基于視頻檢測技術(shù)的

違法變道監(jiān)測系統(tǒng)李歡姚絨國內(nèi)外研究現(xiàn)狀1、近年來，計算機技術(shù)和圖像處理技術(shù)取得的長足進(jìn)步，推動了視頻檢測技術(shù)的高速發(fā)展。國內(nèi)外相關(guān)企業(yè)、科研院校對交通視頻檢測技術(shù)進(jìn)行了廣泛的研究，并在相關(guān)研究成果的基礎(chǔ)上開發(fā)了諸多視頻檢測系統(tǒng)。例如美國JetPropulsion實驗室研發(fā)了Autocolor、Autoscope、CMSMobilizer、NestorTrafficVision和Roadwatch五個視頻監(jiān)控系統(tǒng)，其中Autoscope檢測系統(tǒng)，由于其研發(fā)時間較早技術(shù)較為成熟，已經(jīng)廣泛應(yīng)用于機動車視頻檢測領(lǐng)域，同時由于其被SCATS(SydneyCoordinatedAdaptiveTrafficSystem)交通控制系統(tǒng)采用而得到了拓展性應(yīng)用。2、法國的Citilog交通事件檢測系統(tǒng)采用車輛跟蹤等技術(shù)實現(xiàn)了許多交通事件(如檢測監(jiān)控區(qū)域發(fā)生交通擁堵、車輛排隊溢出等)的自動檢測，并能夠采集一定的機動車交通數(shù)據(jù)，對交通進(jìn)行輔助控制，現(xiàn)已廣泛地應(yīng)用于全世界高速公路及公路隧道交通事件檢測中。此外，Traficam、PEEKVideoTrak、CCATS等交通視頻檢測器的研發(fā)也較為成熟并得到了廣泛的應(yīng)用。3、哈爾濱工業(yè)大學(xué)研發(fā)的VTD2000系列和清華大學(xué)研發(fā)的VS3001監(jiān)控系統(tǒng)都實現(xiàn)了機動車流量的檢測但并未得到廣泛應(yīng)用，因此其性能還有待進(jìn)一步檢驗。1、圖像處理2、目標(biāo)檢測定位3、車牌識別技術(shù)+系統(tǒng)1、圖像采集2、違章車輛檢測3、信息存儲通信圖像處理常用顏色模型介紹圖像數(shù)字化圖像預(yù)處理技術(shù)123圖像數(shù)字化

計算機不能處理連續(xù)的模擬信號，而一幅二值化圖像中的灰度值一般采用它的位置坐標(biāo)函數(shù)進(jìn)行描述，該函數(shù)為二維連續(xù)函數(shù)，可以取無限多個值。因此計算機無法對其直接進(jìn)行處理，我們需要進(jìn)行圖像數(shù)字化技術(shù)，將拍攝好的真實圖像數(shù)字化為計算機可以接受的存儲、顯示和處理格式。經(jīng)過數(shù)字圖像處理技術(shù)后，代表圖像的連續(xù)模擬信號就可以轉(zhuǎn)變成離散的數(shù)字信號。如圖所示，是一幅視頻圖像經(jīng)過數(shù)字化處理后得到的圖像。長為L，寬為W的圖像可以用一個L*W的矩形網(wǎng)格表示，每個網(wǎng)格代表圖像中的一個像素，網(wǎng)格中的值表示該網(wǎng)格對應(yīng)的像素的灰度值，取值范圍為0到255.圖像數(shù)字化顏色模型

計算顏色空間模型又稱為色度學(xué)顏色模型，一般用以進(jìn)行有關(guān)色彩的純理論研究和計算推導(dǎo)，以RGB顏色空間為代表。RGB顏色空間模型以紅、綠、藍(lán)三個色光為三基色，可以按不同比例混合成自然界中的各種顏色。因此在空間中，一個顏色可以表示為如下式：

其中，C表示一種具體的顏色，(）表示在三原色R、G、B下的比例系統(tǒng)，稱為三刺激值。RGB顏色空間可以用一個正方體來表示，如圖所示，原點代表黑色，距離黑色最遠(yuǎn)的點代表白色，正方體中各點對應(yīng)的顏色可以用從原點到該點的矢量來表示，其顏色數(shù)量可以達(dá)到種圖像預(yù)處理技術(shù)

由于受到光照、氣候、攝像頭、傳感器的影響，攝像頭采集到的圖像會帶有各種各樣的噪聲，其質(zhì)量會受到一定的損傷，因此必須在圖像采集與數(shù)字化處理后進(jìn)行圖像預(yù)處理，來提高目標(biāo)檢測的準(zhǔn)確性.圖像預(yù)處理技術(shù)主要包括：

