车辆越界快速自适应检测方法研究

柯海森，李 江

(中国计量学院机电工程学院，浙江 杭州 310018)

随着经济的发展和科技的进步，各国的汽车数量与日剧增，城市道路交通的负担越来越严重。这引起了各国对智能交通系统(Intelligent Transportation Systems，ITS)的重视。基于视频的交通监控具有直观、有效、易取证等优越性。因此针对视频的智能交通系统成为国内外的研究热点。针对车辆越界检测，有人提出车辆中心检测法、灰度或色度帧差统计方法、线结构边缘检测法[1]和虚拟线圈方法[2－3]等，但是需要遍历图像的像素个数过多，检测过程中会出现大量的数据冗余。由于交通视频是不间断地进行保存，所以从视频中提取的各图像的光线强度不会一致，需要对图像进行自适应阈值[4－5]计算，而车道标识线在图像中仅是一小部分，没必要对全图像素值进行遍历，只须根据关键点的像素特性确定阈值即可。

1 关键点确定

所处理的数据来源是Xvid编码的avi格式的交通视频，首先从视频中每隔特定帧数提取一帧图像。从提取的众多图像文件中的，选取一个光线较好而且没有车辆违规越界现象的图像文件，这样有利于确定关键点的准确性。

1.1 预处理

由于计算机中的图像文件一般都是用RGB表色模型显示和存储的，该表色模型普遍应用于彩色照相技术和彩色电子设备等实际应用当中。黑白图像在每个像素只有1个亮度值，而彩色图像在每个像素上具有红、绿、蓝3个亮度值，这3个值表示在不同波段上的强度，从人眼看来就是不同的颜色[6]。首先对图像进行灰度化处理，将3个亮度值以不同的权值进行加权平均。由于人眼对绿色的敏感度最高，对蓝色敏感最低，因此按式(1)对R，G，B这3个分量进行加权平均能得到较合理的灰度图像

灰度化处理后每个像素对应的值都是1个0～255的数。这样数据量大大减少，而且经过实验证明不影响确定关键点的准确性。

有些车道线有可能被油渍污染，或者被树叶等细小物体临时遮挡，所以要对灰度图像进行滤波处理。中值平滑滤波[7]是一种典型的低通滤波器，主要用来抑制脉冲噪声，它能够彻底滤除尖波干扰噪声，同时又具有较好的保护目标图像边缘的特点。中值滤波一般采用奇数个单位长度滑动窗口，窗口中所有像素值按照大小排列后用中值代替目标点的值。本文选的是3×3的滑动窗口，计算量小，边缘保留效果好。

1.2 区域生长

区域生长[7]的基本思想是将特性相似的像素集合起来构成区域。图像文件中像素的特性就是像素值。本文采用堆栈方式实现种子点的区域生长，设图像的尺寸为M×N，具体步骤如下:

1)新建一个和图像大小相同的矩阵S(M×N)，将矩阵中的元素值初始化为0，这样矩阵S的值与图像像素有一一对应关系，同时根据实际情况设定合适的阈值T。

2)在需要确定的区域内选择一个没有明显污渍的点作为区域生长的种子像素点，并把矩阵S中对应种子像素的值设为1，种子像素点入栈。

3)从栈中弹出一个像素点，以该点为中心检查它的邻域像素点，将这些点的像素值一一与种子点的像素值比较，如果差值小于阈值T，并且该点没有被生长过，则该点入栈，同时S中相应位置的值设为1。

4)重复步骤3)，直至栈中没有元素为止。

5)根据S中值为1的元素的位置找到生长后区域的x和y坐标的最大值xmax和ymax，以及最小值xmin和ymin。

6)根据实际情况确定关键点的个数a，将关键点均匀分布在生长后区域的边缘，并将关键点坐标保存在矩阵Z(a×2)中，Z(a×2)的第一列为各关键点的x坐标，第二列为对应的y坐标。

2 车辆越界检测

以上只是针对一个固定的文件进行的处理，得到关键点的坐标矩阵Z。下面根据矩阵Z判断车辆是否越界。在车辆违规压过车道线的过程中，生长区域中的像素肯定会发生变化。为方便表述，将车辆违规压过车道线称为事件A。首先将图像二值化，如果图像中没有事件A发生，因为车道线和车道的颜色明显不同，那么矩阵Z中保存的坐标位置小范围领域内必定既有值为255(白色)的像素，又有值为0(黑色)的像素;如果图像中有事件A发生，那么矩阵Z中保存的坐标位置小范围邻域内的像素值都为255或者都为0。此方法同时适合各种颜色的车辆越界检测。

