基于远程检测算法的车辆图像跟踪系统的开发外文翻译资料

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

基于远程检测算法的车辆图像跟踪系统的开发

摘要：如果图像处理系统的开发用以跟踪各车辆以及车辆轨迹，那么，许多现有的运输模型将受益于各车辆的详细信息。此外，从车辆轨迹中得到附加信息，通过识别车道变更动作和加速/减速方式将改善事件检测。然而，不同于人类的视觉，图像处理相机在长的检测区域内识别车辆运动有一定困难，因为相机操作员需要放大图像来识别物体。因此，单摄像机的车辆跟踪适合于短距离检测。本文介绍了基于图像处理的监控各个车辆轨迹的方法。为了改善交通流量监测，使用多个闭路电视摄像机的远距离跟踪算法得到发展。该算法可以识别个别车辆的机动，从而提高了事件检测过程的效力。

关键词：图像处理、跟踪、长距离检测、事件

引言

为了寻求更好的交通信息，以及随之而来的对于交通监控的日益依赖，使得对更好的车辆检测的需求增加，比如，广域探测器。同时，伴随着车道封闭带来的高成本和安全风险，导致对安装超过路面边缘的无创检测搜索。一种很有前景的方法是通过图像处理的车辆跟踪，它可以产生传统的交通参数，如流量和速度。

图像处理系统可以分为两大类：

1. 监测系统在单点获取信息
2. 跟踪系统（Coifman等人，1998）。

空间的交通信息，比如，车辆的轨道或轨迹比单点监控信息更加有用，因为它可以记录真实的车辆密度而不是简单地记录探测器占用率。

事实上，通过平均时间和空间的轨迹，传统的交通参数与点探测器对应的测量数据更加稳定，这只能在一段时间进行平均。车辆轨迹的附加信息可以改善车辆检测，通过检测摄像机视野范围内停止的车辆以及通过识别车道变换动作和加速/减速模式，指示出超出摄像机视野范围的事件。

然而，通过对最近的商业图像处理系统的评价，发现了拥堵、闭塞、阴影和夜间照明等问题。在各种条件下的交通监控系统的稳定性的缺乏，引发了对更加先进的图像处理系统的研究。当前图像处理系统的另一个问题涉及到检测区域。与人类的视觉不同，图像处理摄像机难以在长距离探测区域内识别车辆运动，因为相机操作员需要在相机中放大图像以识别物体。因此，目前大多数图像处理系统的最大跟踪长度约为70m，并且允许车辆通过检测区域的时间仅为2-5s，对于道路上的事件检测来说，这段距离太短。车辆跟踪轨迹必须足够长，以便在发生意外时能够立即采取行动。

本文重点介绍基于远程图像处理技术、图像处理系统前沿技术的车辆监控轨迹的计算机视觉系统的发展。首先，个别车辆被分段，然后车辆详细信息的跟踪系统提出了体积和速度，以及用于通过图像监测系统的其他交通信息。最后，为了提高交通流量检测水平，提出了在多摄像机条件下距离超过200m的跟踪算法。该算法可以识别各个车辆的机动，从而提高了事件检测过程的效力。实验是在韩国通州市市中心的街道上进行的，通过安装在街道上的摄像机来获得拍摄的图像数据。

实践状态

之前，图像处理和目标跟踪技术已经应用于交通视频分析以解决队列检测、车辆分类和体积计数等问题（Chen等，2003）。在基于计算机的文献中，不同的视频数据跟踪方法可以分为：（1）基于模型的跟踪；（2）基于区域的跟踪；（3）基于主动轮廓的跟踪；（4）基于特征的跟踪（Coifman等人，1998）。

基于模型的跟踪（Koller等人，1993）对于车辆数目少的情况是高度精确的。它包括以下主要步骤：

1. 运动分割。这一步移动的物体从静止的背景（Koller等人，1993）通过采用离散特征的方法来计算连续帧之间的位移向量。一组连贯的运动图像特征为图像中的运动区域提供粗略估计。
2. 通用多面体汽车模型。这使得不同的车辆，如轿车、掀背车、旅行车、客车或货车有相同的实例化模型。该模型的形状参数可以被估计，包括它们的状态估计过程，如图2所示。
3. 目标识别与校准。从图像中提取的直线的边缘部分与通过投影三维（3-D）的多面体模型到平面得到的二维（2-D）模型边缘部分相匹配，使用隐藏线算法来确定它们的可见性。
4. 运动模型。这涉及到在不考虑驾驶员意图的情况下的动态车辆运动。在静止的情况下，转向角是恒定的，其结果是假设运动在一个平面上发生，在这个平面内的简单的圆周运动具有恒定的速度大小和恒定的角速度。机动车驾驶员在意图不明确时对车辆的操纵作为过程噪声被引入。