灰度變換法：最大值法、平均法、加權(quán)平均法

平滑濾波法：中值濾波法、均值濾波法

邊緣檢測：Roberts微分算子、sobel微分算子、prewitt微分算子圖像增強處理灰度變化法

有時系統(tǒng)對實時性要求很高，而對彩色圖像直接處理十分復(fù)雜，為了提高實時性，可以先將彩色圖像灰度化，這樣既能降低每個像素的BIT數(shù)量，縮短處理時間，也不會影響處理效果。因此圖像灰度化是圖像預(yù)處理過程中的一個重要步驟。灰度化其實就是使彩色圖像的RGB三個分量的值相等的過程，灰度級別只有256級，因此灰度圖像只能表示256種顏色（灰度）。圖像轉(zhuǎn)換為灰度圖的方法很多，下面介紹最常用的3種。

最大值法：使RGB的值等于3個中最大的一個，可以表示為：

平均值法：使灰度值等于RGB三值的平均值：

加權(quán)平均法：根據(jù)某些性能指標(biāo)給R，G，B賦予不同的權(quán)值，并使灰度值等于三值的加權(quán)平均值：

由于人眼對綠色最為敏感，藍(lán)色最不敏感，所以一般使

這樣得到的灰度圖像最為合理。實驗證明當(dāng)

時，能得到較為理想的灰度圖像?；叶茸兓?/p>

如圖所示為三個灰度化方法處理后的結(jié)果，其中a為原圖像，圖b是最大值法處理后的結(jié)果，可以看出該方法得到的灰度圖像亮度是最高的。圖c為平均值法產(chǎn)生的灰度圖，與最大值法相比亮度明顯降低，但是圖像更加柔和。圖d是加權(quán)平均值法得到的圖像，與其他兩種方法相比，效果最為理想，且可以根據(jù)需要設(shè)置相應(yīng)的加權(quán)值。運動目標(biāo)檢測技術(shù)1背景減法3光流法2幀差法基于概率密度模型的跟蹤基于子空間模型的跟蹤運動目標(biāo)跟蹤技術(shù)運動跟蹤的方法基于圖像模板模型的跟蹤基于主動表觀模型的跟蹤經(jīng)典的目標(biāo)跟蹤算法ONE基于Mean-Shift的跟蹤方法TWO基于粒子濾波的運動目標(biāo)跟蹤THREE基于分類思想的目標(biāo)跟蹤基于貝葉斯分類的實時運動目標(biāo)跟蹤算法

將目標(biāo)跟蹤問題看成是兩類分類問題的思想,提出一種基于貝葉斯分類的實時運動目標(biāo)跟蹤算法。以最小二乘分類器作為弱分類器,采用集成學(xué)習(xí)機制把多個弱分類器構(gòu)成一個強分類器,用來判斷下一幀的樣本點。采用貝葉斯分類器對目標(biāo)和背景進(jìn)行分類,以此實現(xiàn)運動目標(biāo)跟蹤的功能。這個算法主要思想是采用貝葉斯分類器將目標(biāo)和背景分類。在初始幀中根據(jù)初始化信息分別對前景目標(biāo)及背景建模后續(xù)幀中先采用卡爾曼濾波預(yù)測目標(biāo)位置,然后以預(yù)測值為中心,對周圍區(qū)域內(nèi)的樣本點進(jìn)行貝葉斯分類,并對每個樣本點賦予不同的權(quán)重,得到置信圖,再通過均值漂移算法找到該置信圖的峰值,即為目標(biāo)的中心位置最后根據(jù)基于雙閉值的自適應(yīng)尺度調(diào)整策略改變窗口尺度,并將當(dāng)前幀信息加入到模型中,不斷進(jìn)行模型參數(shù)的更新。具體算法流程圖如圖所示?；谪惾~斯分類的實時運動目標(biāo)跟蹤算法

對于一個兩類的分類問題,已知狀態(tài)先驗概率,類條件概率密度,利用貝葉斯公式:

得到的條件概率

稱為狀態(tài)的后驗概率。因此,貝葉斯公式實質(zhì)上是通過觀察x把狀態(tài)的先驗概率轉(zhuǎn)化為狀態(tài)的后驗概率。這樣,基于最小錯誤率的貝葉斯決策規(guī)則為:如果

>

則把x歸類于狀態(tài)

,反之

<

,則把x歸類于狀態(tài)

