谢晓旦
摘 要：交通运输系统是经济持续发展的基础，在社会发展和经济发展中起着举足轻重的作用。在一个复杂环境中，如何对人和车辆等运动目标进行实时的观察，并给出对它们行为和动作的描述。该文对采用的二维算法进行了改进，利用目标图像中所提取的轮廓曲线来代替所有的二值像素进行模型匹配。该文提出了一种基于二维Gabor小波的车辆监测与追踪算法。
关键词：Gabor小波 车辆监控 追踪系统 研究
中图分类号：TP391 文献标识码：A 文章编号：1672-3791（2020）06（b）-0041-03
1 车辆监控系统相关研究
车辆监控系统运用移动物体侦测的方法，首先建立背景图像，再与原始图像相减，得到移动物体部分，接着下一步对移动物体进行连通表示法和空洞补偿法的图像处理方法，使移动物体维持移动物体外观的完整性，减少移动物体外型的破碎性;再经由车道线信息的应用，判断移动物体在车道线中是否要切割，可降低车辆交叠情况。视觉长度与宽度计算在不同的CCD摄像头架设高度与俯角下，计算大型车、小型车及机车的视觉长度及宽度亦有所不同，因此视觉长度和宽度作为车辆分类的依据。所利用的追踪算法是当移动物体进入到追踪区域，将一直追踪移动物体到离开追踪区域，移动物体追踪期间统计移动物体的图像特征、辨识车型、车辆归属的车道、车速计算以及车流量统计等。以图像视觉技术为基础的交通监控系统，在前景物的特征采集上，使用车辆的特征角进行追踪，再使用top-view转换之后的特征角坐标，使得前景物的车辆形状能显示出来。物体追踪上，取得以top-view转换后的特征角坐标，追踪这些特征角，来计算出每个特征角的运动参数，以提供角群集分割与合并，来找出车辆的运动轨迹，进而估算出个别车辆的运动参数，并得到完整的车辆行进轨迹以及大略的车体形状图[1]。研究利用光流的方式（特征向量）侦测高速公路上的车辆，使用动态背景和静态背景的方式将车辆找出来，此研究定义的动态背景包含道路和天空等都是动态背景，使用光流的方式找出动态背景，将背景中的动态背景减去剩下来的就是所要侦测车辆的前景部分，虽然还会包含一些噪声，但是已经可以侦测出车辆，然后追踪车辆的方法是先记录先前所框出的车辆位置，之后再将现在所框出的车辆位置比对先前框出的位置，看看框线是否有重叠，若有重叠则视同一部车辆，若没有重叠那就是另一部新侦测到的车辆，模拟的场景包含下雪的背景与阳光很强的背景，皆可侦测出车辆，此研究的缺点就是当摄影机有很大的震动时，利用光流侦测的方法就不管用了。
同时，有研究表示，也使用路口监视器系统来对移动中的物体来做辨识及分类，主要是运用在车辆分类上，先利用相减的方法来将移动的对象采集出来，对这些对象做一些形态学上的处理让采集出来的对象更具有准确性，最后使用这些采集出来后的对象特征，进而分辨出这些物件是属于何种类型的车辆，达到车辆分类的效果。在横面的车道影片中，主要就是以抓到车辆的框围大小来判断车辆种类，在斜面或是正面的车道影片里，以框围里面的物体密度跟形状来做比对，快速处理之后过的辨识率相当高。
2 车辆追踪算法技术
根据物体识别任务所在的空间，目前基于视频的车型识别算法大致可以分为二维识别和三维识别。
二维识别研究利用路口周边路段车流量之间的关系，以及流量守恒来建立一个可以利用设置在省道上少数的侦测器所侦测到的车流量、占有率等信息推算此路线中其他没有侦测器之路段车流量的模式。实验推估出的路段车流量范围大小与路线网络中侦测器分布设置密度低，则所推测出车流量范围大的路段占较大之百分比;反之，当道路网络中侦测器的分布设置密度高时，则所推断出车流量小的路段则占较大之百分比，亦即所推估出的车流量较为精确[2]。
二维识别提出运用在高速公路上的车流量分析，并且使用两种方法：一个是数值模拟，另一个是实际观测。在数值模拟方面，使用car-following model及决定性的路由方式去模拟车道会合处附近的车流量表现，可以在不同位置的车速以及相邻车辆之间的距离分布中观测到一个波，提出了一组方程式去解释这个波，这一组方程式属于delay differential equations。在实际观测的部分，取3个量是车流量、车速以及车辆之间的距离。在道路的上方架设摄像头，然后设计一些算法由影片中取得想要的信息。由于计算机不知道什么是车辆，因此，利用support vector machines让计算机学会分辨路面和车辆。利用流量守恒、路口转向比之关系来得到侦测器之路口分布设置模块，并对位置做些微调后，得到道路网络中之侦测器之分布设置的位置。接着从车流量推算模式中各式之关系，来推算得到移除侦测器之原则。透过这些原则配合，在预算限制之下移除偵测器后，同时利用车流量估算模式来推算与原道路网路车流量之比率，借以评估推算效率[3]。
