论文部分内容阅读
【摘要】为了提高夜间交通视频系统对运动车辆检测与跟踪的准确性、实时性，本文研究了RGB颜色空间的特点并结合帧间差分及区域增长等方法，创造性地将Hausdorff距离度量法应用在夜间运动车辆的检测与跟踪中，提出了一种识别夜间车辆的新方法，最终实现了夜间车辆的准确检测与跟踪。
【关键词】Hausdorff距离度量法；车灯匹配；RGB颜色空间通道分离；帧间差分；区域增长法
一.研究现状及意义
将图像和视频处理技术应用于夜间动态车辆的检测与跟踪是当今国际学术界的热点研究课题之一，目前国内外学术界[1-4]提出的自动分割算法有多种，如基于光流场的运动参数估算法、贝叶斯分割法等。光流估算法的可靠性差，贝氏计算比较复杂，不适于实时视频分割。最普遍的算法是利用相邻两帧图像之间的差分，通过设定阈值分离运动对象和背景，但是阈值往往都是人工设定而不是自适应求得的，从而存在运动目标和噪声误判的可能。
本文主要针对夜间条件下，通过将单通道帧间差分法与数学形态学相结合，并以区域增长法为基础，对以汽车前大灯为代表的运动目标进行提取，再结合Hausdorff距离度量法来跟踪下一帧运动对象，不仅很好地实现了运动对象的分割与跟踪，还有效地解决了Hausdorff算法计算量过大，效率低下的问题。
1 .算法分析及实现
由于夜间道路光影条件复杂，各种干扰多，因此，车辆的前大灯成为最明显且稳定的运动对象。本文主要通过对车辆前大灯灯光区域的检测，获取车辆的数据信息，具体算法及实现技术主要包括如下三个方面：
（1）运动图像的预处理
在通常运动检测方法中，较常用的算法是直接对源图像进行帧间差分运算[5]，应用到夜间车辆检测时，该方法会把车辆前大灯和车灯地面投影不加区分地提取出来。本文先对RGB彩色空间进行通道分离[6]，再在R、G、B三个通道分别进行帧间差分运算的方法，由于车灯地面投影包含了更多的G、B分量，在三个通道分别进行帧间差分运算后，可以区分出汽车前大灯和车灯投影之间的差别。在此基础上，利用数学形态学算子进一步处理，消除过小无意义的噪声斑点。数学形态学[7]作为图像理解的一个分支兴起于20世纪60年代，以腐蚀和膨胀两种基本运算为基础，还包括开运算、闭运算、细化和粗化等。
本文通过开、闭运算后，把一部分过小无意义的噪声斑点祛除，针对R、G、B三通道帧间差分运算结果的不同，结合数字图像相互间的逻辑与、逻辑或运算处理，达到有效祛除车灯地面投影的目的。（如图1-2所示）
（2）区域检测及车灯匹配
夜间图像经过上述预处理后，包括车灯投影在内许多无用的干扰区域都被祛除，剩下的区域需要获取，并记录这些候选区域的信息，以实现区域检测。本文采用的区域检测方法是区域增长法。区域增长法[8]以区域为处理对象，其关键是一致性原则的定义，用来判断两个邻接的区域是否可以合并，一致则合并，直到不能合并为止。进而获得了一个包含基本信息的区域链表，根据各区域的基本信息实现车灯匹配。本文依据的匹配条件包括：连通区域的面积、中心坐标、水平宽度、垂直宽度等。每一个连通区域必须满足上述各指标都在合理的区间范围内，才能被最终判断为真实的汽车前灯并对其进行配对组合。
（3）运动对象的跟踪
经配对的车灯对象被检测出后，使用基于豪斯道夫（Hausdorff）距离[9]的对象跟踪器在后继帧中跟踪对象。但该算法未考虑将要进行匹配的未知图像的范围，对于容量大的图像来说，计算量大，效率低。本文在区域检测时，先用区域增长法估算出运动对象的大致范围，无需对整帧进行计算，提高了运算效率。
但式(2)和(3)存在一些问题：由于豪斯道夫距离是度量两个点集之间的最不匹配点的距离，若一个模型或少数图像点是远离中心的，即使其它点都匹配良好，所得的豪斯道夫距离会非常大。本文采用Huttenlocher等人提出的部分豪斯道夫距离来代替式(2)和(3)的最大值，且选择距离以升序排序的第k个值[10]。
