视频图像中的车辆检测跟踪和分类

在现代交通管理和道路规划中,交通流量和通行车辆的类型、速度是重要的参数。自动获取这些数据的方法大致可以分为两类:一类是利用压电、红外、环形磁感应线圈等传感器获得车辆本身的参数,这类方法跟踪识别率较高,但是容易损坏,安装也不方便;还有一类就是基于图像处理和模式识别的方法,克服了前面一类方法的局限,由于图像处理识别技术的进步和硬件性价比的大幅提高,有一定实用价值的系统已经出现。这些系统的使用证明:图像处理识别车型的方法日趋成熟,环境适应能力较强,能长期稳定工作,但是计算量大,识别正确率不如感应线圈、激光读卡等方法高。本文的研究属于后者,利用安装在高处的单个静止摄像头监视路面,利用运动分割与模型匹配的方法,检测并统计多车道的车流信息。

整个识别过程分三步:分割、跟踪和车型判定。运动目标的分割常采用帧差法。在监控场合,摄像头大多是固定的,背景基本没有变化或者变化缓慢,可以从图像序列中逐渐取出背景图像,然后利用帧差法检测出目标区域,同时还可以检测静止目标。由于识别过程中利用二值边缘图像,所以本文在图像分割中对输入图像进行了梯度二值化处理。三维空间和二维图像平面之间映射关系的确定,采用基于针孔模型的摄像机定标来计算。对目标区域的跟踪,采用了区域特征向量的匹配跟踪方法,减小了运算量。由于图像处理的方法很难提取轮数、轴距等车辆本身参数,所以在图像车型识别中一般都采用三维模型在图像上投影和车辆边缘相匹配的方法。

1 背景重建和图像分割

由于摄像头固定,背景变化缓慢,因此,可以利用图像序列逐渐恢复出背景图像。其基本原理是:对每一个像素进行监控,如果在较长时间内灰度不发生明显变化,则认为该象素属于背景区域,将该象素灰度值复制到背景缓冲区,否则属于前景区域[1]。由于光照以及车辆阴影等影响,采用这种方法恢复出来的背景图像存在较大噪声。因此在实验中对原始输入图像进行了梯度二值化处理,然后进行背景重建。这样可以减小阴影的干扰,加快背景重建速度。由于识别是利用边缘信息,所以梯度化对后面的识别过程没有影响。

在得到背景边界图像后,利用帧差法可以分割出感兴趣的目标。但是,如果目标区域和背景边界重合(值都为"1"),相减之后该目标区域被错误判定为背景区域(值为"0")。为了减小错误判决区域,本文在分割时参考了相邻两帧的二值化帧差fdmask,判决准则如下:如果fdmask中某像素为"0",则输入图像和背景图像相应像素相减;否则直接复制输入图像中相应的像素值。分割结果经过噪声消除、形态学平滑边界、种子填充、区域标记等后续处理,就分离出了目标。

2 摄像机定标

在模型匹配中,需要从二维图像恢复目标三维信息,同时将三维模型投影到图像平面上,因此必须计算三维空间到图像平面的投影关系矩阵。这个过程就是摄像机定标。本文采用基于针孔模型的摄像机定标方法,其基本原理是利用给定的一组三维世界的点坐标和这些点在图像中的坐标,求解线性方程组,计算透视投影矩阵中的各个元素[2]。透视投影矩阵如下:

其中:(u,v)是图像坐标, (Xw,Yw,Zw)是三维坐标,M为投影矩阵,Zc为三维空间中点到摄像机镜头的矢量在主光轴上的投影距离。要求解M的各个元素,根据文献[2]介绍需要6个点的投影关系组成12阶的方程组,通常方程组不独立,没有唯一解,采用近似计算的误差较大。在(1)式基础上经过变形,将12阶方程分拆成三个4阶方程组,只需要利用4个点的投影关系,方程组的阶次也只有4阶,可以有效避免出现奇异矩阵,求出唯一解。由式(1)可以得出:

另外,除了4组点的坐标之外,还需测定镜头主光轴的水平垂直倾角。

3 车辆的跟踪和分类

在区域分割后,接下来进行区域跟踪,利用相邻两帧的区域匹配从而在图像序列中建立目标链,跟踪目标从进入监视范围到驶离监视范围的整个过程。首先要确定匹配准则。常用的图像匹配方法有Hausdorff距离匹配法和图像互相关。这两种方法都需要逐个像素的计算。为了减小计算量,采用区域特征跟踪法。目标区域的特征包括区域形心坐标、区域包围矩形、区域运动速度及运动方向和区域面积。本文匹配准则采用了两个假定:同一目标所对应区域在相邻两帧中面积相近;同一目标在前一帧中的区域形心加上运动速度所得到的形心预测值与后一帧中区域形心距离相近[3]。跟踪过程如下:

(1)将第一帧的各个区域当作不同的目标,对各个目标区域启动目标链。

(2)根据判决准则,如果某目标链中的区域在当前帧找到了匹配区域,则用找到的匹配区域特征更新该目标链中的区域特征。

(3)如果在形心预测值所在位置,当前帧区域和目标链中区域面积相差很大