基于視頻的夜間環(huán)境車輛檢測(cè)與跟蹤

1、基于視頻的夜間環(huán)境車輛檢測(cè)與跟蹤 徐文聰1，劉海2（山東大學(xué)威海分校，機(jī)電與信息工程學(xué)院，山東省 威海市 264209）摘要：針對(duì)夜間交通環(huán)境的特點(diǎn)，提出一種基于車燈的夜間交通流視頻檢測(cè)算法。首先，提出一種自適應(yīng)閾值分割算法提取候選車燈連通域。接著，利用空間距離信息配對(duì)和分組屬于同一輛車的連通域，根據(jù)規(guī)則集定位車燈，建立車輛假設(shè)。然后，通過(guò)線性搜索，結(jié)合最近鄰準(zhǔn)則和形狀屬性匹配在幀間關(guān)聯(lián)車輛假設(shè)。對(duì)于部分和全部遮擋情況，結(jié)合Kalman濾波器處理。根據(jù)關(guān)聯(lián)信息的連續(xù)性，確認(rèn)車輛存在并保存跟蹤軌跡。實(shí)驗(yàn)表明，該算法復(fù)雜度低，能夠在夜晚多種交通環(huán)境下實(shí)時(shí)檢測(cè)和跟蹤車輛，誤檢和漏檢率低，并且對(duì)遮擋情

2、況具有一定的魯棒性。關(guān)鍵字： 夜間車輛檢測(cè)，自適應(yīng)閾值分割，卡爾曼濾波，車輛跟蹤Video-based Vehicle Detection and Tracking at NighttimeXU Wen-cong1，LIU Hai2(School of Mechanical，Electrical & Information Engineering，Shandong University At Weihai，Weihai 264209，China)Abstract: For traffic data extraction at nighttime, a headlights-based

3、vehicle detection algorithm is proposed. Firstly, headlights candidates are extracted by an adaptive segmentation algorithm. Secondly, the headlights candidates are paired and grouped by spatial information. Then real headlights are located by rule-based reasoning to generate vehicle hypotheses. Thi

4、rdly, these potential targets are tracked over frames by linear searching combined with nearest neighbor rules and shape matching. A Kalman Filter is integrated into tracking module to handle partial and total occlusions. The spatial continuity extracted from tracking process is used to confirm vehi

5、cles presence. The results of experiments demonstrate that the proposed algorithm is effective and robust for vehicle detection and tracking at nighttime in real-time.Key words: nighttime，adaptive threshold segmentation，Kalman Filter，vehicle detection，vehicle tracking基于視頻的交通數(shù)據(jù)采集技術(shù)由于其成本的低廉以及安裝，維護(hù)的便利已

6、經(jīng)廣泛地引起研究者的關(guān)注。然而，大部分交通視頻檢測(cè)算法的研究都集中在白天，由于夜晚交通場(chǎng)景的很多特殊性，許多適用于白天的視頻檢測(cè)算法，如背景消減，幀間差分等，并不適應(yīng)夜間環(huán)境。夜晚是交通事故的高發(fā)時(shí)段，穩(wěn)定和準(zhǔn)確的夜間交通檢測(cè)算法研究具有很高的理論和應(yīng)用價(jià)值。作者簡(jiǎn)介：徐文聰1（1986-），男，安徽省馬鞍山人，在讀碩士，主要研究方向?yàn)閿?shù)字圖像處理與視覺(jué)測(cè)量；劉海2（1964-），男，山東省榮成人，教授，主要研究方向?yàn)橛?jì)算機(jī)測(cè)控技術(shù)。1 算法的概述夜間環(huán)境下，車燈是車輛最明顯和穩(wěn)定的特征。我們以車前燈作為車輛的特征，設(shè)計(jì)夜間交通檢測(cè)算法。先標(biāo)定攝像機(jī)，對(duì)視頻圖像進(jìn)行灰度變換，算法只處理灰度圖像

