智慧交通中的目标识别技术研究

摘要：该文对智慧交通中的目标识别技术进行研究，介绍了常见的对车辆等目标进行特征提取的方法，阐述了基于目标特征的车辆识别，并在对图像数据进行预处理后使用聚类算法进行目标识别;对智慧交通中的多目标跟踪技术进行归纳，分析了多目标跟踪的流程及主要步骤。

关键词：智慧交通;目标识别;目标跟踪;特征提取

中图分类号：G642        文献标识码：A

文章编号：1009-3044（2022）01-0095-03

1 前言

随着国内经济的发展以及各种类型汽车数目的增加，我国面临的交通问题也越来越突出。如何在复杂的交通情况下进行车辆的目标识别和跟踪，已经成为智慧交通必须要解决的首要问题。在对车辆目标进行特征检测和目标识别、跟踪后，通过实时监控车辆信息及运行状态，交通的智慧性得以体现，达到提高城市交通系统的效率、增强交通安全性的目的。

2 车辆的目标特征提取方法

交通系统中面临的车辆是动态变化的，对交通目标的监控涉及大量的动态数据，这种情况下图像的像素点比较多，为了实现识别车辆目标并且进行跟踪的目的，需要先提取车辆的特征，以降低车辆目标识别需要的计算量，同时提高车辆目标识别的准确率及效率。常见的车辆特征提取方法包括[1]：光流法、差分法以及支持向量机法等。

2.1光流法

光流法可以把车辆的灰度图像像素投影在光流坐标系内，并借助车辆目标的像素相关性以及图像的动态变化，来获取车辆的行驶路线，以此达到车辆目标检测的目的。光流法实际应用时需要满足两个条件[2，5]：首先，视频图像的灰度变化相对较小;其次，视频图像的帧间时间差要很小。要满足这两个条件就需要借助外部约束，常用的外部约束方法是梯度下降法，它能够很好地估计光流，然而在车辆目标识别时会存在可靠性因子确定的问题。光流法用于车辆目标检测时原理简单，然而需要对图像进行大量滤波，计算量相对较大，而且它的抗干扰能力较差。

2.2差分法

差分法又分为帧间差分法和背景差分法两种[3]。帧间差分法分析相邻两帧图像间的差异，以此来检测车辆等移动目标的位置变化，如果相邻两帧间存在较大的差异就认为是存在移动目标，否则认为目标并未移动。为了避免图像中白噪声的干扰，需要对图像进行滤波、差分及值化处理。帧间差分法可以有效识别移动的目标，但是要求目标时刻处于移动状态，并且在移动的同时还需要显示改变亮度，一旦目标静止或者亮度变化不明显，就会出现目标信息匮乏的问题，从而导致目标移动的不连续性。背景差分法在进行图像比对时会先建立背景模型，在差分处理前先用背景模型匹配得到背景信息，去掉前景像素后得到的就是移动目标。和帧间差分法相比，背景差分法具有自适应性的特点[4]，可以根据背景的改变进行自动调整。基于背景模型的背景差分法进行目标识别时的流程如图1所示。

2.3支持向量法

支持向量法算法将统计理论应用到目标识别中，借助结构化风险最小的约束条件，使得在车辆的统计样本较小的情况下得到较好的统计规律。在引入该方法后，支持向量法将车辆的目标识别问题转换为凸二次优化问题，使得在置信区间内得到的极值解就是最优解。

3 基于目标特征的车辆识别

3.1 数据预处理

在进行车辆识别前，需要先对数据进行预处理。比如，在对道路环境进行识别时，就可以先删除采集到的非道路数据，而只保留道路障碍物信息、道路相关信息以及各种移动目标等。聚类分析是一个有效的目标识别前的处理环节，如果不进行预处理而直接进行目标识别，则最后得到的聚类拟合曲线有可能来自多个相邻的目标。

3.2 目标识别分类方法

要实现车辆、人群等移动目标的识别和跟踪，通常需要借助传感器信息和一定的检测方法，并根据目标的状态估计算法对移动目标进行估计。按照使用的不同传感器，可以将智慧交通中的目标识别分为三类：基于单目视觉的目标识别、基于激光雷達的目标识别以及基于立体视觉的目标识别。