。在該算法中,假設(shè)類條件概率密度為單變量正態(tài)分布,其概率密度函數(shù)定義為

以圖像的灰度信息為特征空間,采用單變量高斯模型主要是基于考慮兩點:

一是在特征空間內(nèi),目標(biāo)和背景樣本一般來說分別成單峰聚類分布,所以用正態(tài)分布作為目標(biāo)和背景的概率模型是合理的;二是因為運算量小,避免了多元正態(tài)分布在線學(xué)習(xí)的復(fù)雜度,保證跟蹤的實時性。在初始幀中,手動給出目標(biāo)的初始位置,利用灰度信息分別建立目標(biāo)模型和背景模型;在第k幀中,對每一個樣本點I,做判斷時認(rèn)為目標(biāo)和背景的先驗概率相等,這樣可以求得I屬于目標(biāo)的后驗概率和背景的后驗概率。

若

>

,則說明該樣本點屬于目標(biāo),賦予該點在置信圖中的值為L,若

<,說明該點為背景點,令L=0即

經(jīng)過對所有的樣本點進(jìn)行判別后可以得到置信圖L。圖為置信圖的示例

均值漂移理論是一種密度梯度的無參數(shù)估計方法,利用均值漂移技術(shù)尋找置信圖峰值點的迭代過程如下:其中,

為以

為中心的鄰域,初始值

為Kalman濾波得到的預(yù)測值，

分別為置信圖

中每點的坐標(biāo).

目標(biāo)位置預(yù)測一般來說,兩幀圖像之間的時間間隔比較小,所以可以認(rèn)為目標(biāo)在連續(xù)兩幀中相差不遠(yuǎn),一般在以原目標(biāo)位置為中心的區(qū)域附近進(jìn)行判斷。但是如果能夠提前知道目標(biāo)可能出現(xiàn)的位置,就可以提高運算速度,更快地找到目標(biāo)。通?？梢圆捎密壽E預(yù)測來得到這個位置。

卡爾曼濾波是根據(jù)過去的信號,利用統(tǒng)計估計理論,使用線性最小均方誤差作為最優(yōu)準(zhǔn)則,預(yù)測將來某個時刻的值。它采用狀態(tài)方程描述被估計量的動態(tài)變化規(guī)律,被估計量的動態(tài)統(tǒng)計信息由激勵白噪聲的統(tǒng)計信息和狀態(tài)方程確定。由于激勵白噪聲是平穩(wěn)過程,狀態(tài)方程己知,所以被估計量可以是平穩(wěn)的,也可以是非平穩(wěn)的?？柭鼮V波可以以任意一點作為起點開始觀測,具有計算量小、可實時計算的特點。

定義濾波器的系統(tǒng)狀態(tài)為,為一個四維向量

,分別代表目標(biāo)在x軸和y軸的坐標(biāo),在x方向和y方向的速度。利用圖像匹配,只能得到目標(biāo)的位置,所以定義二維觀測向量

,即

表示匹配得到的目標(biāo)坐標(biāo)。因為目標(biāo)在單位時間間隔內(nèi)是勻速運動的,定義狀態(tài)轉(zhuǎn)移矩陣A為:

表示連續(xù)兩幀圖像間的時間間隔狀態(tài)方程為：由系統(tǒng)狀態(tài)和觀測狀態(tài)之間的關(guān)系可知,觀測矩陣為：觀測方程為:此外可以假設(shè)

和

都是零均值且獨立的噪聲向量,因此設(shè)

和

的協(xié)方差矩陣為：系統(tǒng)狀態(tài)預(yù)測方程為：誤差協(xié)方差預(yù)測方程為：Kalman增益系數(shù)方程：狀態(tài)修正方程：目標(biāo)位置預(yù)測

總體來說,該算法中使用Kalman濾波預(yù)測運動目標(biāo)位置主要包括四個階段：濾波器的初始化、狀態(tài)預(yù)測、獲得真實值和狀態(tài)修正,其整體流程如圖所示：目標(biāo)位置預(yù)測

算法中通過結(jié)合卡爾曼濾波對目標(biāo)位置進(jìn)行預(yù)測,不僅提高了運算速度,同時也避免了均值漂移算法容易陷入局部最優(yōu)解的問題,使求得的峰值位置更準(zhǔn)確：特別是如果對目標(biāo)的運動軌跡有了可靠的預(yù)測,當(dāng)目標(biāo)發(fā)生遮擋時,可以利用Kalman濾波器的預(yù)測結(jié)果,在特定的區(qū)域內(nèi)搜索目標(biāo),等待目標(biāo)的出現(xiàn),這也是解決遮擋問題的一種有效方法。跟蹤窗尺度的自適應(yīng)分析