7、。為提取車燈，通過(guò)一種自適應(yīng)閾值分割算法提取候選車燈連通域。將屬于同一輛車的候選車燈連通域配對(duì)，分組，建立初始車輛假設(shè)。然后，幀間關(guān)聯(lián)候選目標(biāo)，結(jié)合空間和運(yùn)動(dòng)信息排除干擾和錯(cuò)誤假設(shè)，完成車輛的檢測(cè)和跟蹤。算法框圖如圖1所示：攝像機(jī)標(biāo)定提取候選車燈連通域配對(duì)和分組候選車燈連通域初始化車輛假設(shè)車輛假設(shè)的判斷車輛假設(shè)的幀間關(guān)聯(lián)車輛的檢測(cè)車輛的跟蹤提取交通數(shù)據(jù)圖1 算法框圖2 車輛檢測(cè)和跟蹤2.1. 安裝和標(biāo)定攝像機(jī)為了便于攝像的機(jī)標(biāo)定和距離信息的測(cè)量，保持?jǐn)z像機(jī)鏡頭從正面俯視路面，道路方向與圖像縱軸基本平行。在圖像中人工設(shè)置感興趣區(qū)域ROI(Region of Interest)，如圖2中紅色直線所

8、示。算法只處理屬于紅色邊界以內(nèi)的圖像部分。攝像機(jī)標(biāo)定的目的是從圖像坐標(biāo)系的坐標(biāo)得到世界坐標(biāo)系中的坐標(biāo)。在交通視頻監(jiān)控中，準(zhǔn)確的攝像機(jī)標(biāo)定是交通數(shù)據(jù)采集的基礎(chǔ)，如車速，車長(zhǎng)估計(jì)，排隊(duì)長(zhǎng)度估計(jì)等。我們采用了Song1的線性小孔成像模型和攝像機(jī)標(biāo)定算法。由于夜間環(huán)境照度低，沒(méi)有采用基于圖像變換的方法提取車道線位置，而是在圖像中人工標(biāo)記車道線，如圖2藍(lán)色直線所示。圖2 在夜晚交通圖像上設(shè)置ROI和車道線求解出圖像坐標(biāo)系坐標(biāo)與世界坐標(biāo)系坐標(biāo)的轉(zhuǎn)換矩陣，如公式(1):其中，是圖像坐標(biāo)系中的坐標(biāo)，是世界坐標(biāo)系中的坐標(biāo)，忽略車輛在世界坐標(biāo)系中的Z軸坐標(biāo)值，恒等于0。標(biāo)定算法并不是本文討論的重點(diǎn)，具體細(xì)節(jié)參考1

9、。2.2. 提取候選車燈連通域由于夜間的環(huán)境光源相對(duì)較弱，車燈中心在圖像中的像素值靠近255，然后沿徑向快速衰減。另外，車燈照射路面時(shí)產(chǎn)生的反光灰度值也很高。以車燈作為主要特征的車輛檢測(cè)方法，準(zhǔn)確定位車燈是識(shí)別和跟蹤車輛的基礎(chǔ)。R. Taktak2等使用白頂帽變換提取明亮的車燈，但是出現(xiàn)亮色車輛時(shí)，如白色車輛，大面積車體，車燈反光和車燈一起被分割為前景像素，前后靠近的車輛很容易產(chǎn)生粘連。Kostia Robert3等提出在白頂帽變換得到的二值圖像上建立多個(gè)車燈位置假設(shè)，再建立決策樹(shù)排除錯(cuò)誤的假設(shè)。由于白頂帽變換將大量非車燈像素分割為前景像素，初始化時(shí)存在很多不必要的錯(cuò)誤假設(shè)，大大增加了后續(xù)計(jì)算

10、和判斷的復(fù)雜度。Rita Cucchiara4認(rèn)為夜間環(huán)境下交通場(chǎng)景的灰度直方圖符合雙峰形狀，提出采用閾值分割法提取車燈。但是夜晚交通場(chǎng)景的灰度直方圖在很多情況下并不符合明顯的雙峰形狀。Otsu算法5是一種經(jīng)典的自適應(yīng)閾值分割算法，能夠自適應(yīng)地計(jì)算閾值，分割圖像的前景和背景。在Matlab上對(duì)夜間交通截圖進(jìn)行分割，由于大部分像素集中在低灰度值，直接利用Otsu算法求得的閾值偏低，大面積亮色車體和環(huán)境干擾被錯(cuò)誤地分割為前景。根據(jù)這一特點(diǎn)，提出一種改進(jìn)的Otsu自適應(yīng)閾值分割算法，先對(duì)圖像進(jìn)行閾值分割，排除圖像中灰度值偏低的像素。再在分割后的子圖像上求自適應(yīng)閾值。改進(jìn)的Otsu算法步驟(目標(biāo)圖像大

