朱金榮，張廣杰，夏長(zhǎng)權(quán)

　　（揚(yáng)州大學(xué) 物理科學(xué)與技術(shù)學(xué)院，江蘇 揚(yáng)州 225002）

　　摘要：針對(duì)視頻車流量檢測(cè)系統(tǒng)無(wú)法識(shí)別粘連車輛的局限性，提出了基于紋理識(shí)別與濾波掃描相結(jié)合的算法，并采用聚類分析法檢測(cè)判斷粘連車輛。文章對(duì)車道的各區(qū)域采用基于紋理識(shí)別的方法計(jì)算出紋理描述子，獲得車輛頂部初步坐標(biāo)；利用濾波器掃描得到車頂部位的精確坐標(biāo)，并采用聚類分析法判斷粘連車輛，從而提高車流量檢測(cè)的精度。

　　關(guān)鍵詞：智能交通；車輛輪廓提取；紋理特征參數(shù)；濾波器掃描；聚類分析

0引言

　　隨著汽車數(shù)量的增加，道路交通流量也日益上升，交叉路口的壓力越來(lái)越大。然而絕大部分的交通信號(hào)燈為定時(shí)控制，該方法不能有效地發(fā)揮交叉路口的通行能力，因此需要建立合理的交通信號(hào)燈智能控制系統(tǒng)。

　　在以往的車輛檢測(cè)與統(tǒng)計(jì)中，最常見的是采用感應(yīng)線圈檢測(cè)器，在車流量較少的路段對(duì)車輛進(jìn)行檢測(cè)與計(jì)數(shù)，這種方法的主要缺點(diǎn)是影響交通、軟化路面、線圈受環(huán)境影響大、車輛粘連誤判 ［12］。

　　隨著信息科學(xué)的飛速發(fā)展，利用視頻處理技術(shù)來(lái)進(jìn)行車量的檢測(cè)與車流量統(tǒng)計(jì)逐漸取代以往的檢測(cè)方法。目前的視頻檢測(cè)有很大的局限性,當(dāng)車身粘連不嚴(yán)重時(shí)，可以實(shí)現(xiàn)計(jì)數(shù)操作［3］，但在交通擁擠的路況下，車輛粘連相當(dāng)嚴(yán)重，二值化后的兩輛車還是一個(gè)整體，不能用傳統(tǒng)的開閉操作區(qū)分粘連車輛。為了克服以上問(wèn)題，本文在完成圖像預(yù)處理后進(jìn)行了車輛輪廓的提取，再采用紋理檢測(cè)與空間濾波器掃描的方法對(duì)粘連車輛進(jìn)行甄別區(qū)分，以實(shí)現(xiàn)更精確的計(jì)數(shù)。

1輪廓提取與檢測(cè)框設(shè)置

　　攝像頭采集的視頻幀中的車輛圖像是PAL制式［34］的真彩圖，數(shù)據(jù)量很大，因此在保留車輛特征的前提下，需對(duì)圖像進(jìn)行轉(zhuǎn)換。首先對(duì)圖像中的車輛進(jìn)行輪廓提取，然后采用基于局部區(qū)域檢測(cè)車輛的方法，根據(jù)車道設(shè)置檢測(cè)框，在框內(nèi)完成圖像處理操作。

　　圖1車輛檢測(cè)預(yù)處理如圖1，本文采用邊緣檢測(cè)的方法得到車輛線狀的輪廓圖，由于視場(chǎng)的歐幾里得距離，圖像中車輛目標(biāo)的大小會(huì)隨著距離而發(fā)生變化，因此車輛檢測(cè)不能基于全局使用同一個(gè)算法。在做具體的圖像檢測(cè)算法之前，首先要在車道線內(nèi)將道路劃分成局部區(qū)域［3，5］，因此算法中對(duì)二維的圖像要設(shè)置檢測(cè)框，將框內(nèi)的圖片數(shù)據(jù)賦值到檢測(cè)算法的變量中，各檢測(cè)框設(shè)置相應(yīng)的閾值。

2輪廓線的紋理檢測(cè)

　　上一節(jié)對(duì)車輛進(jìn)行了輪廓提取，將圖像根據(jù)車道線分為各個(gè)區(qū)域，本節(jié)對(duì)每個(gè)區(qū)域的車輛輪廓線進(jìn)行特征提取。對(duì)圖像區(qū)域進(jìn)行特征提取的一種重要方法就是量化區(qū)域的紋理內(nèi)容［6］，車輛的輪廓圖是灰度圖，不是二值圖像，保留了紋理信息，因此可以用于車輛特征的提取。紋理分析方法基于灰度直方圖的統(tǒng)計(jì)特性，以灰度值統(tǒng)計(jì)矩為度量基礎(chǔ)。

