0 引言

    在計算機技術迅猛發展的現代社會，人工智能逐漸應用到各種場景中，其中智能駕駛技術在交通方面的應用是研究的熱門方向。交通在平常生活中占據著越來越重要的分量。交通的技術水平成為衡量城市科技化水平的重要標志。然而，交通的快速發展卻帶來了許多問題，如交通的擁擠、交通事故越來越多、行駛環境的變差等。這就需要有效的流量管理手段，然而由于效率低和成本高，顯然現如今依賴于大量人員的運輸系統的管理早已不適合當前飛速發展的交通。車輛檢測智能化是當今世界道路智能交通的發展趨勢。

    車輛識別在道路違法行為監控、非法套牌車輛識別以及智能交通收費站等交通應用中扮演著至關重要的角色。一方面，城市人口增長過快，城市道路車輛越來越擁擠，給依靠人力的交通指揮和管理造成了巨大的壓力；另一方面，伴隨計算機圖像識別技術和模式識別學科等現代計算機技術的研究和發展，車輛識別和檢測等技術也越來越可靠成熟，采用車輛識別技術的道路違法行為監控、違法套牌車輛跟蹤以及智能收費站的可靠性也越來越高。在現代交通管理系統中，隨著車輛識別和檢測的使用越來越多，越來越多的研究人員開始關注。

    如今，國內的車輛識別檢測手段主要是指基于圖像監控視頻的車輛檢測技術。近幾年來，隨著智能化出行概念的提出以及智慧城市等智能交通項目的實施，基于計算機圖像的車輛檢測技術掀起了研究熱潮。盡管目前車輛識別技術已經取得了較多的科研成果，在交管部門也得到了大量的實戰應用，車輛識別中仍然有許多值得去深入研究的話題。例如：在光線天氣等環境變化的情況下，如何保證車牌識別的準確性、如何保證車輛特征提取的可靠性和魯棒性、如何確定合適的車輛分類標準等課題。

    在車輛檢測和跟蹤方面，基于運動車輛檢測的結果，本文采用了平均值偏移作為識別基礎的CAM(Continuous Adaptive Mean Shift)偏移跟蹤算法^[1]。CAM偏移跟蹤算法是一種采用目標顏色作為特征的跟蹤方法，不受被檢測目標明暗亮度、形狀大小等因素的變化影響，在跟蹤過程中有非常好的可靠性，本文對此算法加以改進以實現對運動車輛的識別檢測。

1 動態車輛檢測

    行駛中的車輛檢測是計算機視覺、圖像信息處理等研究方向的熱門研究課題，它的主要意圖是從一系列圖像中將運動的目標從背景圖像中“摳”出來，使車輛目標從圖像中被準確地識別出來。動態車輛檢測對于車輛的分類、跟蹤和動作理解等后期處理很關鍵，是道路監控系統、車輛檢測與車輛跟蹤的基礎部分。但是，由于圖像畫面實時變化，如受到光線的變化、氣候的變化、背景色差的干擾及其他因素的干擾等影響，使得運動檢測變成了相當困難的一項任務，現有的運動目標檢測法可以歸納為以下三種方法^[2]。

1.1 幀間差分法

    幀間差分法是將相鄰兩幀的彩色圖像或灰度相差，通過差分圖中各像素的灰度或顏色分量與閾值的比較判斷是否有運動物體以及運動目標的位置。其定義公式如下：

其中，Pt(x，y)表示t時刻的幀，Diff_t(x，y)表示t時刻兩個相鄰幀之間圖像的差，(x，y)表示像素點對應的坐標。

1.2 背景差分法

    背景差分法的基本思路是預先建立道路場景的圖像模型，然后從背景圖像的像素中減去要檢測的像素，即計算：

其中，F_t(x，y)和B_t(x，y)分別為時間t的當前幀和背景圖像，Diff_t(x，y)是背景差圖像。

1.3 光流法

    車輛目標檢測采用的光流方法利用了運動車輛跟隨時間動態變化的光流特點。這種方法的優點是能夠在不需要預先收集道路場景的其他數據的情況下檢測獨立的移動車輛，并且可以用于相機運動的場景。但是大多數光流計算非常復雜且反差很小，抗干擾能力弱。如果沒有較好的研究設備進行數據的采集，則此方法是不能應用于實際應用的，因此實用性較差^[3]。