11、小為):步驟 1統(tǒng)計(jì)閾值分割后圖像的直方圖: 其中，是圖像ROI部分的灰度直方圖的主峰值對(duì)應(yīng)的灰度值，是常整數(shù)，使得位于主峰值右邊。步驟 2閾值遍歷到255，計(jì)算相應(yīng)的類內(nèi)均值和類間方差 將式(12)代入式(13),得到等價(jià)公式(14):步驟 3通過(guò)比較，求得使類間方差最大的閾值。改進(jìn)的Otsu算法很好地提取了候選車燈像素，得到的二值連通域相對(duì)獨(dú)立和完整，排除了大量干擾。另外，由于舍去了大量低于閾值的像素，降低了計(jì)算復(fù)雜度，更利于滿足實(shí)時(shí)性要求。分割后的二值圖像如圖3所示。圖3 基于改進(jìn)Otsu閾值分割的二值圖像對(duì)二值連通域用圓形結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)開(kāi)閉運(yùn)算，去掉車燈邊緣的尖刺，使連通域的形狀更

12、接近圓形。然后，利用一種快速連通域標(biāo)記算法6標(biāo)記連通域，并計(jì)算每一個(gè)標(biāo)記后連通域的形狀屬性，包括外接矩形在軸的長(zhǎng)度和軸上的長(zhǎng)度，長(zhǎng)寬比，面積(屬于該連通域的像素?cái)?shù)目)，周長(zhǎng)(連通域邊界的像素?cái)?shù)目)，圓形度()等。對(duì)于面積小于一定閾值的連通域直接丟棄。同時(shí)，計(jì)算每個(gè)連通域?qū)?yīng)于世界坐標(biāo)系中的質(zhì)心坐標(biāo)。2.3. 配對(duì)和分組候選車燈連通域?qū)儆谕惠v車的連通域配對(duì)和分組，然后定位大前燈（一般為車輛的遠(yuǎn)光燈）作為后續(xù)跟蹤的對(duì)象。R.Taktak2和Rita Cucchiara4都認(rèn)為車前燈在圖像上表現(xiàn)為規(guī)則的幾何形狀，通過(guò)搜索形狀對(duì)稱的連通域進(jìn)行配對(duì)。然而，夜晚車燈對(duì)的形狀在圖像上并不完全對(duì)稱：首先，

13、近光燈，轉(zhuǎn)向燈與遠(yuǎn)光燈在圖像上可能粘連，產(chǎn)生不規(guī)則的幾何形狀。其次，由于攝像機(jī)拍攝角度，車燈對(duì)中的某一個(gè)車燈的燈光可能直射入鏡頭，在圖像上產(chǎn)生比另一個(gè)車燈大很多的連通域?；谛螤顚傩缘呐鋵?duì)準(zhǔn)則可能開(kāi)始就錯(cuò)誤地排除了一些車燈對(duì)假設(shè)的建立，造成漏檢。我們利用空間距離信息而不是形狀信息配對(duì)連通域。小型車，如轎車，大前燈對(duì)的距離一般在1m左右；大型車，如卡車，大前燈對(duì)的距離在1.5m左右。利用攝像機(jī)標(biāo)定結(jié)果，將質(zhì)心距離在1m左右或者1.5m左右的連通域配對(duì)。候選車燈連通域的配對(duì)情況如圖4所示。這樣的連通域配對(duì)既包含真實(shí)車燈對(duì)，也包含其他情況：(1)車燈路面反光的灰度值也常?？拷鼒D像峰值，被配對(duì)的可能是

