基于视频检测技术的违法变道

基于视頻检测技术的违法变道监测系统李欢姚绒国内外研究现状1、近年来，计算机技术和图像处理技术取得的长足进步，推动了视频检测技术的高速发展。国内外相关企业、科研院校对交通视频检测技术进行了广泛的研究，并在相关研究成果的基础上开发了诸多视频检测系统。例如美国JetPropulsion实验室研发了Autocolor、Autoscope、CMSMobilizer、NestorTrafficVision和Roadwatch五个视频监控系统，其中Autoscope检测系统，由于其研发时间较早技术较为成熟，已经广泛应用于机动车视频检测领域，同时由于其被SCATS(SydneyCoordinatedAdaptiveTrafficSystem)交通控制系统采用而得到了拓展性应用。2、法国的Citilog交通事件检测系统采用车辆跟踪等技术实现了许多交通事件(如检测监控区域发生交通拥堵、车辆排队溢出等)的自动检测，并能够采集一定的机动车交通数据，对交通进行辅助控制，现已广泛地应用于全世界高速公路及公路隧道交通事件检测中。此外，Traficam、PEEKVideoTrak、CCATS等交通视频检测器的研发也较为成熟并得到了广泛的应用。3、哈尔滨工业大学研发的VTD2000系列和清华大学研发的VS3001监控系统都实现了机动车流量的检测但并未得到广泛应用，因此其性能还有待进一步检验。1、图像处理2、目标检测定位3、车牌识别技术+系统1、图像采集2、违章车辆检测3、信息存储通信图像处理常用颜色模型介绍图像数字化图像预处理技术123图像数字化计算机不能处理连续的模拟信号，而一幅二值化图像中的灰度值一般采用它的位置坐标函数进行描述，该函数为二维连续函数，可以取无限多个值。因此计算机无法对其直接进行处理，我们需要进行图像数字化技术，将拍摄好的真实图像数字化为计算机可以接受的存储、显示和处理格式。经过数字图像处理技术后，代表图像的连续模拟信号就可以转变成离散的数字信号。如图所示，是一幅视频图像经过数字化处理后得到的图像。长为L，宽为W的图像可以用一个L*W的矩形网格表示，每个网格代表图像中的一个像素，网格中的值表示该网格对应的像素的灰度值，取值范围为0到255.图像数字化颜色模型计算颜色空间模型又称为色度学颜色模型，一般用以进行有关色彩的纯理论研究和计算推导，以RGB颜色空间为代表。RGB颜色空间模型以红、绿、蓝三个色光为三基色，可以按不同比例混合成自然界中的各种颜色。因此在空间中，一个颜色可以表示为如下式：其中，C表示一种具体的颜色，(）表示在三原色R、G、B下的比例系统，称为三刺激值。RGB颜色空间可以用一个正方体来表示，如图所示，原点代表黑色，距离黑色最远的点代表白色，正方体中各点对应的颜色可以用从原点到该点的矢量来表示，其颜色数量可以达到种BGRKKK图像预处理技术由于受到光照、气候、摄像头、传感器的影响，摄像头采集到的图像会带有各种各样的噪声，其质量会受到一定的损伤，因此必须在图像采集与数字化处理后进行图像预处理，来提高目标检测的准确性.图像预处理技术主要包括：灰度变换法：最大值法、平均法、加权平均法平滑滤波法：中值滤波法、均值滤波法边缘检测：Roberts微分算子、sobel微分算子、prewitt微分算子图像增强处理灰度变化法有时系统对实时性要求很高，而对彩色图像直接处理十分复杂，为了提高实时性，可以先将彩色图像灰度化，这样既能降低每个像素的BIT数量，缩短处理时间，也不会影响处理效果。因此图像灰度化是图像预处理过程中的一个重要步骤。灰度化其实就是使彩色图像的RGB三个分量的值相等的过程，灰度级别只有256级，因此灰度图像只能表示256种颜色（灰度）。图像转换为灰度图的方法很多，下面介绍最常用的3种。最大值法：使RGB的值等于3个中最大的一个，可以表示为：平均值法：使灰度值等于RGB三值的平均值：加权平均法：根据某些性能指标给R，G，B赋予不同的权值，并使灰度值等于三值的加权平均值：由于人眼对绿色最为敏感，蓝色最不敏感，所以一般使这样得到的灰度图像最为合理。