基于OpenCV技術的視頻車輛運動目標提取

唐練

(重慶市華馳交通科技有限公司,重慶 400060)

基于OpenCV技術的視頻車輛運動目標提取

唐練

(重慶市華馳交通科技有限公司,重慶 400060)

本文使用Visual Studio 2008作為開發環境,并結合OpenCV提供的圖像處理函數庫,從開發者角度闡述了視頻車輛運動目標提取的基本流程和實現方案。實驗結果能夠準確提取清晰的車輛輪廓圖像,不僅為交通量統計提供可靠依據,也能提供公路的科學管理水平。

OpenCV 運動目標 交通檢測

隨著我國路網大規模建設與完善，智能交通系統(ITS)[1]也日益普及和迅速發展，并能有效提高路網通行能力和交通運輸效率。實時采集交通信息(車流、車速、車型)是極其重要的一個環節，傳統的檢測技術包括磁頻感應技術和波頻(如紅外、超聲波、雷達)檢測技術，但都存在工作壽命、可靠性等問題。近些年，結合圖像處理和模式識別的視頻交通檢測技術[2]以檢測范圍大、靈活性強、檢測精度高等優勢被廣泛研究與應用，對實現交通管理智能化具有重要意義。

在視頻交通檢測系統中，交通信息參數的獲取依賴于車輛運動目標的識別與提取，本文從開發者實現角度，重點論述如何應用OpenCV技術有效檢測與分割車輛運動目標，為最終數據獲取提供根本的實現決策。

1 OpenCV技術與平臺搭建

OpenCV是一個開源的計算機視覺庫，最早由英特爾公司于1999年啟動。它輕量級而且高效，包括500多個C/C++函數的跨平臺的中、高層API，不依賴于其它的外部庫。

本文的視頻交通檢測系統硬件平臺由視頻采集卡和嵌入式PC104主板組成，運行平臺選用微軟公司的Windows XP Embedded，開發環境采用Visual Studio 2008，并編譯配置圖像處理開源模塊OpenCV。

交通視頻可輕松通過調用采集卡配套的CGVideo庫獲取，開發者更專注于圖像處理部分。每幀圖像數據格式由OpenCV提供的IplImage結構表示，此結構作為車輛運動目標提取的基礎數據，使用頻率是非常高的。

圖1 提取車輛運動目標基本流程

圖2 基于虛擬檢測線方法示意圖

圖3 原始圖像

圖4 背景圖像

圖5 車輛輪廓

2 車輛運動目標提取的基本流程與實現

車輛運動目標提取是整個系統核心，基本流程如圖1所示。

(1)運動目標的背景提取。運動目標需要從多幅連續幀中實時將所在區域從背景(自然場景)中分割提取出來，即完成前景和背景的分離。本文通過自適應背景建模方法由當前幀不斷加權更新背景幀，消除運動對象的隨機擾動。當前幀和背景幀均為灰度圖像，有效降低運算量。cvRunningAvg為OpenCv提供的更新移動平均的函數，并由參數alpha確定加權系數，表示占背景圖像百分比。函數cvCvtColor用于圖像顏色模型轉換，即灰度化。

(2)背景差分。背景差分過程直接用當前幀的灰度圖像減去背景圖像，得到包含運動目標的差值圖，調用OpenCv中的cvSub函數實現。

(3)差值圖二值化。二值化能夠有效將運動目標從多個復雜前景對象中分割出來，但二值化的閾值選取相當關鍵，顯然，隨著時間推移，固定閾值不現實，本文考慮了自適應雙閾值法，每隔一定幀數，根據選取的一塊背景均值作為閾值計算標準。差值圖像若為正值，大于正閾值則視為是車輛運動目標；若為負值，小于負閾值則視為車輛運動目標。

(4)二值圖去噪。由于車輛顏色比較復雜，二值化后得到的運動目標會出現部分缺失，這時選用合適的形態學掩模對運動目標進行閉運算，保證車輛為矩形或類似四邊形，這就是行駛車輛輪廓。閉運算由OpenCv中的膨脹函數cvDilate及腐蝕函數cvErode先后實現。

(5)車輛輪廓提取。雖然可以通過函數cvFindContours很容易找到多個輪廓，但是車輛輪廓判斷需要一定規則條件。本文采用一種基于虛擬檢測線的方法[3]進行車輛發現及輪廓提取，如圖2所示，僅虛擬檢測范圍內的運動輪廓才可能被認為所需運動目標。

3 實驗與結論

圖3為重慶一路段的車輛原始圖像，經上述圖像處理流程后，得到圖4所示結果，為提取的二值化車輛輪廓。

可見，基于OpenCV技術的視頻車輛運動目標提取能夠有效實現與獲取車輛輪廓，最終，可以由車輛輪廓得到車長、車寬、車型等多種特征參數。本文所述內容也可以根據不同時段、路段統計車流量，不僅給交通調控提供合理的統計依據，也能提高公路的科學管理水平。

[1]黃衛,陳里得.智能運輸系統(ITS).北京:人民交通出版社,1999,20-25.

[2]王曉東,施海燕.城市道路交通信息監測系統.ITS通訊,2002(1).

[3]賀春林.一種基于視頻的車輛檢測算法.計算機科學,2005,32(5):243－245.