智能交通系統(tǒng)詳細(xì)設(shè)計(jì)說明書

1、<p>　　實(shí)踐項(xiàng)目（中國(guó)區(qū)）選拔賽</p><p><b>　　詳細(xì)設(shè)計(jì)說明書</b></p><p>　　參賽隊(duì)伍名稱 </p><p>　　參賽作品名稱 iTraf智能交通系統(tǒng) </p><p>　　報(bào)名注冊(cè)編號(hào)(ID)

2、 </p><p>　　團(tuán)隊(duì)成員姓名 </p><p>　　學(xué)校/系 </p><p>　　主要聯(lián)系電話 </p&g

3、t;<p>　　通訊地址 </p><p>　　郵 編 </p><p>　　電子郵箱 </p><p>　　2008年10月10日<

4、;/p><p><b>　　目 錄</b></p><p><b>　　1.引言5</b></p><p>　　1.1.編寫目的5</p><p><b>　　1.2.背景5</b></p><p>　　1.3.參考資料5</p>

5、;<p>　　2.程序（模塊）系統(tǒng)的組織結(jié)構(gòu)6</p><p>　　2.1.交通事件檢測(cè)軟件6</p><p>　　2.1.1.視頻采集模塊6</p><p>　　2.1.2.預(yù)處理模塊7</p><p>　　2.1.3.車輛檢測(cè)模塊7</p><p>　　2.1.4.車輛跟蹤模塊

6、8</p><p>　　2.1.5.車輛運(yùn)動(dòng)信息提取模塊8</p><p>　　2.1.6.交通事件檢測(cè)模塊9</p><p>　　2.1.7.參數(shù)設(shè)置模塊10</p><p>　　2.1.8.網(wǎng)絡(luò)管理模塊11</p><p>　　2.2.管理中心軟件12</p><p>　

7、　2.2.1.交通事件集中存儲(chǔ)檢索模塊12</p><p>　　2.2.2.報(bào)警管理模塊13</p><p>　　2.2.3.交通事件統(tǒng)計(jì)模塊13</p><p>　　2.2.4.用戶管理模塊14</p><p>　　2.2.5.交通管理部門接口14</p><p>　　2.2.6.交警巡邏車接口

8、15</p><p>　　2.2.7.語音接口15</p><p>　　2.2.8.短信發(fā)送接口16</p><p>　　3.界面設(shè)計(jì)要求16</p><p>　　4.核心算法設(shè)計(jì)17</p><p>　　4.1.運(yùn)動(dòng)車輛檢測(cè)17</p><p>　　4.1.1.運(yùn)動(dòng)目標(biāo)

9、檢測(cè)17</p><p>　　4.1.2.背景模型18</p><p>　　4.1.3.車輛檢測(cè)19</p><p>　　4.1.4.后處理23</p><p>　　4.2.運(yùn)動(dòng)車輛跟蹤27</p><p>　　4.2.1.基于Kalman濾波的跟蹤算法27</p><p>

10、;　　4.2.2.基于模板匹配的細(xì)分割28</p><p>　　4.2.3.異常跟蹤處理31</p><p>　　4.3.夜間車輛檢測(cè)31</p><p>　　4.3.1.夜間車輛特點(diǎn)31</p><p>　　4.3.2.車燈配對(duì)32</p><p>　　4.3.3.白天夜晚模式切換33<

11、/p><p>　　4.4.基于圖像分析的交通事件檢測(cè)33</p><p>　　4.4.1.基于軌跡的事件檢測(cè)33</p><p>　　4.4.2.車速檢測(cè)36</p><p>　　4.4.3.事件檢測(cè)41</p><p>　　4.5.能見度和雪、雨的檢測(cè)45</p><p>　　

12、4.5.1.能見度檢測(cè)46</p><p>　　4.5.2.局部直方圖均衡46</p><p>　　4.5.3.基于色彩恒常理論的圖像增強(qiáng)49</p><p>　　5.系統(tǒng)流程圖53</p><p>　　5.1.交通事件檢測(cè)軟件53</p><p>　　5.1.1.視頻采集模塊54</p&

13、gt;<p>　　5.1.2.預(yù)處理模塊54</p><p>　　5.1.3.車輛檢測(cè)模塊55</p><p>　　5.1.4.車輛跟蹤模塊56</p><p>　　5.1.5.車輛運(yùn)動(dòng)信息提取模塊57</p><p>　　5.1.6.交通事件檢測(cè)模塊59</p><p>　　5.1.

14、7.參數(shù)設(shè)置模塊60</p><p>　　5.1.8.網(wǎng)絡(luò)管理模塊61</p><p>　　5.2.管理中心軟件62</p><p>　　5.2.1.交通事件集中存儲(chǔ)檢索模塊62</p><p>　　5.2.2.報(bào)警管理模塊63</p><p>　　5.2.3.交通事件統(tǒng)計(jì)模塊64</p&

15、gt;<p>　　5.2.4.用戶管理模塊65</p><p>　　5.2.5.語音接口66</p><p>　　5.2.6.短信發(fā)送接口67</p><p><b>　　引言</b></p><p><b>　　編寫目的</b></p><p>　

16、　本詳細(xì)設(shè)計(jì)說明書確定系統(tǒng)的詳細(xì)功能模塊和數(shù)據(jù)結(jié)構(gòu)，為下階段開發(fā)工作提供依據(jù)。</p><p><b>　　背景</b></p><p>　　軟件系統(tǒng)的名稱：iTraf智能交通系統(tǒng)</p><p>　　本項(xiàng)目的提出者：iTraf小組研究學(xué)習(xí)</p><p>　　本項(xiàng)目的開發(fā)者：iTraf小組</p><

17、;p>　　軟件系統(tǒng)的用戶：用于道路交通緊急救援、道路的智能化控制和管理等方面</p><p><b>　　參考資料</b></p><p>　　iTraf智能交通系統(tǒng)需求規(guī)格說明書</p><p>　　iTraf智能交通系統(tǒng)概要設(shè)計(jì)說明書</p><p>　　程序（模塊）系統(tǒng)的組織結(jié)構(gòu)</p><

18、;p>　　圖2-1 系統(tǒng)組織結(jié)構(gòu)</p><p><b>　　交通事件檢測(cè)軟件</b></p><p><b>　　視頻采集模塊</b></p><p>　　視頻采集是將攝像機(jī)的數(shù)據(jù)按照設(shè)定的頻率進(jìn)行采集，以進(jìn)行實(shí)時(shí)處理。</p><p>　　圖2-2 視頻采集模塊用例圖</p>

19、<p>　　初始化軟件運(yùn)行參數(shù)；</p><p>　　提供從前端攝像頭采集數(shù)字視頻到內(nèi)存服務(wù)；</p><p>　　提供從視頻錄像文件采集數(shù)字視頻到內(nèi)存服務(wù)。</p><p><b>　　預(yù)處理模塊</b></p><p>　　預(yù)處理包括背景獲取與更新和陰影控制（去除噪聲和陰影），以及高斯濾波，圖像銳化和增強(qiáng)

20、，特別針對(duì)夜間的“浮雕”預(yù)處理，可以將車燈光去掉。</p><p>　　圖2-3 預(yù)處理模塊用例圖</p><p>　　對(duì)采集到的視頻進(jìn)行采集時(shí)段（白天或夜間）判斷；</p><p>　　提供白天、夜間兩種視頻幀預(yù)處理模式；</p><p>　　視頻背景圖像獲取與更新；</p><p>　　陰影控制（去除噪聲和陰影）；

21、</p><p>　　高斯濾波，進(jìn)行圖像銳化和增強(qiáng)；</p><p>　　針對(duì)夜間的“浮雕”預(yù)處理，可以將車燈光去掉。</p><p><b>　　車輛檢測(cè)模塊</b></p><p>　　車輛檢測(cè)包括車輛矩形提?。ㄌ卣饔?jì)算、模式匹配、矩形提?。?、車輛分割和合并（將連在一起的不同目標(biāo)分開，將屬于同一輛車的不同部分合并）&

22、lt;/p><p>　　圖2-4 車輛檢查模塊用例圖</p><p>　　車輛矩形提?。ㄌ卣饔?jì)算、模式匹配、矩形提?。?；</p><p>　　車輛分割和合并（將連在一起的不同目標(biāo)分開，將屬于同一輛車的不同部分合并）。</p><p><b>　　車輛跟蹤模塊</b></p><p>　　采用卡而曼慮波

