違章車輛快速檢測方法研究
——基于魯棒顏色差分直方圖

鄒 震，陳思聰，胡士強，張曉宇

1.上海交通大學 航空航天學院，上海200240

2.加州大學伯克利分校 理學院 應用數學與經濟學系，加利福尼亞州 伯克利4010

1 引言

在交通壓力日益增長的今天，為保障大眾市民出行的通暢，政府專門開辟了公交專用車道。但是有些社會車輛司機缺乏自覺性，經常違章占用公交車道，影響公交車的正常運行。尤其是在上下班高峰期，社會車輛擁堵嚴重，此時保證公交車輛的運行通暢更顯得非常重要。針對違章占用公交車道的社會車輛，交管部門采取了許多措施對社會車輛進行違章抓拍，比如目前北京的做法是在公交車頭部安裝攝像機，對占用公交車道的社會車輛進行跟蹤智能抓拍并錄像取證，這種方法對社會車輛起到了很好的威懾作用。在其他一些城市則采用在路口附近架設固定監測探頭，對公交車道進行持續監測，實時抓拍占道車輛。對于基于固定攝像頭的違章車輛檢測方法，已經開展了許多先期研究[1-2]。文獻[3]是實現了基于背景差分法建立了智能交通監測系統；文獻[4]則基于道路邊界檢測和車輛檢測跟蹤提出了視覺跟蹤的交通監控方法；文獻[5]基于紅外攝像頭，該方法能夠抑制可見光不足或可見光變化強烈對系統的影響；文獻[6]通過基于像素的在線向量支持回歸動態調整閾值進行前景分割方法，提高抑制光線的變化；文獻[7]針對交通監測攝像機拍攝的視頻流提出了高斯混合模型和背景差分相結合的方法進行處理，實現了交通監測。但在實際應用系統中，由于早晚及陰晴天氣引起的光線變化，這些方法都不能很好地實時更新背景或智能適應環境變化，導致檢測算法的魯棒性不強，為抑制光線變化而采用的算法實時性又不能滿足要求，不能快速準確地實現違章車輛監測和抓拍。

本文利用城市路口對準公交專用車道的固定攝像頭拍攝的實際視頻，提出了一種魯棒顏色差分直方圖檢測算法，實現了對違章占用公交車道的違章車輛快速監測和準確抓拍。

2 魯棒顏色差分直方圖前景提取方法

針對環境光線變化對檢測的影響，參考文獻[8]給出的魯棒顏色差分直方圖算法分割前景，通過給出的背景圖像，前景可以通過計算輸入圖像與背景圖像每個像素的顏色差分值來提取。如果每個像素的顏色差分值比設定閾值大，這個像素就會被認為是前景；反之，該像素就會被認為是背景。由于該閾值能夠自適應地根據當前幀圖像改變，因此該算法能夠適應環境以及光線的變化。

2.1 背景模糊匹配

為了更快地將當前背景圖像更新至與當前環境相適應的圖像，采用背景模糊匹配方法選擇與當前環境最接近的初始背景圖像。具體方法如下：

（1）選擇不同的天氣條件，在視野中沒有車輛時拍攝當前圖像，建立靜態背景圖像庫。

（2）程序開始獲取第一幀圖像，選取特定區域，與背景庫中圖像的同樣區域進行比較。

（3）取差異最小的背景庫中圖像作為當前初始背景圖像，參與檢測。

2.2 改進的前景提取算法

顏色分割算法從顏色差分直方圖中提取閾值，以適應環境和光照的影響。因為閾值的計算是根據輸入圖像和背景圖像的顏色差分直方圖實時地計算求得，每一幀的閾值由當前幀計算得出用于當前幀前景分割，而文獻[8]中，當前幀的前景分割用的是上一幀計算得出的閾值，這與實際情況不符。它能根據環境和光照的變化自適應改變，所以該閾值的選取具有一定的魯棒性。為了使分割的車輛更清晰，需要對分割的結果進行處理，包括去除陰影，填補和去噪等過程。最后，背景圖像根據顏色的分割結果進行更新。

顏色差分直方圖算法對光照變化的抑制具有一定的魯棒性，該算法步驟如下：

（1）計算輸入和背景圖像在公交車道區域對應位置的顏色差分值ΔI。

（2）利用ΔI計算運動目標分割左右閾值。其中閾值設定理論表述為：在每一個顏色差分直方圖中背景像素的分布類似于零均值的高斯分布，前景像素分布在零均值的兩側。文獻[8]是從零均值開始往兩側遍歷拐點，而本文是先找出峰值，再從峰值開始往兩側遍歷高低閾值。這種方法更符合實際，因為在實際情況中峰值不一定落在零點。在峰值兩邊的第一個拐點分別定義為右閾值H和左閾值L。

