公路收费站车辆跟踪及抓拍算法研究与系统实现.docVIP

公路收费站车辆跟踪及抓拍算法研究与系统实现 　　摘要： 为保障公路收费站对车辆抓拍和车流统计的抗干扰能力，以静止单孔摄像机获取的检票口车道视频作为研究对象，提出了一种高效的易于扩展的抓拍判断系统框架.在分析常见运动检测方法优劣的基础上，从实时性和鲁棒性考虑，采用基于运动历史图像的改进的帧差法，以提高运动检测的灵敏度；为缓解服务器的计算压力，提出了一种高效的车辆矩形区域快速定位算法，并在此基础上定义了基于时间和空间变化的规则，以排除摄影机前人和杆臂运动对镜头的遮挡，最终构成了抓拍判断系统框架.此外，就多路车道在不同光照下并行地进行了实时抓拍实验，结果显示，在总时长5.5 h的测试样例中，车辆计数平均准确度达87.8%，证明该框架可显著减弱抬杆、落杆的遮挡以及光照变化的影响，提高抓拍的精度. 　　关键词： 运动检测；帧差法；车辆跟踪；车辆抓拍；智能交通系统 　　中图分类号： TP391.4文献标志码： AVideoBased Vehicle Tracking and Capturing System 　　随着中国智能交通系统（intelligent transportation system， ITS）的发展，基于计算机视觉和图像处理技术的数字视频监控系统扮演着越来越重要的角色.基于视频的公路收费站车辆跟踪及抓拍系统属于ITS的一部分，相对于磁感线圈和红外传感系统而言，该抓拍系统具有安装调试容易、应用灵活、远程数据读取方便等诸多优势，且在已建成的收费站上增设和维护成本较低.以拍照的形式记录既解决了监控中心集中存储视频的网络压力和资源压力，又可进一步作为车牌车型识别的重要输入，总体而言具有所需储存容量小、保存周期长、检索方便等优点. 　　ITS需要解决的一个首要问题是车辆的检测与跟踪.近年来，针对该问题已有较为深入的研究[17].一般地，须首先提取道路背景，并自适应地更新以保持和环境变化协调一致[8]，然后进行背景差分以突出目标车辆[9]，接下来一一定位这些车辆，并分别进行跟踪[5，7]，最后统计车流的数据[56].在这些研究中，摄像机通常固定地架设在道路上方高处，所受干扰较小，且拍摄的视频画面包含有大面积静止背景.目前，针对公路收费站检票口监控视频进行车辆检测的具体研究还较少，由于车辆通常排队经过检票口，车速缓慢、间距紧密、停靠频繁，且摄影机距离车道近、高度低，特别是重型车辆经过摄影机时几乎完全遮挡住镜头的整个可视区域，因此，视频场景与普通交通监控尚有较大区别，传统的检测方法不再有效. 　　西南交通大学学报第48卷第2期夏创文等：公路收费站车辆跟踪及抓拍算法研究与系统实现本文在保证多路运算实时性应用需求的前提下，针对收费站检票口监控视频，改进了运动检测，提出了一种高效的车辆矩形区域快速定位算法，并在此基础上研究拍照时机，进一步提出了基于时间和空间变化的抓拍判决规则，以排除镜头前人和杆运动的遮挡，最后通过实验验证了所提出算法的有效性.1运动车辆检测考虑到并行多路实时抓拍的实际需求，运动检测算法须保证非常高的效率.这不仅要求设计的算法能对视频流进行实时处理，而且单处理线程必须尽可能少地占用处理器资源.在实时运动检测方法中，背景差分法和帧间差分法是两种常用的基本方法. 　　从运动的场景中有效地提取背景图像是背景差分方法研究的主要问题之一，使用自适应背景差分方法必须首先解决被选作表示背景的特征（如像素灰度值、色度以及纹理等）.通常对于一处固定的位置，背景像素的出现频率远高于前景像素，因此，一种基本的背景提取方法的思想是对视频在一段时间内的连续数帧求平均.但仔细观察公路收费站检票口场景，不难发现，车辆在停靠检票口时已占据图像中央大部分区域，恰好将车辆下方和后方的部分道路遮挡，尤其是遇到车辆排队依次通过检票口或者大型货车停靠检票口时，后方的道路几乎长时间地被车辆全部遮挡.此时，对于检票车道上被遮挡的位置，出现车辆前景的频率往往远大于出现道路背景的频率，这违背了动态场景中提取静态背景的基本原则，使背景提取方法在很大一部分图像区域中无法正确区分出背景像素，如图1所示.此外，由于提取出的背景帧被反复用于运动检测，一旦提取错误，其影响会扩散到后续多帧.因此，本文基于帧差法进行运动检测，并对其准确度和灵敏度进行优化. 　　帧差法是利用视频帧间像素的时域相关性，用当前帧图像与相邻帧图像求差来检测目标的方法有诸多优越性：首先，因为帧差法的检测仅考虑当前帧的相邻帧或前数帧，具有无后效性的特点，因此它的性能稳定；其次，帧差法效率高，且对于动态变化的环境显示出较强的自适应性[1]；此外，由于本文所讨论的车辆跟踪及抓拍只关注精确控制抓拍时机，无需准确识别车辆轮廓，因此，对于帧差法引入车尾鬼影造成检测到的运动区域扩大可以忽略.但是，帧差法提取