23、，對(duì)目標(biāo)先進(jìn)行運(yùn)動(dòng)估計(jì)，后再尋找匹配目標(biāo)。利用車輛跟蹤可繪制車輛的軌跡圖像，據(jù)此可進(jìn)行碰撞預(yù)測(cè)（利用隱馬爾可夫HMM模型結(jié)合直線擬合預(yù)測(cè)可能出現(xiàn)的交通事故）。</p><p>　　圖2-5 車輛跟蹤模塊用例圖</p><p>　　要采用卡而曼慮波，對(duì)目標(biāo)先進(jìn)行運(yùn)動(dòng)估計(jì)，后再尋找匹配目標(biāo)；</p><p>　　利用車輛跟蹤繪制車輛的軌跡圖像，據(jù)此進(jìn)行碰撞預(yù)測(cè)；<

24、/p><p>　　利用隱馬爾可夫HMM模型結(jié)合直線擬合預(yù)測(cè)可能出現(xiàn)的交通事故。</p><p>　　車輛運(yùn)動(dòng)信息提取模塊</p><p>　　在車輛跟蹤的基礎(chǔ)上，對(duì)車輛的運(yùn)動(dòng)軌跡以及車速進(jìn)行估計(jì)。并根據(jù)運(yùn)動(dòng)軌跡，進(jìn)行碰撞預(yù)測(cè)。</p><p>　　圖2-6 車輛運(yùn)動(dòng)信息提取模塊用例圖</p><p><b>　　

25、軌跡直線擬合；</b></p><p><b>　　車速估計(jì)；</b></p><p><b>　　碰撞預(yù)測(cè)。</b></p><p><b>　　交通事件檢測(cè)模塊</b></p><p>　　將各種信息（諸如每輛車的信息、平均車速、是否擁擠、是否發(fā)生交通事故、天氣

26、狀況、車道變換統(tǒng)計(jì)、以及車道占有率等）不但顯示在客戶端還要分類實(shí)時(shí)或定時(shí)發(fā)送到服務(wù)端，以供決策者進(jìn)行決策指揮和研究者進(jìn)行交通狀況研究。</p><p>　　圖2-7 交通事件檢測(cè)模塊用例圖</p><p><b>　　顯示過往車輛信息；</b></p><p><b>　　顯示過往車輛數(shù)；</b></p>&

27、lt;p><b>　　交通流量的檢測(cè)；</b></p><p>　　停車車輛的識(shí)別與統(tǒng)計(jì)；</p><p>　　慢行車輛的識(shí)別與統(tǒng)計(jì)；</p><p>　　快行車輛的識(shí)別與統(tǒng)計(jì)（是否超速）；</p><p>　　車輛型號(hào)的識(shí)別與統(tǒng)計(jì)（是否在正確的車道上行使）；</p><p>　　逆向車輛的

28、識(shí)別與統(tǒng)計(jì)（違章駕駛）；</p><p>　　平均車速檢測(cè)與統(tǒng)計(jì)（路況是否暢通）；</p><p>　　車道占有率檢測(cè)與統(tǒng)計(jì)（可擴(kuò)展功能）；</p><p>　　車道變換車輛的識(shí)別與統(tǒng)計(jì)（可擴(kuò)展其功能）；</p><p><b>　　交通擁擠的識(shí)別；</b></p><p>　　交通事件類型的識(shí)別

29、與統(tǒng)計(jì)；（把事件分細(xì)）；</p><p>　　交通事件位置的識(shí)別與統(tǒng)計(jì)；</p><p><b>　　能見度的檢測(cè)；</b></p><p><b>　　雪、雨天氣的檢測(cè)；</b></p><p><b>　　顯示交通狀況。</b></p><p>&l

30、t;b>　　參數(shù)設(shè)置模塊</b></p><p>　　主要是設(shè)定系統(tǒng)工作所需要的參數(shù)：視頻源，圖像文件和視頻錄像的存放位置，背景更新的時(shí)間，提取背景所用的幀數(shù)，陰影去除相關(guān)參數(shù)，灰度二值化閾值，車道線標(biāo)定，車型界限設(shè)定，車速檢測(cè)線標(biāo)定等。</p><p>　　圖2-8 參數(shù)設(shè)置模塊用例圖</p><p><b>　　輸入源設(shè)置；</

31、b></p><p><b>　　圖像存儲(chǔ)路徑設(shè)置；</b></p><p><b>　　車道線設(shè)置和校準(zhǔn)；</b></p><p><b>　　檢測(cè)區(qū)設(shè)置；</b></p><p><b>　　背景保存；</b></p><p&

32、gt;<b>　　背景更新時(shí)間設(shè)置；</b></p><p><b>　　陰影消除設(shè)置；</b></p><p><b>　　二值化閾值設(shè)置；</b></p><p><b>　　車型設(shè)置；</b></p><p><b>　　虛擬檢測(cè)線設(shè)置；&

33、lt;/b></p><p><b>　　運(yùn)行暫停；</b></p><p>　　交通事件相關(guān)參數(shù)設(shè)定；</p><p><b>　　查看軌跡圖像；</b></p><p><b>　　查看差分圖像；</b></p><p><b>　　

34、查看二值化圖像；</b></p><p><b>　　查看閉圖像；</b></p><p><b>　　查看車道線；</b></p><p><b>　　背景差分選擇；</b></p><p><b>　　形態(tài)濾波選擇；</b></p&g

35、t;<p><b>　　存儲(chǔ)錄像設(shè)定。</b></p><p><b>　　網(wǎng)絡(luò)管理模塊</b></p><p>　　與管理中心通訊，提供參數(shù)遠(yuǎn)程設(shè)置功能。</p><p>　　圖2-9 網(wǎng)絡(luò)管理模塊用例圖</p><p><b>　　輸入源設(shè)置；</b><

36、/p><p><b>　　背景更新時(shí)間設(shè)置；</b></p><p><b>　　陰影消除設(shè)置；</b></p><p><b>　　二值化閾值設(shè)置；</b></p><p><b>　　車型設(shè)置；</b></p><p><b&

37、gt;　　運(yùn)行暫停；</b></p><p>　　交通事件相關(guān)參數(shù)設(shè)定；</p><p><b>　　背景差分選擇；</b></p><p><b>　　形態(tài)濾波選擇；</b></p><p>　　遠(yuǎn)程連接帳號(hào)密碼設(shè)置。</p><p><b>　　管理

38、中心軟件</b></p><p>　　交通事件集中存儲(chǔ)檢索模塊</p><p>　　圖2-10 交通事件集中存儲(chǔ)檢索模塊用例圖</p><p>　　與前端車輛事件檢測(cè)軟件通訊，獲取前端交通事件（交通流量、停車車輛數(shù)、慢行車輛數(shù)、快行車輛數(shù)、通行車輛的型號(hào)、逆向車輛數(shù)、平均車速、車道占有率、車道變換車輛數(shù)、交通擁擠情況、天氣狀況）；</p>

39、<p>　　提供前端交通事件檢索服務(wù)。</p><p><b>　　報(bào)警管理模塊</b></p><p>　　圖2-11 報(bào)警管理模塊用例圖</p><p>　　當(dāng)出現(xiàn)交通擁擠時(shí)，觸發(fā)報(bào)警；</p><p>　　當(dāng)出現(xiàn)逆向行駛車輛時(shí)，觸發(fā)報(bào)警；</p><p>　　當(dāng)出現(xiàn)車輛碰撞時(shí)，觸發(fā)

40、報(bào)警；</p><p>　　當(dāng)一定時(shí)間內(nèi)停車車輛數(shù)超過預(yù)先設(shè)置的最大值，觸發(fā)報(bào)警；</p><p>　　當(dāng)一定時(shí)間內(nèi)變道車輛數(shù)超過預(yù)先設(shè)置的最大值，觸發(fā)報(bào)警；</p><p>　　用戶可設(shè)置報(bào)警聯(lián)動(dòng)動(dòng)作，包括聲光提示、短信發(fā)送、語音等；</p><p>　　用戶可查看管理報(bào)警日志。</p><p><b>　

41、　交通事件統(tǒng)計(jì)模塊</b></p><p>　　圖2-12 交通事件統(tǒng)計(jì)模塊用例圖</p><p>　　報(bào)告一天內(nèi)各點(diǎn)及總體車輛數(shù)；</p><p>　　報(bào)告一天內(nèi)各點(diǎn)及總體的大、小型車輛數(shù)；</p><p>　　報(bào)告一天內(nèi)各點(diǎn)及總體的變化車道統(tǒng)計(jì)數(shù)據(jù)；</p><p>　　報(bào)告一天內(nèi)各點(diǎn)及總體的事故類型及