　　令Z表示灰度的隨機(jī)變量，則zi的值為0~255，p(zi)表示zi灰度的出現(xiàn)概率，通過(guò)計(jì)算得到6種紋理的描述子：

　　采用上述方法對(duì)近景區(qū)域內(nèi)車輛輪廓進(jìn)行紋理描述子的計(jì)算，遠(yuǎn)景車輛圖片粘連太嚴(yán)重，已經(jīng)失去了輪廓信息，因此不統(tǒng)計(jì)。圖2中的9張圖片歸納了車輛的各部位。圖2中①②③樣本是車頂部位的輪廓圖，④是前窗玻璃遮光板部位，⑤中包含了車輛后視鏡，⑥是車輛的散熱器格柵和前大燈部位，⑦是車牌位置，⑧⑨是兩輛車粘連的位置。　

　　經(jīng)過(guò)紋理檢測(cè)，計(jì)算出所有紋理描述子，得到圖2各個(gè)樣本的局部紋理參數(shù)。數(shù)據(jù)表明，圖2中車輛的各個(gè)部位的均值、標(biāo)準(zhǔn)差、平滑度和熵值的大小都沒(méi)有明顯規(guī)律，但車頂輪廓線的三階矩和一致性對(duì)于紋理變化的響應(yīng)很強(qiáng)。在監(jiān)控?cái)z像頭下，車頂部位一般不會(huì)被遮擋，車頂部位又具有很強(qiáng)的紋理響應(yīng)，因此三階矩和一致性的紋理描述子可以作為車輛的判定依據(jù)。

3車輛數(shù)統(tǒng)計(jì)

　　檢測(cè)區(qū)域在經(jīng)過(guò)第2節(jié)中的車頂輪廓線檢測(cè)后，需要尋找線端點(diǎn)。根據(jù)車輛線狀輪廓圖的特點(diǎn)發(fā)現(xiàn)，圖像中車的兩側(cè)的像素點(diǎn)亮度值很高。因此，為了計(jì)算出端點(diǎn)，本文提出了濾波器平移掃描的方法［7］，以橫線端點(diǎn)靠?jī)?nèi)側(cè)一點(diǎn)為原點(diǎn)進(jìn)行平移掃描，可以得到所需參數(shù)。本文設(shè)計(jì)的濾波器是基于車輛先驗(yàn)條件的濾波器，車輛的左側(cè)面和右側(cè)面需要鏡像對(duì)稱的兩個(gè)濾波器，函數(shù)表達(dá)式分別為：

　　濾波器的權(quán)值分布呈現(xiàn)為平行四邊形， H1、H2濾波器分別向左、右方向掃描，計(jì)算出圖像中每個(gè)位置的H1、H2的值就是濾波器平移掃描的結(jié)果，得到濾波值曲線并根據(jù)峰值確定端點(diǎn)位置。圖3中3個(gè)檢測(cè)模型為典型的粘連情況，阿拉伯?dāng)?shù)字代表了檢測(cè)到的車頂輪廓線。圖(a)中兩輛車緊挨著，其中一側(cè)幾乎平行，(b)中表現(xiàn)為距離稍遠(yuǎn)的遮擋；(c)中距離稍遠(yuǎn)，且被擋車的車身前方露出很大一部分。掃描得到的端點(diǎn)坐標(biāo)用于聚類分析，從而統(tǒng)計(jì)車輛數(shù)。

　　聚類分析又稱群分析，它是研究樣本分類問(wèn)題的一種統(tǒng)計(jì)分析方法，常用的聚類方法有類平均法、可變類平均法、最短距離法、重心法等。考慮到端點(diǎn)坐標(biāo)的空間分布特性和需要提取的有效信息，本文選擇最短距離法。以所有車頂輪廓線的左端點(diǎn)坐標(biāo)作為分析樣本，坐標(biāo)數(shù)據(jù)放入數(shù)組A中，將A分為兩類數(shù)組Ai和Aj，用dij表示樣本Xi與Xj之間的距離，Dij表示類Ai與Aj之間的距離，則兩類最近樣本之間的距離為：

　　Dij=minXi∈Ai,Xj∈Ajdij(3)

　　對(duì)圖3中線端點(diǎn)的聚類分析步驟如下：

　　(1)定義樣本之間的距離,計(jì)算樣本的兩兩距離，得到距離矩陣D(0)，開始時(shí)每個(gè)樣本自成一類，這時(shí)的Dij=dij。

　　(2)找出距離最小元素，設(shè)為Dpq，將Ap和Aq合并成一個(gè)新類，記為Ar，即Ar={Ap,Aq}。

　　(3)計(jì)算新類Ar與其他類Ak的距離：

　　Dkr=minXi∈Ak,Xj∈Ardij=min{minXi∈Ak,Xj∈Apdij,minXi∈Ak,Xj∈Aqdij}=min{Dkp,Dkq}(4)

