1.运动前景提取算法
运动目标检测是将运动的目标(如车辆、人等)从视频图像序列中提取出来，是视频的后续处理，如日标分类、目标跟踪以及行为理解等机路视觉的高级应用的纂础。本文采用的运动目标枪测算法结合了混合高斯建模和帧间差分算法，以及形态学的闭运算.为后续处理提供1个连通的、去噪的运动目标二值图。混合高斯建模m是通过使用K(一般取3一S)个高斯概率密度函数来精确地量化图像中每个像索的值。K个高斯分布按照优先级进行排序，然后与像素伍进行匹配判断，若匹配，则用该像素值对高斯模型进行均值、方筹的更新:若像素值与K个分布都不匹配，则新增加一个高斯分布，均值为当前的像素俏.方差初始化为一个较大的值:对十未匹配的高斯分布，其均值和方差保持不变。排匹配完一个像素，需修改所有的高斯分布的权重系数，对于匹配的分布模型.则增大其权重;对于不匹配的分布模型，则降低其权重。因此，K个高斯分布表征的是图像序列中最频繁出现的像素值的模型，即背景模型，只要选取一个合适的阂放.就可把这些高斯模型合成一幅背景图像，进而得到运动的前景图。混合高斯建模能够动态地维护和更新背景，对环境具有较强的适应性，尤其是解决了背景环境受频繁扰动，如下雨、树叶扰动、水波纹等情况一下.难以提取的问题。帧间差分w}的原理是对视频图像序列中相邻两帧或者足多帧作差分运算.利用两帧图像之间的差异来提取运动目标。帧间差分算法简单，运算速度快.对环境有较强的的适应性，但是，帧图2显示的是运动前景提取的效果。可以看出，图(b)是高斯背景建模算法提取的前景图.图中右上角有一辆车运动速度慢，且显示的颜色大部分是相同的黄色，且高斯背景更新地比较慢，因此，该车大面积被判定为背景，检测的效果不佳。图(c)是帧间差分算法提取的前景图，图中检测的汽车内部存在空洞部分图(d)是结合两种算法得到的运动二值图.由图可知，本文提出的弊法规避I单独使用高斯背景建模和帧间差分算法的缺陷，融合r两种算法的优势，得到一个更准确的前景图。图(e)是经过闭囚运算输出的连通、消噪的二位图。
2.车辆识别算法
车辆识别的主要内容是通过分析交通视频图像，从中获取车辆的特征，用于从运动物体'R”提取出汽车。本文车辆的识别是通过对汽车轮廓的再分析，提取出轮廓内连通区域的面积和包括汽车轮廓的最小四边形的长宽比值作为汽车的特征量，进行汽车的识别。轮廓提取算法输入的是一幅运动二值图，目的是对连通的图像进行边界跟踪，从而得到一个有序的、压缩的、表征目标轮廓的边界点集。本文的轮廓提取算法采用的是八领域的边界跟踪算法。图中“P”代表当前像素点，其周围8个像素点为点P的八邻域，八邻域的方向码如图3所示。八领域边界跟踪算法c5},}i先，系统从左到右，土到下对二值图像进行扫描。如果点P(i.J一”为0o”且点P(i.J>为‘'t'，则记点P(i.,l)为边界跟踪的起始点PO，同时，设八领域的搜索方向码dir的初值为70其次，按逆时针方向依次判断当前点尸的八邻域像素值是否为“I"。若当前搜索的像素r}不为.t.，则d介十主，继续搜索，直到找到下一个边界点，记为汤.同时记下该像素对应的坐标值和力‘向码。母一个新边界点的搜索，都要设置d行起始方向，dir的设置由公式1给出。不断重复这个步骤，直到pn=p0。，边界搜索结束，得到一个闭合的目标轮廓。dir=(dlr+7)mod6,diro为偶数(dir+6)mod氏dir为奇数(I)本文的设计中，搜索的足连通域最外层的边界，即物体的轮廓。轮廓数据的压缩.采用的是压缩同一方向的点集，只用直线的两端点来表示的方法。得到了物体的轮廓后，进而计算该轮廓内连通区域面积的大小以及包围轮廓的最小四边形的长宽比值，用十从众多的运动物体中筛选出汽车。图9所示是汽车的识别结果，输入的二值图像(a)中，包含了行人和自行车以及大片的噪声，利用本文提出的汽车识别算法，有效地在这些物体中提取出了汽车，如图(h)所示。
3.车辆跟踪算法
目标跟踪算法需要具备实时性以及稳定性，用于跟踪的目标特征ipk不仅满要具备尺度变化、旋转不变性，还要求数据最小，具备独特性。目前存在的跟踪算法如粒子滤波算法、Camshift}0}算法，[1标特征量如灰度直方l妇、角点、纹理等信息都不适宜路面车辆的跟踪。本文提出了质心跟踪算法。2i#辆汽车都有自己独一无几的行}i}1轨迹，同一时刻不Il的汽车其质心位置相差比较大，日_同一辆汽车在前后两ipr;i的质心位置变化较小。此外，可以采用前后两帧物体质心的距离来进行汽车的匹配和跟踪。质心是包围物体轮廓的最小四边形的中心。运动物体以前后两帧质心的欧式距离作为匹配和跟踪的依据，通过设置一较小的距离闽值n，对该趾离进行判断。在距离阂值范围内的认为是同一物体。质心匹配是通过两个双链表的查询和比较来实现的。两个链表.一个是.}y前链表，一个是历史链表，分别用于保存当前帧和前一帧所有物体轮廓对应的信息。要匹配前后两l随对应的物体，就要在历史链表中找到与当前链表一一对应的物体，并用当前链表的数据对历史链表中对应物体节点的信息进行更新。因此，历史链表随时问更新，动态地保存着运动物体的信息。匹配算法的关键在于维护和更新历史链表。历史链表的更新操作分为3种悄况.一是对于新出现的物体，则应在历史链表中添加该物体对应的节点信息:二是对于消失的物体，则应该在链表中删除对应的节点信息:二是对于找到匹配的物体，则应用当前链表中物体的信息对历史链表中对应的节点信息进行更新:因此.历史链表的更新午要完成保持对原有物体跟踪的同时，动态地添加新物体和删除消失的物体。图4是质心跟踪算法的效果图。图中显示的是连续4帧的汽车跟踪画而，跟踪到的汽车以不同的数字编码表示。图巾，同一辆汽车的标号始终未变.说明，路面车辆这4帧图像中得到了准确地匹配和跟踪。因此，本文提出的质心跟踪算法实时、有效、且准确无误。
4.功能模块设计
该模块主要实现交通监控中常用的功能。如车流量的统计、车辆行驶方向的判断、车辆行驶速度的分析:记录车辆的违章行为，如逆向行驶、违章停车、越线等。基于车辆的匹配和跟踪功能的实现，结合其他图像分析的技术，还能便捷地实现其它路面车辆分析技术中所用到的功能。图5显示了一个简单的车辆监测系统的界面，画面中包含了3个信息、:跟踪到的汽车镶-辆汽车以其质心处的数字标号表示):汽车的行驶方向(以矩形框不同的颜色区分，黑表示向右行驶，白色表示向左行驶):不同行驶方向下的车流量(画面的左上角和右上角以对应的颜色表示出车流量的统计情况)。
5.结束语
本文设计的路面车辆监测系统的软件方案，算法简单，容易实现，运算量小，能够满足系统实时性的要求及实际功能的应用需求，经测试，算法可靠、稳定、准确率高。
作者：沈姻 单位：华南师范大学
