基于車輛側(cè)向特征的視頻監(jiān)控車型分類的研究
吳彤，劉嘉新
（東北林業(yè)大學，黑龍江哈爾濱150040）
摘要：智能交通系統(tǒng)( ITS)利用現(xiàn)有的交通資源設施，運用各種先進科學技術解決交通問題得到了充分的發(fā)展。ITS的主要任務和關鍵技術就是車型識別與分類。實驗研究了利用基于背景差法的目標提取技術，結(jié)合圖像處理技術來完成基于車輛側(cè)向特征的視頻監(jiān)控的車型分類，完成了基于圖片的目標車輛輪廓提取工作、視頻分幀工作、背景差分法提取目標車輛的工作，并且成功的通過測量車長、車高及長高比例這三個參數(shù)將車型分類成大車、中型車、小型車三個種類。
關鍵詞：智能交通；車型分類；視頻圖像
中圖分類號：TP274 文章編號：1006 - 2394( 2016) 02 - 0029 - 04
0引言
智能交通系統(tǒng)的研究核心是針對現(xiàn)如今的嚴峻交通形勢，采用新型技術，對各種交通情況進行統(tǒng)籌協(xié)調(diào)，建立一個準確、高效的交通運輸體系的系統(tǒng)。車輛識別的圖像信息具有復雜性和不確定性，需要研究在各種復雜的情況下有效的、滿足實時圖像分割與特征提取的識別算法分類模型。因此，研究新的車型識別方法將會具有重要的理論和實際的意義。本文通過在道路一側(cè)錄制視頻的方法來采集視頻圖像，從動態(tài)背景的復雜圖像中提取出運動車輛的側(cè)面輪廓，然后對車型進行分類，并且通過追蹤車輛的側(cè)向局部特征來追蹤整輛車。
1圖像預處理
1.1 圖像灰度化
灰度化指的是將彩色圖像轉(zhuǎn)換成灰度級圖像的過程，灰度圖像是R、G、B三個分量相同的一種特殊的彩色圖像，其一個像素點的變化范圍為256種。
本文中圖像灰度化處理的方法選擇使用加權平均值法，加權平均值法是根據(jù)重要性及其他指標，將三個分量以不同的權值進行加權平均。
式中：WR、WG、WB分別為R、G、B的權值，當WR、WG、WB不同值時，得到的灰度圖像將不同。
通過實驗證明，當三個分量WR=0.38、WG=0. 62、WB=0.15時，能得到最為合理的灰度圖像。
1.2圖像分割
灰度圖像分割方法一般可分為利用區(qū)域內(nèi)灰度相似性的基于區(qū)域的方法和利用區(qū)域間灰度不連續(xù)性的基于邊緣的方法。這里使用的是閾值分割方法，其原理為：設原始灰度圖像為f(x，y)，以一定的準則在F(x，y）中找出一個灰度值作為閾值，將圖像分割為兩部分，則分割后的二值圖像表達式為：
傳統(tǒng)的閾值化方法都使用灰度直方圖來分析圖像中灰度值的分布，并使用特定應用域選取最合適的閾值。本文在對圖像進行分割時發(fā)現(xiàn)，灰度的變化在背景之中是非常慢的，在兩幅圖像中目標車輛的對應位置的變化是非常劇烈的；從得到的差分圖像中反應出，背景部分的灰度值較小，目標車輛的灰度值較大，雖然背景部分不能完全消除，但并不影響對目標圖像進行分割。
2運動目標車輛的提取
對運動車輛的目標提取是車型識別的首要條件，需要有效地提取出正在運動的目標，這樣才可以對車型識別技術開展更加透徹地研究。
2.1基于幀間差分法的目標提取
運用幀間差分法對目標視頻序列的當前幀與其鄰近幀來進行差分，從而達到提取運動目標的目的。在一個較為固定的城市交通當中，連續(xù)兩幀視頻中的背景可以認為是沒有變化的，所以通過對視頻中連續(xù)兩幀的差分可以達到去除其余背景的目的，使用的算法可以將這兩個圖像中的像素點值進行差分操作，如果灰度值變化了，那么就認為存在著運動的目標。
設第K幀圖像的像素值為f k（X，y），第k+1幀的圖像像素值為fk+1(x ,y），這兩幀視頻序列圖像之間的變化值用灰度差分后得到的圖像d f（x，y）表示。幀間差分法提取運動目標可以用公式表示為：
式中：（x，y，）是視頻序列中圖像像素點的位置，算法的基本流程如圖1所示。
采用這種方法時，應根據(jù)所監(jiān)視的車輛的運動速度不同，選擇恰當?shù)臅r間間隔，否則視頻序列中選取的兩幀圖像中目標有部分重疊會導致提取不完整。如圖2所示，利用幀間差分法對一段視頻序列中的第30幀與第31幀進行差分處理，成功地去除了背景圖像。
2.2基于背景差分法的目標提取
這種方法是將當前幀與已經(jīng)設置好的背景幀進行差分，然后進行運動目標的提取，其基本原理是首先設定目標視頻的某一幀為背景幀，然后將包含運動目標的某一幀設為當前幀，最后將背景幀與當前幀進行差分，如果差分后顯示里面存在變化的灰度值，那么就認為運動的目標是存在的。設f k（x，y）是第f幀圖像像素值，b k（x，y，）是背景圖像幀，則使用背景差分法提取目標的公式可以表示為：
