朱金榮，張廣杰，夏長權

　　（揚州大學 物理科學與技術學院，江蘇 揚州 225002）

　　摘要：針對視頻車流量檢測系統無法識別粘連車輛的局限性，提出了基于紋理識別與濾波掃描相結合的算法，并采用聚類分析法檢測判斷粘連車輛。文章對車道的各區域采用基于紋理識別的方法計算出紋理描述子，獲得車輛頂部初步坐標；利用濾波器掃描得到車頂部位的精確坐標，并采用聚類分析法判斷粘連車輛，從而提高車流量檢測的精度。

　　關鍵詞：智能交通；車輛輪廓提取；紋理特征參數；濾波器掃描；聚類分析

0引言

　　隨著汽車數量的增加，道路交通流量也日益上升，交叉路口的壓力越來越大。然而絕大部分的交通信號燈為定時控制，該方法不能有效地發揮交叉路口的通行能力，因此需要建立合理的交通信號燈智能控制系統。

　　在以往的車輛檢測與統計中，最常見的是采用感應線圈檢測器，在車流量較少的路段對車輛進行檢測與計數，這種方法的主要缺點是影響交通、軟化路面、線圈受環境影響大、車輛粘連誤判 ［12］。

　　隨著信息科學的飛速發展，利用視頻處理技術來進行車量的檢測與車流量統計逐漸取代以往的檢測方法。目前的視頻檢測有很大的局限性,當車身粘連不嚴重時，可以實現計數操作［3］，但在交通擁擠的路況下，車輛粘連相當嚴重，二值化后的兩輛車還是一個整體，不能用傳統的開閉操作區分粘連車輛。為了克服以上問題，本文在完成圖像預處理后進行了車輛輪廓的提取，再采用紋理檢測與空間濾波器掃描的方法對粘連車輛進行甄別區分，以實現更精確的計數。

1輪廓提取與檢測框設置

　　攝像頭采集的視頻幀中的車輛圖像是PAL制式［34］的真彩圖，數據量很大，因此在保留車輛特征的前提下，需對圖像進行轉換。首先對圖像中的車輛進行輪廓提取，然后采用基于局部區域檢測車輛的方法，根據車道設置檢測框，在框內完成圖像處理操作。

　　圖1車輛檢測預處理如圖1，本文采用邊緣檢測的方法得到車輛線狀的輪廓圖，由于視場的歐幾里得距離，圖像中車輛目標的大小會隨著距離而發生變化，因此車輛檢測不能基于全局使用同一個算法。在做具體的圖像檢測算法之前，首先要在車道線內將道路劃分成局部區域［3，5］，因此算法中對二維的圖像要設置檢測框，將框內的圖片數據賦值到檢測算法的變量中，各檢測框設置相應的閾值。

2輪廓線的紋理檢測

　　上一節對車輛進行了輪廓提取，將圖像根據車道線分為各個區域，本節對每個區域的車輛輪廓線進行特征提取。對圖像區域進行特征提取的一種重要方法就是量化區域的紋理內容［6］，車輛的輪廓圖是灰度圖，不是二值圖像，保留了紋理信息，因此可以用于車輛特征的提取。紋理分析方法基于灰度直方圖的統計特性，以灰度值統計矩為度量基礎。

　　令Z表示灰度的隨機變量，則zi的值為0~255，p(zi)表示zi灰度的出現概率，通過計算得到6種紋理的描述子：

　　采用上述方法對近景區域內車輛輪廓進行紋理描述子的計算，遠景車輛圖片粘連太嚴重，已經失去了輪廓信息，因此不統計。圖2中的9張圖片歸納了車輛的各部位。圖2中①②③樣本是車頂部位的輪廓圖，④是前窗玻璃遮光板部位，⑤中包含了車輛后視鏡，⑥是車輛的散熱器格柵和前大燈部位，⑦是車牌位置，⑧⑨是兩輛車粘連的位置。　

　　經過紋理檢測，計算出所有紋理描述子，得到圖2各個樣本的局部紋理參數。數據表明，圖2中車輛的各個部位的均值、標準差、平滑度和熵值的大小都沒有明顯規律，但車頂輪廓線的三階矩和一致性對于紋理變化的響應很強。在監控攝像頭下，車頂部位一般不會被遮擋，車頂部位又具有很強的紋理響應，因此三階矩和一致性的紋理描述子可以作為車輛的判定依據。

3車輛數統計

　　檢測區域在經過第2節中的車頂輪廓線檢測后，需要尋找線端點。根據車輛線狀輪廓圖的特點發現，圖像中車的兩側的像素點亮度值很高。因此，為了計算出端點，本文提出了濾波器平移掃描的方法［7］，以橫線端點靠內側一點為原點進行平移掃描，可以得到所需參數。本文設計的濾波器是基于車輛先驗條件的濾波器，車輛的左側面和右側面需要鏡像對稱的兩個濾波器，函數表達式分別為：

