智慧交通中的目標識別技術研究

摘要：該文對智慧交通中的目標識別技術進行研究，介紹了常見的對車輛等目標進行特征提取的方法，闡述了基于目標特征的車輛識別，并在對圖像數據進行預處理后使用聚類算法進行目標識別;對智慧交通中的多目標跟蹤技術進行歸納，分析了多目標跟蹤的流程及主要步驟。

關鍵詞：智慧交通;目標識別;目標跟蹤;特征提取

中圖分類號：G642? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）01-0095-03

1 前言

隨著國內經濟的發展以及各種類型汽車數目的增加，我國面臨的交通問題也越來越突出。如何在復雜的交通情況下進行車輛的目標識別和跟蹤，已經成為智慧交通必須要解決的首要問題。在對車輛目標進行特征檢測和目標識別、跟蹤后，通過實時監控車輛信息及運行狀態，交通的智慧性得以體現，達到提高城市交通系統的效率、增強交通安全性的目的。

2 車輛的目標特征提取方法

交通系統中面臨的車輛是動態變化的，對交通目標的監控涉及大量的動態數據，這種情況下圖像的像素點比較多，為了實現識別車輛目標并且進行跟蹤的目的，需要先提取車輛的特征，以降低車輛目標識別需要的計算量，同時提高車輛目標識別的準確率及效率。常見的車輛特征提取方法包括[1]：光流法、差分法以及支持向量機法等。

2.1光流法

光流法可以把車輛的灰度圖像像素投影在光流坐標系內，并借助車輛目標的像素相關性以及圖像的動態變化，來獲取車輛的行駛路線，以此達到車輛目標檢測的目的。光流法實際應用時需要滿足兩個條件[2，5]：首先，視頻圖像的灰度變化相對較小;其次，視頻圖像的幀間時間差要很小。要滿足這兩個條件就需要借助外部約束，常用的外部約束方法是梯度下降法，它能夠很好地估計光流，然而在車輛目標識別時會存在可靠性因子確定的問題。光流法用于車輛目標檢測時原理簡單，然而需要對圖像進行大量濾波，計算量相對較大，而且它的抗干擾能力較差。

2.2差分法

差分法又分為幀間差分法和背景差分法兩種[3]。幀間差分法分析相鄰兩幀圖像間的差異，以此來檢測車輛等移動目標的位置變化，如果相鄰兩幀間存在較大的差異就認為是存在移動目標，否則認為目標并未移動。為了避免圖像中白噪聲的干擾，需要對圖像進行濾波、差分及值化處理。幀間差分法可以有效識別移動的目標，但是要求目標時刻處于移動狀態，并且在移動的同時還需要顯示改變亮度，一旦目標靜止或者亮度變化不明顯，就會出現目標信息匱乏的問題，從而導致目標移動的不連續性。背景差分法在進行圖像比對時會先建立背景模型，在差分處理前先用背景模型匹配得到背景信息，去掉前景像素后得到的就是移動目標。和幀間差分法相比，背景差分法具有自適應性的特點[4]，可以根據背景的改變進行自動調整。基于背景模型的背景差分法進行目標識別時的流程如圖1所示。

2.3支持向量法

支持向量法算法將統計理論應用到目標識別中，借助結構化風險最小的約束條件，使得在車輛的統計樣本較小的情況下得到較好的統計規律。在引入該方法后，支持向量法將車輛的目標識別問題轉換為凸二次優化問題，使得在置信區間內得到的極值解就是最優解。

3 基于目標特征的車輛識別

3.1 數據預處理

在進行車輛識別前，需要先對數據進行預處理。比如，在對道路環境進行識別時，就可以先刪除采集到的非道路數據，而只保留道路障礙物信息、道路相關信息以及各種移動目標等。聚類分析是一個有效的目標識別前的處理環節，如果不進行預處理而直接進行目標識別，則最后得到的聚類擬合曲線有可能來自多個相鄰的目標。

3.2 目標識別分類方法

要實現車輛、人群等移動目標的識別和跟蹤，通常需要借助傳感器信息和一定的檢測方法，并根據目標的狀態估計算法對移動目標進行估計。按照使用的不同傳感器，可以將智慧交通中的目標識別分為三類：基于單目視覺的目標識別、基于激光雷達的目標識別以及基于立體視覺的目標識別。