式中：（x，y）為圖像幀里面像素點的位置，流程如圖3所示。
利用上述方法對運動目標進行處理，取第1幀不含運動車輛的圖像為背景幀，取視頻序列中的第30幀圖像作為當前幀，如圖4所示，由圖像結(jié)果不難看出，該算法較為完整地提取了目標車輛，也可從圖像中看出其中有一些干擾，如攝像頭的抖動導致有一些背景也被作為運動目標被提取了出來，但這并不會影響后續(xù)對車型的分類處理。
3車型分類
車型分類有一種很好的分類方法就是分步分類方法。該分類方法分為粗分類以及細分類兩個步驟。
3.1粗分類
粗分類是車型分類中的第一步，也是比較關鍵的一步。車輛長度信息是主要利用的數(shù)據(jù)，以此來區(qū)分大型車和小型車。在進行了第一步的標準化之后，會將車輛輪廓邊界的最小外接矩形長度與預先設置的判決參數(shù)作比較，小于等于該判決參數(shù)的劃分到中小型車中，大于該判決參數(shù)的劃分到大型車類，然后就會通過細分類來進行進一步的分類。
3.2細分類
細分類則是對中小型車進行進一步的劃分。小型車種類比較多所以輪廓比較多樣化，單輪廓匹配不能確切地分類車輛信息，因此采用之前定義好的幾個數(shù)據(jù)對小型車進行分類。
通過大量實驗觀察和經(jīng)驗總結(jié)，得到如下結(jié)論：
1)對于轎車，由于無法通過現(xiàn)有設備中得到轎車排量，所以不再劃分普通轎車和高檔轎車等；
2)面包車則近似于一個矩形，因此它的面積比應該趨向于1（實際系統(tǒng)中取大于0.8）；
3)對于很大一部分轎車來說，頂棚都會有一個凸起的部分，因此，頂棚比是轎車與面包車的一個重要區(qū)別，即，如果轎車的頂棚比大于面包車的頂棚比，則為面包車，否則就不是面包車；
4)吉普和轎車的頂棚位置相似，但是吉普的頂棚通常偏向于一側(cè)，因此大于或小于上限中心的比例將會區(qū)分出兩者。
4分類處理的仿真結(jié)果
本文研究的算法過程主要是根據(jù)幾個閾值來區(qū)分車型，首先讀取圖像中的每個圖片，然后將目標圖像與背景圖進行匹配，目標圖中的RGB三個通道分別減去背景圖中的三個通道，然后將RGB三個通道進行二值化，進行開運算。接下來用連通域去掉小面積區(qū)域，然后進行閉運算找到圖中面積最大的連通域后，進行雙閾值比較；面積大于一定閾值的時候，則判定其為大型車；面積在雙閾值之間時，比較車輛的長寬比，當長寬比大于閾值時，則判定為中車，小于則為小車；面積小于一定閾值昀時候初步判斷為小型車，然后比較車輛的長寬比，當長寬比小于閾值的時候則為小型車，當比值大于閾值的時候則為中型車。
4.1 圖片背景差分仿真結(jié)果
對在戶外拍攝的照片進行MATLAB圖像處理驗證，圖5為拍攝的圖片實例，這張圖片相當于基于背景差法的目標車輛提取中的當前幀，也就是相當于視頻中存在車輛的側(cè)向車型一幀。圖6也為拍攝的圖片實例，這張圖片相當于基于背景差法的目標車輛提取中的背景幀，也就是相當于視頻中不存在目標車輛的背景一幀。
利用背景差分法進行目標車輛提取，在經(jīng)過圖像灰度化和去噪處理之后生成的圖片如圖7所示。
4.2視頻背景差分仿真結(jié)果
在東北林業(yè)大學的側(cè)面天橋處拍攝了一段視頻，在視頻序列中提取出背景圖片的示例圖，在成功提取背景圖片之后開始仿真；打開MATLAB在命令欄中輸入guide，調(diào)出guide的界面，如圖8所示，這個界面中可以通過打開視頻來做到自動提取背景圖，自動分類車型的功能。
在仿真初始界面中點擊文件選擇上面拍攝的視頻的路徑，然后制作的程序會自動運行，點擊獲取背景圖時會生成一個背景圖，如圖9所示。
背景圖是利用背景差分法來提取的第一幀的圖片，然后點擊下一幅圖片得到程序中設置的第243幀、第381幀和第495幀的圖像，得出長高的像素值，輸出車型如圖10所示。由仿真結(jié)果圖可以看出，背景差分方法能夠準確地將視頻中的車型進行分類。
5結(jié)論
本文運用基于背景差分法的車型分類技術，設置一個閾值，超過的則為大型車，不超過的是中小型車，這屬于粗分類的范疇；經(jīng)過粗分類之后利用算法將其與的數(shù)據(jù)返回細分類的算法中，最后能夠?qū)⑤喞獔D中的車型分類出來。
本文針對車型分類作了探索與研究，使側(cè)面車輛輪廓的分類更加符合實際要求，但本文只是將監(jiān)控到的車輛的側(cè)面輪廓簡單地分成了大型車、小型車，然后細分類出了卡車、轎車、面包車等車型，并不能將具體的車型分類出來，例如：奧迪、捷達、保時捷、宇通客車等。這是需要展望的地方，接下來將會繼續(xù)尋找有效方法來識別具體的車型，為智能交通車型分類提供更優(yōu)化的算法。