42、次數(shù)（碰撞、異常滯留、擁擠）；</p><p>　　報(bào)告一天內(nèi)各點(diǎn)及總體的交通擁擠、故障持續(xù)時(shí)間；</p><p>　　實(shí)時(shí)的交通擁擠、事故報(bào)告。</p><p><b>　　用戶管理模塊</b></p><p>　　圖2-13 用戶管理模塊用例圖</p><p><b>　　用戶帳號(hào)密

43、碼設(shè)置；</b></p><p><b>　　用戶權(quán)限配置；</b></p><p><b>　　用戶添加刪除設(shè)置；</b></p><p><b>　　用戶操作日志管理。</b></p><p><b>　　交通管理部門接口</b></

44、p><p>　　圖2-14交通管理部門接口用例圖</p><p>　　定時(shí)將各道路交通順暢程度匯集成文本信息，發(fā)送給交通管理部門；</p><p>　　將交通事件分類匯總，按事件嚴(yán)重程度的優(yōu)先級(jí)，先后向交通管理部門報(bào)警；</p><p>　　將發(fā)生交通事件前后的視頻錄制保存，為交通管理部門的工作提供依據(jù)；</p><p>

45、　　交通管理部門對(duì)收到的警報(bào)做出響應(yīng)操作；</p><p>　　交通管理部門可以隨時(shí)了解各路段的交通信息；</p><p><b>　　交警巡邏車接口</b></p><p>　　圖2-15交警巡邏車接口用例圖</p><p>　　將交通事件分類匯總，按事件嚴(yán)重程度的優(yōu)先級(jí)，先后發(fā)送給交警巡邏車；</p>

46、<p>　　交通管理部門對(duì)收到的警報(bào)做出響應(yīng)操作，并以就近原則趕往現(xiàn)場(chǎng)；</p><p>　　交通巡邏車可以隨時(shí)了解各路段的交通信息；</p><p><b>　　語音接口</b></p><p>　　圖2-16 語音接口用例圖</p><p>　　將交通事件匯集成文本信息；</p><p&

47、gt;　　定時(shí)將各道路交通順暢程度匯集成文本信息；</p><p>　　采用語音庫將文本信息轉(zhuǎn)化成語音，并輸入語音系統(tǒng)；</p><p>　　可定時(shí)進(jìn)行，也可以事件觸發(fā)；</p><p>　　司機(jī)可以收聽到交通。</p><p><b>　　短信發(fā)送接口</b></p><p>　　圖2-17短信

48、發(fā)送接口用例圖</p><p>　　添加刪除訂閱交通短信通用戶及其手機(jī)號(hào)；</p><p>　　將道路擁擠信息發(fā)送到用戶。</p><p><b>　　界面設(shè)計(jì)要求</b></p><p>　　用戶界面采用Windows風(fēng)格，便于用戶進(jìn)行操作。在界面設(shè)計(jì)方面，采用微軟的最新技術(shù)WPF來負(fù)責(zé)整個(gè)系統(tǒng)的界面設(shè)計(jì)。</p

49、><p>　　WPF的全稱是Windows Presentation Foundation，是微軟新發(fā)布的Vista操作系統(tǒng)的三大核心開發(fā)庫之一，其主要負(fù)責(zé)的是圖形顯示，所以叫Presentation（呈現(xiàn)）。 作為新的圖形引擎，WPF是基于DirectX的，當(dāng)然增加了很多新的功能。其2D和3D引擎的強(qiáng)大看看Vista的界面就明白了，再加上其對(duì)Aero圖形引擎的支持，更加讓你感到神奇。順便提一下，Aero是專門為3D

50、桌面開發(fā)的引擎，可以讓桌面實(shí)現(xiàn)神奇的3D翻轉(zhuǎn)，這絕對(duì)是操作系統(tǒng)有史以來的一次神奇嘗試，雖然對(duì)硬件配置的要求也是驚人的。</p><p>　　WPF其實(shí)不僅僅是圖形引擎而已，它將給Windows應(yīng)用程序的開發(fā)帶來一次革命，因?yàn)樾碌募軜?gòu)提供了一種全新的開發(fā)模式。當(dāng)然對(duì)于普通用戶而言，最直觀的就是界面越來越漂亮，看起來越來越舒服了；但對(duì)于開發(fā)人員而言，界面顯示和代碼將更好的得到分離，這與從前的桌面應(yīng)用程序開發(fā)有很多不同

51、（界面設(shè)置和代碼是融合在一起的），這是比較具有革命性的改變之一。還有就是桌面應(yīng)用程序和瀏覽器應(yīng)用程序的融合，根據(jù)ms的承諾，正在開發(fā)中的WPF/E，即WPF Everywhere版本，將為基于WPF的應(yīng)用程序提供全面的瀏覽器支持，這意味著未來開發(fā)出的應(yīng)用程序?qū)⒖梢曰跒g覽器在不同的操作系統(tǒng)上運(yùn)行，當(dāng)然由于目前還在開發(fā)中，我們并不確定會(huì)不會(huì)有一定的限制，根據(jù)WPF/E開發(fā)組的定義，WPF/E仍然是WPF的子集，而不是后繼版本?？傮w而言，W

52、PF的前景應(yīng)該是一片光明。</p><p><b>　　用戶界面設(shè)計(jì)規(guī)則</b></p><p><b>　　尺寸</b></p><p>　　在合理的布局下盡可能多的顯示控件內(nèi)的內(nèi)容。</p><p><b>　　布局</b></p><p>　　按照

53、操作流程或?yàn)g覽順序自左至右、由上而下的排放各種控件，使界面整體協(xié)調(diào)、美觀大方。</p><p>　　自適應(yīng)父對(duì)象的尺寸改變</p><p>　　控件應(yīng)具有自適應(yīng)父對(duì)象的尺寸改變的能力，當(dāng)父對(duì)象的尺寸發(fā)生變化時(shí)，控件應(yīng)能自動(dòng)改變自己的尺寸并使界面保持整體協(xié)調(diào)，盡量減少因父對(duì)象的尺寸改變而帶來的操作或?yàn)g覽上的不便。</p><p><b>　　核心算法設(shè)計(jì)&l

54、t;/b></p><p><b>　　運(yùn)動(dòng)車輛檢測(cè)</b></p><p><b>　　運(yùn)動(dòng)目標(biāo)檢測(cè)</b></p><p>　　運(yùn)動(dòng)車輛檢測(cè)算法是基于圖像分析的高速公路事件自動(dòng)檢測(cè)系統(tǒng)的關(guān)鍵部分。本系統(tǒng)采用背景差分的方法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。</p><p>　　背景差分法就是對(duì)當(dāng)前幀圖像與背

55、景幀圖像進(jìn)行差分，這是最常用的方法，運(yùn)動(dòng)車輛和暫時(shí)停止的車輛都可以檢測(cè)，因此適用于攝像機(jī)靜止的情形。它首先為圖像序列建立背景模型，提取不含運(yùn)動(dòng)目標(biāo)的參考背景，通過將當(dāng)前圖像幀和參考背景進(jìn)行比較，確定出亮度變化較大的區(qū)域，即認(rèn)為是前景區(qū)域。這種方法的計(jì)算速度很快，可以獲得關(guān)于運(yùn)動(dòng)目標(biāo)區(qū)域的完整精確的描述，但對(duì)場(chǎng)景中光照條件、大面積運(yùn)動(dòng)和噪聲比較敏感，在實(shí)際應(yīng)用中需采用一定的算法進(jìn)行背景模型的動(dòng)態(tài)更新，以適應(yīng)環(huán)境的變化。</p>

56、<p><b>　　背景模型</b></p><p>　　背景差分法在提取運(yùn)動(dòng)目標(biāo)時(shí)假設(shè)圖像序列的背景是固定不變的，因而它能十分有效地檢測(cè)出快速和緩慢運(yùn)動(dòng)、甚至是靜止的非背景的目標(biāo)。但是這種方法對(duì)背景的變化比較敏感，當(dāng)背景光照發(fā)生變化時(shí)，如果不能及時(shí)地更新背景圖像將產(chǎn)生錯(cuò)誤的檢測(cè)結(jié)果，因此對(duì)于長(zhǎng)時(shí)間的目標(biāo)檢測(cè)來說，背景的光照必然是隨時(shí)間變化的，必須采用自適應(yīng)地背景更新的方法。&

57、lt;/p><p>　　在高速公路監(jiān)控圖像中，通過標(biāo)定場(chǎng)景路面圖像作為圖像處理區(qū)域，其背景圖像簡(jiǎn)單，而且每個(gè)背景點(diǎn)上的顏色分布比較集中。本系統(tǒng)采用運(yùn)算速度快、性能較好的統(tǒng)計(jì)學(xué)背景模型——序列均值法。</p><p><b>　?。?-1）</b></p><p>　　其中c＝R，G，B。雖然路面上有車輛通過，但是只要統(tǒng)計(jì)的時(shí)間足夠長(zhǎng)總能得到比較好的