對于尺度變化的運動目標(biāo)跟蹤來說,跟蹤窗口如不能自適應(yīng)調(diào)整,將會顯著影響算法性能特別是對本文算法來說,跟蹤窗過小,將不能有效準(zhǔn)確統(tǒng)計目標(biāo)信息,而跟蹤窗過大,將不可避免地把背景樣本點引入到前景目標(biāo)模型中,導(dǎo)致目標(biāo)模型的可靠性降低。因此,在跟蹤過程中自動更新跟蹤窗口是保證良好跟蹤性能的關(guān)鍵。在實際目標(biāo)跟蹤過程中,目標(biāo)樣本點會相對集中,因此可以將目標(biāo)劃分為n個子塊,利用判斷子塊中目標(biāo)點所占的比例來改變跟蹤窗的小。但從圖b可以看出,背景中和目標(biāo)灰度值相近的樣本點會被誤判為目標(biāo),為減小這些樣本點對尺度調(diào)整的影響,提出一種基于雙闡值的自適應(yīng)尺度調(diào)整策略:采用雙閥值的作用還體現(xiàn)在可以避免使用單一閥值時存在的窗口過度擴大或縮小的現(xiàn)象。跟蹤窗尺度的自適應(yīng)分析

通過均值漂移算法得到置信圖的峰值后,以上一幀的窗口大小為初始值圈定目標(biāo),并將其劃分為3*3個字塊,如圖所示

假定圖中黑色點為目標(biāo)點,白色點為背景點,矩形框為初始窗口大小。依次統(tǒng)計每個含有目標(biāo)邊界的子塊（標(biāo)號為1、2、3、4、5、6、7、8的子塊）中的目標(biāo)點數(shù)n以及總的樣本點數(shù)N,計算兩者的比值rate=n/N;設(shè)定閥值thr1和thr2,thr1>thr2,然后通過對rate和閥值thr1、thr2的比較來改變對應(yīng)的局部邊界位置,具體流程如圖所示。每個子塊都計算過后,可以根據(jù)一定原則來確定整體的邊界位置。其中對于不含有任何目標(biāo)邊界的子塊（標(biāo)號為5的子塊）,由于它處于目標(biāo)內(nèi)部,對尺度影響不大,所以不需要對它進(jìn)行計算。跟蹤窗的自適應(yīng)尺度分析跟蹤窗尺度的自適應(yīng)分析

模型參數(shù)的更新

運動目標(biāo)不是一個確定不變的信號,而是在跟蹤過程中會發(fā)生位移、形變等變化,并且它還經(jīng)常受到噪聲、遮擋等環(huán)境因素的影響,因此對模型進(jìn)行合理的更新是跟蹤的關(guān)鍵。選擇合適的模型更新策略,可以在一定程度上克服這些因素對目標(biāo)跟蹤所造成的影響。分類器的更新策略為每幀丟掉若干個性能較差的弱分類器,然后通過當(dāng)前幀的訓(xùn)練學(xué)習(xí),補充相同數(shù)量的弱分類器來重新構(gòu)造一個強分類器,這樣存在的一個不足就是弱分類器只含有訓(xùn)練該分類器時所采用幀的信息,而不是所有幀,當(dāng)目標(biāo)發(fā)生遮擋時,一般的算法則不能取得很好的效果。為解決上述問題,使得算法更具有魯棒性,本文采用的模型更新策略如下：模型參數(shù)的更新在k=2…L幀中，目標(biāo)（背景）模型中均值和方差的更新公式為：均值：

方差：在第k=L+1幀中，模型的參數(shù)更新公式為：均值：

方差：其中

。

、

為判斷第K幀中目標(biāo)（背景）樣本點所用高斯模型的均值和方差，

、

為第k幀中目標(biāo)（背景）點的統(tǒng)計均值和方差，

為屬于目標(biāo)（背景）的樣本點數(shù)，

為每個樣本點的灰度值，

為學(xué)習(xí)率。模型參數(shù)的更新

在跟蹤過程中采用兩種不同的更新方式主要是考慮在前L幀中,模型剛剛建立,關(guān)于目標(biāo)和背景的信息較少,參數(shù)估計可能存在較大誤差,將已獲得的目標(biāo)和背景信息都進(jìn)行統(tǒng)計,能夠使得模型參數(shù)估計更準(zhǔn)確:在L幀之后,模型的參數(shù)估計己經(jīng)較為準(zhǔn)確,只需采用一定的權(quán)值將當(dāng)前幀的信息加入到模型中。采用這種更新策略,不完全丟失以前的信息,同時又將新獲得信息加入到統(tǒng)計中,提高了模型的可靠性。實驗結(jié)果和分析Thr1=1/4,thr2=1/8,L=11,