14、真實(shí)車燈對(duì)，也可能是車燈路面反光。如圖4右上所示。(2)相鄰車道并排行駛車輛的車燈之間也可能滿足距離約束，不同車輛的車燈可能被錯(cuò)誤的配對(duì)。為了減少這樣的錯(cuò)誤，將連通域按照質(zhì)心坐標(biāo)，從上到下，從左到右排序。配對(duì)時(shí)，從圖像最左邊的連通域開(kāi)始，只比較和配對(duì)尚沒(méi)有被配對(duì)的連通域。圖4 候選車燈連通域配對(duì)配對(duì)之后，剩下的落單連通域可能是車輛本身只打開(kāi)了一個(gè)車燈，也可能屬于不可預(yù)知的環(huán)境干擾，需要進(jìn)一步判斷。屬于同一輛車的車燈及其路面反光彼此靠近，利用距離信息，將分布在一定范圍內(nèi)的連通域分為一組?？臻g距離的計(jì)算都映射到世界坐標(biāo)系進(jìn)行。1.2.2.1.2.2.2.3.2.4. 建立車輛假設(shè)通過(guò)規(guī)則集在連通域

15、分組中定位車燈，建立當(dāng)前幀的車輛假設(shè)。車輛假設(shè)保存車燈對(duì)或者單個(gè)車燈的位置信息以及相應(yīng)的連通域形狀信息，作為后續(xù)幀間關(guān)聯(lián)的對(duì)象。規(guī)則集如下：規(guī)則 1 分組中只存在1對(duì)連通域配對(duì)，用該連通域配對(duì)直接建立車輛假設(shè)；規(guī)則 2 分組中存在2對(duì)連通域配對(duì)，認(rèn)為分別對(duì)應(yīng)車燈對(duì)和車燈路面反光或者大前燈對(duì)和小前燈對(duì)，利用中點(diǎn)坐標(biāo)在v軸上較小的連通域配對(duì)建立車輛假設(shè)。規(guī)則 3 分組中存在多對(duì)（大于2）連通域配對(duì)，認(rèn)為車輛打開(kāi)多對(duì)前車燈。如果存在車燈路面反光的連通域，一定位于最前方，并且面積變化較大。排除分組中中點(diǎn)坐標(biāo)在v軸上最大的配對(duì)，然后利用面積最大的連通域配對(duì)建立車輛假設(shè)；規(guī)則 4 既包含配對(duì)連通域，又包含

16、落單連通域的分組，認(rèn)為落單連通域是路面反光或者其他干擾，只利用連通域配對(duì)建立車輛假設(shè)；規(guī)則 5 對(duì)于只包含落單連通域的分組，為了盡量減少漏檢，保存分組中全部連通域的信息，建立車輛假設(shè)。2.5. 幀間關(guān)聯(lián)車輛假設(shè)每一個(gè)車輛假設(shè)在幀間的信息建立一條相應(yīng)的鏈表保存。通過(guò)線性搜索，結(jié)合歐式距離空間最近鄰準(zhǔn)則和形狀屬性匹配，關(guān)聯(lián)已經(jīng)建立的車輛假設(shè)鏈表和當(dāng)前幀中的車輛假設(shè)。幀間關(guān)聯(lián)信息的連續(xù)性，為排除錯(cuò)誤假設(shè)，確認(rèn)車輛的存在提供依據(jù)。一旦確認(rèn)車輛存在，幀間關(guān)聯(lián)信息就是車輛跟蹤軌跡?？紤]到相鄰兩幀間的時(shí)間非常短(幀率25fps時(shí)，即1/25秒)，即使變道的車輛在幀間也不會(huì)發(fā)生空間位置上的劇烈變化。因此，車輛

17、在相鄰兩幀間可以近似看作勻速直線運(yùn)動(dòng)。根據(jù)車輛公路行駛的最高速度限制(144Km/h,即40m/s)，估計(jì)出車輛在幀間沿直線移動(dòng)的最大距離，如(15) 式：其中，f是幀率，(f=25時(shí)，)。根據(jù)車前燈在上一幀的位置信息，搜索和匹配車前燈在當(dāng)前幀中的位置。沿直線在矩形窗口內(nèi)搜索車燈連通域；匹配分為車燈對(duì)的匹配和單個(gè)車燈的匹配以及遮擋情況的處理。(1)對(duì)于車燈對(duì)，在其上一幀位置的前方矩形窗口內(nèi)搜索包含車燈對(duì)的車輛假設(shè)。如果矩形窗口內(nèi)存在多個(gè)車燈對(duì)，根據(jù)當(dāng)前幀和上一幀車燈對(duì)中點(diǎn)坐標(biāo)之間的歐式距離，匹配距離最近的車燈對(duì)。矩形窗口的大小為。其中，為幀間運(yùn)動(dòng)的最大直線距離；為連通域配對(duì)的左，右外邊界之間的