由于处理的原始数据是一个时间段内录制的实况视频，光线是时刻变化的，因此对每幅图像进行相同阈值的二值化处理不能满足准确性的要求，需要根据每幅图像的实际情况选择合适的阈值。日本的大津展之1980年提出了最大方差阈值，即大津阈值[8]。在直方图的某一阈值处分割成两组，当被分成两组间方差为最大时，决定阈值。这样需要遍历所有像素的值，根据所有像素值确定阈值，计算量较大;同时会因为某些区域的值偏差较大，影响阈值的确定，进而影响检测结果。针对此问题，有人提出自适应最大方差阈值[5]的方法，将图像按几何、统计等特性均匀分成若干部分，根据每个小部分内像素的特征设定阈值。这种方法还是没有解决计算量大的问题。本文根据上文确定的关键点的HSI空间像素特征设定阈值，而不需要对全图像素进行遍历，这样工作量大大减少。

HSI模型[9]是常用的表色模型，在这个模型中H表示色调(Hue)，S表示色饱和度(Saturation)，I表示强度(Intensity，对应成像亮度和图像灰度)。这个模型有2个主要特点:1)图像的彩色信息H分量和S分量与I分量无关;2)人感受和描述颜色的方式与H分量和S分量相一致。这2个特点使HSI表色模型适合于人机交互情况下的图像处理算法的研究，其处理结果也便于观察和分析。采用HSI表色模型可以减少彩色图像处理的复杂性，增加快速性。由于光线强度是时刻变化的，所以根据HSI模型中的I分量确定合适的二值化阈值。RGB模型到HSI模型的转换公式为

具体步骤如下:

1)打开一个图像文件，通过计算得到图像在HSI模型下各分量的值。

2)由a个关键像素点的I分量值确定二值化阈值，进行图像灰度化处理和二值化处理。

3)新建2个数值变量havewhiteandblack和numerror，并都初始化为0。

4)判断每个关键像素点小范围邻域内是否存在值为255和0的像素。如果同时存在 255和0，则设置havewhiteandblack为1;反之设置havewhiteandblack为0，numerror加1。numerror大于等于Tnumerror(点个数阈值)时，表示图像中有可能发生A事件，将记录存在文本文件中(因为可能有噪声的存在，所以不能只简单地把Tnumerror设置为1)，重复步骤3)。

5)打开下一个图像文件，重复以上步骤，达到自适应确定阈值的目的。

3 实验结果与分析

实验数据样本为从一个视频文件中提取出的616个图像文件，图像文件的光线强度是连续变化的。通过3种方法对样本文件进行检测，方法1是本文提出的关键点检测和自适应HSI阈值，方法2是文献[2]和文献[8]提到的逐行检测和最大方差阈值，方法3是文献[1]提出的逐行检测和固定阈值。关键点个数根据实际情况选为16个，检测结果如表1所示。

表1 3种方法检测结果对比

通过对比3种方法的检测结果，本文所提出的方法1比方法2的检测时间短，同时准确率不受影响，准确率为97.40%;而与方法3相比，由于要对每个图像文件进行阈值计算，所以检测时间稍稍长了一些，但准确率大大提高。该方法满足准确性和实时性的要求，克服了光线变化对检测结果的影响。经分析，方法1少量误检测出现的原因为:1)二值化阈值和I分量之间的关系不能很好地确定;2)点个数阈值Tnumerror和关键点个数a的适当选取。另外，光线过强或过弱都会导致检测结果出现误差。

4 小结

本文提出了基于区域生长的边缘关键点提取和基于HSI色彩空间的自适应检测方法，将此方法与实际中的车辆越界检测应用结合。实验结果表明，文中论述的图像处理方法是有效的，实现了快速自适应检测车辆越界，并且同时适合各种颜色车辆的检测。本文没有考虑目标跟踪，导致检测结果的信息会出现冗余，同一车辆可能在连续的小时间段内重复被检测到。针对以上不足，在今后工作中需要进一步研究并加以改进。

[1]周胜.基于视频的道路黄线违章检测算法研究[D].西安:西安电子科技大学，2006.

[2]谢寒生.基于视频技术的车辆违章检测算法研究与设计[D].武汉:华中科技大学，2004.

[3]于洋，于明，翟艳东，等.多车道场景下的视频车辆测速方法[J].河北工业大学学报，2011，40(3):79－83.

[4]何昕，李晓华，周激流.一种自适应多阈值直方图均衡方法[J].计算机工程，2011，37(17):206－210.

[5]鲁威威，肖志涛，雷美琳.基于单目视觉的前方车辆检测与测距方法研究[J].电视技术，2011，35(1):125－128.

[6]CASTLEMAN K R.数字图像处理[M].北京:电子工业出版社，2011:4－5.

[7]谢凤英，赵丹培.Visual C++数字图像处理[M].北京:电子工业出版社，2008:263－267.

[8]管欣，贾鑫，高振海.车道检测中感兴趣区域选择及自适应阈值分割[J].公路交通科技，2009，26(6):104－108.

[9]孙即祥.图像处理[M].北京:科学出版社，2009:53－56.