然而，这种方法最严重的弱点是它依赖于详细的几何模型。但是，对道路上所有的车辆构建详细的模型是不现实的。

基于区域的跟踪过程通常采用背景差分技术。在这种方法中，图像处理系统识别图像中与每一辆车相关联的连通区域，然后随着时间的推移使用互相关测量来跟踪车辆。基于卡尔曼滤波的自适应背景模型允许背景估计随着天气和时间变化对照明条件的影响而发展。前景物体（车辆）的检测是通过从当前的背景估计减去输入的图像，寻找高于某个阈值的像素，然后找出连接组件(Coifman 1998)。在拥挤的交通条件下，这种方法在自由流动的交通中有很好的效果。然而，由于部分车辆遮挡彼此，而不是被空间隔离的，因此分割单个车辆的任务变得困难。这些车辆将被组合在一起作为前景图像中一个大的对象。

与基于区域的方法互补，基于主动轮廓的跟踪是基于主动轮廓模型或先验知识。主动轮廓跟踪背后的基本思想是要有一个对象的边界轮廓表示并动态更新它。基于轮廓的表示而不是基于区域的优势在于减少了计算复杂度。然而，因部分被遮挡而无法分割的车辆仍然可以用这种跟踪方法。如果一个单独的轮廓可以初始化为每辆车，那么即使存在部分遮挡，每辆车也可以被跟踪。（Koller等人，1994；Coifman 1998）。

另一种跟踪的方法摒弃了将一个整体作为跟踪对象的思想，而是采用跟踪有效特征的方式，比如跟踪对象上可区分的点或线。基于特征的跟踪方法的优点是：即使存在部分遮挡，移动对象的某些特征仍然是可见的。此外，在白天、黄昏或夜间条件下可以使用相同的算法进行跟踪。它是自动调节的，因为在给定条件下，它选择最突出的特征，如窗角，白天条件下的保险杠，夜间环境下的尾灯（Coifman 1998）。

长距离车辆跟踪算法

车辆跟踪算法是以被大多数商业图像处理系统使用的基于区域的跟踪方法为基础，因为基于特征的跟踪方法主要是提取颜色分布，基于区域的跟踪方法与基于特征的跟踪方法相比，它需要的图像处理时间更少。图像处理时间当然是图案想处理系统中的关键问题。能够进行运动目标提取和事件检测处理的跟踪算法已经实现，如图1所示。

图1 跟踪和事件检测方法

步骤1：图像采集

在运动目标提取中，使用视频背景差算法提取通过检测区域的车辆。在检测区域的背景模板中，被预先保存，提取当前帧，并计算出两图像之间的像素差异。图2展示了一个示例图像即两个图像在时间和之间的差异。

图2 背景差法提取道路车辆

步骤2：二值化阈值的定义

在理想情况下，彩色的柱状图或灰度分布图在代表对象和背景的两波峰之间有一个深刻尖锐的波谷。但是，对于大多数实际图像而言，它常常难以精确地检测波谷的底部（Otsu 1979）.因此，可以通过多次实验获得最佳阈值。使用理论方法寻找最佳阈值的方式是用Ostu算法。这种流行算法的原则是最佳阈值作为已知像素点，该像素点使得在像素分布中的类间方差最大以及类内方差最小（方程2）。

[1]

最佳阈值通过最大限度地提高判别标准找到。

[2]

给定图像的像素用L灰度级[1,2，hellip;，L]表示

由于基于每个位置和时间阈值的分布具有很大的差异，本研究阈值的选择启发式地基于实验位置。因此，最佳阈值可以通过多次实验得到。在该实验中，阈值被设置在一个灰度级。

[3]

步骤3：形态

数学形态学是一种用来提取图像成分的工具，图像成分（比如边界、骨架和凸壳区域）在表示和描述形状是很有用的（Gonzalez and Wood 1992）。形态学处理过程在本研究中有三种方法：关闭使用块，孔的车辆填充以及从该帧中除去被认为是噪音的小对象。在提取该帧中的运动对象后，得到每个对象的中心坐标。

步骤4：车辆ID的生成

将在帧中的车辆绘制在一个有界矩形中，每辆车都被赋予一个新的ID，并将它们的和（顶部，底部）坐标保存到参考表中。在下一帧中，对检测区域的对象进行计数。将最新帧中的矩形坐标与之前保存到参考表中的先前帧的矩形坐标相比较，会发现该帧中的车辆ID与先前帧的车辆ID是相同的。在其他情况下，若生成一个新的车辆ID，可能是因为新的车辆进入检测区域，或者是在先前帧中与一个矩形相结合的两车分开。

步骤5：多摄像机图像的连接

对于长距离跟踪，必须使用多台摄像机。然而，使用多台摄像机的问题是摄像机会出现图像的重叠，重叠的图像之间交叉点的发生时不可避免的。例如，在本研究中，两台图像处理摄像机A和B被连接起来使用。总的监测区域是260米左右，交叉区域约为20米，如图3所示。因此，远程跟踪涉及到处理车辆在摄像机图像间交叉区域的连接问题。