实验证明当时，能得到较为理想的灰度图像。灰度变化法如图所示为三个灰度化方法处理后的结果，其中a为原图像，图b是最大值法处理后的结果，可以看出该方法得到的灰度图像亮度是最高的。图c为平均值法产生的灰度图，与最大值法相比亮度明显降低，但是图像更加柔和。图d是加权平均值法得到的图像，与其他两种方法相比，效果最为理想，且可以根据需要设置相应的加权值。运动目标检测技术1背景减法3光流法2帧差法基于概率密度模型的跟踪基于子空间模型的跟踪运动目标跟踪技术经典的目标跟踪算法ONE基于Mean-Shift的跟踪方法TWO基于粒子滤波的运动目标跟踪THREE基于分类思想的目标跟踪基于贝叶斯分类的实时运动目标跟踪算法将目标跟踪问题看成是两类分类问题的思想,提出一种基于贝叶斯分类的实时运动目标跟踪算法。以最小二乘分类器作为弱分类器,采用集成学习机制把多个弱分类器构成一个强分类器,用来判断下一帧的样本点。采用贝叶斯分类器对目标和背景进行分类,以此实现运动目标跟踪的功能。这个算法主要思想是采用贝叶斯分类器将目标和背景分类。在初始帧中根据初始化信息分别对前景目标及背景建模后续帧中先采用卡尔曼滤波预测目标位置,然后以预测值为中心,对周围区域内的样本点进行贝叶斯分类,并对每个样本点赋予不同的权重,得到置信图,再通过均值漂移算法找到该置信图的峰值,即为目标的中心位置最后根据基于双闭值的自适应尺度调整策略改变窗口尺度,并将当前帧信息加入到模型中,不断进行模型参数的更新。具体算法流程图如图所示。基于贝叶斯分类的实时运动目标跟踪算法对于一个两类的分类问题,已知状态先验概率,类条件概率密度,利用贝叶斯公式:得到的条件概率称为状态的后验概率。因此,贝叶斯公式实质上是通过观察x把状态的先验概率转化为状态的后验概率。这样,基于最小错误率的贝叶斯决策规则为:如果则把x归类于状态,反之,则把x归类于状态。在该算法中,假设类条件概率密度为单变量正态分布,其概率密度函数定义为2,1,/ixwPixwP/1xwP/2xwP/1xwP/21w2w以图像的灰度信息为特征空间,采用单变量高斯模型主要是基于考虑两点:一是在特征空间内,目标和背景样本一般来说分别成单峰聚类分布,所以用正态分布作为目标和背景的概率模型是合理的;二是因为运算量小,避免了多元正态分布在线学习的复杂度,保证跟踪的实时性。在初始帧中,手动给出目标的初始位置,利用灰度信息分别建立目标模型和背景模型;在第k帧中,对每一个样本点I,做判断时认为目标和背景的先验概率相等,这样可以求得I属于目标的后验概率和背景的后验概率。若,则说明该样本点属于目标,赋予该点在置信图中的值为L,若,说明该点为背景点,令L=0即xwP/1xwP/2xwP/1xwP/2经过对所有的样本点进行判别后可以得到置信图L。图为置信图的示例均值漂移理论是一种密度梯度的无参数估计方法,利用均值漂移技术寻找置信图峰值点的迭代过程如下:其中,为以为中心的邻域,初始值为Kalman滤波得到的预测值，分别为置信图中每点的坐标.cNJI,00,JIji,kL目标位置预测一般来说,两帧图像之间的时间间隔比较小,所以可以认为目标在连续两帧中相差不远,一般在以原目标位置为中心的区域附近进行判断。但是如果能够提前知道目标可能出现的位置,就可以提高运算速度,更快地找到目标。通常可以采用轨迹预测来得到这个位置。卡尔曼滤波是根据过去的信号,利用统计估计理论,使用线性最小均方误差作为最优准则,预测将来某个时刻的值。它采用状态方程描述被估计量的动态变化规律,被估计量的动态统计信息由激励白噪声的统计信息和状态方程确定。由于激励白噪声是平稳过程,状态方程己知,所以被估计量可以是平稳的,也可以是非平稳的。卡尔曼滤波可以以任意一点作为起点开始观测,具有计算量小、可实时计算的特点。