基于车辆底盘阴影的车辆精确分割算法研究

摘 要:在基于视频的智能交通系统中,利用车辆底盘阴影特征,并结合车辆边缘及稳定背景和可信前景等特征,抑制局部遮挡导致的车辆粘连问题,将遮挡的车辆准确分离。实验结果表明,车辆底盘特征能较好地用于粘连车辆的精确分割。

关键词:车辆底盘阴影;车辆检测;车辆粘连;智能交通

中图分类号:TP39141文献标识码:A

文章编号:1004-373X(2010)05-154-03

Accurate Segmentation Algorithm of Vehicles Based on Shadow of Chassis

LIU Jianwei1,WANG Jiarui1,CAO Quan2,YANG Xiaoping1

(1.Shenzhen Graduate School,Harbin Institute of Technology,Shenzhen,518055,China;

2.ITS Research & Development Center,Harbin Institute of Technology,Shenzhen,518055,China)

Abstract:In video-based intelligent transportation system,using the shadow of the vehicle chassis,combined with the edge of the vehicles and the prospects of stability and credibility of the background characteristics,the partial inhibition caused by vehicles blocking the adhesion problem,the vehicles can be accurately separated from adhesions.The experimental results show that the characteristics of the vehicle chassis for better adhesion to the precise division of vehicles.

Keywords:shadow of the vehicle chassis;vehicle detection;adhesion vehicles;intelligent transportation

近年来,智能交通系统的研究取得了长足的进展,然而由于局部遮挡而造成的车辆粘连问题严重影响了统计车流量,车辆跟踪等问题的准确性。本文提出了利用车辆底盘阴影特征,并结合车辆边缘特征,分离因局部遮挡而粘连车辆的方法。实验证明,该方法可以准确地分离车辆。

1 运动物体的检测

在运动物体检测中,常常要提取前景,再对前景进行相应的处理。最常用的提取前景的方法有帧间差分法[1]、光流场法[2,3]和背景差分法。

1.1 前景的提取

帧间差分法是在序列图像中,通过逐像素比较直接求取前后两帧图像之间的差别。假设在多帧图像之间,内容基本不变化,那么差分后图像的不为零处表明该处的像素发生了移动。换言之,对时间相邻的两幅图像进行差分运算,可以将图像中目标的位置和形状突显出来。帧间差分法有易于实时监控系统的应用,算法简单,如果相邻帧的时间间隔较短,该方法对场景光线的变化不太敏感,受目标阴影的影响也不大,因此这种方法适用范围广泛,但是对选择差分连续帧的时机要求较高,而且有赖于运动物体的运动速度,如果运动速度较快,而选取的时间间隔过大,就会造成两帧之间同一目标无覆盖区域,从而无法识别且分割出运动物体的连续性;如果运动速度过慢,而选取的时间过小,就会造成过度覆盖,最坏的情况就是物体几乎完全重叠,根本就检测不到物体。

光流法采用了运动目标随时间变化的光流特性。所谓光流是指图像中灰度模式运动的速度,它是景物中可见点的三维速度矢量在成像平面上的投影,表示了景物表面点在图像中位置的瞬时变化,同时光流场携带了有关运动和结构的丰富信息。光流法的计算结果通常误差较大,分割结果的精确性依赖于估算的光流场的精确性。然而准确计算光流场一直是一个难以解决的问题,而且光流法的计算很复杂,如果没有硬件支持,很难满足系统实时性的要求。

背景差分法是在建立稳定的背景下,将当前图像与背景图像做差。基于背景差分的运动目标检测虽然比连续帧间差分提取出的目标图像更为完整,实现起来比较简单,但是自适应能力较差,一些动态变化和一些干扰没办法避免。背景的建立对整个系统的实现至关重要,采取的背景建模算法要求对光照和外部条件造成的场景变化有一定的鲁棒性,而且对实时性的要求也高。

本文前景的获取是利用背景差分法与帧间差分法相结合得到的,即背景差分与帧间差分得到的两幅图像分别利用大津法[6]进行二值化,再将得到的两幅二值化图像进行或操作,并将闭合区域进行填充,获取前景轮廓。

1.2 稳定背景的建立与更新

本文利用高斯混合模型建立稳定背景[1]。背景图像的每一个像素分别用由K个高斯分布构成的混合高斯模型来建模,即:

P(Xt)=∑Ki=0ωi,tη(Xt,μi,t,Σi,t)(1)

式中:K是混合高斯模型中高斯分布的个数,一般取3~5;Xt是像素在t时刻的值,本文取其灰度值;ωi,t表示t时刻混合高斯模型中第ith个高斯分布的权系数的估计值;μi,t和Σi,t分别表示时刻t混合高斯模型中┑ith个高斯分布的均值向量和协方差矩阵;η表示高斯分布概率密度函数。