（3）利用L,H和ΔI分割輸入圖像：

if (L≤ΔI≤H)

該像素是背景；

(1)干預前后評估兩組關節活動度。(2)評估護理滿意度,根據評分分為滿意、基本滿意與不滿意,以滿意與基本滿意之和占比統計護理滿意度。

根據式（1）背景更新；

else 該像素是前景；

其 中RB(x,y)、GB(x,y)、BB(x,y)分別是該背景圖像像素紅、綠、藍三個通道的像素值，Ri(x,y)、Gi(x,y)、Bi(x,y)分別為該輸入圖像像素紅、綠、藍三個通道的像素值，n=3。

（4）定義圖像Q為檢測圖像，其大小為M×N。先將其中所有像素都置為0，根據步驟（2）中得到的前景像素的坐標，將Q(xi,yi)置為1，即認為是前景。

（5）根據文獻[9]的方法對Q去除陰影，定義：

若TH_S1≤Ra≤TH_S2,則Q(xB,yB) =0,即為背景。其中閾值參數TH_S1和TH_S2分別設為0.98 和1.6。

（6）根據文獻[10]方法對圖像Q進行腐蝕膨脹。此時圖像Q即為檢測前景的結果圖像。

圖1 初始處理

實驗結果證明，基于魯棒顏色差分直方圖的方法能夠實現不同光照條件下（早晨和傍晚、陰天和晴天等）車輛的魯棒檢測，為后續跟蹤和判別車輛違章狀態和抓拍提供了可靠的檢測視頻。

圖2 陰天條件下檢測結果

圖3 多云條件下檢測結果

3 目標跟蹤與違章判斷

3.1 目標跟蹤

根據目標檢測的結果，在圖像中框定前景團塊，其大小為W×H,并且計算出其質心的坐標。通過卡爾曼濾波對其進行跟蹤，預測目標在下一時刻出現的位置區域，其大小為1.4W×1.4H,在該區域內進行下一時刻的檢測，以確認跟蹤的是同一目標。

設車輛質心坐標為(xp,yp),車輛運動狀態向量為。卡爾曼濾波采用勻速模型，狀態轉移矩陣為：

量測矩陣為：

因為在實際系統中視頻刷新周期為8 f/s，所以T=0.125 s 。初始狀態X=[7 00 0 1 200 0]T，初始過程噪聲協方差矩陣P( 0 |0 )與量測噪聲協方差矩陣R 均為4×4單位矩陣。根據卡爾曼濾波基本方程：

得到預測狀態X=x(k+1|k+1)，即可得到車輛質心坐標的預測值。

圖4 不同天氣條件下跟蹤結果

3.2 違章判斷

在本十字路口，最右側車道為公交專用車道。當社會車輛借用公交車道右轉彎時，并不構成違章；但當社會車輛占用公交車道，越過十字路口中心線并且繼續直行的，則視為違章車輛。因此，當車輛越過停車線時，需要對車輛進行持續檢測與跟蹤，依據劃定的邊界線判斷其是右轉彎還是直行。此時，將車輛越過停車線的圖像保存在緩沖區作為第一張圖片。若跟蹤的車輛質心越過設定的邊界線時，判斷該目標是直行還是轉彎，決定是否抓拍。如圖在視野中劃定車輛右轉彎的界線橫坐標為1 500,當xp≥1 500 時，認為車輛右轉彎，釋放緩沖區中保存的圖像；劃定車輛直行的界線縱坐標為520,當yp≥520 時，則認為該車輛直行了，屬于違章車輛，將此時的圖像與緩沖區中的圖像一起保存，該組圖像即可作為違章的證據。

圖5 違章判斷流程圖

圖6 直行（橫）轉彎（豎）邊界線

圖7 違章證據

4 程序實現與實驗結果分析

系統主程序采用Visual Studio 2008 編譯環境，MFC和OpenCV2.0 庫函數編寫[11]。為了進一步加快運算速度，處理時將原圖分辨率從1 600×1 200 縮放至320×240，而抓拍時為了保證圖像清晰度，仍然保存1 600×1 200 的高清晰圖像。攝像頭型號為CY-DC2035J，讀取速率為8 f/s，圖8為系統主程序運行流程圖。

