，對(duì)每個(gè)視角生成視圖并計(jì)算其特征矢量，然后傳送給攝像機(jī)。

　　3.3 仿真結(jié)果分析

　　圖4是在進(jìn)行攝像標(biāo)定的過程中由MATLAB輸出的標(biāo)定物重投影誤差分布圖，可以看出在通常精度情況下重投影誤差絕大多數(shù)在±0.4像素之內(nèi)。這說明，根據(jù)3D模型和攝像機(jī)參數(shù)生成的視圖與真實(shí)拍攝圖像之間會(huì)有很好的符合度，甚至可以在半像素精度之內(nèi)。實(shí)際上在圖像分析處理的過程中往往會(huì)帶來一定程度的誤差，需要通過一定的算法來盡可能減小這一誤差。

　　圖5是根據(jù)攝像對(duì)實(shí)拍圖像的檢測(cè)結(jié)果，然后根據(jù)檢測(cè)數(shù)據(jù)由人工輸入3D MAX產(chǎn)生的視圖，可以看出結(jié)果非常吻合。這種情況下，不但可以采用各種尺度和旋轉(zhuǎn)不變量來進(jìn)行識(shí)別，也可以直接采用圖像匹配的方法，因?yàn)檫@時(shí)不必?fù)?dān)心模型圖像與實(shí)拍圖像在尺度、視角上的區(qū)別。

4 結(jié)論

　　本文提出了基于已標(biāo)定攝像機(jī)的車輛識(shí)別系統(tǒng)，并結(jié)合特定車輛的3D外觀模型，規(guī)劃設(shè)計(jì)了逃逸車輛的在線識(shí)別方案。由于攝像機(jī)標(biāo)定后可以自動(dòng)檢測(cè)車輛的真實(shí)大小和在世界坐標(biāo)中的真實(shí)運(yùn)動(dòng)方向，不但能夠更為準(zhǔn)確地進(jìn)行車輛識(shí)別，而且為實(shí)現(xiàn)攝像機(jī)之間的聯(lián)合檢測(cè)和接力檢測(cè)提供了數(shù)據(jù)基礎(chǔ)。通過基于玩具車的模擬測(cè)試可以看出，依據(jù)攝像機(jī)參數(shù)和真實(shí)車輛圖像，能夠生成與真實(shí)圖像幾乎完全一致的車輛視圖。另外，從標(biāo)定過程中的重投影誤差分布圖可以看出，重投影誤差大部分在半像素精度之內(nèi)。因此只要能夠?qū)φ鎸?shí)圖像中的車輛位置和方位角作出準(zhǔn)確的檢測(cè)，就可以依據(jù)模型創(chuàng)建合適的視圖，從而使得車輛的識(shí)別算法更為簡(jiǎn)單和準(zhǔn)確。

參考文獻(xiàn)

　　[1] TOK Y C A. Commercial vehicle classification system using advanced inductive loop technology[D]. Irvine： University of California， 2008.

　　[2] 朱海濤．一種基于感應(yīng)線圈的車型識(shí)別系統(tǒng)[D].成都：西南交通大學(xué)電氣工程學(xué)院，2003.

　　[3] 徐威．基于紅外檢測(cè)和壓電傳感相結(jié)合的車型自動(dòng)分類技術(shù)研究[D].南京：南京理工大學(xué)電子工程與光電技術(shù)學(xué)院，2004.

　　[4] 顧國(guó)華．車輛紅外自動(dòng)識(shí)別技術(shù)與系統(tǒng)研究[D].南京：南京理工大學(xué)電子工程與光電技術(shù)學(xué)院，2000.

　　[5] Tao Jinsong， Chen Shixiu， Yang Li， et al. Ultrasonic technique based on neural networks in vehicle modulation recognition[J]. Intelligent Transportation Systems，2004（42）：201-204.

　　[6] 張小軍．智能交通系統(tǒng)中的車輛檢測(cè)和車型識(shí)別技術(shù)研究[D].西安：西北大學(xué)，2006.

　　[7] Wei Zhan， Zhiqing Luo. System design of real time vehicle type recognition based on video for Windows（AVI） files[C]. Intelligent Computing and Information Science， Communications in Computer and Information Science， 2011，135：681-686.

　　[8] HU M K. Visual pattern recognition by moment invariants[J]. IRE Transactions on Information Theory，1962（8）：179-187.

　　[9] KAZEMI F M， SAMADI S， POORREZA H R， et al. Vehicle recognition using curvelet transform and SVM[J]. Fourth International Conference on Information Technology， ITNG′07， 2007：516-521.

　　[10] KAZEMI F M， SAMADI S， POORREZA H R， et al. Vehicle recognition based on Fourier， Wavelet and Curvelet transforms-a comparative study[J]. Fourth International Conference on Information Technology， ITNG′07， 2007：939-940.

　　[11] Zhou Zhuyu， Deng Tianmin， Lv Xianyang. Study for vehicle recognition and classification based on gabor wavelets transform & HMM[C]. 2011 International Conference on Consumer Electronics， Communications and Networks （CECNet）， 2011：5272-5275.

　　[12] 楊雪.基于視覺感知的圖像顯著區(qū)域的提取[J].微型機(jī)與應(yīng)用，2015，34（2）：47-48，51.

　　[13] 嚴(yán)明，李玉惠，李勃，等.高速公路監(jiān)控視頻中運(yùn)動(dòng)車輛對(duì)象提取[J].微型機(jī)與應(yīng)用，2014，33（2）：41-43.

　　[14] 王年，任彬，黃勇，等．基于神經(jīng)網(wǎng)絡(luò)的汽車車型圖象自動(dòng)識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào)，1999，4（8），668-672.

　　[15] LEE K H， HWANG J N， CHEN S I. Model-based vehicle localization based on three-dimensional constrained multiple-kernel tracking[J]. IEEE Transactions on Circuits and Systems for Video Technology， 2015，25（1）：38-50.

　　[16] Wei Wu， Zhang Qisen， Wang Mingjun. A method of vehicle classification using models and nerual networks[J]. IEEE VTS 53rd Vehicular Technology Conference， VTC 2001 Spring， 2001，4：3022-3026.

　　[17] Lou Jianguang， Tan Tieniu， Hu Weiming， et al. 3-D model-based vehicle tracking[J]. IEEE Transactions on Image Processing， 2005，14（10）：1561-1569.

　　[18] Xu Gang， Zhang Zhengyou. Epipolar geometry in stereo， motion and object recognition： a unified approach[M]. Kluwer Academic Publishers， 1996.

　　[19] Zhang Zhengyou. A flexible new technique for camera calibration[J]． IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000，22（11）：1330-1334．

　　[20] 焦琴琴，牛力瑤，孫壯文，等.基于車輛聲音及震動(dòng)信號(hào)相融合的車型識(shí)別[J].微型機(jī)與應(yīng)用，2015，34（11）：79-82.

　　[21] 陳龍威，孫旭飛.一種基于時(shí)間序列分層匹配的騎線車輛檢測(cè)方法[J].微型機(jī)與應(yīng)用，2014，33（21）：88-91，94.