英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

基于视频的车辆检测及其应用智能交通系统

引言

基于视频的车辆检测技术是智能交通系统（ITS）的组成部分，由于它的非侵入性和综合车辆行为数据收集能力。本文提出一种有效的方法，就是基于哈里斯 - 史蒂芬角检测器算法的车辆视频检测系统。该算法被用于开发一个独立的车辆检测和跟踪系统，用于确定马路和高速公路上的车辆数量和速度。本文提出了基于视频的车辆检测系统，消除了复杂的校准需求，鲁棒性和对比度变化，在较低分辨率视频下具有更好的性能。该算法对车辆数量和速度的精确性进行了评估。与商业车辆检测系统相比，所提出的系统的性能是相当甚至更好。使用所提出的车辆检测和跟踪系统提前预警得到的智能交通系统，可以提前通知在乘客从而减少在工作区的拥堵和特殊事件的发生，对提前预警系统的有效性做出了评估和讨论。

关键词：车辆检测; 视频和图像处理; 预警系统

1.简介

智能交通系统（ITS）的目标是提高公共安全，减少拥堵，改善旅行和过境信息，为运营商和紧急运营商节省成本，减少对环境的重大影响等。ITS技术帮助了相关国家， 全国各地城市来满足对地面运输系统的日益增长的需求。ITS系统的效率主要取决于车辆检测技术的性能和全面性。 车辆检测和跟踪是所有车辆检测技术的组成部分，主要是它收集了有效ITS中使用的全部或部分信息。

在运输中，车辆检测系统可以被定义为能够检测车辆并且测量诸如计数，速度，等等的交通参数的系统。还可以将车辆检测用于各种运输应用，例如：自动车辆指导，车辆安全等。视频摄像机的车辆检测是大规模数据采集和实施先进交通管理和管理的最有前景的非侵入性技术之一。车辆检测也是车辆追踪的基础，正确的车辆检测能有更好的跟踪。现代计算机控制的交通系统有更多复杂的车辆检测，其要求比用于交通信号的正常交通致动控制器的车辆检测要求高，为此设计了许多现成的车辆检测器[1,2]。可以通过基于视频的车辆检测和跟踪来评估许多有用和全面的参数，如计数，速度，车辆分类，队列长度，体积/车道，车道变化，微观和宏观行为。 Autoscope [1]和Iteris [2]是全国最常用的现成的基于商业视频的车辆检测系统的例子。

这项工作的重点是开发用于低分辨率流量视频馈送的实时车辆检测系统。开发的系统是用来确定道路的给定段的总车道和车道车辆计数和车辆的平均速度。还有许多用于车辆的商业视频检测系统，用于各种应用，例如车辆检测，车辆事件检测等。然而，传统上使用以下基于传感器的方法之一来接近车辆数据采集：雷达 ，循环检测器，微波传感器等。最近，基于视频的车辆数据采集系统正在通过商业视频检测系统进行探索[3]。此外，这些系统需要大量校准，并且需要用户的知识和专业知识来配置这些系统。此外，需要知道未知或准确的参数（摄像机的高度）以获得更好的结果。视频照明的变化也会降低系统的效率。为了解决上述缺点，我们提出了基于哈里斯-斯蒂芬角法（HSCM）的ITS应用的车辆检测系统。由于采用点检测器和跟踪方法，该系统需要较少的校准，并且对照明变化的免疫力较小。对发现的系统进行了评估，并使用一组1分钟的视频馈送（8组）进行了性能分析。视频馈送在照明（在一天的不同时间捕获），摄像机安装高度，摄像机视角和视野不同，该系统也在嵌入式计算机平台上实现。对表格列表和实现的优点和准确性进行了讨论。