基于機器視覺的智慧交通目標識別中使用的傳感器雖然價格相對低廉，但它進行信息采集的范圍絲毫不差，可以識別交通標志及信號、道路行駛區域、傳感器周圍的車輛及行人等各類目標。需要注意的是，由于不同目標在識別時需要借助不同的特征、模型來完成，因此每種目標識別算法通常只針對一種目標進行識別。

由于整個圖像的像素點較多，因此為了不搜索整幅圖像、提高目標識別的實時性，在實際進行目標識別時一般會分成目標初步定位及目標識別驗證兩個步驟：目標初步定位的目的是初步確定車輛、行人等目標在圖像中可能存在的區域，目標識別驗證的作用是借助識別算法確定初步定位階段得到的假設目標是否為車輛及行人等。

在目標初步定位階段，通過先驗知識初步定位車輛、行人在圖像中的位置，可用的先驗知識包括車輛的顏色、形狀、邊緣等。另外，為了避免在整幅圖像范圍內搜索目標，也可以先根據道路兩側的邊緣線得出車輛的行駛區域，不僅能夠降低識別車輛的范圍，還可以減少背景像素的干擾，提高識別正確率。目標識別驗證主要有基于模板的驗證方法和基于車輛外觀的驗證兩種方法。基于模板的驗證方法會預先設置一個車輛或行人等目標類型的模板，然后在圖像和目標模板間進行某種函數運算，得到的最大值即為目標在圖像中的匹配點。基于模板的驗證方法計算原理簡單，但是由于車輛的外觀形狀會因為視角的不同而產生變化，因此難以建立一個通用的車輛模板，這一限制因素導致基于模板的驗證方法現在使用較少。基于車輛外觀的驗證方法可以看作是一個二元分類器問題，滿足條件的就是目標類，否則是非目標類。

無論是哪種驗證方法，如果僅僅基于一個攝像頭進行單目視覺的目標識別，則在計算識別到的目標和當前位置的距離時會比較困難，利用多個攝像頭進行立體視覺的目標識別可以克服這一問題，比較準確地計算出和識別到目標間的距離。

3.3 目標聚類

當采集到圖像的一幀后，需要對幀數據進行聚類處理。除了初步定位的目標和背景模板外，其他的白噪聲及無用數據都刪除，并對保留的數據進行聚類分析。常見的聚類分析算法主要包括：1）劃分法。對于包含n個目標對象的數據集合，將整個數據集劃分成m個子集（m<=n），每個子集都可以認為是一種聚類。每個子集至少應該包含一個目標，并且每個目標只能屬于一個子集。最常使用的劃分聚類方法是k近鄰法，這種方法的優點是原理簡單、計算量不大，缺點是只能劃分成固定數目的子集，而且初始選擇的k個目標直接影響聚類結果。2）層次法。自上而下或自下而上分解幀數據中給定的數據對象集，自下而上的層次法開始時每個對象都是一個單獨的集合，然后把特征相對近似的集合進行合并，直到合并到滿足終止條件為止;自上而下的層次方法每次將一個數據集合再次劃分為多個更小的子集，直到每個子集不能再次劃分為止。

聚類完成后，就可以計算每個聚類的內部距離，然后用最小二乘法對聚類進行直線或折線擬合，每個聚類最終擬合成一條直線或折線。當所有聚類都擬合完畢后，再提取每個聚類的特征向量。由于聚類的特征向量已經包含了目標的位置及幾何特征，因此根據最終提取到的所有聚類的特征向量，借助多特征融合的方法就可以逐漸對識別的目標進行確認，最終確認的識別結果就是車輛或行人等目標的形狀。基于目標特征的車輛識別流程如圖2所示：

4 多目標跟蹤

4.1 多目標跟蹤流程

在使用基于目標特征的識別技術識別出車輛、行人等目標后，同時可以得到車輛、行人等目標的位置、形狀及大小信息。當同時存在多個目標時，僅僅識別到目標的存在是遠遠不能滿足智慧交通的需要的，還需要對多個目標進行跟蹤。

