3車輛檢測(cè)模塊的設(shè)計(jì)和實(shí)現(xiàn)

　　3.1 車輛檢測(cè)模塊的算法流程

　　使用 DirectShow，我們可以從交通視頻中取得一幀一幀連續(xù)的圖像，車輛的檢測(cè)和發(fā)現(xiàn)操作就是

　　基于對(duì)這些連續(xù)圖像幀的處理和分析的。按照一般的運(yùn)動(dòng)檢測(cè)方法和目標(biāo)跟蹤手段，我們將取到的原始真彩色圖像幀首先做灰度化處理，然后進(jìn)行平滑操作，并基于背景差分法和幀間差分法進(jìn)行感興趣區(qū)域的提取，最后得到二值化的感興趣區(qū)域圖像。根據(jù)連續(xù)幀的二值圖像檢測(cè)出新進(jìn)入畫(huà)面的車輛，之后進(jìn)行基于自適應(yīng)邊框的精確車輛定位，從而完成車輛的檢測(cè)。本章的后面部分將對(duì)其中各個(gè)步驟進(jìn)行詳細(xì)的介紹。

　　3.2 視頻圖像幀的預(yù)處理

　　3.2.1 圖像灰度化處理

　　一般的圖像處理運(yùn)算都是在灰度圖像上面進(jìn)行的，灰度圖是只保留了圖像的亮度信息的圖像，因?yàn)榛叶葓D像可以在保留足夠的內(nèi)容信息的同時(shí)，有效的降低運(yùn)算量。所以，我們首先要將原始的視頻幀圖像進(jìn)行灰度化處理，即將真彩色圖像中的每個(gè)像素點(diǎn)都轉(zhuǎn)換成 8bit 長(zhǎng)度的亮度值，使所有像素的灰度值都在［0，255］范圍之內(nèi)。

　　程序 3 是 OpenCV 中對(duì)圖像進(jìn)行顏色模型轉(zhuǎn)換的函數(shù)，而圖像的灰度化也屬于一種顏色模型的轉(zhuǎn)換：

　　void cvCvtColor（const CvArr* src， CvArr*dst， int code）; （程序 3）

　　此函數(shù)將 RGB 顏色空間表示的真彩色圖像進(jìn)行灰度化的內(nèi)部算法如公式（1）所示：

　　Y=0.212671*R+0.715160*G+0.072169*B（1）

　　我們平時(shí)比較常用的將 RGB 真彩色圖像灰度化的算法如公式（2）所示：

　　Y=0.299*R+0.587*G+0.114*B（2）

　　這兩個(gè)公式都是依據(jù)在 R、G、B 三個(gè)顏色通道中亮度值的貢獻(xiàn)比例而得到的。

　　3.2.2 圖像平滑處理

　　視頻圖像在采集的過(guò)程中會(huì)不可避免的引入噪聲，噪聲的來(lái)源主要有電磁轉(zhuǎn)換和光電轉(zhuǎn)換引入的噪聲、獲取圖像時(shí)存在的不確定因素以及自然起伏性的噪聲。

　　為了去除視頻圖像中的噪聲，從而使圖像中的有用信息更加清晰，我們就需要對(duì)已經(jīng)進(jìn)行了灰度化的圖像進(jìn)行平滑操作。運(yùn)算要求能夠有效的減少各種類型的噪聲的同時(shí)，也要能夠很好的保留原圖像中的輪廓信息。

　　void cvSmooth（const CvArr* src， CvArr* dst，

　　int smoothtype=CV_GAUSSIAN， int param1=3，

　　int param2=0， double param3=0，

　　double param4=0）; （程序 4） OpenCV 中提供的圖像的平滑處理的函數(shù)為

　　cvSmooth，它的聲明如程序 4 所示，這個(gè)函數(shù)提供了很多種平滑算法供選擇，包括簡(jiǎn)單不帶尺度變換的模糊、簡(jiǎn)單濾波、高斯濾波、中值濾波和雙向?yàn)V波等。在這里，我們采用了中值濾波來(lái)對(duì)經(jīng)過(guò)了灰度化的圖像進(jìn)行濾波。

　　中值濾波的計(jì)算原理為：對(duì)于一幅圖像，選取 N*N 像素大小的窗口，其中 N 為奇數(shù)，對(duì)于圖像中的每一個(gè)能夠放置這個(gè)窗口的位置，取出這個(gè)窗口中的所有像素點(diǎn)，將所有像素點(diǎn)的灰度值排序。由于 N 為奇數(shù)，那么在所有的 N*N 個(gè)像素點(diǎn)中必有一個(gè)中值，然后用此中值代替原窗口中心像素點(diǎn)的像素值。

　　3.3 背景差分法和幀間差分法的結(jié)合

　　在交通檢測(cè)系統(tǒng)中，由于車輛顏色各異，有一些

　　車輛的灰度范圍與道路背景的灰度范圍比較接近，在這種情況下，使用背景差分法往往很難得到清晰完整的車輛運(yùn)動(dòng)區(qū)域，往往會(huì)出現(xiàn)區(qū)域不聯(lián)通和邊界不清

　　const CvArr* src2，

　　CvArr* dst）; （程序 5）

　　在 OpenCV 中實(shí)現(xiàn)兩幀差分運(yùn)算的函數(shù)為cvAbsDiff，如程序 5 所示，它的功能就是將兩幅灰度圖像做差再取絕對(duì)值，它得到的結(jié)果也是灰度圖像。

　　圖 1 展現(xiàn)的是交通視頻中的某一幀圖像經(jīng)過(guò)一系列處理而得到的灰度圖與此時(shí)動(dòng)態(tài)生成的虛擬背景做差分之后的二值化圖像。此時(shí)，車輛和行人已經(jīng)能夠分辨出來(lái)了。