2.实验结果及分析
实验结果表明，本文所通过通道分离与数学形态学的结合运用，能够将大部分噪声干扰有效祛除；在区域增长法的基础上使用部分豪斯道夫距离跟踪器，准确地实现运动车辆的跟踪，并大幅度提高了实时性，从而证明了文中提出的方法是先进有效的。图3和图4给出了车灯匹配和Hausdorff距离跟踪的结果图片。
3．结论
本文针对夜间车辆的视频数据信息，对通常的图像预处理及运动检测算法进行了改进，融入了通道分离、数学形态学与逻辑运算等新方法，并在区域增长法的基础上建立了匹配条件，从而完成车灯配对。又创造性地把部分豪斯道夫（Hausdorff）距离跟踪方法用到夜间车辆跟踪中，并与区域增长法相结合，最终实现了夜间环境中对运动车辆的准确跟踪，同时提高了算法的实时性。实验结果证明，本文所采用的方法能够快速有效地祛除夜间视频图像中包括背景灯光、车灯投影以及视频噪声等干扰信息，较准确地完成了车辆检测与跟踪的任务，证明了算法的先进性和有效性。
【参考文献】
［１］孙立光。基于车灯追踪的夜间交通信息采集方法，清华大学交通研究所，北京，2006。
［２］C.Wren,A.Azarbayejani,T.Darrell and A.Pentland, Real-time Tracking of the Human Body, IEEE Trans on Patt.Anal.and Machine Intell. 1997,vol.19, no.780-785.
［３］席砾莼，闫宏伟。彩色图像的分割技术，第13卷，第4期，2004年4月。
［４］催屹．图像处理与分析-数学形态学方法及应用，科学出版社，2006.
［５］杜娟，李文锋．基于地面特征识别的室内机器人视觉导航，2006年4月。
作者简介：易海波，男，在读研究生，研究方向：图像处理与模式识别方面
注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”
【关键词】Hausdorff距离度量法；车灯匹配；RGB颜色空间通道分离；帧间差分；区域增长法
一.研究现状及意义
将图像和视频处理技术应用于夜间动态车辆的检测与跟踪是当今国际学术界的热点研究课题之一，目前国内外学术界[1-4]提出的自动分割算法有多种，如基于光流场的运动参数估算法、贝叶斯分割法等。光流估算法的可靠性差，贝氏计算比较复杂，不适于实时视频分割。最普遍的算法是利用相邻两帧图像之间的差分，通过设定阈值分离运动对象和背景，但是阈值往往都是人工设定而不是自适应求得的，从而存在运动目标和噪声误判的可能。
本文主要针对夜间条件下，通过将单通道帧间差分法与数学形态学相结合，并以区域增长法为基础，对以汽车前大灯为代表的运动目标进行提取，再结合Hausdorff距离度量法来跟踪下一帧运动对象，不仅很好地实现了运动对象的分割与跟踪，还有效地解决了Hausdorff算法计算量过大，效率低下的问题。
1 .算法分析及实现
由于夜间道路光影条件复杂，各种干扰多，因此，车辆的前大灯成为最明显且稳定的运动对象。本文主要通过对车辆前大灯灯光区域的检测，获取车辆的数据信息，具体算法及实现技术主要包括如下三个方面：
（1）运动图像的预处理
在通常运动检测方法中，较常用的算法是直接对源图像进行帧间差分运算[5]，应用到夜间车辆检测时，该方法会把车辆前大灯和车灯地面投影不加区分地提取出来。本文先对RGB彩色空间进行通道分离[6]，再在R、G、B三个通道分别进行帧间差分运算的方法，由于车灯地面投影包含了更多的G、B分量，在三个通道分别进行帧间差分运算后，可以区分出汽车前大灯和车灯投影之间的差别。在此基础上，利用数学形态学算子进一步处理，消除过小无意义的噪声斑点。数学形态学[7]作为图像理解的一个分支兴起于20世纪60年代，以腐蚀和膨胀两种基本运算为基础，还包括开运算、闭运算、细化和粗化等。