2.背景

基于视频的对象或运动检测和跟踪是在视频监控系统，运输系统，军事应用，游戏系统等方面发挥重要作用的两个任务。本节主要关注基于视频的车辆检测和跟踪问题用于ITS应用程序。车辆检测是检测视频序列中车辆存在或不存在的过程。车辆跟踪被定义为在视频序列的每个帧中查找车辆的位置。通常，检测结果用作跟踪的初始化过程。 ITS应用的基于视频的车辆检测和跟踪系统使用：1）静态或移动摄像机，2）单个或多个摄像机，3）固定或变焦（PTZ）摄像机。任何车辆检测系统的效率都是基于系统对于处理信息丢失，视频噪声，车辆运动复杂性，车辆遮挡，形状复杂性，照明变化和实时处理的准备。

车辆检测和跟踪方法可以根据对象/车辆的表示，检测方法和跟踪方法进行分类。用于检测和跟踪的车辆的演示包括点，形状，轮廓，轮廓和对象机器[4]。车辆检测和跟踪系统的一些初步方法涉及视频序列的空间，时间或时间分析。车辆检测和跟踪通常采用以下方法之一进行：点检测和跟踪[5-8]，边缘检测[9-12]，帧分割[13-16]阈值和分割特征提取[17,18]和匹配[19-22]（通过相关或模板匹配或监督学习）和光流方法[23-26]。点检测和跟踪方法快速，为照明变化提供更好的结果。边缘检测方法采用形态边缘检测方案来确定物体/车辆。边缘检测技术相对较快，并且对照射方差较小。然而，必须通过在后续帧上进行边缘检测来执行车辆跟踪。另外，用于固定断路器边缘和轮廓不均匀性的解决方案是耗时且易受噪音影响的。帧差分法相对较快，但需要静态背景或参考图像[15,27]或背景图像[27,28]的频繁更新，使其不适合缓慢移动的车辆。特征提取和匹配方法导出车辆的尺寸，纹理，颜色，形状等，并对其进行匹配，并使用模板或相关性进行验证。即使这些方法是全面的，并且可以在区分对象时提供更高的准确性，它们是不灵活的，并且易受强度变化，影响和物体遮挡的影响。受监督的学习方法更适合于对象检测，时间消耗（训练），对位置变化不灵活。光流方法编码运动中像素的时间位移和场景的空间结构的变化。这种方法是计算昂贵的，易受噪音影响，透视偏差，遮挡，静态物体和摄像机位置敏感。与一般物体检测和跟踪相比，有效的车辆检测和跟踪的遇到的一些问题是：1）由于物体/车辆的相对快速移动，检测和跟踪应该很快，2）应该独立于位置，相机视野，摄像机分辨率和安装高度，照明，阴影和遮挡，3）需要较少的校准来确定交通流量数据，4）最大化真实检测并最大限度地减少错误检测。另一方面，与以下一般物体跟踪相比，车辆检测和跟踪难度更小：1）车辆方向和位移是常见的和近似均匀的，2）车辆的形状和特征与背景和活动物体（行人）不同， 3）车辆运动必须与道路区域（较小的框架尺寸进行处理），4）通过匹配和超级学习进行物体检测是压倒性的，仅需要进行车辆分类。

这项工作的主要目标是从低分辨率CCTV摄像机进行实时嵌入式车辆检测和跟踪系统，以确定可用于各种ITS应用的车辆数量和流量参数。为了实现上述目标，我们的车辆检测和跟踪系统选择了点检测和跟踪方法，原因如下：1）非常快速，可以在单个帧中检测多个对象，2）更好的光照方差性能3）车辆方向和位移是常见的并且接近均匀，跨多个帧的迭代点跟踪是快速的，4）不需要摄像机视域和摄像机定位高度，5）可以处理部分遮挡。

