視頻中多目標(biāo)車輛的檢測(cè)與跟蹤方法研究

張禮雄，張忠林

(蘭州交通大學(xué) 電子與信息工程學(xué)院，甘肅 蘭州 730070)

0 引 言

隨著智能交通系統(tǒng)(ITS)和智能車輛監(jiān)控系統(tǒng)[1]的迅速發(fā)展，車輛自動(dòng)檢測(cè)及跟蹤具有重要作用[2]。文中主要研究在攝像機(jī)靜止-物體運(yùn)動(dòng)的情況下，根據(jù)道路監(jiān)控實(shí)時(shí)采集視頻并檢測(cè)車輛位置。

傳統(tǒng)的基于圖像特征的車輛檢測(cè)與跟蹤技術(shù)采取了車輛顯著的視覺特性、統(tǒng)計(jì)特性、變更系數(shù)特性和代數(shù)特性。運(yùn)動(dòng)檢測(cè)方法主要有三種，分別是幀間差分法[3]、光流場(chǎng)法[4]和背景差法[5]。王栓等[6]采用幀間差分法[7]來檢測(cè)運(yùn)動(dòng)物體；Ryuzo Okada等[8]改進(jìn)了光流法，根據(jù)各個(gè)像素點(diǎn)的速度矢量特征，對(duì)圖像進(jìn)行動(dòng)態(tài)分析；丁業(yè)兵等[9]提出改進(jìn)的Camshift目標(biāo)跟蹤算法，能更好地跟蹤多色彩目標(biāo)[10]；楊龍文等[11]提出一種利用HOG特征和Adaboost檢測(cè)和混合粒子濾波(MPF)相結(jié)合的觀測(cè)模型算法；劉翔等[12]提出了一種基于卡爾曼濾波思想的改進(jìn)碼本模型目標(biāo)檢測(cè)算法,能在視頻流的靜態(tài)幀中較好地檢測(cè)出車輛。

在已有研究的基礎(chǔ)上，文中提出一種對(duì)監(jiān)控下車輛進(jìn)行檢測(cè)與跟蹤的方法，基于車輛的視覺特性，聯(lián)合Adaboost和幀差算法對(duì)車輛進(jìn)行檢測(cè)，檢測(cè)成果使用基于熵值法求權(quán)重的混合模型進(jìn)行處理，在檢測(cè)到車輛后，使用KCF算法對(duì)車輛進(jìn)行追蹤。通過對(duì)采集的實(shí)際道路環(huán)境的視頻信息處理和分析，進(jìn)行自然背景下的車輛識(shí)別和跟蹤。

1 檢測(cè)系統(tǒng)流程

道路交通監(jiān)控以快球監(jiān)控為主，首先對(duì)公路的車道線進(jìn)行檢測(cè)，提取出攝像頭所在的車道，去除反方向的車道以及車道外的其他環(huán)境和物體的影響。在識(shí)別出車道兩邊的車道線后，以左右兩車道線為邊界，取出中間的公路部分并提取。

由于Adaboost算法[13]可以對(duì)較為完整的車身進(jìn)行檢測(cè)，但在汽車出入視野只有小部分車身時(shí)，檢測(cè)效果不佳。幀差法可以對(duì)移動(dòng)的物體很好地進(jìn)行檢測(cè)，但是當(dāng)背景環(huán)境變化及車輛靜止時(shí)，卻很難進(jìn)行檢測(cè)。針對(duì)以上兩種方法的優(yōu)劣，建立一種熵值法加權(quán)的Adaboost和幀差檢測(cè)模型，將兩者結(jié)合，檢測(cè)出視野內(nèi)的車輛。

KCF是一種辨別式追蹤方法，該方法一般都是在追蹤過程中訓(xùn)練一個(gè)目標(biāo)檢測(cè)器，使用目標(biāo)檢測(cè)器去檢測(cè)下一幀預(yù)估位置是否為目標(biāo)，然后再使用新檢測(cè)成果去更新訓(xùn)練集進(jìn)而更新目標(biāo)檢測(cè)器。在檢測(cè)出車輛后，將每一個(gè)車輛分別作為一個(gè)目標(biāo)檢測(cè)器，對(duì)下一幀預(yù)測(cè)目標(biāo)是否存在的情況下預(yù)測(cè)其位置，實(shí)現(xiàn)對(duì)當(dāng)前視野下的所有車輛進(jìn)行追蹤。