2 運動車輛跟蹤

    道路車輛檢測的目的就是通過對一系列圖像進行分析研究，計算出運動車輛在連續幀中的偏差，得到車輛大小、速度、車流密度等實時參數，從而對解決城市車輛擁擠、交通擁堵現象提供依據。可靠性和精確度是檢測車輛過程中的重要參考點。

    首先，利用車輛檢測事先準備的一些有用數據：車輛在圖像中的方位、車輛在圖像中的占比、車輛的RGB數據^[4]。把這些數據，作為CAM偏移檢測算法的參數，通過對出現在圖像可視范圍內的每輛車進行差分，并記錄每一時刻每輛車的移動信息，計算每輛車的平均速度等實時參數，從而為道路交通的車流量控制提供可靠依據。接下來對CAM偏移車輛跟蹤算法進行詳細介紹。

2.1 CAM算法理論

    CAM偏移算法最先應用于生物中人臉的識別，它使用顏色信息進行計算，以識別具有特定顏色的目標。CAM偏移為均值偏移的優化算法，最初由Gary Bradsky等研究學者提出并將其應用在連續圖像序列的人臉跟蹤中^[5]，稱其為CAM偏移(Cominuously Adaptive Mean Shift)算法。均值偏移是一種魯棒的非參數密度梯度估算，它在顏色概率分布圖像中找到概率分布的極值。用CAM偏移算法進行彩色目標跟蹤的流程如圖1所示。

    CAM算法的不同階段^[6-8]：

    (1)計算大于均值偏移初始窗口的搜索區域的概率分布；

    (2)初始化均值偏移的W窗口；

    (3)應用均值偏移直到收斂，獲得收斂窗口W_f；

    (4)增加值為W_f的±5個像素，從概率分布的二階矩評估橢圓W_f；

    (5)計算下一幅圖像的平均移動的初始矩形，并將其放大±20％來定義搜索區域；

    (6)對下一幀圖像重復執行步驟(1)～(5)。

    從概率分布的二階矩估計橢圓參數I=P_s。當平均移動收斂時，CAM偏移算法擴大窗口W并計算在其范圍內包含99％的點的置信橢圓。假設這些點具有高斯2D分布，如圖2所示，這使得可以從感興趣區域W的二階矩估計該橢圓的參數。(x，y)代表像素點坐標，(x_c，y_c)為橢圓中心，i、j為對應的計算階數。

其中，M_oo表示像素矩陣零階矩。如果a<b，當橢圓與水平方向形成一個大于45°的角度時，會發生這種情況，這些長度會被置換，并且會產生角度θ被視為等于π/2-θ。

    然后通過在a和b軸上投影橢圓頂點來推導下一個圖像的平均移動的初始窗口的高度w和寬度h：

2.2 算法優化改進

2.2.1 CAM算法優劣

    CAM偏移跟蹤算法是一種基于顏色特征的運動目標跟蹤方法，由于目標的顏色特征不受目標運動形狀的影響，是一種較為穩定的特征，因此可以用來實現對運動物體的跟蹤。由于CAM偏移在每一幀的均值偏移計算中都用到了上一幀計算的結果，因此即使跟蹤目標被部分遮擋也能夠持續地跟蹤目標。但是之前的CAM偏移算法在實際運行中也存在缺點。搜索窗口的初始位置需要人工設定，運動物體的樣本也要人工選擇，由于引入了人的參與，使得該算法不能實現全自動地實時跟蹤。

2.2.2 CAM算法優化

    首先在系統初始化時通過第1節所述的方法快速地檢測出道路上的車輛，并提取每輛車的位置、尺寸和顏色等數據。然后再用綁定每輛車的矩形框的位置和大小初始化CAM偏移搜索窗口，從而為每一輛檢測到的車輛用CAM偏移算法進行跟蹤。通過與運動車輛檢測相結合，實現了智能的車輛檢測和識別。該優化流程如圖3所示，過程詳述如下：

    (1)通過運動車輛檢測算法，檢測出路面所有運動車輛，并用矩形框把測檢到的每輛車綁定，同時計算每個矩形框內的Hue通道直方圖^[9]，把得到的數據作為車輛的顏色查詢表。

