基于融合性檢測法的車輛輪廓提取研究

王依兵，劉光宇

（杭州電子科技大學，浙江 杭州310018）

0 前言

當前交通指揮系統中，車輛信息自動識別技術已經得到有效應用，其不僅能夠對車牌進行有效識別，還可甄別車型，從而保證目標車輛提取的精確度。常見的目標車輛提取算法有三類：其一為光流法；其二為幀間差分法；其三為背景消去法[1]。其中有關幀間差分法、背景差分法的研究最為突出。基于前人研究可知，盡管幀間差分法（包括三幀差分法）、背景消去法能夠實現對目標車輛的提取，但在下述方面仍存在一定的缺陷：基于幀間差分法提取目標車輛操作難度較小，并且能夠保證提取的實時性，但因不能對目標重疊部分進行有效檢測，為此，“空洞”問題較為嚴重；而背景消去法在應對“空洞”問題上具有出色表現，但基于該方法提取目標車輛時，需要創建背景模型，并且極易受到環境因素的影響，諸如物體陰影等[2]。此外，該方法在提取實時性方面存在顯著不足。針對該情況，結合相關人員研究，筆者針對基于背景消去法、三幀差分法的融合性檢測法進行研究，探究融合性檢測法在車輛輪廓提取中的表現。

1 融合性檢測法原理

融合性車輛檢測法是基于對背景消去法與三幀差分法進行融合而得到一種檢測方法，基本邏輯如下：基于均值法從視頻序列中提取背景圖像，并實現對背景圖像的更新，得到Bnew（x，y），提取前幀圖像fk（x，y），將其與 Bnew（x，y）進行差分，便能得到背景消去法下的車輛M1（x，y）；從視頻序列中提取前一幀、當前幀以及下一幀圖像，即fk-1（x，y）、fk（x，y）、fk+1（x，y），輸入公式，促使鄰幀圖像實現兩兩差分，便能得到三幀差分法下的車輛M2（x，y）.基于邏輯或促使M1（x，y）、M2（x，y）實現有效融合，便能得到融合性車輛檢測法下的運動車輛，即 M（x，y）.

2 融合性車輛檢測法算法流程

2.1 目標車輛檢測

基于融合性檢測算法提取車輛輪廓對應的算法流程如圖1所示，具體內容如下：

圖1 融合性檢測算法流程圖

（1）創建背景圖像

從視頻序列中，選擇前N幀圖像，將其當作均值建模中的輸入，借助均值法實現對車輛背景圖像的確定，計算公式如下：

fk（x，y）即為當前幀圖像，fk-1（x，y）表示的是前一幀圖像，基于前一幀圖像、背景圖像進行求均，促使背景圖像實現及時更新：

公式（2）中，α為更新速率。見圖2.

圖2 背景圖像

（2）背景消去法檢測

fk、Bk所表示的是k時刻對應的幀圖像、背景圖像，其對應的差分圖像可以基于公式（3）予以表示：

基于差分圖像進行二值化，便能得到二值化圖像：

公式（4）中，T 為閾值，以實現對點（x，y）是否屬于目標所屬點的判斷，當超過該閾值時，則說明該點屬于前景點，反之則說明其屬于背景點[3]。

背景更新公式如下：

公式（5）中，α為更新速率。

基于公式（3）、（4）、（5）促使fk（x，y）、Bnew（x，y）進行差分運算，便能得到背景消去法下的運動車輛，即M1（x，y），檢測結果如圖3所示。

圖3 背景消去法所得車輛目標

（3）三幀差分法檢測

從視頻序列中提取前一幀、當前幀以及下一幀圖像，即fk-1（x，y）、fk（x，y）、fk+1（x，y），輸入公式（6），有：

促使鄰幀圖像實現兩兩差分，便能得到三幀差分法下的車輛，即M2（x，y），檢測結果如圖4所示：

圖4 三幀差分法所得運動目標

（4）融合性車輛檢測

基于邏輯促使M1（x，y）、M2（x，y）實現有效融合，便能得到融合性檢測法下目標車輛，即M（x，y），檢測結果如圖5所示：

圖5 融合檢測法所得車輛目標

2.2 形態學濾波處理

基于融合檢測法實現對目標車輛的提取后，對提取結果進行處理，以清除提取結果中的噪聲，實現對提取結果的優化。

（1）腐蝕

針對腐蝕處理的基本原理進行分析，可以發現，其實際就是促使原圖像原點對應的結構元素，即S，在平面內進行有效移動，當其移至某點，能夠被納入到車輛區域A內，此類點的組合對應的便是腐蝕結果[4]。