点检测器用于查找图像中的兴趣点，兴趣点经常用于移动检测和车辆跟踪。此外，兴趣点检测器已经被证明是不变的照明变化和相机观点。文献中常用的感兴趣点检测器有：Moravec算子的运算器[5]，哈里斯-斯蒂芬角点检测器[6]，KLT检测器[7]和SIFT检测器[8]。 Moravec算子的运算符只对每45度的离散组移位计算4times;4补丁中的图像强度变化。如果边缘沿其邻居方向，则Moravec算子的操作者无法检测边缘/兴趣点。哈里斯-斯蒂芬通过考虑以下方面改进了Moravec算子的运行：1）通过对移位原点执行分析扩展来覆盖所有可能的小偏移，2）通过考虑平滑圆形高斯窗口来降低噪声，3）计算第一阶图像导数x和y方向，以突出方向强度变化，然后是二阶矩矩阵，它为小邻居中的每个像素编码这种变化。通过确定该矩阵的行列式和轨迹来评估兴趣点，并且在应用非最大值抑制之后对兴趣点置信度值进行阈值后导出兴趣点。

点跟踪方法可以确定跨帧的兴趣点的对应关系，点对应方法可以大致分为确定性和统计方法[4]。确定性方法使用有限运动启发式来限制对应的问题。统计方法使用明确的对象特征，参数和不确定性来考虑确定通信。确定性方法通过与框架之间的每个对象相关联的一组运动约束来定义对应成本。用于点跟踪的文献中使用的一些运动约束包括：接近度，最大速度，平滑运动，共同运动，刚度和近似均匀性[4]。将这项工作中实施的车辆检测和跟踪系统与Autoscope [29]进行了比较，这是一个基于视频的视频车辆检测系统。自动车辆检测系统是基于背景帧差分[30]和车辆检测与边缘检测的帧间差分和跟踪的质心相关方法。该系统还具有重要的内置启发式用于阴影消除和各种天气条件下的检测。此外，相机位置的高度显着影响检测和跟踪精度。开发的车辆检测和跟踪系统基于使用哈里斯-斯蒂芬角检测器和点对应的兴趣点检测和跟踪，以确定与车辆行驶相对应的像素位移偏移。开发的系统被用作车内检测器，由内华达州运输部主办，“工作区先进技术的有效性测试与评估”，“内华达州事故预防测试队列检测系统”等。在运行WinXPE操作系统的Arcom Olympus Windows XP嵌入式开发套件上，使用OpenCV库使用哈里斯-斯蒂芬角点检测算法开发车辆检测器系统。开发的系统用于检测车辆流量（计数和速度），以确定工作区域的拥挤状况和特殊事件，并通知接近的车辆拥堵状况和警告标志以降低速度。

3.哈里斯-斯蒂芬斯角检测和点跟踪

在本节中，讨论了用于确定图像中兴趣点的哈里斯-斯蒂芬角点检测算法。使用用于点对应的确定性方法的点跟踪用于跟踪车辆。此外，空间和时间特征用于导出车辆计数。使用矢量映射和不同帧处的兴趣点的缩放来确定车辆的速度。

哈里斯-斯蒂芬角检测算法基于信号的自相关函数，其中局部自相关函数测量具有在不同方向上移动少量的补丁信号的局部变化。 Moravec角检测器改进了哈里斯-斯蒂芬角检测方法。 Moravec的角点检测器的主要缺点是它不是各向同性的[6]。哈里斯 - 斯蒂芬角检测器考虑了角度分数（自动相关）与方向的差异，而不是使用偏移补丁。