表1 不同方法現場處理結果比較

表2 不同方法處理同一段視頻結果比較

圖8 系統流程圖

為了驗證本文提出算法的有效性，利用同一路口監測場景，分別在光照變化不明顯的陰天、光照變化相對穩定的晴天和光照變化劇烈的多云天氣進行違章車輛抓拍實驗，記錄實際違章車輛數和程序抓拍車輛數，采用平均背景分割法、Codebook 法與本文方法作為比較，在一個綠燈周期內對違章車輛進行檢測抓拍。得到的對比結果如表1所示。

表1 中每個條件下的4 個數據分別為：實際違章車輛數，抓拍車輛數，準確率和處理速率。通過分析表中數據可以看出，Codebook方法處理速度有限，每秒只能處理4幀，導致在不同環境下違章辨別準確率不足20%。而背景剪除法在光照變化不明顯的環境下能夠滿足要求，但是環境發生變化后就會失效崩潰，其處理速度由于算法簡單而能夠滿足8 f/s 的要求。本文提出的魯棒顏色差分直方圖方法能夠實時處理攝像頭讀取的圖像，滿足攝像頭讀取速率，并且在環境變化時違章辨別準確率均能保證在80%以上。表2 中列出了對三種不同天氣環境下同一段視頻的處理結果，通過實驗數據可以看出，當播放速率達到12 f/s 時，本文方法依然能夠跟上播放速率，處理速率也能達到12 f/s，并且能夠保證準確率在80%以上，而背景剪除法不能適應環境變化，Codebook 方法不能滿足實時性要求。以上實驗結果證明在不同的場景和天氣條件下，該方法能夠保證準確性和實時性，是一種可應用于實際系統的快速檢測方法。

5 結語

針對交通監測中對違章車輛辨別不能滿足魯棒性和實時性的要求，本文采用魯棒顏色差分直方圖方法抑制環境變化，分割前景和背景，準確分辨違章車輛。采用設定感興趣區域ROI 和圖像縮放提高處理速度，精確跟蹤公交車道上的車輛，區分和記錄違章車輛。本文方法特點如下：（1）采用背景圖像模糊匹配，對初始背景圖像進行篩選，以便更快將背景更新至適應當前環境。（2）對顏色差分直方圖閾值自適應算法進行改進，當前幀閾值用于分割當前幀前景，改善檢測效果。（3）采用劃定感興趣區域和圖像縮放，加快運算速度。實驗結果表明該方法可靠有效，并且滿足實時性要求，目前該系統已應用于路口違章車輛實時檢測系統中。

[1] 王為，姚明海.基于計算機視覺的智能交通監控系統[J].浙江工業大學學報，2010，38（5）：574-579.

[2] 馮軍，金立.基于視覺跟蹤的交通監控[J].電腦知識與技術，2010，6（24）：62-67.

[3] 白立崗，賈冬冬.紅外攝像機在交通監控系統中的應用[J].中國交通信息產業，2009，11（11）：89-90.

[4] 高韜，劉正光，岳士宏，等.用于智能交通的運動車輛跟蹤算法[J].中國公路學報，2010，23（3）：89-94.

[5] 陳功，楊奎元，周荷琴，等.魯棒的實時多車輛檢測與跟蹤系統設計[J].信號處理，2009，25（4）：607-612.

[6] Wang Junxian，Bebis G，Miller R.Robust video-based surveillance by integrating target detection with tracking[C]//Proceedings of the 2006 Conference on Computer Vision and Pattern Recognition Workshop（CVPRW’06），2006.

[7] Kun A J.Traffic monitoring with computer vision[C]//7th International Symposium on Date of Conference on Applied Machine Intelligence and Informatics，2009.

[8] Chiu Chung-Cheng，Ku Min-Yu，Liang Li-Wey.A robust object segmentation system using a probability-based background extraction algorithm[J].IEEE Transactions on Circuits and Systems for Video Technology，2010，4（20）：68-76.

[9] Bevilacqua A.Effective shadow detection in traffic monitoring applications[J].WSCG，2004，1（11）：57-64.

[10] Wahl F M，Wong K Y，Casey R G.Block segmentation and text extraction in mixed text/image documents[J].Computer Graphics Image Process，1982，20（4）：375-390.

[11] Bradski G，Kaehler A.Learning OpenCV[M].[S.l.]：Newgen Publishing，2008：68-108.

[12] Salvador E.Cast shadow segmentation using invariant color features[J].Computer Vision and Image Understanding，2004，2（6）：238-259.