18、最大距離。矩形窗口在相鄰兩幀間的示意圖，如圖5所示：0uv圖5 矩形窗口在幀間示意圖(2)對(duì)于落單的車燈連通域，按照與車燈對(duì)匹配完全類似的矩形窗口向前搜索。矩形窗口的長(zhǎng)度是幀間運(yùn)動(dòng)的最大直線距離，寬度比單個(gè)連通域左，右外邊界的水平距離稍大，在矩形窗口內(nèi)根據(jù)連通域的形狀屬性匹配單個(gè)連通域。定義形狀相似度函數(shù) 其中，是第i個(gè)車燈連通域的第k個(gè)形狀屬性；是第j個(gè)車燈連通域的第k個(gè)形狀屬性。是投影變換向量，通過(guò)LDA算法7得到。我們從交通視頻圖像序列中，人工提取了100個(gè)正樣本集和100個(gè)負(fù)樣本集。正樣本集是形狀匹配的車燈對(duì)截圖；負(fù)樣本集是兩個(gè)形狀差異較大的高亮連通域截圖，包括車燈和車燈路面反光，不同

19、車輛的車燈，車燈和環(huán)境干擾等。按照的定義，分別計(jì)算正，負(fù)樣本集中連通域的各形狀屬性比，并歸一化，構(gòu)成正，負(fù)向量集，。最優(yōu)投影變換是使類間距離與類內(nèi)距離之比最大的投影方向：其中，是投影變換后類內(nèi)平均值；是投影變換后類內(nèi)散布矩陣。定義類內(nèi)散布矩陣，如式(16)，(17)；類間散布矩陣，如式(18)：其中，是類內(nèi)均值；是正，負(fù)向量集的向量個(gè)數(shù)；是向量總體均值。通過(guò)解最大特征值對(duì)應(yīng)的特征向量求解投影變換向量 。降到一維后訓(xùn)練樣本的分布如圖6所示：圖6 降維后樣本的分布在圖6中，紅色”+”是降維后的正樣本集，藍(lán)色”*”是降維后的負(fù)樣本集。假設(shè)正，負(fù)兩類的先驗(yàn)概率相等，類內(nèi)服從高斯分布，根據(jù)投影變換后類內(nèi)

20、均值，類內(nèi)協(xié)方差。求得判別函數(shù)如式(19)：令當(dāng)，判定第i個(gè)車燈連通域和第j個(gè)車燈連通域形狀是匹配的。否則，判定不匹配。如果在矩形窗口內(nèi)搜索到多個(gè)形狀匹配的連通域，根據(jù)的大小，匹配值較小的。(3)遮擋情況的處理由于攝像機(jī)在一定高度從正面俯拍道路，遮擋一般發(fā)生在大型車遮擋后方小型車車頭。車輛離攝像機(jī)越近越不易被遮擋。因此，當(dāng)車輛位置超過(guò)圖像縱軸長(zhǎng)度的一半時(shí)，不再進(jìn)行遮擋判斷和處理。a) 部分遮擋。對(duì)于鏈表中的車燈對(duì)記錄，如果在當(dāng)前幀的矩形窗口內(nèi)只存在落單的連通域，認(rèn)為發(fā)生了部分遮擋。按照形狀屬性匹配，關(guān)聯(lián)落單連通域與上一幀連通域配對(duì)中最靠近的連通域，并估計(jì)被遮擋車燈連通域的質(zhì)心坐標(biāo)以及中點(diǎn)坐標(biāo)。