58、背景圖像。圖3-1是實(shí)驗(yàn)中提取的背景。</p><p>　　在圖4-1中，上左圖為視頻圖像；上右圖為視頻圖像50幀的均值結(jié)果，由于訓(xùn)練的幀數(shù)過小，在提取的背景圖像上有目標(biāo)車輛的殘留痕跡；下左圖為視頻圖像200幀的均值結(jié)果，訓(xùn)練幀數(shù)適中，提取的背景圖像平滑接近實(shí)際背景；下右圖為視頻圖像700幀的均值結(jié)果，提取的背景更接近于實(shí)際背景，比起下左背景改善很小，但運(yùn)算時(shí)間卻花費(fèi)過多。由圖可見，背景圖像提取過程中，訓(xùn)練幀數(shù)需

59、適中，一般200～300幀即可。</p><p>　　圖4-1背景提取比較圖</p><p><b>　　車輛檢測(cè)</b></p><p><b>　　差分模型</b></p><p>　　傳統(tǒng)的背景差分法都采用背景圖像與當(dāng)前幀圖像的灰度差值來實(shí)現(xiàn)，但是可利用的信息太少，當(dāng)車輛與路面背景的灰度值非常

60、接近的時(shí)候，檢測(cè)出的車輛目標(biāo)區(qū)域會(huì)出現(xiàn)大片的空洞或破裂，甚至漏檢。為克服此問題我們對(duì)采集的大量視頻圖像進(jìn)行了觀察和分析，發(fā)現(xiàn)物體與背景灰度相同的區(qū)域，其顏色一般不會(huì)相同，因此采用如下彩色圖像差值模型：</p><p><b>　?。?-2）</b></p><p>　　圖4-2上圖為本系統(tǒng)差分模型得到的車輛檢測(cè)圖；圖4-2下圖為對(duì)應(yīng)的圖像灰度值相差的車輛檢測(cè)圖。由圖可

61、以看出，本系統(tǒng)差分模型得到的車輛檢測(cè)圖比較完整，空洞或者破裂的現(xiàn)象較少。</p><p>　　圖4-2差分模型比較</p><p><b>　　陰影抑制</b></p><p>　　通過觀察發(fā)現(xiàn)，經(jīng)過上述方法分割出的車輛，在大部分情況下是存在陰影影響的，這樣就會(huì)使分割出來的車輛面積比實(shí)際的大，甚至有可能造成兩個(gè)或多個(gè)車輛由于陰影而相互粘連在一起

62、，若以此作為后續(xù)工作的依據(jù)，則勢(shì)必會(huì)造成誤差，甚至錯(cuò)誤。</p><p>　　通常的運(yùn)動(dòng)目標(biāo)檢測(cè)方法都無法直接區(qū)分運(yùn)動(dòng)目標(biāo)和陰影，因?yàn)殛幱安糠峙c運(yùn)動(dòng)目標(biāo)部分具有某些相似的視覺特征，這就給陰影檢測(cè)帶來困難。由于在RGB空間中，人的感知差別和計(jì)算差別的一致性較差，因此提出了很多顏色空間，如：歸一化RGB，HSV(Hue，Saturation，Value)，C1C2C3及L1L2L3錯(cuò)誤!未找到引用源。。這些顏色空間可

63、以很好地體現(xiàn)顏色的一致性。但是對(duì)于歸一化RGB顏色空間，由于它在黑色(R=G=B=0)上沒有定義，因此在黑色附近很不穩(wěn)定。對(duì)于HSV空間，當(dāng)RGB三個(gè)分量相等時(shí)Hue沒有定義。所以在這些顏色不變性彩色空間中，本系統(tǒng)采用了C1C2C3模型，其顏色空間定義如下：</p><p><b>　　（5-3）</b></p><p>　　,

64、 （5-4）</p><p><b>　　（5-5）</b></p><p>　　其中R(x，y)， G(x，y)， B(x，y)分別表示像素的RGB三個(gè)顏色分量。由陰影的性質(zhì)可知，陰影點(diǎn)比對(duì)應(yīng)位置背景像素點(diǎn)的亮度要低而顏色不變。定義：</p><p><b>　?。?-6）</b></p><p&

65、gt;　　其中，分別表示背景與當(dāng)前圖像的亮度值，計(jì)算方法：</p><p><b>　?。?-7）</b></p><p>　　在理想的情況下，陰影點(diǎn)必有。但是由于噪聲的存在，我們給定一個(gè)閥值tL，即變?yōu)?。為了獲得更好的魯棒性，我們以點(diǎn)(x，y)為中心的小窗口 (2N＋1)×(2M＋1）的亮度總差值來代替點(diǎn)(x，y)的亮度差，即：</p>

66、;<p><b>　?。?-8）</b></p><p>　　當(dāng)亮度差值小于tL的像素點(diǎn)位置(x，y)就可以被當(dāng)作候選陰影點(diǎn)。</p><p>　　在陰影顏色不變性上，本系統(tǒng)考慮C1C2C3差值，其定義為：</p><p><b>　?。?-9）</b></p><p><b&g

67、t;　?。?-10）</b></p><p><b>　?。?-11）</b></p><p>　　當(dāng)di<Ci時(shí)，i＝1，2，3，即認(rèn)為位置(x，y)顏色不變，為陰影候選點(diǎn)。同時(shí)，與處理亮度差值一樣對(duì)di(i＝1，2，3)做窗口化處理。</p><p>　　綜合上述亮度差值與顏色不變性兩個(gè)條件，就可以得出陰影檢測(cè)結(jié)果。<

68、;/p><p>　　圖4-3為陰影檢測(cè)圖，其中參數(shù)設(shè)置為：tL＝10，C1＝0。2，C2＝0。2，C3＝0。2，白色部分表示的為陰影。由圖中可以看出，陰影檢測(cè)效果較好。只是車輛的后車窗也被誤檢測(cè)為陰影了，這可以通過邊緣檢測(cè)模版和連通區(qū)域統(tǒng)計(jì)的方法根據(jù)陰影的幾何位置估計(jì)去掉，因?yàn)殛幱安豢赡茉谀繕?biāo)部分的中間位置。</p><p><b>　　圖4-3陰影檢測(cè)圖</b><

69、/p><p><b>　　后處理</b></p><p><b>　　形態(tài)濾波</b></p><p>　　在差分閥值處理過程中，有時(shí)候由于車身顏色跟路面顏色非常接近，造成車輛目標(biāo)圖像斷裂而不連續(xù)，同樣會(huì)給后面的處理工作帶來不便。而且還有一些孤立的噪聲點(diǎn)存在，因此在本系統(tǒng)中采用了形態(tài)濾波的方法來提高車輛檢測(cè)的準(zhǔn)確度。</

70、p><p>　　在本系統(tǒng)中使用 3×3 正方形的結(jié)構(gòu)元素先對(duì)處理圖像膨脹一次，再對(duì)膨脹后的處理圖像同樣地也做腐蝕處理。膨脹是為了連接同一車輛的斷裂處，而腐蝕可以消除孤立的噪聲點(diǎn)。圖4-4左邊的小圖為背景差分圖像的二值化圖像，右邊的小圖為對(duì)應(yīng)的形態(tài)濾波圖像（包含陰影抑制）。</p><p>　　圖4-4 車輛檢測(cè)形態(tài)濾波圖</p><p><b>　　

71、車輛矩形提取</b></p><p>　　由于本系統(tǒng)跟蹤算法的跟蹤對(duì)象是矩形框，因此我們還要提取車輛目標(biāo)區(qū)域的最小外接矩形。在8-連通操作后，我們可以得到各個(gè)標(biāo)記過的連通區(qū)域，其最小外接矩形計(jì)算方法如圖4-5所示。</p><p>　　圖4-5 最小外接矩形示意圖</p><p>　　最小外接矩形Rect提取公式：</p><p>

72、;<b>　?。?-12）</b></p><p>　　在式（5-12）中，分別表示連通區(qū)域的x，y坐標(biāo)；分別表示矩形的左端、右端、上端與下端。在實(shí)驗(yàn)中發(fā)現(xiàn)，雖然在背景差分建模及形態(tài)濾波等操作中都考慮了同一車輛的連續(xù)問題，但是在車身顏色跟路面顏色非常接近時(shí)，車輛目標(biāo)圖像斷裂的現(xiàn)象還是存在，即同一車輛對(duì)應(yīng)多個(gè)最小外接矩形框，如圖4-6所示。</p><p>　　圖4-6