基于机器视觉的智慧交通目标识别中使用的传感器虽然价格相对低廉，但它进行信息采集的范围丝毫不差，可以识别交通标志及信号、道路行驶区域、传感器周围的车辆及行人等各类目标。需要注意的是，由于不同目标在识别时需要借助不同的特征、模型来完成，因此每种目标识别算法通常只针对一种目标进行识别。

由于整个图像的像素点较多，因此为了不搜索整幅图像、提高目标识别的实时性，在实际进行目标识别时一般会分成目标初步定位及目标识别验证两个步骤：目标初步定位的目的是初步确定车辆、行人等目标在图像中可能存在的区域，目标识别验证的作用是借助识别算法确定初步定位阶段得到的假设目标是否为车辆及行人等。

在目标初步定位阶段，通过先验知识初步定位车辆、行人在图像中的位置，可用的先验知识包括车辆的颜色、形状、边缘等。另外，为了避免在整幅图像范围内搜索目标，也可以先根据道路两侧的边缘线得出车辆的行驶区域，不仅能够降低识别车辆的范围，还可以减少背景像素的干扰，提高识别正确率。目标识别验证主要有基于模板的验证方法和基于车辆外观的验证两种方法。基于模板的验证方法会预先设置一个车辆或行人等目标类型的模板，然后在图像和目标模板间进行某种函数运算，得到的最大值即为目标在图像中的匹配点。基于模板的验证方法计算原理简单，但是由于车辆的外观形状会因为视角的不同而产生变化，因此难以建立一个通用的车辆模板，这一限制因素导致基于模板的验证方法现在使用较少。基于车辆外观的验证方法可以看作是一个二元分类器问题，满足条件的就是目标类，否则是非目标类。

无论是哪种验证方法，如果仅仅基于一个摄像头进行单目视觉的目标识别，则在计算识别到的目标和当前位置的距离时会比较困难，利用多个摄像头进行立体视觉的目标识别可以克服这一问题，比较准确地计算出和识别到目标间的距离。

3.3 目标聚类

当采集到图像的一帧后，需要对帧数据进行聚类处理。除了初步定位的目标和背景模板外，其他的白噪声及无用数据都删除，并对保留的数据进行聚类分析。常见的聚类分析算法主要包括：1）划分法。对于包含n个目标对象的数据集合，将整个数据集划分成m个子集（m<=n），每个子集都可以认为是一种聚类。每个子集至少应该包含一个目标，并且每个目标只能属于一个子集。最常使用的划分聚类方法是k近邻法，这种方法的优点是原理简单、计算量不大，缺点是只能划分成固定数目的子集，而且初始选择的k个目标直接影响聚类结果。2）层次法。自上而下或自下而上分解帧数据中给定的数据对象集，自下而上的层次法开始时每个对象都是一个单独的集合，然后把特征相对近似的集合进行合并，直到合并到满足终止条件为止;自上而下的层次方法每次将一个数据集合再次划分为多个更小的子集，直到每个子集不能再次划分为止。

聚类完成后，就可以计算每个聚类的内部距离，然后用最小二乘法对聚类进行直线或折线拟合，每个聚类最终拟合成一条直线或折线。当所有聚类都拟合完毕后，再提取每个聚类的特征向量。由于聚类的特征向量已经包含了目标的位置及几何特征，因此根据最终提取到的所有聚类的特征向量，借助多特征融合的方法就可以逐渐对识别的目标进行确认，最终确认的识别结果就是车辆或行人等目标的形状。基于目标特征的车辆识别流程如图2所示：

4 多目标跟踪

4.1 多目标跟踪流程

在使用基于目标特征的识别技术识别出车辆、行人等目标后，同时可以得到车辆、行人等目标的位置、形状及大小信息。当同时存在多个目标时，仅仅识别到目标的存在是远远不能满足智慧交通的需要的，还需要对多个目标进行跟踪。