η(Xt,μt,Σt)=1(2π)n2Σ12e-12(Xt-μt)TΣ-1(Xt-μt)(2)

更新时,对时刻t图像帧的每个像素值Xt和它对应的混合高斯模型进行匹配检验,如果像素值Xt与混合高斯模型中第i个高斯分布Gi均值的距离小于其标准差的2.5倍,则定义该高斯分布Gi与像素值Xt匹配。对于不匹配的高斯分布,它们的均值和协方差矩阵保持不变,匹配的高斯分布Gi的均值μ和协方差矩阵Σ按下式更新:

μi,t=(1-ρ)μi,t-1+ρXt(3)

Σi,t=(1-ρ)Σi,t-1+ρ•

diagμi,t)T(Xt-μi,t)〗(4)

其中:

ρ=αη(Xt|μi,t-1,Σi,t-1)(5)

式中:α为参数估计的学习速率,本文取1/t。

经过实践证明,背景的建立在500帧之后最稳定,认为它是可信背景。然而时间越长,背景的更新速度越慢,真实背景上的变化无法及时更新到建立的背景上,本文采用间隔700帧重新获取一次背景,这样既可以得到稳定的背景,又可以及时对背景进行更新。

2 车辆底盘阴影分割粘连车辆

本文在白天城市路和高速公路做实验,摄像机距地面15 m,正对车辆行驶方向安装,摄像机是从高于车辆的方向水平向下30°的方向看去,如图1所示,车辆底盘处总会有阴影存在。阴影有其固有的属性[7],首先他的颜色属性和图像背景差别很大,其次阴影与目标一样一直处于运动状态,而且在位置方面,阴影总是与投射它的物体相连,阴影与车辆本身是一一对应的关系,即┟苛境涤星抑挥幸桓鲆跤啊

由图1可知,阴影分为全影和半影,全影要比半影颜色更暗些,阴影的特征也更明显些。车辆底盘阴影则属于全影。

图1 阴影的光照模型

根据阴影的这些特征,利用车辆底盘阴影来分离由于局部遮挡而引起的粘连车辆是完全可行且可靠的。

2.1 车辆底盘阴影的提取

检测阴影的方法很多,其中文献[8]中提出的基于亮度和三色值的阴影提取方法,是利用颜色特征和亮度来提取阴影,该方法实现起来繁琐,在实际运用中,亮度特征不是很明显;文献[9]提出了基于HSV颜色空间阴影提取算法的使用十分广泛,但在视频交通检测应用上效果并不理想,由于输入的视频与真实场景相比有一定的模糊,导致HSV各分量变化规律不明显,文献[9]中还提出基于边缘相减的阴影检测算法,它的处理速度快,需要的信息少,然而当车辆边缘不清晰时,将无法区分车辆与阴影。

本文提出一种简单有效的方法进行实时检测车辆底盘的阴影,即利用路面灰度分布范围和纹理信息检测车辆底盘阴影。该方法的思想是:在稳定背景下,统计路面灰度分布范围,阴影的灰度值一定比路面的灰度值小,这样就可以用较小的路面灰度值做阈值来区分路面与阴影,即可准确提取出车辆底盘阴影。这种方法提高了处理速度,而且是在白天的城市路和高速路上,光照条件好,都可以很好地检测出车辆阴影。

车辆底盘阴影提取的具体步骤如下:

(1) 用混合高斯模型建立稳定的背景模型。

(2) 提取前景图像,获取每个前景的位置。

(3) 对每个前景块统计路面的灰度分布情况。

(4) 用最小的灰度值作为阈值,对当前帧图像二值化。

(5) 提取出比路面黑的车辆底盘阴影及其在图片中的位置。

在统计背景路面灰度分布时发现,背景的灰度直方图分布形状与高斯分布相似,而且背景上会有一些干扰点。为了去除这些干扰点且准确判断背景的灰度分布范围,采用了90%的灰度分布值为路面的灰度分布范围。

σ=∑ki=0sum/sum(6)

式中:sum表示整幅图像中像素值为i的个数;sum表示整幅图像的像素个数;k为从0~255的像素值。当σ≥0.02时,对应的k值即为路面灰度分布范围的左边界。因为只需要用左边界做阈值来二值化图像,所以不需要求出路面灰度分布范围的右边界。二值化时,将图像中小于阈值的像素点设为255,将大于阈值的像素点设为0,这样即可提取出比路面灰度值小的部分,得出的团块即为车辆底盘阴影区域,团块的宽即为车辆底盘阴影的宽,团块的高即为车辆底盘阴影的高。

