基于車輛底盤陰影的車輛精確分割算法研究

摘 要:在基于視頻的智能交通系統中，利用車輛底盤陰影特征，并結合車輛邊緣及穩定背景和可信前景等特征，抑制局部遮擋導致的車輛粘連問題，將遮擋的車輛準確分離。實驗結果表明，車輛底盤特征能較好地用于粘連車輛的精確分割。

關鍵詞:車輛底盤陰影;車輛檢測;車輛粘連;智能交通

中圖分類號:TP39141文獻標識碼:A

文章編號:1004-373X(2010)05-154-03

Accurate Segmentation Algorithm of Vehicles Based on Shadow of Chassis

LIU Jianwei1，WANG Jiarui1，CAO Quan2，YANG Xiaoping1

(1.Shenzhen Graduate School，Harbin Institute of Technology，Shenzhen，518055，China;

2.ITS Research Development Center，Harbin Institute of Technology，Shenzhen，518055，China)

Abstract:In video-based intelligent transportation system，using the shadow of the vehicle chassis，combined with the edge of the vehicles and the prospects of stability and credibility of the background characteristics，the partial inhibition caused by vehicles blocking the adhesion problem，the vehicles can be accurately separated from adhesions.The experimental results show that the characteristics of the vehicle chassis for better adhesion to the precise division of vehicles.

Keywords:shadow of the vehicle chassis;vehicle detection;adhesion vehicles;intelligent transportation

近年來，智能交通系統的研究取得了長足的進展，然而由于局部遮擋而造成的車輛粘連問題嚴重影響了統計車流量，車輛跟蹤等問題的準確性。本文提出了利用車輛底盤陰影特征，并結合車輛邊緣特征，分離因局部遮擋而粘連車輛的方法。實驗證明，該方法可以準確地分離車輛。

1 運動物體的檢測

在運動物體檢測中，常常要提取前景，再對前景進行相應的處理。最常用的提取前景的方法有幀間差分法[1]、光流場法[2，3]和背景差分法。

1.1 前景的提取

幀間差分法是在序列圖像中，通過逐像素比較直接求取前后兩幀圖像之間的差別。假設在多幀圖像之間，內容基本不變化，那么差分后圖像的不為零處表明該處的像素發生了移動。換言之，對時間相鄰的兩幅圖像進行差分運算，可以將圖像中目標的位置和形狀突顯出來。幀間差分法有易于實時監控系統的應用，算法簡單，如果相鄰幀的時間間隔較短，該方法對場景光線的變化不太敏感，受目標陰影的影響也不大，因此這種方法適用范圍廣泛，但是對選擇差分連續幀的時機要求較高，而且有賴于運動物體的運動速度，如果運動速度較快，而選取的時間間隔過大，就會造成兩幀之間同一目標無覆蓋區域，從而無法識別且分割出運動物體的連續性;如果運動速度過慢，而選取的時間過小，就會造成過度覆蓋，最壞的情況就是物體幾乎完全重疊，根本就檢測不到物體。

光流法采用了運動目標隨時間變化的光流特性。所謂光流是指圖像中灰度模式運動的速度，它是景物中可見點的三維速度矢量在成像平面上的投影，表示了景物表面點在圖像中位置的瞬時變化，同時光流場攜帶了有關運動和結構的豐富信息。光流法的計算結果通常誤差較大，分割結果的精確性依賴于估算的光流場的精確性。然而準確計算光流場一直是一個難以解決的問題，而且光流法的計算很復雜，如果沒有硬件支持，很難滿足系統實時性的要求。

背景差分法是在建立穩定的背景下，將當前圖像與背景圖像做差。基于背景差分的運動目標檢測雖然比連續幀間差分提取出的目標圖像更為完整，實現起來比較簡單，但是自適應能力較差，一些動態變化和一些干擾沒辦法避免。背景的建立對整個系統的實現至關重要，采取的背景建模算法要求對光照和外部條件造成的場景變化有一定的魯棒性，而且對實時性的要求也高。

本文前景的獲取是利用背景差分法與幀間差分法相結合得到的，即背景差分與幀間差分得到的兩幅圖像分別利用大津法[6]進行二值化，再將得到的兩幅二值化圖像進行或操作，并將閉合區域進行填充，獲取前景輪廓。

1.2 穩定背景的建立與更新

本文利用高斯混合模型建立穩定背景[1]。背景圖像的每一個像素分別用由K個高斯分布構成的混合高斯模型來建模，即:

P(Xt)=∑Ki=0ωi，tη(Xt，μi，t，Σi，t)(1)

式中:K是混合高斯模型中高斯分布的個數，一般取3~5;Xt是像素在t時刻的值，本文取其灰度值;ωi，t表示t時刻混合高斯模型中第ith個高斯分布的權系數的估計值;μi，t和Σi，t分別表示時刻t混合高斯模型中第ith個高斯分布的均值向量和協方差矩陣;η表示高斯分布概率密度函數。