=0.1

序列一跟蹤目標(biāo)為行駛中的汽車,初始目標(biāo)大小為16*23,經(jīng)過窗口自適應(yīng)分析后其它各幀的目標(biāo)窗口尺度如表所示,處理速度為65fps,部分跟蹤結(jié)果如圖所示。由表可以看出,目標(biāo)跟蹤窗口尺度沒有變化,這主要是因為目標(biāo)本身變化不大,同時由于采用雙閡值機制對窗口尺度自適應(yīng)分析,避免了背景中和灰度值相近的像素點對窗口尺度的影響,能夠防止窗口的過度擴大或縮小。實驗結(jié)果和分析實驗結(jié)果和分析

序列二跟蹤目標(biāo)為行駛中的汽車。初始目標(biāo)大小為33*22,經(jīng)過窗口自適應(yīng)分析后其它各幀的目標(biāo)窗口尺度如表所示,處理速度為58fps,部分跟蹤結(jié)果如圖所示?？梢钥闯?盡管序列中目標(biāo)和背景灰度值非常相近,但是本文提出的算法能夠準(zhǔn)確對樣本點進(jìn)行分類,取得了較好的跟蹤效果。實驗結(jié)果和分析實驗結(jié)果和分析

序列三跟蹤目標(biāo)仍為行駛中的汽車,但目標(biāo)在第12幀至25幀中受到短時遮擋。初始目標(biāo)大小為57*23,經(jīng)過窗口自適應(yīng)分析后其它各幀的目標(biāo)窗口尺度如表所示,處理速度為53fps,部分跟蹤結(jié)果如圖所示。實驗結(jié)果表明,采用kalman濾波預(yù)測目標(biāo)位置,并選擇合適的模型更新策略可以有效的解決目標(biāo)的短時遮擋問題,保證了跟蹤算法的魯棒性。實驗結(jié)果和分析

在這三個測試序列中,本文提出的算法運算速度有較大不同,主要是因為各圖像序列中的目標(biāo)大小不同。如果目標(biāo)較大,在估計模型參數(shù)時統(tǒng)計的樣本點數(shù)以及下一幀中需要進(jìn)行分類的樣本點數(shù)急劇增長,因此增加了計算量,運算速度有所降低。如果實際跟蹤目標(biāo)過大,可以采用降采樣等預(yù)處理方法來保證跟蹤的違法變道行為檢測

違法變道是目前造成交通事故的主要原因之一，車輛在變道時通常車速會比較快，因此在不允許變道的地方強行變道極易導(dǎo)致與相鄰車輛或者后方車輛發(fā)生碰撞而產(chǎn)生交通事故，造成人員傷亡?？紤]到違法變道的高危害性，交警部門正想方設(shè)法加大對違法變道行為的檢測。但是由于技術(shù)上的限制，常用的檢測技術(shù)，如地感線圏檢測、微波檢測等都不能應(yīng)用在違法變道行為檢測上，而人工檢測又耗費大量人力、物力，且檢測精度低。因此需要尋找其他的技術(shù)手段來解決該問題，隨著視頻檢測技術(shù)的不斷完善，使基于視頻檢測的違法變道檢測成為可能。根據(jù)檢測的方式不同可以分為兩種，一種是利用灰度直方圖比較背景中車道線區(qū)域的灰度值與當(dāng)前幀車道線區(qū)域的灰度值，但是由于噪聲、陰影等不利因素的存在，導(dǎo)致檢測的準(zhǔn)確性十分低。另一種方法是通過對目標(biāo)車輛跟蹤，根據(jù)車輛的軌跡進(jìn)行檢測，方法雖然比第一種方法復(fù)雜，但是其檢測準(zhǔn)確性遠(yuǎn)遠(yuǎn)高于第一種方法。本文采用基于目標(biāo)跟蹤的方法進(jìn)行違法變道行為檢測，其流程圖如圖所示。違法變道行為檢測車道線檢測由于我們檢測的是違法變道違章行為，所以我們首先需要知道車道實線在視頻圖像中位置坐標(biāo)。Hough變化就是一種直線檢測算法，該算法計算簡單，效果理想，因此經(jīng)常用在需要檢測直線的系