　　濾波器的權值分布呈現為平行四邊形， H1、H2濾波器分別向左、右方向掃描，計算出圖像中每個位置的H1、H2的值就是濾波器平移掃描的結果，得到濾波值曲線并根據峰值確定端點位置。圖3中3個檢測模型為典型的粘連情況，阿拉伯數字代表了檢測到的車頂輪廓線。圖(a)中兩輛車緊挨著，其中一側幾乎平行，(b)中表現為距離稍遠的遮擋；(c)中距離稍遠，且被擋車的車身前方露出很大一部分。掃描得到的端點坐標用于聚類分析，從而統計車輛數。

　　聚類分析又稱群分析，它是研究樣本分類問題的一種統計分析方法，常用的聚類方法有類平均法、可變類平均法、最短距離法、重心法等。考慮到端點坐標的空間分布特性和需要提取的有效信息，本文選擇最短距離法。以所有車頂輪廓線的左端點坐標作為分析樣本，坐標數據放入數組A中，將A分為兩類數組Ai和Aj，用dij表示樣本Xi與Xj之間的距離，Dij表示類Ai與Aj之間的距離，則兩類最近樣本之間的距離為：

　　Dij=minXi∈Ai,Xj∈Ajdij(3)

　　對圖3中線端點的聚類分析步驟如下：

　　(1)定義樣本之間的距離,計算樣本的兩兩距離，得到距離矩陣D(0)，開始時每個樣本自成一類，這時的Dij=dij。

　　(2)找出距離最小元素，設為Dpq，將Ap和Aq合并成一個新類，記為Ar，即Ar={Ap,Aq}。

　　(3)計算新類Ar與其他類Ak的距離：

　　Dkr=minXi∈Ak,Xj∈Ardij=min{minXi∈Ak,Xj∈Apdij,minXi∈Ak,Xj∈Aqdij}=min{Dkp,Dkq}(4)

　　(4)重復步驟(2)和(3)，直到所有元素并成一類為止。如果某一步距離最小的元素不止一個，則同時合并對應這些最小元素的類。

　　(5)得到的最后兩個類的距離Dth用于閾值分析，分離粘連車輛。

　　計算得到左端點聚類結果（Ai，Aj,a)，右端點聚類結果（Bu,Bv,b）。 Ai，Aj和Bu，Bv是聚類運算的最后兩個類，a、b是最終聚為一類的簇值，下標值的對應與否和簇值差值都是車頂輪廓對稱性的體現，是車輛分離的判斷依據。下標值不對等時，判斷為兩個車輛；當下標值對等(i=u,j=v)，要對簇值進行比較，簇值的差值比例 |a－b|/max(a,b)小于閾值Th時判斷為一輛車，否則為兩輛車。經過測試，Th值設為0.3較好。

　　對圖3(a)、(b)、(c)車頂輪廓線端點坐標進行聚類分析，得到(a)的聚類結果為(A4,A3,30)、(B4,B3,60),數組下標對等，差值比例0.5>0.3，判斷為兩輛車；(b)的聚類結果為(A5,A6,35)、(B4,B2,5),數組A、B下標不對等，為兩輛車；(c)的聚類結果為(A6,A5,153)、(B6,B4,117), A5和B4下標不等，判斷為兩輛車。

4結論

　　本檢測方案進一步優化了車輛視頻檢測的算法：將車輛圖像轉換成輪廓圖，提取出車輛的邊緣特征以減少運算量；使用基于紋理描述子的方法，搜索到車輛圖像中的車頂位置；然后依據輪廓圖中車側面的像素點亮度高的特點，采用基于先驗條件濾波器掃描的方法，尋找到車頂的兩側位置，得到相應坐標參數；最后通過系統聚類法對坐標參數進行聚類分析，判斷出粘連車輛。該方法精度準確，處理時車輛圖像有效信息損失量小，能夠針對交通擁堵的路況，對粘連車輛實現區分、檢測與計數，提高車流量計數精確度。下一步工作是優化算法，提高算法的運行速度。

參考文獻

　　［1］ 夏發欽.利用地感應線圈檢測機動車輛的原理與實現［D］：武漢：武漢科技大學，2011.

　　［2］ 苑宇坤. 智慧交通關鍵技術及應用綜述［J］.電子技術應用，2015，41（8）：912.

　　［3］ 劉騰飛.針對車體遮擋的車流量統計算法［J］.武漢：武漢理工大學，2012.

　　［4］ 劉濤.智能車路徑識別與控制性能提高方法研究及實現［J］.電子技術應用,2016,42（1）：5457.

　　［5］ JEONG P, NEDEVSCH I S. Efficient and robust classification method using combined feature vector for lane detection［J］. IEEE Transactions on Circuits and Systems for Video Technology,2005,15(4)：528537.

　　［6］ GONZALEZ R C.數字圖像處理的MATLAB實現［M］.阮秋琦，譯.北京：清華大學出版社，2013.

　　［7］ 蔡梅艷.基于TMS320C642DSP的目標圖像識別研究［D］.南京：南京航空航天大學，2007.