基于车辆侧向特征的视频监控车型分类的研究

 吴彤，刘嘉新

 （东北林业大学，黑龙江哈尔滨150040）

摘要：智能交通系统( ITS)利用现有的交通资源设施，运用各种先进科学技术解决交通问题得到了充分的发展。ITS的主要任务和关键技术就是车型识别与分类。实验研究了利用基于背景差法的目标提取技术，结合图像处理技术来完成基于车辆侧向特征的视频监控的车型分类，完成了基于图片的目标车辆轮廓提取工作、视频分帧工作、背景差分法提取目标车辆的工作，并且成功的通过测量车长、车高及长高比例这三个参数将车型分类成大车、中型车、小型车三个种类。

 关键词：智能交通；车型分类；视频图像

 中图分类号：TP274  文章编号：1006 - 2394( 2016) 02 - 0029 - 04

0引言

 智能交通系统的研究核心是针对现如今的严峻交通形势，采用新型技术，对各种交通情况进行统筹协调，建立一个准确、高效的交通运输体系的系统。车辆识别的图像信息具有复杂性和不确定性，需要研究在各种复杂的情况下有效的、满足实时图像分割与特征提取的识别算法分类模型。因此，研究新的车型识别方法将会具有重要的理论和实际的意义。本文通过在道路一侧录制视频的方法来采集视频图像，从动态背景的复杂图像中提取出运动车辆的侧面轮廓，然后对车型进行分类，并且通过追踪车辆的侧向局部特征来追踪整辆车。

1图像预处理

1.1  图像灰度化

  灰度化指的是将彩色图像转换成灰度级图像的过程，灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为256种。

 本文中图像灰度化处理的方法选择使用加权平均值法，加权平均值法是根据重要性及其他指标，将三个分量以不同的权值进行加权平均。

式中：WR、WG、WB分别为R、G、B的权值，当WR、WG、WB不同值时，得到的灰度图像将不同。

 通过实验证明，当三个分量WR=0.38、WG=0. 62、WB=0.15时，能得到最为合理的灰度图像。

1.2图像分割

 灰度图像分割方法一般可分为利用区域内灰度相似性的基于区域的方法和利用区域间灰度不连续性的基于边缘的方法。这里使用的是阈值分割方法，其原理为：设原始灰度图像为f(x，y)，以一定的准则在F(x，y）中找出一个灰度值作为阈值，将图像分割为两部分，则分割后的二值图像表达式为：

传统的阈值化方法都使用灰度直方图来分析图像中灰度值的分布，并使用特定应用域选取最合适的阈值。本文在对图像进行分割时发现，灰度的变化在背景之中是非常慢的，在两幅图像中目标车辆的对应位置的变化是非常剧烈的；从得到的差分图像中反应出，背景部分的灰度值较小，目标车辆的灰度值较大，虽然背景部分不能完全消除，但并不影响对目标图像进行分割。

2运动目标车辆的提取

 对运动车辆的目标提取是车型识别的首要条件，需要有效地提取出正在运动的目标，这样才可以对车型识别技术开展更加透彻地研究。

2.1基于帧间差分法的目标提取

 运用帧间差分法对目标视频序列的当前帧与其邻近帧来进行差分，从而达到提取运动目标的目的。在一个较为固定的城市交通当中，连续两帧视频中的背景可以认为是没有变化的，所以通过对视频中连续两帧的差分可以达到去除其余背景的目的，使用的算法可以将这两个图像中的像素点值进行差分操作，如果灰度值变化了，那么就认为存在着运动的目标。

 设第K帧图像的像素值为f k（X，y），第k+1帧的图像像素值为fk+1(x ,y），这两帧视频序列图像之间的变化值用灰度差分后得到的图像d f（x，y）表示。帧间差分法提取运动目标可以用公式表示为：

式中：（x，y，）是视频序列中图像像素点的位置，算法的基本流程如图1所示。

 采用这种方法时，应根据所监视的车辆的运动速度不同，选择恰当的时间间隔，否则视频序列中选取的两帧图像中目标有部分重叠会导致提取不完整。如图2所示，利用帧间差分法对一段视频序列中的第30帧与第31帧进行差分处理，成功地去除了背景图像。

2.2基于背景差分法的目标提取

 这种方法是将当前帧与已经设置好的背景帧进行差分，然后进行运动目标的提取，其基本原理是首先设定目标视频的某一帧为背景帧，然后将包含运动目标的某一帧设为当前帧，最后将背景帧与当前帧进行差分，如果差分后显示里面存在变化的灰度值，那么就认为运动的目标是存在的。设f k（x，y）是第f帧图像像素值，b k（x，y，）是背景图像帧，则使用背景差分法提取目标的公式可以表示为：