2 車道線識(shí)別與分割

標(biāo)準(zhǔn)的高速公路和合規(guī)的等級(jí)公路兩側(cè)存在平行的一對(duì)車道線。車輛的檢測(cè)和跟蹤僅需識(shí)別當(dāng)前檢測(cè)的單車道或者多車道上的車輛。

圖像的灰度改變主要取決于邊緣檢測(cè)。車道線大多是階梯形邊緣,若變度曲面在這個(gè)點(diǎn)是N階不連續(xù)的,那么階梯形邊緣是一階不連續(xù)的，所以運(yùn)用梯度求解算子來獲取車道線的邊緣信息,而Sobel算子具有較高的時(shí)間性能及計(jì)算效果。

(1)

(2)

式1和式2為Sobel的卷積核,對(duì)原圖像進(jìn)行了卷積。

(3)

(4)

式3和式4表示圖像f(x,y)在(x,y)處的梯度和方向角。

測(cè)驗(yàn)過程中，th為設(shè)定的一個(gè)閾值，當(dāng)f(x,y)

針對(duì)拍攝特點(diǎn),獲取的車道路面被處理為背景,圖像分割的閾值必須大于此值。將包括車道線的前段分割出來,突顯車道線以及灰度較一致的區(qū)域位置,而邊緣檢測(cè)獲得包含車道線的邊緣圖像，如圖1所示。

圖1 車道線檢測(cè)

由于干擾的存在不便于車道線的擬合，采取迭代最小二乘方式擬合車道標(biāo)志點(diǎn)。同時(shí),假設(shè)只檢測(cè)拍攝車道的雙邊的車道線,所用車道模型運(yùn)用直線模型。以左車道線為例,迭代最小二乘法剔除非車道線標(biāo)記點(diǎn)的步驟如下:

(1)對(duì)車道線全部i個(gè)點(diǎn)的集合{(x1,y1),(x2,y2),…,(xi,yi)},進(jìn)行一階最小二乘擬合,獲取擬合參數(shù)kl、bl和擬合誤差均值el。

(2)將{xl(i)}代入由上一步獲得擬合參數(shù)方程,計(jì)算其擬合值{yl(i)}。

(3)計(jì)算擬合值與檢測(cè)點(diǎn)真實(shí)值的絕對(duì)差,當(dāng)yl(i)-xl(i)≤pth時(shí),則[xl(i),yl(i)]∈LeftLine,否則[xl(i),yl(i)]?LeftLine，并剔除。其中pth為一設(shè)定的較小像素閾值,LeftLine為左車道線標(biāo)記點(diǎn)集合。

(4)LeftLine對(duì)中車道線標(biāo)記點(diǎn)集重新運(yùn)用最小二乘擬合,重新計(jì)算其擬合參數(shù)kl、bl和擬合誤差el,若‖el‖≥δ，則[xl(i),yl(i)]∈LeftLine,轉(zhuǎn)至第2步,否則停止。

(5)存儲(chǔ)kl、bl。

3 基于熵值法加權(quán)的Adaboost與幀差法檢測(cè)模型

3.1 Adaboost

Adaboost是一種迭代算法，主要思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的弱分類器，然后把這些弱分類器進(jìn)行組合，構(gòu)成一個(gè)更強(qiáng)的分類器。

3.1.1 Haar-like特性

常用Haar-like特性分為線性特性、邊緣特性和中心特性三類。特征模板內(nèi)有黑白兩種顏色的矩形，每種矩形特征值定義為減去黑色矩形像素和白色矩形像素的和。Haar-like反映了圖像的灰度改變情況，對(duì)光照、噪聲等具有較好的魯棒性。常用Haar-like特征如圖2所示。

圖2 Haar-like特征

汽車尾部包括車牌、車標(biāo)等重要信息，而且汽車尾部在視頻檢測(cè)中成像非常居中，便于Haar-like特性的提取和匹配。因此文中大量采集汽車尾部圖像，提取汽車尾部Haar-like特性，作為正樣本來訓(xùn)練分類器。

3.1.2 分類器訓(xùn)練

給定訓(xùn)練樣本集{(x1,y1),(x2,y2),…,(xn,yn)}，其中n為樣本數(shù)目，xi為訓(xùn)練樣本，yi(yi∈{0,1})為樣本描述。設(shè)正樣本個(gè)數(shù)為α，負(fù)樣本個(gè)數(shù)為β。