图3 长距离跟踪区域

例如，在多个摄像机的远程跟踪过程中，如果一个区域测试已经用到两个摄像机A和B，那么车辆图像从摄像机A中获取。然后，在摄像机A的检测区域内对车辆进行跟踪，并将它们的ID和X、Y坐标保存到参考表中。此时，参考表中的所有索引都被分配一个默认值为0。对于摄像机B，其重点在于摄像机的邻近区域，从参考表中提取车辆ID和坐标，将该索引的值改为9999，以便来跟踪拥有此ID车辆。摄像机B中没有任何参考值的，此索引被设置为0。图4展示了多摄像头车辆跟踪的处理流程。

图4 多摄像机远程跟踪过程

步骤6：事件检测

跟踪系统提取事件检测的特征，如加速度、位置、区域（尺寸）和移动车辆的方向，如下（Kim 2007）：

1. 加速和减速。一般来说，一场交通事故会迅速改变车辆速度。因此，车辆速度的变化率（加速度和减速度）用于事故检测。
2. 位移变化率。当道路上发生交通事故时，包含正像素值的表示车辆的图像相对于零值背景会持续一段时间。
3. 面积变化率。当车辆从摄像机监测区域离开时，它的尺寸会减小；当它向摄像机监测区域移动时，它的尺寸会增大，但变化率会很小。另一方面，交通事故会迅速改变行驶车辆的大小。
4. 方向变化率。运动矢量，表示在所提取部分获得的正常光流的平均光流，并且代表由互相关得到的运动矢量。两运动矢量之间形成的夹角可以用方程[4]表示：

[4]

如果超出预定的范围，我们就认为发生了事故。

测试结果

为了验证在这项研究中开发的跟踪系统的适用性，基于三个标准进行了测试：交通监控、长距离跟踪和事故检测。

（1）交通监控测试

开发的跟踪系统的交通检测标准是体积和速度。实验在两个地点进行，有两个测试点在原州市的Jungang高速公路，一个在Jajyuro高速公路。图5展示的是Jungang高速公路。在第一个测试点，对汽车数量和速度进行了25分钟的测试，并与商业图像处理摄像机（AUTOSCOPE）中测得的结果进行比较。测试结果表明，观察到通过的车辆数目是285，开发的跟踪系统和AUTOSCOPE测得的过往车辆数目分别是284和281。这两个系统测得的车辆速度结果显示有微小差异，差异大多数都在5km/h以内。在其它测试点进行了第二次测试，时长为28分钟，开发的跟踪系统计数与观测到的156辆车相比丢失两辆，AUTOSCOPE检测到的车辆数目和开发的跟踪系统一致。两个系统测得的速度结果分别为54.8km/h和54.5km/h，在通过的156辆车中它们速度的最大差值在3km/h以内。这意味着，这两个系统在交通流监测方面效果很好。

图5 Jungang高速公路测试点

在对安装在Jungang高速公路的跟踪系统的交通流量和速度的基本可靠度验证后，按时间段收集在Jajyuro高速公路上的长项立交桥（IC）上的附加交通信息来判定不同环境条件下的可靠度。图6是Jungang高速公路上的测试点。关于附加交通数据采集，根据时间来测试不同条件下的交通量、速度和占用率，如从2009年11月15—17的白天（12:00—14:00）、夜间（00:00—02:00）、日出（05:00—07:00）和日落（17:00—19:00），并将在同一位置上测得的LOOP数据与基准数据相比较。如表1所示，每个时间段的精确度水平为交通量的95%，速度的95%，以及占用率的90%。在日出和日落期间，占用率的误差相对较高，因为黑暗条件下，阴影似乎比平常更长。据了解，占用率误差主要是因为小型汽车的长长的影子，将其计算为大汽车。特别是当小型车辆通过辅路和大型车辆（卡车或拖车）通过检测区域时容易发生这种情况。

表1 流量、速度和占用率的错误测试结果

<t

剩余内容已隐藏，支付完成后下载完整资料</t

资料编号：[154315]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 2.3港口吞吐量预测外文翻译资料
• 使用多标准移动通信分层遗传算法的阻抗 匹配网络的宽带优化外文翻译资料
• 移动RFID标签阅读与非重叠串联阅读器在输送带的应用外文翻译资料
• 利用数字图像进行的全场应变测量方法外文翻译资料
• 自然灾害中并发事件的多种应急资源的分配外文翻译资料
• 基于主机的卡仿真：开发，安全和生态系统影响分析外文翻译资料
• 实现基于Android智能手机的主机卡仿真模式作为替代ISO 14443A标准的Arduino NFC模块外文翻译资料
• 探索出行方式选择和出行链模式复杂性之间的关系外文翻译资料
• 信息系统研究、教育和实践的基本立场及其影响外文翻译资料
• 仓储和MH系统决策模型的设计优化与管理外文翻译资料