73、 檢測(cè)車輛斷裂現(xiàn)象圖</p><p>　　圖4-7 車輛檢測(cè)最終結(jié)果圖</p><p>　　為使斷裂的同一車輛只對(duì)應(yīng)唯一矩形框，本系統(tǒng)提出了矩形間距離的概念。其定義：</p><p><b>　?。?-13）</b></p><p>　　其中RectA，RectB 分別為兩個(gè)矩形，Ca，Cb為對(duì)應(yīng)的質(zhì)心。點(diǎn)到矩形的距離定

74、義為：當(dāng)該點(diǎn)處于矩形之外時(shí)，即為點(diǎn)到矩形上所有點(diǎn)的最小距離；否則為零。 當(dāng)車輛矩形間的距離為零或者小于某個(gè)比較小的閥值時(shí)，就認(rèn)為這兩個(gè)矩形屬于同一車輛的區(qū)域，即相關(guān)矩形合并。合并后的矩形為這兩個(gè)矩形的外接最小矩形(如圖4-8所示)。而且在合并矩形后，忽略明顯不是車輛目標(biāo)所對(duì)應(yīng)的矩形框，例如長(zhǎng)寬比太大或者太小的矩形框。</p><p>　　圖4-8 車輛矩形合并圖</p><p>

75、<b>　　運(yùn)動(dòng)車輛跟蹤</b></p><p>　　基于Kalman濾波的跟蹤算法</p><p>　　Kalman濾波器是一個(gè)對(duì)動(dòng)態(tài)系統(tǒng)的狀態(tài)序列進(jìn)行線性最小方差誤差估計(jì)的算法，通過以狀態(tài)的狀態(tài)方程和觀測(cè)方程來描述系統(tǒng)。該法對(duì)于平滑或者近似平滑有很好的預(yù)測(cè)效果，預(yù)測(cè)時(shí)具有無偏、穩(wěn)定和最優(yōu)的特點(diǎn)，而且簡(jiǎn)單易行。由于在高速公路上的行駛車輛可以近似認(rèn)為是直線勻速運(yùn)動(dòng)的，

76、因此在本系統(tǒng)的車輛跟蹤算法中，就是采用Kalman濾波器完成車輛的運(yùn)動(dòng)估計(jì)。根據(jù)Kalman濾波器的原理和運(yùn)動(dòng)車輛的特點(diǎn)，建立了車輛勻速運(yùn)動(dòng)的Kalman濾波器模型。</p><p>　　雖然Kalman濾波可以很好的預(yù)測(cè)出車輛的位置，但是在多輛車相互遮擋時(shí)，檢測(cè)到的車輛區(qū)域矩形就不能與預(yù)測(cè)位置一一匹配，從而產(chǎn)生二義性。本系統(tǒng)提出了一種跟蹤匹配矩陣與模板匹配相結(jié)合的方法來準(zhǔn)確分割相互遮擋的車輛。跟蹤模板為四維向量

77、即為Kalman濾波器、當(dāng)前幀矩形、下幀預(yù)測(cè)矩形與車輛圖像，即：</p><p><b>　?。?-14）</b></p><p>　　在應(yīng)用Kalman濾波預(yù)測(cè)矩形后，讓檢測(cè)到的車輛區(qū)域矩形分別與預(yù)測(cè)矩形做距離計(jì)算，當(dāng)矩形間距離等于0或者小于某個(gè)閥值就賦值為1，即檢測(cè)矩形與預(yù)測(cè)矩形匹配；否則就賦值為0，即不匹配。經(jīng)過這樣的計(jì)算就可以得到如表5-1形式的矩陣。在理想的

78、情況下，檢測(cè)矩形與預(yù)測(cè)矩形是一對(duì)一對(duì)應(yīng)或者沒有對(duì)應(yīng)。一對(duì)一對(duì)應(yīng)匹配（如檢測(cè)矩形4與預(yù)測(cè)矩形3）說明檢測(cè)矩形所代表的車輛屬于預(yù)測(cè)矩形對(duì)應(yīng)的跟蹤，此時(shí)僅對(duì)跟蹤模板更新，無須進(jìn)一步處理；沒有對(duì)應(yīng)匹配（如檢測(cè)矩形5）的檢測(cè)矩形，表示這是新車輛駛進(jìn)，隨之產(chǎn)生一個(gè)新跟蹤；沒有對(duì)應(yīng)匹配（如預(yù)測(cè)矩形5）的預(yù)測(cè)矩形，表示該跟蹤中止，即車輛駛出；在表1中檢測(cè)矩形1、2同時(shí)匹配預(yù)測(cè)矩形1，說明車輛矩形1、2在前一幀是同一個(gè)車輛區(qū)域，此時(shí)發(fā)生分裂；檢測(cè)矩形3分

79、別與預(yù)測(cè)矩形2、4匹配，這說明檢測(cè)矩形3是車輛相互遮擋區(qū)域。對(duì)于分裂的車輛有兩種可能，一是同一輛車由于在車輛檢測(cè)時(shí)進(jìn)行八連通時(shí)產(chǎn)生分裂；二是兩輛車先是相互遮擋的，此時(shí)分開了。對(duì)于是同一輛車分裂可以把兩矩形合并處理；對(duì)于是兩輛車分開的情況可以根據(jù)跟蹤目的（如車輛計(jì)數(shù)、軌跡跟蹤等）不同分別作處理。 </p><p>　　表5-1跟蹤匹配矩陣表</p><p>　　基于模板匹配的細(xì)分割</

80、p><p>　　圖像像素的灰度值信息包含了圖像所記錄的所有信息，基于圖像像素灰度值的匹配是最基本的匹配算法。在車輛遮擋區(qū)域，如何準(zhǔn)確把各個(gè)車輛分割開來是個(gè)難題。本系統(tǒng)把整個(gè)車輛遮擋區(qū)域作為目標(biāo)搜索圖像，與遮擋區(qū)域匹配的各個(gè)跟蹤模板中的矩形區(qū)域圖像作為匹配模板圖像，然后作模板匹配，找到最匹配的位置，該位置區(qū)域就是欲跟蹤的車輛。</p><p><b>　　相似性測(cè)度改進(jìn)</b&g

81、t;</p><p>　　傳統(tǒng)的相似性測(cè)度有個(gè)缺點(diǎn)，即模板圖像和目標(biāo)圖像中每一對(duì)對(duì)應(yīng)像素點(diǎn)對(duì)匹配結(jié)果的貢獻(xiàn)是一樣的，這樣就使得算法會(huì)容易受到個(gè)別噪聲點(diǎn)、局部遮擋等因素的影響，而造成匹配失敗。因此本系統(tǒng)采用了一種新的相關(guān)匹配算法，定義目標(biāo)圖像與模板圖像像素點(diǎn)之間的相似度：</p><p><b>　　(5-15)</b></p><p>　　式(

82、5-15)中，目標(biāo)圖像的子圖為以點(diǎn)(m，n)為左上角點(diǎn)，寬高分別為模板圖像寬高的矩形區(qū)域， 表示模板圖像中像素點(diǎn)(x，y)；表示目標(biāo)圖像中像素點(diǎn)(x＋m，y＋m)。首先計(jì)算模板圖像與子圖對(duì)應(yīng)像素點(diǎn)的灰度絕對(duì)差，如果這個(gè)絕對(duì)差值小于某個(gè)確定的門限(這個(gè)門限是經(jīng)過實(shí)驗(yàn)觀察得來，經(jīng)驗(yàn)表明這個(gè)值取在10到15之間比較合適)，那么就認(rèn)為這兩個(gè)像素點(diǎn)是相似的。然后統(tǒng)計(jì)整個(gè)圖像的相似像素點(diǎn)個(gè)數(shù)，相似像素點(diǎn)個(gè)數(shù)最大的位置對(duì)應(yīng)子圖最有可能就是欲匹配的區(qū)域

83、。</p><p><b>　　模板匹配加速算法</b></p><p>　　模板匹配的匹配速度、匹配精度和可靠性是體現(xiàn)匹配性能的重要因素。很多匹配算法為圖像配準(zhǔn)提供了相當(dāng)高的精度，而此時(shí)需要注意的是提高匹配速度。如果不采用加速算法，為了找到參考圖像上一點(diǎn)在待配準(zhǔn)圖像上所對(duì)應(yīng)的同名點(diǎn)，現(xiàn)有的方法不得不在搜索區(qū)域內(nèi)對(duì)每一個(gè)點(diǎn)都做相關(guān)處理，而除了同名點(diǎn)外，其它所有像素點(diǎn)的