1.初始化樣本xi的權(quán)重。

(5)

2.設(shè)弱分類器的個(gè)數(shù)為T，在整個(gè)樣本集上，對(duì)t=1,2,…,T進(jìn)行如下操作：

(1)歸一化樣本權(quán)重。

(6)

(2)針對(duì)每個(gè)特性f，訓(xùn)練一個(gè)弱分類器hf,計(jì)算該特征的弱分類器的加權(quán)錯(cuò)誤率。

(7)

(3)選出并采取擁有最小錯(cuò)誤率et的弱分類器ht。

(8)

(4)重新更新調(diào)整樣本權(quán)重，得到：

(9)

3.最后生成強(qiáng)分類器。

(10)

訓(xùn)練過程如圖3所示。

3.2 基于背景更新的幀差檢測(cè)法

圖像差分法是將兩幀圖像對(duì)應(yīng)像素點(diǎn)的灰度值相減，假若圖像中某處的灰度改變比較大，則可認(rèn)為這是由圖像中的運(yùn)動(dòng)物體引起的，反之，則認(rèn)為景物是靜止的。由于公路監(jiān)控器處于絕對(duì)靜止?fàn)顟B(tài)，故差分法相對(duì)穩(wěn)定，考慮到光線及周圍環(huán)境的變化[14]，取當(dāng)前幀的前n幀作為背景，并不斷更新背景圖，運(yùn)用擴(kuò)展補(bǔ)償?shù)玫竭\(yùn)動(dòng)區(qū)域，然后利用分類器檢測(cè)。

圖3 各種車型訓(xùn)練

設(shè)I(x,y,t)為t時(shí)的圖像序列，選取視頻序列的兩幀I(x,y,t)，I(x,y,t-n)，利用式11對(duì)其作幀間差分：

Dt,t-n(x,y)=|I(x,y,t)-I(x,y,t-n)|

(11)

選取合適的閾值T對(duì)獲得的差分圖像Dt,t-n(x,y)進(jìn)行二值化，如下式：

(12)

得到的結(jié)果如圖4所示。

圖4 幀差檢測(cè)法所得結(jié)果

3.3 熵值法加權(quán)模型

在信息論中，熵是對(duì)不確定性的一種衡量。隨著信息量的增大，對(duì)應(yīng)的不確定性就減小，熵也就越小。根據(jù)熵的特征，運(yùn)用熵值法求解各指標(biāo)因子的權(quán)重，根據(jù)歸納得分求出汽車的位置。

1.選取n種方法(這里n=2)，m個(gè)汽車可能存在的位置，則xij(a,b)為第i種方法求出的第j輛汽車的位置，i=1,2,…,n,j=1,2,…,m，其中(a,b)表示汽車存在的位置的中心點(diǎn)坐標(biāo)。

2.指標(biāo)的歸一化處理：異質(zhì)指標(biāo)同質(zhì)化。

在計(jì)算歸納指標(biāo)前，先對(duì)各項(xiàng)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，使各項(xiàng)指標(biāo)的計(jì)量單元一致。并令xij(a,b)=|xij(a,b)|，從而解決了各項(xiàng)不同質(zhì)指標(biāo)值的同質(zhì)化問題。又因?yàn)檎蛑笜?biāo)數(shù)值越高越好，負(fù)向指標(biāo)數(shù)值越低越好，所以用不同的算法對(duì)高低指標(biāo)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。具體方法如下所示:

正向指標(biāo):

(13)

負(fù)向指標(biāo):

(14)

3.計(jì)算第j輛汽車下第i種算法占該指標(biāo)的比重。

(15)

4.計(jì)算第j輛汽車的熵值。

(16)

其中，k=1/ln(n)，滿足eij≥0。

5.計(jì)算信息熵冗余度。

dj=1-ej

(17)

6.計(jì)算各項(xiàng)指標(biāo)的權(quán)值。

(18)

7.計(jì)算每輛車的綜合得分。

(19)

4 KCF追蹤

KCF(kernerlized correlation filter)跟蹤算法使得數(shù)據(jù)矩陣變成了一個(gè)循環(huán)矩陣。然后基于循環(huán)矩陣的特征把問題的求解變更到了傅里葉變換域，從而避免了矩陣求逆的過程，大大減少了算法的復(fù)雜度，且提高了檢測(cè)速率。