21、b) 全部遮擋。如果矩形窗口內(nèi)不存在連通域，認(rèn)為發(fā)生了全部遮擋。對(duì)于全部遮擋，我們利用基于勻速直線運(yùn)動(dòng)模型的Kalman濾波器預(yù)測(cè)車輛在當(dāng)前幀的位置。Kalman濾波器8是一種對(duì)動(dòng)態(tài)系統(tǒng)的狀態(tài)序列進(jìn)行線性最小方差誤差估計(jì)的算法。狀態(tài)方程和觀測(cè)方程如(20)和(21)式：其中，狀態(tài)向量各分量分別是車輛在世界坐標(biāo)系中的坐標(biāo)向量和速度向量。觀測(cè)向量是車輛在世界坐標(biāo)系中的坐標(biāo)向量。狀態(tài)轉(zhuǎn)移矩陣觀測(cè)矩陣忽略狀態(tài)噪聲和觀測(cè)噪聲。狀態(tài)向量中的坐標(biāo)向量由車輛假設(shè)的初始位置初始化。對(duì)于速度向量，由于幀間時(shí)間非常短，如果利用前兩幀的運(yùn)動(dòng)距離和時(shí)間的比值初始化，很小的距離偏差也會(huì)引起速度估計(jì)的劇烈波動(dòng)。因而，我們用

22、固定值初始化速度向量。Kalman濾波器的迭代細(xì)節(jié)參考8。由于只考慮車與車之間遮擋的情況，遮擋不會(huì)連續(xù)維持多幀。如果連續(xù)兩幀僅用Kalman濾波器的預(yù)測(cè)值更新位置之后，仍然無(wú)法從圖像中關(guān)聯(lián)上新的位置，判定關(guān)聯(lián)失敗。2.6. 判斷車輛假設(shè)車輛假設(shè)的判斷流程主要分為三個(gè)狀態(tài)：車輛的出現(xiàn)，車輛位置的更新和車輛的離開(kāi)。(1)車輛的出現(xiàn)如果當(dāng)前幀的某一個(gè)車輛假設(shè)沒(méi)有被任何車輛假設(shè)鏈表關(guān)聯(lián)上，推斷可能有新的車輛進(jìn)入了檢測(cè)區(qū)域，初始化一條車輛假設(shè)鏈表。為了對(duì)假設(shè)做進(jìn)一步判斷，為每一條車輛假設(shè)鏈表設(shè)置相應(yīng)的車輛存在信心分?jǐn)?shù)，初始化為1。同時(shí)，根據(jù)車燈對(duì)左，右車燈之間的距離將車輛類型分為大型車和小型車。(2)車

23、輛位置的更新對(duì)于某一條車輛假設(shè)鏈表，如果在當(dāng)前幀中關(guān)聯(lián)上新的位置，車輛存在信心分?jǐn)?shù)加1，；如果在當(dāng)前幀中關(guān)聯(lián)失敗，相應(yīng)的分?jǐn)?shù)減1，。如果連續(xù)多幀關(guān)聯(lián)上，即車輛存在信心分?jǐn)?shù)增加到一定閾值，認(rèn)為該條車輛假設(shè)成立，確認(rèn)車輛的存在。值得一提的是，落單連通域組成的車輛假設(shè)，如果其中至少存在一個(gè)在當(dāng)前幀匹配到新位置的連通域，認(rèn)為關(guān)聯(lián)有效，相應(yīng)分?jǐn)?shù)加1；如果全部關(guān)聯(lián)失敗，相應(yīng)分?jǐn)?shù)減1。(3)車輛的離開(kāi)對(duì)于某一條車輛假設(shè)鏈表，當(dāng)連續(xù)多幀沒(méi)有關(guān)聯(lián)上而且減少到0時(shí)，如果已經(jīng)確認(rèn)了車輛的存在，認(rèn)為此時(shí)車輛離開(kāi)；如果尚沒(méi)有確認(rèn)車輛的存在，認(rèn)為該假設(shè)無(wú)效，直接刪除。3 實(shí)驗(yàn)結(jié)果及分析算法實(shí)現(xiàn)的硬件平臺(tái)為Intel Co