定义滤波器的系统状态为,为一个四维向量,分别代表目标在x轴和y轴的坐标,在x方向和y方向的速度。利用图像匹配,只能得到目标的位置,所以定义二维观测向量,即表示匹配得到的目标坐标。KXKXyxyxvvss,,,KZyxssss,因为目标在单位时间间隔内是匀速运动的,定义状态转移矩阵A为:表示连续两帧图像间的时间间隔状态方程为：由系统状态和观测状态之间的关系可知,观测矩阵为：观测方程为:t此外可以假设和都是零均值且独立的噪声向量,因此设和的协方差矩阵为：系统状态预测方程为：误差协方差预测方程为：Kalman增益系数方程：状态修正方程：kwkvkwkv目标位置预测总体来说,该算法中使用Kalman滤波预测运动目标位置主要包括四个阶段：滤波器的初始化、状态预测、获得真实值和状态修正,其整体流程如图所示：目标位置预测算法中通过结合卡尔曼滤波对目标位置进行预测,不仅提高了运算速度,同时也避免了均值漂移算法容易陷入局部最优解的问题,使求得的峰值位置更准确：特别是如果对目标的运动轨迹有了可靠的预测,当目标发生遮挡时,可以利用Kalman滤波器的预测结果,在特定的区域内搜索目标,等待目标的出现,这也是解决遮挡问题的一种有效方法。跟踪窗尺度的自适应分析对于尺度变化的运动目标跟踪来说,跟踪窗口如不能自适应调整,将会显著影响算法性能特别是对本文算法来说,跟踪窗过小,将不能有效准确统计目标信息,而跟踪窗过大,将不可避免地把背景样本点引入到前景目标模型中,导致目标模型的可靠性降低。因此,在跟踪过程中自动更新跟踪窗口是保证良好跟踪性能的关键。在实际目标跟踪过程中,目标样本点会相对集中,因此可以将目标划分为n个子块,利用判断子块中目标点所占的比例来改变跟踪窗的小。但从图b可以看出,背景中和目标灰度值相近的样本点会被误判为目标,为减小这些样本点对尺度调整的影响,提出一种基于双阐值的自适应尺度调整策略:采用双阀值的作用还体现在可以避免使用单一阀值时存在的窗口过度扩大或缩小的现象。跟踪窗尺度的自适应分析通过均值漂移算法得到置信图的峰值后,以上一帧的窗口大小为初始值圈定目标,并将其划分为3*3个字块,如图所示假定图中黑色点为目标点,白色点为背景点,矩形框为初始窗口大小。依次统计每个含有目标边界的子块（标号为1、2、3、4、5、6、7、8的子块）中的目标点数n以及总的样本点数N,计算两者的比值rate=n/N;设定阀值thr1和thr2,thr1thr2,然后通过对rate和阀值thr1、thr2的比较来改变对应的局部边界位置,具体流程如图所示。每个子块都计算过后,可以根据一定原则来确定整体的边界位置。其中对于不含有任何目标边界的子块（标号为5的子块）,由于它处于目标内部,对尺度影响不大,所以不需要对它进行计算。跟踪窗的自适应尺度分析跟踪窗尺度的自适应分析模型参数的更新运动目标不是一个确定不变的信号,而是在跟踪过程中会发生位移、形变等变化,并且它还经常受到噪声、遮挡等环境因素的影响,因此对模型进行合理的更新是跟踪的关键。选择合适的模型更新策略,可以在一定程度上克服这些因素对目标跟踪所造成的影响。分类器的更新策略为每帧丢掉若干个性能较差的弱分类器,然后通过当前帧的训练学习,补充相同数量的弱分类器来重新构造一个强分类器,这样存在的一个不足就是弱分类器只含有训练该分类器时所采用帧的信息,而不是所有帧,当目标发生遮挡时,一般的算法则不能取得很好的效果。为解决上述问题,使得算法更具有鲁棒性,本文采用的模型更新策略如下：模型参数的更新在k=2…L帧中，目标（背景）模型中均值和方差的更新公式为：均值：方差：在第k=L+1帧中，模型的参数更新公式为：均值：方差：其中。、为判断第K帧中目标（背景）样本点所用高斯模型的均值和方差，、为第k帧中目标（背景）点的统计均值和方差，为属于目标（背景）的样本点数，为每个样本点的灰度值，为学习率。kkk2kk2kNjIkk2k模型参数的更新在跟踪过程中采用两种不同的更新方式主要是考虑在前L帧中,模型刚刚