84、工作都是無用功，也浪費(fèi)了大量時(shí)間。為了加快匹配速度，系統(tǒng)采用金字塔分級(jí)搜索方法。</p><p>　　金字塔分級(jí)搜索方法是按先粗后細(xì)的順序?qū)ふ夷繕?biāo)。方法是先對(duì)原圖像中鄰域內(nèi)的像點(diǎn)灰度值取平均，得到分辨率低一級(jí)的圖像。照此處理，可得到一組金字塔式的圖像。假設(shè)有級(jí)，即，其中即原圖像。當(dāng)把待匹配的兩幅圖都作此預(yù)處理后，匹配搜索從二圖的某一低分辨率級(jí)開始。這里不但像點(diǎn)數(shù)目少、高頻信息也平滑掉一部分，因此粗匹配結(jié)果可能出現(xiàn)

85、不止一個(gè)匹配位置。因?yàn)閳D中點(diǎn)數(shù)少，即使粗匹配是在全部參考點(diǎn)上進(jìn)行，搜索過程仍很快。接下去轉(zhuǎn)到高一級(jí)分辨率的圖上找匹配，但搜索空間只限于一個(gè)或幾個(gè)粗匹配點(diǎn)附近，計(jì)算量不大。第三次找匹配同第二次的。仿此下去直到在的一級(jí)即原圖像找出二圖的匹配點(diǎn)為止。</p><p>　　這一算法的加快程度可從總搜索位置數(shù)的減小看出：第一次(最低分辨率一級(jí))是全部搜索，搜索位置數(shù)為 ，第二次到較高分辨率一級(jí)都只在粗匹配點(diǎn)附近搜索，所以本

86、方法總的搜索位置數(shù)約為普通不分級(jí)搜索(需 次)的 分之一。若 ，就只有普通搜索位置的 ，扣除預(yù)處理多花的時(shí)間，計(jì)算總時(shí)間仍減少了很多。</p><p>　　圖4-9金字塔搜索比配圖</p><p>　　考慮到模板圖像很小，所以分層數(shù)設(shè)定為3層。</p><p><b>　　模板更新策略</b></p><p>　　在遮擋

87、區(qū)域基于模板匹配算法分割完車輛后，對(duì)其相應(yīng)跟蹤模板的矩形位置進(jìn)行更新，但其模板圖像不更新，這是由于在遮擋區(qū)域找到匹配位置的圖像不是該跟蹤的車輛圖像，當(dāng)相互遮擋車輛分裂時(shí)，不更新的模板圖像可以對(duì)其進(jìn)行后續(xù)的跟蹤。</p><p><b>　　異常跟蹤處理</b></p><p>　　由于噪聲的存在以及不可避免的跟蹤錯(cuò)誤，這就要求在跟蹤算法上有些容錯(cuò)機(jī)制。本系統(tǒng)在對(duì)異常跟

88、蹤情況的處理為：</p><p>　　駛?cè)胲囕v：對(duì)于新跟蹤的目標(biāo)能夠連續(xù)跟蹤Tin幀，即認(rèn)為該車輛為新駛?cè)胲囕v；否則就認(rèn)為是噪聲干擾。</p><p>　　駛出車輛：對(duì)于失去跟蹤目標(biāo)的跟蹤鏈，繼續(xù)保持原有跟蹤模板進(jìn)行跟蹤，如果超過有Tout幀跟蹤失敗，即認(rèn)為車輛駛出；否則繼續(xù)跟蹤。這可以防止誤認(rèn)車輛暫時(shí)被遮擋的車輛駛出的情況。</p><p><b>　　

89、夜間車輛檢測(cè)</b></p><p><b>　　夜間車輛特點(diǎn)</b></p><p>　　夜間車輛輪廓不清晰，車燈與背景的對(duì)比強(qiáng)烈，中心光源的強(qiáng)度與散射光、衍射光、反射光有明顯的區(qū)別。</p><p><b>　　圖4-10夜間車輛</b></p><p>　　通過對(duì)夜間車輛特點(diǎn)的長(zhǎng)期

90、觀察發(fā)現(xiàn)，車燈光離中心光源越遠(yuǎn)亮度越低，這種變化具有規(guī)律性。人眼能夠準(zhǔn)確分辨車燈光源、車燈光和路面的反射光，這是因?yàn)檫@三種光線在人眼視網(wǎng)膜皮層的成像具有很大差異。</p><p>　　根據(jù)夜間車輛的特點(diǎn)，運(yùn)用色彩恒常理論對(duì)當(dāng)前幀圖像進(jìn)行處理，去除邊緣光線從而突出車燈中心光源。</p><p>　　經(jīng)過預(yù)處理之后，反射光、衍射光和散射光都被去除，前景只剩下車頭燈。根據(jù)事先設(shè)定的車頭燈大小閾值

91、，就可以準(zhǔn)確提取車輛目標(biāo)。</p><p><b>　　車燈配對(duì)</b></p><p>　　通過前面的檢測(cè)，系統(tǒng)可以檢測(cè)出一個(gè)個(gè)的車燈，但是我們的目的是檢測(cè)出來一個(gè)個(gè)的車輛，因此還要對(duì)車燈進(jìn)行配對(duì)。配對(duì)的策略是通過坐標(biāo)的檢測(cè)，將屬于同一輛車的車燈重新合并到一起。具體可根據(jù)車燈在圖像上的縱坐標(biāo)和橫坐標(biāo)的差值來判定，一般情況下，如果攝像機(jī)正對(duì)車道，那么同一輛車的縱坐標(biāo)相

92、等，橫坐標(biāo)的差值比較小，據(jù)此可以設(shè)定閾值來檢測(cè)屬于同一輛車的兩個(gè)車燈并進(jìn)行合并。</p><p>　　對(duì)于并排行使、車速基本相等的車輛，可以根據(jù)并排的車燈個(gè)數(shù)進(jìn)行取平均，每?jī)蓚€(gè)車燈為一對(duì)，如果平均值不為整數(shù)，那么必然存在單個(gè)車燈的車輛，這時(shí)可以根據(jù)距離和坐標(biāo)信息來重新定位和分配。</p><p><b>　　白天夜晚模式切換</b></p><p&

93、gt;　　可以有兩種策略，一種是按照時(shí)間來進(jìn)行，當(dāng)系統(tǒng)檢測(cè)到時(shí)間段是在夜間的時(shí)候，系統(tǒng)就自動(dòng)切換到夜間模式，當(dāng)白天來到的時(shí)候就自動(dòng)再切換到白天模式，比如可以設(shè)定6：00～18：00為白天，那么這個(gè)時(shí)間范圍之外的就是夜間。另一種是按照灰度統(tǒng)計(jì)的方式。系統(tǒng)事先設(shè)定一個(gè)區(qū)域作為參考，可以選擇系統(tǒng)的非檢測(cè)區(qū)域。每隔一段時(shí)間就進(jìn)行一次灰度統(tǒng)計(jì)，當(dāng)平均灰度低于一定的閾值，就認(rèn)為是到了夜間，當(dāng)灰度超過了閾值，就認(rèn)為是白天。然后可以通過檢測(cè)區(qū)的檢測(cè)來輔

94、助判斷是否夜間。在夜間的情況下，檢測(cè)區(qū)域呈現(xiàn)出的顏色比較單一，跟黑白圖像類似，所以在灰度直方圖上會(huì)呈現(xiàn)雙峰的現(xiàn)象，可根據(jù)此特點(diǎn)檢測(cè)夜間。系統(tǒng)采用后者進(jìn)行晝夜判斷。</p><p>　　基于圖像分析的交通事件檢測(cè)</p><p>　　本系統(tǒng)在總結(jié)國(guó)內(nèi)外已有算法的基礎(chǔ)上，提出了一種簡(jiǎn)便快捷的事件檢測(cè)算法：通過直線擬和，把復(fù)雜的車輛跟蹤軌跡曲線簡(jiǎn)化為直線組合，以直線差角代替軌跡曲線曲率變化，以此

95、分析車輛行駛方向的變化，最后判定事件，而且提出了基于HMM的車輛碰撞事件的預(yù)測(cè)方法。</p><p><b>　　基于軌跡的事件檢測(cè)</b></p><p>　　在本系統(tǒng)中，以車輛最小外接矩形的中心點(diǎn)代表車輛的位置，在跟蹤車輛V的過程中，依次記錄車輛V的位置，得到該車輛的跟蹤軌跡：</p><p>　　TrajV={(x1，y1)，(x2，y2