（2）膨脹

針對膨脹處理的基本原理進行分析，可以發現，其實際就是促使原圖像原點對應的結構元素，即S，在平面內進行有效移動，當其移至某點，S和車輛區域A之間存在交集，此類點的組合對應的便是膨脹結果[5]。

（3）閉運算

針對圖像實施閉運算，可以將圖中位于車輛以外的較小噪聲進行有效清除，并對目標間所存在的較小縫隙等進行有效處理，以優化圖像[6]。就閉運算的處理順序來看，一般是先進行膨脹處理，后進行腐蝕處理[7]。

2.3 連通域分析

針對目標內所涉及到的像素點數量進行計算，從而實現對車輛區域的判斷，通常來說，車輛區域對應的像素點數量偏多，顯著高于噪聲區，就車輛區域予以確定[8]。同時，對非車輛區域進行有效去除。連通分析后所得目標如圖6所示。

圖6 基于形態學處理及連通域分析所得目標

2.4 車輛輪廓信息提取

基于上述步驟完成圖像提取后，就圖像中車輛位置予以確定，從而實現對車輛的提取，而后基于Canny邊緣檢測實現對車輛整體特征的提取，并針對車輛圖像實施區域劃分，基于Gabor變換對車輛的局部特征進行提取，借助灰關聯分析，實現對局部特征的優化[9]；創建雙層串行識別框架，第一層主要是針對車輛的整體特征進行識別，第二層主要是針對車輛的局部特征進行識別，綜合雙層識別結果，以實現對車輛輪廓的提取，從而確定目標車輛的車型[10]，車輛輪廓信息提取結果如圖7所示。

圖7 車輛輪廓信息提取結果

3 實驗結果與分析

3.1 實驗環境

研究實驗所用到的硬件設備包括：視頻監控設備、計算機等。基于視頻監控設備采集視頻圖像，并將視頻文件存儲為AVI格式。將視頻文件加載至計算機，在Windows7系統下，借助VS2010+OpenCV2.4.2編寫應用程序，開展仿真實驗。實驗所用計算機處理器為 i7-2600，內存為8 G，主頻為3.4 GHz.

3.2 實驗實施及結果分析

（1）檢測結果比較分析

基于背景消去法、三幀差分法以及融合性檢測法均能實現對運動車輛的有效檢測，但就三種檢測方法所得結果進行比較，如圖8所示，可以發現，三種檢測方面在結果存在較大的差異。針對圖8（a）進行分析，可以發現基于背景消去法檢測車輛，能夠有效規避“空洞”問題，但由于在圖像背景方面要求偏高，為此，檢測結果中車輛邊界完整性表現較差，部分邊界存在缺失，此外，因環境因素作用，圖像噪聲較多；針對圖8（b）進行分析，可以發現基于三幀差分法檢測車輛，無需創建背景模型，并且環境因素對檢測結果的影響相對偏小，圖像中噪聲偏少，但就“空洞”問題較為嚴重，不能保證車輛的完整性；針對圖8（c）進行分析，可以發現基于對背景消去法、三幀差分法的融合對車輛進行檢測，所得到檢測效果較好，車輛完整性表現出色，此外，通過形態學濾波處理、連通域分析以及Canny邊緣檢測等，能夠實現對噪聲有效清除，“空洞”問題得到有效解決，能夠實現對車輛的精準檢測。

圖8 基于三種方法所得檢測結果

（2）輪廓提取效果分析

基于實驗視頻監控設備采集圖像共2000幀，借助計算機對圖像進行處理處理，創建全新背景圖像，并確定背景圖像更新規則，基于融合性檢測法提取車輛，并對車輛圖像進行形態學濾波處理、連通域分析，而后提取車輛輪廓信息，提取效果如圖9所示。

圖9 車輛提取實驗結果

針對圖9進行分析，可知基于研究提取算法所得目標車輛輪廓較為完整，這充分證明了該提取算法的有效性，能夠高效識別車型。

通過此次研究可以發現，基于背景消去法、三幀差分法的融合檢測法能夠實現對車輛輪廓的完整提取，并且有效規避了“空洞”問題，有效減少了噪聲，所得提取結果較為理想。但特征選擇、識別模型創建等方面仍有一定難度，在后續研究中，筆者將從這兩方面進行深入探究，攻堅克難。