三维识别判断移动物体在车道线中是否要切割，可降低车辆交迭叠情况。视觉长度与宽度计算在不同的CCD 摄像头架设高度与俯角下，计算大型车、小型车及机车的视觉长度及宽度亦有所不同，因此视觉长度和宽度作为车辆分类的依据。所利用之追踪算法是当移动物体进入到追踪区域，将一直追踪移动物体到离开追踪区域，移动物体追踪期间统计移动物体的影像特征，辨识车型、车辆归属的车道、车速计算以及车流量统计等[4]。
3 车辆定位设计
对车辆进行检测、跟踪和追踪是自主车环境感知研究的重要环节。在现有的融合研究中，该文提出了一种新的图像传感器的融合跟踪方法。为满足路面车辆的机动特性，融合图像的灰度信息，精确地“捕捉”到目标中心，确立适合目标大小的视觉窗口尺寸，结合改进的Gabor小波建立姿态优化函数，并通过改进的分布算法全局寻优获取目标准确度。同时车辆追踪系统建立在目标跟踪定位的基础上，记录下采样时间内不同模型精确定位后所对应的评价值，车辆类型通过计算其时间平均值获得，从而避免了车辆处于某种特殊姿态时引起的误追踪。
4 Gabor小波算法
由于特征提取与匹配过程对遮挡、光照、噪声敏感，且时间损耗大，因此难以满足实际应用的需要。Gabor小波变换与其他方法相比：一方面其处理的数据量较少，能满足系统的实时性要求;另一方面小波变换对光照变化不敏感，且能容忍一定程度的图像旋转和变形，当采用基于欧氏距离进行识别时，特征模式与待测特征不需要严格的对应，故能提高系统的鲁棒性。通过求解目标图像与三维模型平面投影之间的匹配函数，即姿态评价函数的最优解获得目标的方向角。
采用改进的二维Gabor小波，作为模型投影与目标图像的匹配量测，避免建立模型与图像之间精确的点-点对应，且以带有权值的目标轮廓点（通过轮廓提取获得）代替二值图像同模型进行匹配，既降低了计算损耗，又进一步避免了传统Gabor小波中远离边界的噪声点对模型匹配的影响。它在提取目标的局部空间和频率域信息方面具有良好的特性。虽然Gabor小波本身并不能构成正交基，但在特定参数下可构成紧框架。Gabor小波对于图像的边缘敏感，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，能够提供对光照变化良好的适应性。
在空间域，二维Gabor小波是高斯函数被一个正弦平面波所调变的结果，可以表示为：
这里的z=（x，y），ks，d=ksexp（j），ks=kmax/fs为频率，θd=πd/8，θd∈π为方向，kmax为最大频率，f是Gabor小波变化在频域的间隔系数（spacing factor）。波向量ks，d控制Gabor小波变化的空间解析度和方向，s控制Gabor小波变化的尺寸，也就是决定小波变化的频域中心;而d控制的是Gabor小波变化的方向;尺寸系数ks使得不同空间频率的小波变化有大致相等的能量;σ决定了高斯窗（Gaussian window）的宽度与波向量长度的比例。由于（4）式的虚部分量的平均值为0，但实部分量的平均值不为0，所以要减去，使得小波变化对于照明的变化敏感度降低。该文使用的是3种尺寸0，1，2、8个方向（d∈0，…，7），并设定σ=2π的Gabor小波变化，如图1所示。
Gabor小波作为匹配测度建立模型集投影与车辆轮廓点集的匹配函数。由于它无需建立模型和图像之间精确的点-点对应，因此比其他匹配方法更具容错性。但传统的Gabor小波依赖于一个物体和另一个物体中最不匹配点的距离，从而对任何远离中心的噪声点非常敏感。文中采用的二维算法进行了改进，利用目标图像中所提取的轮廓曲线来代替所有的二值像素进行模型匹配。
参考文献
[1] Zhao Jiyin，Zheng Ruirui，Li Min，et al.License plate recognition based on genetic algorithm[C]//Proceedings of the 2008 IEEE Inter-national Conference on Computer Science and Software Engineering.2008.
[2] 王亮，胡衛明，谭铁牛.人运动的视觉分析综述[J].计算机学报，2012，2（3）：12-15.
[3] 耿彦峰，马钺.基于模糊模式识别的车型分类研究[J].计算机工程，2012，2（1）：543-550.
[4] 胡良梅，高隽，何柯峰.图像融合质量评价方法的研究[J].电子学报，2014，2（11）：32-33.