η(Xt，μt，Σt)=1(2π)n2Σ12e-12(Xt-μt)TΣ-1(Xt-μt)(2)

更新時，對時刻t圖像幀的每個像素值Xt和它對應的混合高斯模型進行匹配檢驗，如果像素值Xt與混合高斯模型中第i個高斯分布Gi均值的距離小于其標準差的2.5倍，則定義該高斯分布Gi與像素值Xt匹配。對于不匹配的高斯分布，它們的均值和協方差矩陣保持不變，匹配的高斯分布Gi的均值μ和協方差矩陣Σ按下式更新:

μi，t=(1-ρ)μi，t-1+ρXt(3)

Σi，t=(1-ρ)Σi，t-1+ρ#8226;

diagμi，t)T(Xt-μi，t)〗(4)

其中:

ρ=αη(Xt|μi，t-1，Σi，t-1)(5)

式中:α為參數估計的學習速率，本文取1/t。

經過實踐證明，背景的建立在500幀之后最穩定，認為它是可信背景。然而時間越長，背景的更新速度越慢，真實背景上的變化無法及時更新到建立的背景上，本文采用間隔700幀重新獲取一次背景，這樣既可以得到穩定的背景，又可以及時對背景進行更新。

2 車輛底盤陰影分割粘連車輛

本文在白天城市路和高速公路做實驗，攝像機距地面15 m，正對車輛行駛方向安裝，攝像機是從高于車輛的方向水平向下30°的方向看去，如圖1所示，車輛底盤處總會有陰影存在。陰影有其固有的屬性[7]，首先他的顏色屬性和圖像背景差別很大，其次陰影與目標一樣一直處于運動狀態，而且在位置方面，陰影總是與投射它的物體相連，陰影與車輛本身是一一對應的關系，即每輛車有且只有一個陰影。

由圖1可知，陰影分為全影和半影，全影要比半影顏色更暗些，陰影的特征也更明顯些。車輛底盤陰影則屬于全影。

圖1 陰影的光照模型

根據陰影的這些特征，利用車輛底盤陰影來分離由于局部遮擋而引起的粘連車輛是完全可行且可靠的。

2.1 車輛底盤陰影的提取

檢測陰影的方法很多，其中文獻[8]中提出的基于亮度和三色值的陰影提取方法，是利用顏色特征和亮度來提取陰影，該方法實現起來繁瑣，在實際運用中，亮度特征不是很明顯;文獻[9]提出了基于HSV顏色空間陰影提取算法的使用十分廣泛，但在視頻交通檢測應用上效果并不理想，由于輸入的視頻與真實場景相比有一定的模糊，導致HSV各分量變化規律不明顯，文獻[9]中還提出基于邊緣相減的陰影檢測算法，它的處理速度快，需要的信息少，然而當車輛邊緣不清晰時，將無法區分車輛與陰影。

本文提出一種簡單有效的方法進行實時檢測車輛底盤的陰影，即利用路面灰度分布范圍和紋理信息檢測車輛底盤陰影。該方法的思想是:在穩定背景下，統計路面灰度分布范圍，陰影的灰度值一定比路面的灰度值小，這樣就可以用較小的路面灰度值做閾值來區分路面與陰影，即可準確提取出車輛底盤陰影。這種方法提高了處理速度，而且是在白天的城市路和高速路上，光照條件好，都可以很好地檢測出車輛陰影。

車輛底盤陰影提取的具體步驟如下:

(1) 用混合高斯模型建立穩定的背景模型。

(2) 提取前景圖像，獲取每個前景的位置。

(3) 對每個前景塊統計路面的灰度分布情況。

(4) 用最小的灰度值作為閾值，對當前幀圖像二值化。

(5) 提取出比路面黑的車輛底盤陰影及其在圖片中的位置。

在統計背景路面灰度分布時發現，背景的灰度直方圖分布形狀與高斯分布相似，而且背景上會有一些干擾點。為了去除這些干擾點且準確判斷背景的灰度分布范圍，采用了90%的灰度分布值為路面的灰度分布范圍。

σ=∑ki=0sum/sum(6)

式中:sum表示整幅圖像中像素值為i的個數;sum表示整幅圖像的像素個數;k為從0~255的像素值。當σ≥0.02時，對應的k值即為路面灰度分布范圍的左邊界。因為只需要用左邊界做閾值來二值化圖像，所以不需要求出路面灰度分布范圍的右邊界。二值化時，將圖像中小于閾值的像素點設為255，將大于閾值的像素點設為0，這樣即可提取出比路面灰度值小的部分，得出的團塊即為車輛底盤陰影區域，團塊的寬即為車輛底盤陰影的寬，團塊的高即為車輛底盤陰影的高。