　　類似的方法，通過(guò)函數(shù) cvAbsDiff 將當(dāng)前幀的灰度圖像與上一幀的灰度圖像做差分，車輛的邊緣信息得到了比較好的保留，但幀間差分法也導(dǎo)致了車輛區(qū)域內(nèi)部形成了一定程度的空洞，這是由于車輛內(nèi)部的顏色比較一致而導(dǎo)致的。而這個(gè)缺點(diǎn)就可以通過(guò)融合背景差分法而得到彌補(bǔ)。

　　背景差分法與幀間差分法相結(jié)合，就是先分別通過(guò)這兩種方法所得到灰度圖像，并分別對(duì)它們進(jìn)行二值化處理，最后對(duì)這兩幅二值圖像進(jìn)行按對(duì)應(yīng)像素或運(yùn)算而得到的。在 OpenCV 中，兩幅圖像的對(duì)應(yīng)像素進(jìn)行或運(yùn)算的函數(shù)如程序6 所示，其中參數(shù)src1 和src2 是兩幅輸入圖像的指針，而參數(shù)dst 是存放結(jié)果的圖像指針，mask 參數(shù)仍然表示一個(gè)蒙板，只有當(dāng)mask 中與輸入圖像對(duì)應(yīng)像素的元素值為1 時(shí)，才對(duì)輸入圖像中的對(duì)應(yīng)像素進(jìn)行運(yùn)算，從而使兩幅圖片的或運(yùn)算能夠更加靈活的實(shí)現(xiàn)。而在本系統(tǒng)所使用的方法中，兩幅圖像直接無(wú)蒙板做或運(yùn)算即可。圖3顯示了圖2與圖1進(jìn)行或運(yùn)算之后得到的結(jié)果?？梢钥闯?，相比圖1和2，圖3的車輛內(nèi)部更加飽滿，邊緣也更加清晰，每一輛車的白色塊相對(duì)更加的完整，用肉眼也可以比較容易分辨出一輛一輛的車，這樣能夠?yàn)楹罄m(xù)的車輛的識(shí)別運(yùn)算提供保障。

　　void cvOr（const CvArr* src1， const CvArr* src2， CvArr* dst，

　　const CvArr* mask=NULL）; （程序 6）

　　3.4 車輛的發(fā)現(xiàn)

　　在得到二值化的感興趣區(qū)域之后，我們就開(kāi)始使用得到的二值圖像進(jìn)行車輛的發(fā)現(xiàn)，本系統(tǒng)采用了一種基于檢測(cè)線的方法進(jìn)行車輛的發(fā)現(xiàn)。該方法的基本流程如下：

　　1）通過(guò)視頻與真實(shí)世界的空間透視關(guān)系，能夠估計(jì)出車輛的長(zhǎng)寬的大致范圍。在車輛可能進(jìn)入的垂直方向設(shè)置檢測(cè)線，檢測(cè)線的寬度大概在估計(jì)出的車輛長(zhǎng)度的一半。如圖4 所示，車輛可能進(jìn)入的位就在視頻圖像的下部與上部?jī)蓚€(gè)地方，于是我們就設(shè)置兩條寬度不同的檢測(cè)線。

　　2） 將檢測(cè)線縱向切割成寬度為兩個(gè)像素的小矩形條。根據(jù)每個(gè)小矩形中的感興趣區(qū)域的多少來(lái)決定　它是否是一個(gè)合格的區(qū)域，計(jì)算方法如公式（3）所示：

　　其中，F(xiàn)（rec）表示參數(shù)rec合格的區(qū)域，WRITE（rec）表示該小矩形內(nèi)感興趣像素點(diǎn)的個(gè)數(shù)，而SUM（rec）表示該小矩形內(nèi)像素點(diǎn)的總數(shù)，P表示一個(gè)閾值，在本系統(tǒng)中取P=0.7。

　　3） 算法從檢測(cè)線上左邊第一個(gè)小矩形開(kāi)始判斷，遇到第一個(gè)F（rec）的結(jié)果為TRUE 的小矩形，記錄它的位置，然后維續(xù)向右判斷，直到遇到第一個(gè)F（rec） 結(jié)果為FALSE 的小矩形時(shí)，就結(jié)束這個(gè)感興趣區(qū)塊的擴(kuò)TRUE的充。此時(shí)，從記錄的第一個(gè)F（rec）的結(jié)果為小矩形到最后一個(gè)F（rec）的結(jié)果為TRUE 的小矩形就產(chǎn)生了一塊連續(xù)的“合格”小矩形區(qū)間。

　　4） 判斷這個(gè)區(qū)間的寬度是不是大于預(yù)設(shè)的一個(gè)閾值W，如果大于W，那么認(rèn)為從第一個(gè)“合格”小矩形到最后一個(gè)“合格”小矩形所構(gòu)成的大矩形就是一個(gè)候選的新的車輛位置，否則就認(rèn)為它是噪聲。

　　5） 重復(fù)步驟3-4，直到判斷到檢測(cè)線中最后的一個(gè)小矩形為止。

　　6） 對(duì)于新產(chǎn)生的候選車輛位置，進(jìn)行重復(fù)性判斷，如果這個(gè)矩形與任何標(biāo)示現(xiàn)存車輛的矩形的重合度小于一個(gè)閾值P，那么就認(rèn)為這個(gè)候選區(qū)域是一個(gè)新發(fā)現(xiàn)的車輛，建立這個(gè)車輛的對(duì)象，否則，則認(rèn)為它是現(xiàn)有車輛的一部分。其中。P=D（AB） D（A）+D（B）.D（AB 表示區(qū)域A與區(qū)域B重合的區(qū)域的大小，而D（A）與D（B）分別表示區(qū)域A與區(qū)域B的面積。