本文通过开、闭运算后，把一部分过小无意义的噪声斑点祛除，针对R、G、B三通道帧间差分运算结果的不同，结合数字图像相互间的逻辑与、逻辑或运算处理，达到有效祛除车灯地面投影的目的。（如图1-2所示）
（2）区域检测及车灯匹配
夜间图像经过上述预处理后，包括车灯投影在内许多无用的干扰区域都被祛除，剩下的区域需要获取，并记录这些候选区域的信息，以实现区域检测。本文采用的区域检测方法是区域增长法。区域增长法[8]以区域为处理对象，其关键是一致性原则的定义，用来判断两个邻接的区域是否可以合并，一致则合并，直到不能合并为止。进而获得了一个包含基本信息的区域链表，根据各区域的基本信息实现车灯匹配。本文依据的匹配条件包括：连通区域的面积、中心坐标、水平宽度、垂直宽度等。每一个连通区域必须满足上述各指标都在合理的区间范围内，才能被最终判断为真实的汽车前灯并对其进行配对组合。
（3）运动对象的跟踪
经配对的车灯对象被检测出后，使用基于豪斯道夫（Hausdorff）距离[9]的对象跟踪器在后继帧中跟踪对象。但该算法未考虑将要进行匹配的未知图像的范围，对于容量大的图像来说，计算量大，效率低。本文在区域检测时，先用区域增长法估算出运动对象的大致范围，无需对整帧进行计算，提高了运算效率。
但式(2)和(3)存在一些问题：由于豪斯道夫距离是度量两个点集之间的最不匹配点的距离，若一个模型或少数图像点是远离中心的，即使其它点都匹配良好，所得的豪斯道夫距离会非常大。本文采用Huttenlocher等人提出的部分豪斯道夫距离来代替式(2)和(3)的最大值，且选择距离以升序排序的第k个值[10]。
2.实验结果及分析
实验结果表明，本文所通过通道分离与数学形态学的结合运用，能够将大部分噪声干扰有效祛除；在区域增长法的基础上使用部分豪斯道夫距离跟踪器，准确地实现运动车辆的跟踪，并大幅度提高了实时性，从而证明了文中提出的方法是先进有效的。图3和图4给出了车灯匹配和Hausdorff距离跟踪的结果图片。
3．结论
本文针对夜间车辆的视频数据信息，对通常的图像预处理及运动检测算法进行了改进，融入了通道分离、数学形态学与逻辑运算等新方法，并在区域增长法的基础上建立了匹配条件，从而完成车灯配对。又创造性地把部分豪斯道夫（Hausdorff）距离跟踪方法用到夜间车辆跟踪中，并与区域增长法相结合，最终实现了夜间环境中对运动车辆的准确跟踪，同时提高了算法的实时性。实验结果证明，本文所采用的方法能够快速有效地祛除夜间视频图像中包括背景灯光、车灯投影以及视频噪声等干扰信息，较准确地完成了车辆检测与跟踪的任务，证明了算法的先进性和有效性。
【参考文献】
［１］孙立光。基于车灯追踪的夜间交通信息采集方法，清华大学交通研究所，北京，2006。
［２］C.Wren,A.Azarbayejani,T.Darrell and A.Pentland, Real-time Tracking of the Human Body, IEEE Trans on Patt.Anal.and Machine Intell. 1997,vol.19, no.780-785.
［３］席砾莼，闫宏伟。彩色图像的分割技术，第13卷，第4期，2004年4月。
［４］催屹．图像处理与分析-数学形态学方法及应用，科学出版社，2006.
［５］杜娟，李文锋．基于地面特征识别的室内机器人视觉导航，2006年4月。
作者简介：易海波，男，在读研究生，研究方向：图像处理与模式识别方面
注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”