式中：（x，y）为图像帧里面像素点的位置，流程如图3所示。

 利用上述方法对运动目标进行处理，取第1帧不含运动车辆的图像为背景帧，取视频序列中的第30帧图像作为当前帧，如图4所示，由图像结果不难看出，该算法较为完整地提取了目标车辆，也可从图像中看出其中有一些干扰，如摄像头的抖动导致有一些背景也被作为运动目标被提取了出来，但这并不会影响后续对车型的分类处理。

3车型分类

 车型分类有一种很好的分类方法就是分步分类方法。该分类方法分为粗分类以及细分类两个步骤。

3.1粗分类

 粗分类是车型分类中的第一步，也是比较关键的一步。车辆长度信息是主要利用的数据，以此来区分大型车和小型车。在进行了第一步的标准化之后，会将车辆轮廓边界的最小外接矩形长度与预先设置的判决参数作比较，小于等于该判决参数的划分到中小型车中，大于该判决参数的划分到大型车类，然后就会通过细分类来进行进一步的分类。

3.2细分类

 细分类则是对中小型车进行进一步的划分。小型车种类比较多所以轮廓比较多样化，单轮廓匹配不能确切地分类车辆信息，因此采用之前定义好的几个数据对小型车进行分类。

 通过大量实验观察和经验总结，得到如下结论：

 1)对于轿车，由于无法通过现有设备中得到轿车排量，所以不再划分普通轿车和高档轿车等；

 2)面包车则近似于一个矩形，因此它的面积比应该趋向于1（实际系统中取大于0.8）；

 3)对于很大一部分轿车来说，顶棚都会有一个凸起的部分，因此，顶棚比是轿车与面包车的一个重要区别，即，如果轿车的顶棚比大于面包车的顶棚比，则为面包车，否则就不是面包车；

 4)吉普和轿车的顶棚位置相似，但是吉普的顶棚通常偏向于一侧，因此大于或小于上限中心的比例将会区分出两者。

4分类处理的仿真结果

 本文研究的算法过程主要是根据几个阈值来区分车型，首先读取图像中的每个图片，然后将目标图像与背景图进行匹配，目标图中的RGB三个通道分别减去背景图中的三个通道，然后将RGB三个通道进行二值化，进行开运算。接下来用连通域去掉小面积区域，然后进行闭运算找到图中面积最大的连通域后，进行双阈值比较；面积大于一定阈值的时候，则判定其为大型车；面积在双阈值之间时，比较车辆的长宽比，当长宽比大于阈值时，则判定为中车，小于则为小车；面积小于一定阈值昀时候初步判断为小型车，然后比较车辆的长宽比，当长宽比小于阈值的时候则为小型车，当比值大于阈值的时候则为中型车。

4.1  图片背景差分仿真结果

 对在户外拍摄的照片进行MATLAB图像处理验证，图5为拍摄的图片实例，这张图片相当于基于背景差法的目标车辆提取中的当前帧，也就是相当于视频中存在车辆的侧向车型一帧。图6也为拍摄的图片实例，这张图片相当于基于背景差法的目标车辆提取中的背景帧，也就是相当于视频中不存在目标车辆的背景一帧。

 利用背景差分法进行目标车辆提取，在经过图像灰度化和去噪处理之后生成的图片如图7所示。

4.2视频背景差分仿真结果

 在东北林业大学的侧面天桥处拍摄了一段视频，在视频序列中提取出背景图片的示例图，在成功提取背景图片之后开始仿真；打开MATLAB在命令栏中输入guide，调出guide的界面，如图8所示，这个界面中可以通过打开视频来做到自动提取背景图，自动分类车型的功能。

 在仿真初始界面中点击文件选择上面拍摄的视频的路径，然后制作的程序会自动运行，点击获取背景图时会生成一个背景图，如图9所示。

 背景图是利用背景差分法来提取的第一帧的图片，然后点击下一幅图片得到程序中设置的第243帧、第381帧和第495帧的图像，得出长高的像素值，输出车型如图10所示。由仿真结果图可以看出，背景差分方法能够准确地将视频中的车型进行分类。

5结论

 本文运用基于背景差分法的车型分类技术，设置一个阈值，超过的则为大型车，不超过的是中小型车，这属于粗分类的范畴；经过粗分类之后利用算法将其与的数据返回细分类的算法中，最后能够将轮廓图中的车型分类出来。

 本文针对车型分类作了探索与研究，使侧面车辆轮廓的分类更加符合实际要求，但本文只是将监控到的车辆的侧面轮廓简单地分成了大型车、小型车，然后细分类出了卡车、轿车、面包车等车型，并不能将具体的车型分类出来，例如：奥迪、捷达、保时捷、宇通客车等。这是需要展望的地方，接下来将会继续寻找有效方法来识别具体的车型，为智能交通车型分类提供更优化的算法。