96、)，…，(xn，yn)}</p><p>　　由于拍攝所得的交通圖像是連續(xù)的，可以獲得以下一些先驗(yàn)知識(shí)：</p><p>　　在相鄰兩幀圖像上車輛位置不會(huì)變化太大。</p><p>　　在相鄰兩幀圖像上車輛運(yùn)行方向和區(qū)域面積不會(huì)發(fā)生太大變化。</p><p>　　因此連接這些軌跡點(diǎn)可以得到比較平滑的曲線。如圖4-13所示。</p>

97、<p>　　圖4-13 車輛軌跡圖</p><p>　　從圖4-13中可以看出，軌跡在開始時(shí)不夠穩(wěn)定，而后趨向穩(wěn)定。這是由于車輛剛開始沒有完全駛?cè)胍晥?chǎng)，造成車輛目標(biāo)部分逐漸變大，使車輛中心位置變化大；隨著車輛完全駛?cè)胍晥?chǎng)，車輛目標(biāo)部分變化小，跟蹤曲線平滑近似直線。</p><p>　　在車輛跟蹤曲線上可以看出在曲線上曲率變化大的位置就是車輛行駛方向開始變化的位置。下面介紹一種

98、曲率近似度量的方法。</p><p>　　設(shè)曲線當(dāng)前點(diǎn)O前后兩個(gè)方向OP1，OP2的方向角分別為θ1和θ2，則前后兩個(gè)方向的差角被定義為：</p><p><b>　　(5-16)</b></p><p>　　這樣，由于曲線的曲率正比于差角，所以可以近似的用差角來表示曲率。差角越大曲率越大，反之曲率越小。因此，為了更直觀的描述車輛軌跡，我們需要

99、對(duì)車輛軌跡進(jìn)行直線擬合，再對(duì)擬合的直線進(jìn)行差角計(jì)算，通過分析比較作出事件的識(shí)別。</p><p>　　直線擬合的算法很多，大致可以分為兩種：一種為自底向上合并的方法，其思想是將擬合的點(diǎn)首先由一些短的線段表示，然后將這些短的線段合并，構(gòu)成長(zhǎng)的線段，這個(gè)方法的一個(gè)明顯問題是如何選擇初始線段的長(zhǎng)度；另外一種方法為自頂向下的方法，這里以一個(gè)示例來說明其工作的原理。對(duì)于如圖4-15所示點(diǎn)的集合，以其起點(diǎn)和終點(diǎn)首先做一初始的

100、擬合直線AB，然后計(jì)算所有點(diǎn)到直線AB的距離，若所有距離都小于某一個(gè)預(yù)設(shè)的閥值（例如d），則直線擬合成功；否則，找出距離直線最遠(yuǎn)點(diǎn)，設(shè)為C，將直線AB分裂為直線AC和CB；再次，對(duì)這兩條直線分別重復(fù)上述的過程，將直線CB分裂為CD和DB，最后得出擬合的結(jié)果：直線段的序列AC，CD和DB。</p><p>　　圖4-15直線擬合示意圖</p><p>　　雖然采用上述自頂向下的直線擬合方法高

101、效簡(jiǎn)便，但是也有一些問題。當(dāng)有單個(gè)偏差較大的點(diǎn)對(duì)擬合結(jié)果的影響較大，可能導(dǎo)致最后結(jié)果不那么令人滿意，甚至出現(xiàn)較大的偏差。在本系統(tǒng)中充分考慮這個(gè)問題，當(dāng)大于閥值距離d的點(diǎn)數(shù)小于n時(shí)，就忽略這些奇異點(diǎn)，直線不分裂。這樣的處理方法對(duì)于同一車輛短時(shí)間分裂有效，車輛行駛軌跡不變。</p><p>　　跟蹤軌跡在直線擬合后可以得到一組直線，經(jīng)過分析這些直線間的差角變化情況，即可知車輛的行駛情況。圖4-16為典型的基于軌跡的事

102、件判定示意圖。</p><p>　　圖4-16基于軌跡的事件判定圖</p><p>　　線A為正常行駛軌跡；線B為車輛避障軌跡；線C為車輛換道軌跡。</p><p><b>　　車速檢測(cè)</b></p><p><b>　　視頻測(cè)速基本原理</b></p><p>　　視頻測(cè)

103、速一般采用特征點(diǎn)匹配的方法來計(jì)算車速，基本過程是：在一幀圖像中選擇一組在運(yùn)動(dòng)中形狀不變的特征點(diǎn)，與相鄰下一幀中的同類特征點(diǎn)作匹配，根據(jù)相鄰兩幀圖像中的特征點(diǎn)移動(dòng)的位移量求得車輛運(yùn)動(dòng)距離，根據(jù)相鄰兩幀圖像之間的時(shí)間間隔得到車輛運(yùn)動(dòng)的時(shí)間，根據(jù)位移量和時(shí)間計(jì)算出車速。具體算法是把分割出的目標(biāo)圖像的重心作為特征點(diǎn),求出相鄰兩幀圖像目標(biāo)區(qū)域重心坐標(biāo)(x1,y1)(x2,y2)值后，就可以求出目標(biāo)重心移動(dòng)的像素點(diǎn)距離，再乘以系統(tǒng)初始化時(shí)設(shè)定的像素

104、距離與實(shí)際路長(zhǎng)的比例系數(shù)，從而得到實(shí)際移動(dòng)的距離，最后用兩幅圖像之間的時(shí)間間隔去除實(shí)際距離就得到了速度。區(qū)域重心坐標(biāo)可以根據(jù)所有屬于區(qū)域的點(diǎn)計(jì)算出來,計(jì)算公式（5-16）如下：</p><p><b>　　(5-16)</b></p><p>　　設(shè)行駛距離為S，所需時(shí)間為t，則車速可用S/t形式表示。這里利用兩條檢測(cè)線A、B來測(cè)量車速，假設(shè)兩條檢測(cè)線距離為S,當(dāng)車輛

105、觸發(fā)A檢測(cè)線，記錄下此時(shí)視頻文件的幀(N1)，然后當(dāng)車輛觸發(fā)B檢測(cè)線時(shí)，再記錄下視頻文件的幀(N2)。本系統(tǒng)MPEG視頻每秒播放視頻文件25幀。這樣車輛運(yùn)行的時(shí)間為（N2-N1）/25 s。因此車輛的速度近似為S*25/（N2-N1）像素/s。因?yàn)閮蓷l檢測(cè)線之間距離很近，所以得到的為車輛的近似瞬時(shí)速度?？梢愿鶕?jù)實(shí)際來判斷視頻圖像上的像素和實(shí)際距離的對(duì)應(yīng)關(guān)系，這樣就得到實(shí)際的瞬時(shí)速度。這一過程示意圖如圖4-16所示。</p>

106、<p>　　圖4-16 視頻測(cè)速基本原理圖</p><p><b>　　分段標(biāo)定法</b></p><p>　　該方法以視頻測(cè)速的基本原理為基礎(chǔ)，將本系統(tǒng)之前所采用的虛擬檢測(cè)線方法和圖像逐行計(jì)算的思想結(jié)合起來，使用手工標(biāo)定和設(shè)定，將實(shí)地確定的一段距離在圖像上標(biāo)識(shí)出來，使得用于車速計(jì)算的距離很精確，理想情況下，這種方法測(cè)量出來的速度與實(shí)際速度完全吻合。下面介

107、紹本方法實(shí)施的幾個(gè)步驟：</p><p><b>　　1、等距離實(shí)地標(biāo)定</b></p><p>　　首先就是要在視頻檢測(cè)區(qū)對(duì)應(yīng)的現(xiàn)場(chǎng)實(shí)地去測(cè)量一些等距離的段，并用特殊標(biāo)記在路面或者路邊進(jìn)行標(biāo)定，稱之為檢測(cè)線。距離的長(zhǎng)短可以任意，不過太長(zhǎng)、太短都不好，太長(zhǎng)就會(huì)使得結(jié)果接近虛擬檢測(cè)線方法，太短使得遠(yuǎn)處的標(biāo)定難以在圖像上辨別出來。檢測(cè)線一定要在檢測(cè)區(qū)之內(nèi)，超出檢測(cè)區(qū)的檢測(cè)

108、線沒有意義。</p><p><b>　　2、系統(tǒng)圖面設(shè)定</b></p><p>　　這一步就是根據(jù)第一步預(yù)先標(biāo)定好的檢測(cè)線，在系統(tǒng)初始化設(shè)定的時(shí)候，將這些檢測(cè)線標(biāo)出來。值得一提的是一般高速公路的路面都有路基線，因此可以直接利用路基線來進(jìn)行等距離的標(biāo)定，本系統(tǒng)就是利用路基線進(jìn)行標(biāo)定的，標(biāo)定效果如圖4-17所示，標(biāo)定信息由一個(gè)數(shù)組（CvPoint* vLinePoin