影響智慧交通中多目標跟蹤的核心是如何關聯連續幀間的目標，這可以通過概率統計法或確定性方法實現。概率統計法實現幀間目標關聯適用于圖像數據信息中包含大量雜波的情況，而且，如果識別目標有很大的移動特征會更好;由于幀間差異性比較大，因此，實現幀間目標關聯時需要進行大量的計算，而且建立在相鄰兩幀間的被識別跟蹤目標數量是固定不變的基礎上。確定性幀間目標關聯法的理論基礎是被識別跟蹤目標的運動性是有計劃的、不會突然發生急劇變化的，因此可以建立目標的運動約束組合方程，通過計算組合方程的全局最優解，得到幀間目標的關聯性，以此對目標進行跟蹤。在得到相鄰幀間目標的對應關系后，就可以設定目標的跟蹤測量，并利用卡爾曼濾波器更新跟蹤目標的狀態，以此達到持續識別、跟蹤目標的目的。

4.2 多目標跟蹤步驟

由于實際道路中的車輛等目標是不斷移動變化的，因此需要根據路況的實時信息進行動態更新。進行多目標跟蹤的主要步驟包括：1）目標關聯。當前幀識別到的車輛目標及跟蹤器分別建立模型：用特征向量分別表示車輛的外觀特征、目標識別提取到的線段特征等，并確定車輛目標與跟蹤器的關聯特征。2）跟蹤器控制及管理。如果跟蹤器關聯到了車輛目標，就用關聯到的目標更新跟蹤器，否則判斷丟失次數和閾值的關系，如果丟失次數小于閾值，說明可能存在車輛目標漏檢情況，此時需要保持個跟蹤器的當前狀態繼續檢測;如果跟蹤器丟失的次數大于閾值，說明車輛目標已經丟失，此時刪除跟蹤器。3）目標狀態更新。根據目標車輛的狀態向量xk和測量向量zk，更新跟蹤器和車輛目標的狀態。狀態向量xk和測量向量zk分別是車輛目標在x方向和y方向的位置及速度。

目標關聯過程中，對不同類別的目標需要采取不同的控制策略，因此進行多目標跟蹤識別前還需要對運動目標進行分類，并根據類別信息進行跟蹤[5]。根據被跟蹤對象形成跟蹤區域，對落在同一跟蹤區域內的多個目標進行關聯。假設圖像幀中第i個目標的測量值和第j個被跟蹤目標的運動特性和類別特性得到的偏差分別是ck（i，j）和ca（i，j），則目標的運動特性和類別特性的聯合概率可以表示為：

C（i，j）=α * ck（i，j） + β * ca（i，j）

聯合概率最大的即為關聯性最強的目標。

目標類別屬性在目標關聯中起重要的作用，只考慮目標的運動特性和同時考慮目標運動特性及類別屬性的兩種情況下的實驗結果如表1所示。

由結果可以看出，在目標關聯過程中應用了類別屬性的偏差后，可以有效提高目標關聯準確性。

5 總結與展望

智慧交通中的目標識別是一個新興的交叉研究領域，雖然本文在智慧交通中的多目標識別方面有一定的研究成果，但這只是智慧交通中目標識別的一小部分，還有一些問題值得進一步研究，比如：1）氣候變化、局部遮擋等異常情況下會顯著影響目標識別的成功率，目前根據交通目標所處的背景進行目標的自適應泛型識別還有待進一步研究;2）車道線彎道檢測的識別還比較困難。目前的主要識別還是集中在車輛等移動目標上，針對靜止的彎道識別率較低。

隨著物聯網技術、大數據技術的深入應用，智慧交通中勢必會有越來越多不同類型的傳感器，交通目標的識別也不會局限于當前的監控視頻，因此未來智慧交通中目標識別和跟蹤的研究在智慧傳感器的幫助下，應該能夠進行全方位的目標識別和跟蹤。

參考文獻：

[1] 阮文惠， 李志浩， 黃珍. 基于激光掃描的智能交通系統中運動目標檢測跟蹤研究[J]. 激光雜志， 2019， 40（4）：5.

[2] 蔡智明.智能交通系統中車輛視頻檢測識別與跟蹤方法研究[D].石家莊：河北科技大學，2014.

[3] 張亞軍.復雜場景下運動目標檢測與跟蹤方法的研究[D].北京：北京交通大學，2015.

[4] 張慧，王坤峰，王飛躍.深度學習在目標視覺檢測中的應用進展與展望[J].自動化學報，2017，43（8）：1289-1305.

[5] 劉志宇， 王冠軍. 智能交通檢測系統中動態目標檢測方法研究[J]. 計算機應用與軟件， 2010， 27（1）：29-31，57.

【通聯編輯：王力】

收稿日期：2021-05-19

作者簡介：傅晨娟（1983—），女，江蘇南京人，工程師，學士，研究方向為交通信息化。

3619500338275