4.1 循環(huán)矩陣

圖像進(jìn)行循環(huán)偏移的方式可以得到一些類似的負(fù)樣本作為訓(xùn)練樣本進(jìn)行訓(xùn)練。通過循環(huán)偏移獲得的圖像在邊界處并不是很平滑，通過對(duì)base圖像乘以一個(gè)漢寧窗來降低邊緣圖像的權(quán)重。

(20)

循環(huán)矩陣具有的性質(zhì)是可以被離散傅里葉變換對(duì)角化，如式(21)所示：

(21)

4.2 線性回歸

樣本訓(xùn)練過程是一個(gè)正則化最小二乘問題。假設(shè)給定一些回歸值{(x1,y1),(x2,y2),…,(xn,yn)},訓(xùn)練的最終目標(biāo)是找到一個(gè)w，使得函數(shù)f(z)=wTz能夠最小化樣本x和目標(biāo)y之間的最小二乘誤差，如式22所示：

(22)

其中，λ為正則化參數(shù)。

式22閉式解的復(fù)數(shù)形式為：

w=(XH+λI)-1XHy

(23)

其中，XH=(X*)T。

4.3 快速檢測(cè)

為檢測(cè)可能的圖像位置，需要檢測(cè)多個(gè)candidate patch，這些patch可通過循環(huán)矩陣得到。由于樣本和patches[15]分別是由base samplex和base patchz循環(huán)偏移得到的，構(gòu)建的所有訓(xùn)練樣本和候選樣本之間的核矩陣為Kz=C(kxz)，其中每一個(gè)元素可以表達(dá)為k(Pi-1z,Pj-1x)。

基于測(cè)試樣本z的循環(huán)偏移構(gòu)成的所有測(cè)試樣本的響應(yīng)為：

f(z)=(Kz)Tα

(24)

式24是一個(gè)vector，包含所有z的循環(huán)偏移的響應(yīng)值。根據(jù)循環(huán)偏移的性質(zhì)，將式24變換到DFT域：

(25)

5 實(shí)驗(yàn)結(jié)果與分析

對(duì)文中提出的檢測(cè)與追蹤算法進(jìn)行實(shí)驗(yàn)。在對(duì)Adaboost分類器進(jìn)行訓(xùn)練時(shí)，通過搜集不同情況下的訓(xùn)練樣本，建立樣本庫：包含車輛尾部的正樣本400幅，其中公交車和面包車120幅、轎車240幅，其他車輛40幅；不包含車輛的負(fù)樣本100幅。將正樣本歸一化到24×24，便于計(jì)算其特征。其檢測(cè)追蹤結(jié)果如圖5所示。

為了檢驗(yàn)該算法的準(zhǔn)確性，在同一條件下，對(duì)同一車輛分別使用光流法、背景建模法和文中算法進(jìn)行處理，結(jié)果如表1所示。

圖5 檢測(cè)與追蹤效果圖

算法實(shí)際車流量/輛檢測(cè)車輛/輛檢測(cè)率/%檢測(cè)時(shí)間/s光流法40036290.514.847背景建模法40035488.511.548文中算法40038295.58.564

可以看出，在同樣環(huán)境下，光流法的準(zhǔn)確率略高于背景建模法，而文中算法的準(zhǔn)確率均高于兩者；在耗時(shí)上，背景建模法略大于文中算法，光流法的耗時(shí)最大，效率最低。

實(shí)驗(yàn)結(jié)果證明，相比于傳統(tǒng)的一些方法，基于熵值法求權(quán)重的Adaboost和幀差檢測(cè)模型及改進(jìn)的KCF算法更具有實(shí)用性，還能有效減少每幀檢測(cè)時(shí)間，提高檢測(cè)率，檢測(cè)率達(dá)95.5%。

6 結(jié)束語

為了提高行駛車輛檢測(cè)與追蹤的準(zhǔn)確性、時(shí)效性，提出了一個(gè)基于熵值法求權(quán)重的Adaboost和幀差法的混合檢測(cè)算法，并通過實(shí)驗(yàn)對(duì)其進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該算法能夠有效提高檢測(cè)率，具備一定的實(shí)用

性，可以運(yùn)用于交通路口的監(jiān)控，給社會(huì)提供更安全可靠的服務(wù)。