    (2)為檢測到的車輛都設置一個“CAM偏移跟蹤器”，即對每個檢測到的運動物體都使用CAM偏移算法跟蹤，算法的初始搜索區域和Hue通道直方圖均從上一步中獲得。

    (3)計算搜索區域內的彩色概率分布圖像，也就是反向的投影計算。

    (4)執行均值偏移算法，獲得新的搜索區域的范圍和區域位置，并將其數據記錄下來。

    (5)在下一幀獲取的圖像里，利用上一步獲得的數值更新搜索區域車輛的范圍和區域位置，并跳轉到步驟(3)繼續執行。該算法重復進行，直到被跟蹤車輛駛出圖像范圍，CAM偏移算法才可以終止。

2.2.3 優化結果

    優化后的算法能有效解決目標變形和遮擋的問題，對系統資源要求不高，時間復雜度低，在簡單背景下能夠取得良好的跟蹤效果。僅當背景非常復雜時，或者有許多與目標顏色相似像素干擾的情況下，才會導致跟蹤失敗。因為它單純地考慮顏色直方圖，忽略了目標的空間分布特性。對于如圖4所示的場景，可以很好地實現對車輛的動態跟蹤。

3 算法分析

    均值偏移是一個聚類的圖像識別技術，這是一種非參數密度估計算法。均值偏移算法被用于找到在距離概率分布的梯度最近的部分圖像。

    在用CAM偏移跟蹤算法跟蹤運動車輛的同時，為了確保車輛識別過程中識別的可靠性和準確性，需要增加一些人為設定的限制條件：

    (1)受光線強弱的干擾，均值偏移算法計算得到的搜索窗的寬度可能會比道路還寬，但由于真實車輛的寬度不可能比車道的寬度更寬，因此人為設定計算得到搜索窗的寬度也不寬于路面車道的寬度。

    (2)出現路況較為復雜的時候，對運動車輛的檢測會造成干擾，所以約定當車輛被連續跟蹤若干幀以上才將其認定為車輛并繼續檢測識別；否則將其忽略并認為是運動誤檢測帶來的干擾。

    基于顏色色差的車輛識別算法CAM偏移來跟蹤和識別車輛，并且CAM移位跟蹤用移動車輛定位算法初始化。車身的色彩特征不會被車輛的形狀大小所影響，是識別過程中較為穩定的特征，是可以采取的特征。本文完成了迅速、可靠、智能自動地去進行運動車輛的識別。

4 結論

    運動車輛數據采集與處理中，與其他方法相比，基于計算機圖像識別的檢測方法具有成本低、直觀、維護方便、檢測參數多的優點，是未來車輛信息識別的研究方向。本文通過計算機圖像處理的方法，在車輛流參數檢測方面進行了研究，獲得了初步的研究成果。在移動車輛跟蹤方面，基于運動車輛檢測結果，本文采用基于均值偏移算法的CAM偏移跟蹤算法，使得該算法實現全自動地實時跟蹤運動車輛。CAM偏移算法是一種利用目標顏色特征的跟蹤方法，它不受車輛的車型和結構影響，并且在跟蹤過程中具有良好的準確性和可靠性。

參考文獻

[1] 王磊，王瀚漓，何良華.基于雙邊緣檢測的車牌識別算法[J].計算機工程與應用，2013，49(8)：169-173.

[2] 陳文藝，張龍，楊輝.HDR圖像色調映射的自適應色彩調節算法[J].電子技術應用，2018，44(11)：107-110.

[3] 蔡念，周楊，劉根.魯棒主成分分析的運動目標檢測綜述[J].中國圖象圖形學報，2016(10)：1265-1275.

[4] 張涵，閆懷平，張展.多特征融合及最小均方誤差優化的陰影檢測[J].電子技術應用，2018，44(10)：153-157.

[5] Cong Bin，Wang Zhefu.Camshift target tracking based on Gaussian background difference and AdaBoost combination[C].Conference on Complex，Intelligent，and Software Intensive Systems Springer，Cham，2018：1087-1096.

[6] 初紅霞.基于均值移動和粒子濾波的目標跟蹤關鍵技術研究[D].哈爾濱：哈爾濱工程大學，2012.

[7] 蔡勇智.一種改進的神經網絡算法車牌識別算法研究[J].科技通報，2012，28(10)：128-130.

[8] SIMONYAN K，ZISSERMAN A.Very deep convolutional networks for large-scale image recognition[C].ICLR 2015，2015：1-14.

[9] 劉芳輝，郭慧，張培，等.基于基元自相關圖和結構元直方圖的圖像檢索[J].電子技術應用，2017，43(8)：115-118.

作者信息:

趙  鵬，豐大軍，徐一鳳

(華北計算機系統工程研究所，北京100083)