影响智慧交通中多目标跟踪的核心是如何关联连续帧间的目标，这可以通过概率统计法或确定性方法实现。概率统计法实现帧间目标关联适用于图像数据信息中包含大量杂波的情况，而且，如果识别目标有很大的移动特征会更好;由于帧间差异性比较大，因此，实现帧间目标关联时需要进行大量的计算，而且建立在相邻两帧间的被识别跟踪目标数量是固定不变的基础上。确定性帧间目标关联法的理论基础是被识别跟踪目标的运动性是有计划的、不会突然发生急剧变化的，因此可以建立目标的运动约束组合方程，通过计算组合方程的全局最优解，得到帧间目标的关联性，以此对目标进行跟踪。在得到相邻帧间目标的对应关系后，就可以设定目标的跟踪测量，并利用卡尔曼滤波器更新跟踪目标的状态，以此达到持续识别、跟踪目标的目的。

4.2 多目标跟踪步骤

由于实际道路中的车辆等目标是不断移动变化的，因此需要根据路况的实时信息进行动态更新。进行多目标跟踪的主要步骤包括：1）目标关联。当前帧识别到的车辆目标及跟踪器分别建立模型：用特征向量分别表示车辆的外观特征、目标识别提取到的线段特征等，并确定车辆目标与跟踪器的关联特征。2）跟踪器控制及管理。如果跟踪器关联到了车辆目标，就用关联到的目标更新跟踪器，否则判断丢失次数和阈值的关系，如果丢失次数小于阈值，说明可能存在车辆目标漏检情况，此时需要保持个跟踪器的当前状态继续检测;如果跟踪器丢失的次数大于阈值，说明车辆目标已经丢失，此时删除跟踪器。3）目标状态更新。根据目标车辆的状态向量xk和测量向量zk，更新跟踪器和车辆目标的状态。状态向量xk和测量向量zk分别是车辆目标在x方向和y方向的位置及速度。

目标关联过程中，对不同类别的目标需要采取不同的控制策略，因此进行多目标跟踪识别前还需要对运动目标进行分类，并根据类别信息进行跟踪[5]。根据被跟踪对象形成跟踪区域，对落在同一跟踪区域内的多个目标进行关联。假设图像帧中第i个目标的测量值和第j个被跟踪目标的运动特性和类别特性得到的偏差分别是ck（i，j）和ca（i，j），则目标的运动特性和类别特性的联合概率可以表示为：

C（i，j）=α * ck（i，j） + β * ca（i，j）

联合概率最大的即为关联性最强的目标。

目标类别属性在目标关联中起重要的作用，只考虑目标的运动特性和同时考虑目标运动特性及类别属性的两种情况下的实验结果如表1所示。

由结果可以看出，在目标关联过程中应用了类别属性的偏差后，可以有效提高目标关联准确性。

5 总结与展望

智慧交通中的目标识别是一个新兴的交叉研究领域，虽然本文在智慧交通中的多目标识别方面有一定的研究成果，但这只是智慧交通中目标识别的一小部分，还有一些问题值得进一步研究，比如：1）气候变化、局部遮挡等异常情况下会显著影响目标识别的成功率，目前根据交通目标所处的背景进行目标的自适应泛型识别还有待进一步研究;2）车道线弯道检测的识别还比较困难。目前的主要识别还是集中在车辆等移动目标上，针对静止的弯道识别率较低。

随着物联网技术、大数据技术的深入应用，智慧交通中势必会有越来越多不同类型的传感器，交通目标的识别也不会局限于当前的监控视频，因此未来智慧交通中目标识别和跟踪的研究在智慧传感器的帮助下，应该能够进行全方位的目标识别和跟踪。

参考文献：

[1] 阮文惠， 李志浩， 黄珍. 基于激光掃描的智能交通系统中运动目标检测跟踪研究[J]. 激光杂志， 2019， 40（4）：5.

[2] 蔡智明.智能交通系统中车辆视频检测识别与跟踪方法研究[D].石家庄：河北科技大学，2014.

[3] 张亚军.复杂场景下运动目标检测与跟踪方法的研究[D].北京：北京交通大学，2015.

[4] 张慧，王坤峰，王飞跃.深度学习在目标视觉检测中的应用进展与展望[J].自动化学报，2017，43（8）：1289-1305.

[5] 刘志宇， 王冠军. 智能交通检测系统中动态目标检测方法研究[J]. 计算机应用与软件， 2010， 27（1）：29-31，57.

【通联编辑：王力】

收稿日期：2021-05-19

作者简介：傅晨娟（1983—），女，江苏南京人，工程师，学士，研究方向为交通信息化。

3619500338275