　　(4)重復(fù)步驟(2)和(3)，直到所有元素并成一類為止。如果某一步距離最小的元素不止一個(gè)，則同時(shí)合并對(duì)應(yīng)這些最小元素的類。

　　(5)得到的最后兩個(gè)類的距離Dth用于閾值分析，分離粘連車輛。

　　計(jì)算得到左端點(diǎn)聚類結(jié)果（Ai，Aj,a)，右端點(diǎn)聚類結(jié)果（Bu,Bv,b）。 Ai，Aj和Bu，Bv是聚類運(yùn)算的最后兩個(gè)類，a、b是最終聚為一類的簇值，下標(biāo)值的對(duì)應(yīng)與否和簇值差值都是車頂輪廓對(duì)稱性的體現(xiàn)，是車輛分離的判斷依據(jù)。下標(biāo)值不對(duì)等時(shí)，判斷為兩個(gè)車輛；當(dāng)下標(biāo)值對(duì)等(i=u,j=v)，要對(duì)簇值進(jìn)行比較，簇值的差值比例 |a－b|/max(a,b)小于閾值Th時(shí)判斷為一輛車，否則為兩輛車。經(jīng)過(guò)測(cè)試，Th值設(shè)為0.3較好。

　　對(duì)圖3(a)、(b)、(c)車頂輪廓線端點(diǎn)坐標(biāo)進(jìn)行聚類分析，得到(a)的聚類結(jié)果為(A4,A3,30)、(B4,B3,60),數(shù)組下標(biāo)對(duì)等，差值比例0.5>0.3，判斷為兩輛車；(b)的聚類結(jié)果為(A5,A6,35)、(B4,B2,5),數(shù)組A、B下標(biāo)不對(duì)等，為兩輛車；(c)的聚類結(jié)果為(A6,A5,153)、(B6,B4,117), A5和B4下標(biāo)不等，判斷為兩輛車。

4結(jié)論

　　本檢測(cè)方案進(jìn)一步優(yōu)化了車輛視頻檢測(cè)的算法：將車輛圖像轉(zhuǎn)換成輪廓圖，提取出車輛的邊緣特征以減少運(yùn)算量；使用基于紋理描述子的方法，搜索到車輛圖像中的車頂位置；然后依據(jù)輪廓圖中車側(cè)面的像素點(diǎn)亮度高的特點(diǎn)，采用基于先驗(yàn)條件濾波器掃描的方法，尋找到車頂?shù)膬蓚?cè)位置，得到相應(yīng)坐標(biāo)參數(shù)；最后通過(guò)系統(tǒng)聚類法對(duì)坐標(biāo)參數(shù)進(jìn)行聚類分析，判斷出粘連車輛。該方法精度準(zhǔn)確，處理時(shí)車輛圖像有效信息損失量小，能夠針對(duì)交通擁堵的路況，對(duì)粘連車輛實(shí)現(xiàn)區(qū)分、檢測(cè)與計(jì)數(shù)，提高車流量計(jì)數(shù)精確度。下一步工作是優(yōu)化算法，提高算法的運(yùn)行速度。

參考文獻(xiàn)

　　［1］ 夏發(fā)欽.利用地感應(yīng)線圈檢測(cè)機(jī)動(dòng)車輛的原理與實(shí)現(xiàn)［D］：武漢：武漢科技大學(xué)，2011.

　　［2］ 苑宇坤. 智慧交通關(guān)鍵技術(shù)及應(yīng)用綜述［J］.電子技術(shù)應(yīng)用，2015，41（8）：912.

　　［3］ 劉騰飛.針對(duì)車體遮擋的車流量統(tǒng)計(jì)算法［J］.武漢：武漢理工大學(xué)，2012.

　　［4］ 劉濤.智能車路徑識(shí)別與控制性能提高方法研究及實(shí)現(xiàn)［J］.電子技術(shù)應(yīng)用,2016,42（1）：5457.

　　［5］ JEONG P, NEDEVSCH I S. Efficient and robust classification method using combined feature vector for lane detection［J］. IEEE Transactions on Circuits and Systems for Video Technology,2005,15(4)：528537.

　　［6］ GONZALEZ R C.數(shù)字圖像處理的MATLAB實(shí)現(xiàn)［M］.阮秋琦，譯.北京：清華大學(xué)出版社，2013.

　　［7］ 蔡梅艷.基于TMS320C642DSP的目標(biāo)圖像識(shí)別研究［D］.南京：南京航空航天大學(xué)，2007.