2.2 分割局部遮挡而粘连的车辆

利用阴影与车辆一一对应的原理,分离被部分遮挡的车辆。在前景与背景分离时,经常把局部被遮挡的车辆与遮挡的车辆划分成同一辆车。本文提出利用车辆底盘阴影分离被遮挡的车辆,只要前景中检测出不止┮桓鲆跤,再加上车辆边缘的定位,就可实现分离被遮挡的车辆。

在获取前景后,如果检测到只有一个车辆底盘阴影,则通过前面所述的方法认为只有一辆车。当检测到不止一个阴影时,将检测出的阴影与相对应的前景相结合,判断前景上对应检测出车辆底盘阴影位置的正下方是否还有前景目标,如果有,则认为该阴影是车体的┮徊糠只蚱渌干扰,并不是车辆底盘阴影,如果没有,则认为该阴影是车辆底盘阴影,最后确认出几个车辆底盘阴影就认为有几辆车。

假设前景在图像的上、下、左、右分别为TOP,BOTTOM,LEFT,RIGHT,检测出来的车辆底盘阴影在图像的上、下、左、右分别为top,bottom,left,right;sum_255表示特定区域的前景目标像素个数;color(i,j)表示前景图像上第i行第j列的像素值,则:

sum_255=∑bottomj=BOTTOM∑righti=left(color(i,j)==255)?

(sum_255+1):(sum_255+0)(7)

由于不排除存在干扰的可能,选取T为阈值,在sum_255≤T时,说明所检测的阴影为车辆底盘阴影,在sum_255>T时,则认为所检测的阴影不是车辆底盘阴影。

在判断出一个阴影是车辆底盘阴影后,其阴影的宽度即认为是车辆的宽度,高度则是由对应前景决定的,在对应车辆阴影位置的前景上,从阴影所在的正上方向上扫描,逐行累计前景目标的像素个数sum_255至前景的最上端,在sum_255

sum_255=∑TOPj=k∑righti=left(color(i,j)==255)?

(sum_255+1):(sum_255+0)(8)

式(8)中,k=top,top+1,…,TOP。当sum_255

具体流程图如图2所示。

图2 利用车辆底盘阴影分离局部被遮挡的车辆流程图

3 实验结果

本文利用车辆底盘阴影分离粘连车辆的方法进行试验。图3为白天某城市路视频录像中的一帧。图3(a)为没有利用车辆底盘阴影分离粘连车辆的结果图,图3(b)为利用车辆底盘阴影分离粘连车辆的结果图。

图3 检测车辆阴影分割被遮挡车辆测试图

由图3可以看出,两辆在前景检测中由于遮挡而连在一起的车辆,利用车辆底盘阴影可以准确地将其分离。

4 结 语

利用车辆底盘阴影的特征实现分离由于局部遮挡而粘连的车辆,大大提高车辆检测的准确率。限于样本的采集,本文未对雨天和雪天等路面的反光现象进行实验,这将是以后工作的重点。

参考文献

[1]张玲,陈丽敏,何伟.基于视频的改进帧差法在车流量检测中的应用[J].重庆大学学报:自然科学版,2004,27(5):31-34.

[2]Verri A,Uras S,DeMicheli E.Motion Segmentation from Optical Flow.Proc.the 5th Alvey Vision Conference[C].1989:209-214.

[3]Barron J,Fleet D,Beauchemin S.Performance of Optical Flow Techniques[J].International Journal of Computer Vision,1994,12(1):42-77.

[4]Stauoer C,Grimson W.Adaptive Background Mixture Models for Real-time Tracking.Proceedings of the IEEE CS Conference on Computer Vision and Pattern Recognition[C].1999,1(2):246-252.

[5]Arseneau S,Cooperstock J R.Real-time Image Segmentation for Action Recognition.Proceedings of the IEEE Paciac Rim Conference on Comunications,Computers and Signal Processing[C].1999:86-89.

[6]庞银卓,张新荣.一种实用的多灰度层次目标分割算法[J].微处理机,2005(3):42-46.

[7]张伟.基于视觉的运动车辆检测与跟踪[D].上海:上海交通大学,2007.

[8]董晓庆.运动检测算法研究及其在智能监控中的应用[D].广州:广东工业大学,2008.

[9]周凯.交通视频监控系统中运动目标特征提取与数据传输实时性保证的研究[D].上海:同济大学,2007.

[10]李全民,张运楚.自适应混合高斯背景模型的改进[J].计算机应用,2007,27(8):2 014-2 017.

智能交通与导航