让我们考虑二维图像I，图像区域（x，y）转换量为（）。两个图像补丁之间的加权和平均差（SSD）或自相关C（x，y）表示为：

偏移图像可以通过使用泰勒展开来近似如下：

其中Ix和Iy分别是I相对于x和y的偏导数。

因此，自相关函数可以作为一个方程和矩阵来表示如下：

因此，自相关函数可以由矩阵A（Harris矩阵）捕获局部邻域的强度结构，并且w（x，y）是一个平滑圆形高斯窗口，其定义如下：

哈里斯矩阵表示为：

角点的特征在于向量（x，y）的所有方向上的C的大变化。

令lambda;1和lambda;2是矩阵A的特征值。通过分析A的特征值，可以做出以下推论：

如果lambda;1asymp;0，lambda;2asymp;0，则像素具有平坦的自相关函数，并且没有兴趣点。

如果lambda;1asymp;0，lambda;2具有一定的正值，则像素自相关函数为脊形，兴趣点为边。

如果lambda;1，lambda;2都是两个大的正值，自相关函数急剧高峰，最为关键的一个角落。

由于矩阵的特征值的精确计算在计算上是昂贵的，所以函数R的计算已经由[6]提出。 R也被称为兴趣点置信度值。

上述表达式减少了确定矩阵A的特征值以评估矩阵A的行列式和轨迹以确定对象/车辆的兴趣点或角点的问题。

兴趣点标注为阈值R并应用非最大抑制。经验确定的价值，在文献中已经提出了0.04-0.15的范围。

对象或车辆跟踪可以被形成为跨帧的兴趣点的对应关系。在这项工作中，我们采用确定性方法对利益点的相关性。兴趣点对应的确定性方法通常定义成本函数。成本函数是使用一组运动约束的框架j和j k中的每个对象或车辆相关联的成本。通信成本的最小化通常被建模为优化问题。然而，对于车辆跟踪应用，通信成本被建模为接近度和公共运动约束的组合。在我们的工作中，所采用的通信成本包括车道内物体或车辆重心与空间接近度和共同运动约束的匹配[4]。换句话说，基于车辆方向，兴趣点沿着共同的方向移动，并且兴趣点的相对移动是均匀的，并且可以在某些附近找到。如果表示由框架j的哈里斯 - 斯蒂芬角检测算法确定的一组兴趣点或角点，则对象的质心确定如下：

考虑到接近度和共同运动约束假设，重心方法适用于确定边界区域或车辆检测区域中车辆物体的中心。

我们的下一个公式解释了确定车辆速度的方法。 令N为视频处理所捕获的帧/秒数。令dr为车辆的重心从帧j到j k的总移位表示为像素。质心点表示为和分别对应帧j和j k。像素中的质心位移确定为：

如果D（以英里为单位）是从屏幕上的相对点到r（x1，y1）到r（x2，y2）的真实距离，则r也由上述等式进行计算。 从帧j到j k具有重心位移dv的车辆速度由以下公式确定：

图1显示了参考点（r（x1，y1）和r（x2，y2）），重心位移（dr）和在帧j和j k中的车辆中心位置。

4. 车辆检测跟踪

利用哈里斯-斯蒂芬角检测算法，利用确定性兴趣点对应方法，确定角点和视频帧之间跟踪的兴趣点，实现车辆检测跟踪工作。根据兴趣点的位置和位移，确定车辆数量和车速。 用于确定上述过程的任务解释如下：

捕获实时视频馈送：捕获来自闭路电视摄像机的监控高速公路和动脉的实况视频馈送，用于通过USB帧捕获设备进行视频帧处理。视频馈送在一天中的不同时间被捕获在不同的位置。此外，闭路电视摄像机是具有不同摄像机视野的俯仰变焦摄像机。此外，安装摄像头的高度是未知数。

视频帧的预处理：使用作为车辆检测系统一部分开发的GUI工具，用户可以在捕获的视频帧上选择感兴趣的区域。检测和跟踪算法仅在该裁剪的图像区域上进行，以减少系统的处理时间。用户需要使用水平虚拟参考线指定检测和加速区。检测区域是评估兴趣点的区域，检测到车辆，车辆计数增加。速度区域位于检测区域附近，重新评估兴趣点并检测车辆。根据经验，检测区域长度应小于视频进给中所见的车辆长度，并且速度区域长度应该大于车辆长度，如视频进给中所见。用户指定在视频帧上划分车道的虚拟垂直车道参考线。这些垂直线用于通过车道确定车辆数量。此外，用

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[138412]，资料为PDF文档或Word文档，PDF文档可免费转换为Word