24、re2 Duo CPU 2.0GHz，內(nèi)存2.0GB，編程環(huán)境為VC+6.0。視頻樣本1采集自北京的保福寺橋。輸入視頻大小為，幀數(shù)25幀/秒，時(shí)間長(zhǎng)度6min12sec，人工統(tǒng)計(jì)視頻中通過(guò)的車輛數(shù)目為402輛，圖7是視頻樣本1的處理結(jié)果截圖。表1是視頻樣本1的交通數(shù)據(jù)采集結(jié)果。 圖7 視頻樣本1的實(shí)驗(yàn)結(jié)果截圖 表1 視頻樣本1的交通數(shù)據(jù)采集結(jié)果交通參數(shù)類型實(shí)驗(yàn)結(jié)果車道1車輛數(shù)目74車道2車輛數(shù)目88車道3車輛數(shù)目118車道4車輛數(shù)目107大型車數(shù)目7小型車數(shù)目380車輛檢測(cè)總數(shù)目387車輛實(shí)際總數(shù)目402檢測(cè)率96.27%視頻樣本2采集自北京中關(guān)村東路的一處天橋上。由于存在路燈照明，圖像整體亮

25、度高于視頻樣本1。輸入視頻大小為，幀數(shù)25幀/秒 ，時(shí)間長(zhǎng)度10min06sec，人工統(tǒng)計(jì)視頻中通過(guò)的車輛數(shù)目為221輛。圖8是視頻樣本2的處理結(jié)果截圖。表2是視頻樣本2的交通數(shù)據(jù)采集結(jié)果。圖8 視頻樣本2的實(shí)驗(yàn)結(jié)果截圖利用VC+6.0中的定時(shí)器估計(jì)處理視頻樣本1和視頻樣本2一幀圖像的平均時(shí)間分別是27毫秒和24毫秒，滿足實(shí)時(shí)性要求。實(shí)驗(yàn)結(jié)果表明，本文算法的準(zhǔn)確率高，計(jì)算復(fù)雜度低，并且對(duì)環(huán)境光源干擾，遮擋等具有一定魯棒性。表2 視頻樣本2的交通數(shù)據(jù)采集結(jié)果交通參數(shù)類型實(shí)驗(yàn)結(jié)果車道1車輛數(shù)目68車道2車輛數(shù)目54車道3車輛數(shù)目94大型車數(shù)目18小型車數(shù)目198車輛檢測(cè)總數(shù)目216車輛實(shí)際總數(shù)目2

26、21檢測(cè)率97.74%4 結(jié)束語(yǔ)針對(duì)夜間環(huán)境下交通場(chǎng)景照度低，對(duì)比度低，前景和背景不易區(qū)分等特點(diǎn)，本文提出一種基于車燈的車輛檢測(cè)和跟蹤算法。實(shí)驗(yàn)結(jié)果證明，該算法能夠在夜間環(huán)境下有效地為交通數(shù)據(jù)采集提供檢測(cè)信息，檢測(cè)率在96%以上。另外，算法能夠穩(wěn)定地跟蹤車輛，并對(duì)遮擋情況具有一定的魯棒性，得到的車輛運(yùn)動(dòng)軌跡可以進(jìn)一步作為交通事件檢測(cè)的基礎(chǔ)。在保持較高準(zhǔn)確性和魯棒性的同時(shí)，該算法計(jì)算復(fù)雜度低，適合實(shí)時(shí)的交通監(jiān)控應(yīng)用場(chǎng)合，可以很好地作為日間檢測(cè)算法在夜間的補(bǔ)充。參考文獻(xiàn)：1 Kai-TaiSong and Jen-Chao Tai, Dynamic calibration of pan-tilt-

27、zoom cameras for Pan-Tilt-Zoom Cameras for Traffic Monitoring J.IEEE Transactions on Systems, Man, and Cybernetics, Oct.2006, Vol.36, No.4:1091-1103.2 R. Taktak, M. Dufaut, R. Husson. , Vehicle Detection at Night using Image Processing and Pattern RecognitionA. International Conference on Image Processing, Austin, Texas, USA, Nov. 1994 : 296-300.3 Kostia Robert. , Night-Time Traffic Surveillance a robust framework for multi-vehicle detection classification and trackingA