2.2 分割局部遮擋而粘連的車輛

利用陰影與車輛一一對應的原理，分離被部分遮擋的車輛。在前景與背景分離時，經常把局部被遮擋的車輛與遮擋的車輛劃分成同一輛車。本文提出利用車輛底盤陰影分離被遮擋的車輛，只要前景中檢測出不止一個陰影，再加上車輛邊緣的定位，就可實現分離被遮擋的車輛。

在獲取前景后，如果檢測到只有一個車輛底盤陰影，則通過前面所述的方法認為只有一輛車。當檢測到不止一個陰影時，將檢測出的陰影與相對應的前景相結合，判斷前景上對應檢測出車輛底盤陰影位置的正下方是否還有前景目標，如果有，則認為該陰影是車體的一部分或其他干擾，并不是車輛底盤陰影，如果沒有，則認為該陰影是車輛底盤陰影，最后確認出幾個車輛底盤陰影就認為有幾輛車。

假設前景在圖像的上、下、左、右分別為TOP，BOTTOM，LEFT，RIGHT，檢測出來的車輛底盤陰影在圖像的上、下、左、右分別為top，bottom，left，right;sum_255表示特定區域的前景目標像素個數;color(i，j)表示前景圖像上第i行第j列的像素值，則:

sum_255=∑bottomj=BOTTOM∑righti=left(color(i，j)==255)?

(sum_255+1):(sum_255+0)(7)

由于不排除存在干擾的可能，選取T為閾值，在sum_255≤T時，說明所檢測的陰影為車輛底盤陰影，在sum_255>T時，則認為所檢測的陰影不是車輛底盤陰影。

在判斷出一個陰影是車輛底盤陰影后，其陰影的寬度即認為是車輛的寬度，高度則是由對應前景決定的，在對應車輛陰影位置的前景上，從陰影所在的正上方向上掃描，逐行累計前景目標的像素個數sum_255至前景的最上端，在sum_255<T時，所對應的位置即為車輛的頂部。

sum_255=∑TOPj=k∑righti=left(color(i，j)==255)?

(sum_255+1):(sum_255+0)(8)

式(8)中，k=top，top+1，…，TOP。當sum_255<T時，所對應的k即為車輛的頂端。

具體流程圖如圖2所示。

圖2 利用車輛底盤陰影分離局部被遮擋的車輛流程圖

3 實驗結果

本文利用車輛底盤陰影分離粘連車輛的方法進行試驗。圖3為白天某城市路視頻錄像中的一幀。圖3(a)為沒有利用車輛底盤陰影分離粘連車輛的結果圖，圖3(b)為利用車輛底盤陰影分離粘連車輛的結果圖。

圖3 檢測車輛陰影分割被遮擋車輛測試圖

由圖3可以看出，兩輛在前景檢測中由于遮擋而連在一起的車輛，利用車輛底盤陰影可以準確地將其分離。

4 結 語

利用車輛底盤陰影的特征實現分離由于局部遮擋而粘連的車輛，大大提高車輛檢測的準確率。限于樣本的采集，本文未對雨天和雪天等路面的反光現象進行實驗，這將是以后工作的重點。

參考文獻

[1]張玲，陳麗敏，何偉.基于視頻的改進幀差法在車流量檢測中的應用[J].重慶大學學報:自然科學版，2004，27(5):31-34.

[2]Verri A，Uras S，DeMicheli E.Motion Segmentation from Optical Flow.Proc.the 5th Alvey Vision Conference[C].1989:209-214.

[3]Barron J，Fleet D，Beauchemin S.Performance of Optical Flow Techniques[J].International Journal of Computer Vision，1994，12(1):42-77.

[4]Stauoer C，Grimson W.Adaptive Background Mixture Models for Real-time Tracking.Proceedings of the IEEE CS Conference on Computer Vision and Pattern Recognition[C].1999，1(2):246-252.

[5]Arseneau S，Cooperstock J R.Real-time Image Segmentation for Action Recognition.Proceedings of the IEEE Paciac Rim Conference on Comunications，Computers and Signal Processing[C].1999:86-89.

[6]龐銀卓，張新榮.一種實用的多灰度層次目標分割算法[J].微處理機，2005(3):42-46.

[7]張偉.基于視覺的運動車輛檢測與跟蹤[D].上海:上海交通大學，2007.

[8]董曉慶.運動檢測算法研究及其在智能監控中的應用[D].廣州:廣東工業大學，2008.

[9]周凱.交通視頻監控系統中運動目標特征提取與數據傳輸實時性保證的研究[D].上海:同濟大學，2007.

[10]李全民，張運楚.自適應混合高斯背景模型的改進[J].計算機應用，2007，27(8):2 014-2 017.

智能交通與導航