109、ts）進(jìn)行記錄。</p><p>　　圖4-17 虛擬檢測(cè)線的標(biāo)定</p><p>　　從圖中可以看出，圖像上不等距的檢測(cè)線，在實(shí)際中是等距的，利用這些等距的檢測(cè)線在視頻檢測(cè)區(qū)劃分出一系列距離相等的段，這樣就可以進(jìn)行下面的計(jì)算。當(dāng)然，不等距也可以，但是每一段都要記錄其實(shí)際距離，在后面進(jìn)行車速計(jì)算的時(shí)候，算法也會(huì)更加復(fù)雜，并且不等距就不能利用現(xiàn)成的路基線，因此，一般建議讓檢測(cè)線等距。<

110、/p><p><b>　　3、車速計(jì)算</b></p><p>　　首先為每一個(gè)車輛目標(biāo)定義一個(gè)檢測(cè)點(diǎn)結(jié)構(gòu)：</p><p>　　struct detectPoint {</p><p>　　int difValue; //記錄車輛前沿與當(dāng)前檢測(cè)線的像素差值，可正可負(fù)，正表示車輛已經(jīng)越過檢測(cè)線，負(fù)表示車輛尚未越過當(dāng)前檢測(cè)線；

111、</p><p>　　int line; //記錄車輛目前經(jīng)過的是第幾條線，從上到下，檢測(cè)線編號(hào)逐漸增大；</p><p>　　int iframe; //記錄此時(shí)的系統(tǒng)計(jì)數(shù)幀的計(jì)數(shù)值；</p><p>　　int iNum; //穩(wěn)定幀計(jì)數(shù)，統(tǒng)計(jì)該狀態(tài)經(jīng)歷了多少幀；</p><p><b>　　};</b></p

112、><p>　　然后定義一個(gè)檢測(cè)點(diǎn)數(shù)組（detectPoint* Points）用于記錄車輛經(jīng)過各個(gè)檢測(cè)點(diǎn)時(shí)的相關(guān)信息，還要定義兩個(gè)變量int tmplinePos（記錄上一幀所在的檢測(cè)線）和int linePos（記錄當(dāng)前幀所在的檢測(cè)線）。最后定義一個(gè)變量int globali用于數(shù)組指針的計(jì)數(shù)。</p><p>　　接下來就可以利用已有的條件實(shí)施算法過程：每幀的處理都要掃面各個(gè)車輛目標(biāo)，判斷

113、各個(gè)目標(biāo)是否已經(jīng)駛?cè)霗z測(cè)區(qū)，如果沒有駛?cè)霗z測(cè)區(qū)則不用考慮；如果已經(jīng)駛?cè)霗z測(cè)區(qū)才能接著進(jìn)行下面的分析。當(dāng)車輛已經(jīng)駛?cè)霗z測(cè)區(qū)的時(shí)候，判斷在當(dāng)前幀中，車輛目標(biāo)所在的檢測(cè)線和上一幀中車輛目標(biāo)所在的檢測(cè)線是否是一樣的，如果是則對(duì)這個(gè)車輛目標(biāo)的detectPoint結(jié)構(gòu)中的iNum進(jìn)行加1， trObj->tmpPoint[trObj->globali].iNum++(其中CTrackObject* trObj = tracklis

114、t.GetAt(tracklist.FindIndex(i))，是一個(gè)跟蹤目標(biāo))，如果前后兩幀所在的檢測(cè)線不是一樣的，還要判斷新的檢測(cè)線是否在當(dāng)前檢測(cè)線之前，如果是表示車輛目標(biāo)尚不穩(wěn)定，對(duì)當(dāng)前車輛目標(biāo)的檢測(cè)點(diǎn)進(jìn)行初始化處理；反之判斷trObj->tmpPoint[trObj->globali].iNum是否大于等于3，是則表示車輛已經(jīng)穩(wěn)定地進(jìn)入了新的檢測(cè)線，對(duì)globali進(jìn)行加1，然后記錄新的檢測(cè)點(diǎn)的信息。結(jié)束掃面當(dāng)前目標(biāo)

115、的時(shí)候，還要判斷當(dāng)前幀該車輛目標(biāo)與當(dāng)前檢測(cè)點(diǎn)的差值的絕對(duì)值是否變小，</p><p>　　圖4-18 車輛目標(biāo)經(jīng)過檢測(cè)點(diǎn)時(shí)的算法流程</p><p>　　當(dāng)車輛穩(wěn)定經(jīng)過最后一個(gè)檢測(cè)線時(shí)，就可以根據(jù)所有記錄的檢測(cè)點(diǎn)信息進(jìn)行車速計(jì)算了，具體過程如下：首先判斷經(jīng)過檢測(cè)點(diǎn)的個(gè)數(shù)（globali）是否大于等于2，少于兩個(gè)點(diǎn)是不可能進(jìn)行車速計(jì)算的，這種情況一般發(fā)生在由于噪聲而產(chǎn)生的非車輛目標(biāo)。然后對(duì)這

116、些檢測(cè)點(diǎn)按照差值大小從小到大進(jìn)行排序，并統(tǒng)計(jì)差值為零的點(diǎn)的個(gè)數(shù)（差值為零表明目標(biāo)很精確地駛?cè)朐摍z測(cè)線，如果有兩個(gè)這樣的檢測(cè)點(diǎn)，那么計(jì)算出來的速度就是準(zhǔn)確的，理論上是沒有誤差的），然后就選擇差值最小的兩個(gè)檢測(cè)點(diǎn)，如果有差值相同的檢測(cè)點(diǎn)，則選擇距離攝像頭最近的兩個(gè)點(diǎn)進(jìn)行距離的計(jì)算（m_Distance = abs( trObj->Points[l].line - trObj->Points[h].line ) * m_vDist

117、ance，其中m_vDistance是相鄰兩個(gè)虛擬檢測(cè)線的實(shí)際距離），如果入選的兩個(gè)檢測(cè)點(diǎn)的差值過大則需要對(duì)這個(gè)距離進(jìn)行修正，修正系數(shù)可以根據(jù)本文提到的圖像逐行計(jì)算方法計(jì)算得出。</p><p><b>　　事件檢測(cè)</b></p><p>　　道路交通事故，是指車輛駕駛?cè)藛T、行人、乘車人以及其它在道路上進(jìn)行與交通有關(guān)活動(dòng)的人員，因違反《中華人民共和國(guó)道路交通管理?xiàng)l例

118、》和其它道路交通管理法規(guī)、規(guī)章的行為(簡(jiǎn)稱違章行為），過失造成人身傷亡或者財(cái)產(chǎn)損失的事故。</p><p>　　本系統(tǒng)中檢測(cè)交通事故是在建立目標(biāo)跟蹤和估計(jì)出車速之后，下一步就可以根據(jù)這兩個(gè)參量進(jìn)行事件的判定。通過研究發(fā)現(xiàn)，一般情況下交通事件（比如撞車，堵塞，或者其它影響交通暢行的事件）發(fā)生時(shí)，檢測(cè)區(qū)域一般表現(xiàn)為：車輛數(shù)增加，車輛的平均速度很小甚至為零，車距較小，車道占有率明顯上升等。在本系統(tǒng)中只選擇車輛數(shù)和車輛平

119、均速度兩個(gè)參量作為判定標(biāo)準(zhǔn)，因?yàn)檫@兩個(gè)參數(shù)的誤差相對(duì)較小，很有參考價(jià)值，而其它的參量誤差比較大，選取也沒有太大的參考價(jià)值，只能增加算法的復(fù)雜度和機(jī)器的處理時(shí)間。</p><p>　　設(shè)置四個(gè)判定參數(shù)閾值：m_YjVNum（交通擁擠時(shí)檢測(cè)區(qū)域的車輛數(shù)，m_ZsVNum（交通阻塞時(shí)檢測(cè)區(qū)域的車輛數(shù)）m_YjSpeed（交通擁擠時(shí)檢測(cè)區(qū)域的平均速度）m_ZsSpeed（交通阻塞時(shí)檢測(cè)區(qū)域的平均速度）。</p>

120、;<p>　　圖4-19 交通阻塞檢測(cè)流程圖</p><p><b>　　交通阻塞檢測(cè)</b></p><p>　　交通阻塞是指道路上因發(fā)生交通事故或者前方道路不同而造成車輛滯流，大量車輛長(zhǎng)時(shí)間停留在原地，造成交通堵塞，這種情況會(huì)嚴(yán)重影響人民生活的便利。</p><p>　　當(dāng)高速公路上出現(xiàn)交通阻塞的情況，可以表現(xiàn)為車輛行駛緩慢或