基于视频图像处理的车道检测算法研究.docx

基于视频图像处理的车道检测算法研究 0 车辆检测算法 随着经济的快速发展，城市交通逐渐成为社会最受关注的热点和难点，智能网络系统（州政府，如你）建立并启动。其中车流量检测是该领域的关键。 车流量检测的基础是车辆的检测,目前已有很多机构对基于视频分析的车辆检测算法进行了研究,常用算法主要有:灰度比较法、背景差分法、帧差法、边缘检测法。灰度比较法算法简单,对环境光线的变化十分敏感,在实际系统中应用较少。而其他几种检测算法虽然在特定的环境中可以取得不错的检测效果,但通用性较差,很难适应复杂多变的现实环境。为此,提出1种修正的背景差分法,并在此基础上实现了1种综合检测法。 1 不同时段的录像视频 为了提出1种通用性更强的车流量检测算法,首先对现有算法进行了实验和分析,测试界面如图1所示。实验中利用2009年1月在北京市蒲黄榆路、赵公口桥东、刘家窑桥北等处,分别在早晨、中午、傍晚等不同时段(如图2所示),用Sony HDR-SR12E数码摄像机按照720pix×576 pix ,25 帧/s,10 min左右为1组,采集的交通流视频作为素材。在Windows XP SP2操作系统下,以512 MB内存,1.7 GHz的Intel Pentium M处理器为主要配置的笔记本进行实验,并利用人工计数结果作为标准,衡量各算法检测的准确度。 1.1 基于学.线或意识区域的局部检测 智能交通系统中对车辆的检测有很高的实时性要求。因此,在实际应用中很少对提取的整幅监控图像进行检测,通常都是进行基于感兴趣区域的局部检测,即基于虚拟线圈或虚拟检测线的检测。虚拟线圈和虚拟检测线的概念是与传统的物理线圈和检测线相对应的,实际上是指图像中的1块矩形和线形检测区域。该区域的选取一般是依道路的结构特征而定的,再结合图像清晰度等因素,通常会选取在车道中央靠近摄像头的位置。 1.2 传统视频检测算法的分析 1.2.1 实时更新背景 背景差分法通过计算当前输入帧与背景图像的差值来提取车辆,是视频检测中最常用的算法。这种算法的成功与否很大程度上依赖于背景图像的可靠性。虽然道路背景相对稳定,但也存在着光线等环境因素的缓慢变化,因此为了保证检测的可靠性,就必须实时更新背景。本文对不同的背景更新算法进行了研究,并分别以虚拟线圈和虚拟检测线为检测区域实现了2种算法。 1 有车辆经过检测 第一种背景差分法是在虚拟线圈内进行检测的。依据式(1),利用多帧加权平均法进行背景的更新。这种方法提取的背景会随着帧数的增多而日益逼近真实背景。 Bi,j(n+1)=αBi,j(n)+(1?α)Ii,j(n)(1)Bi,j(n+1)=αBi,j(n)+(1-α)Ιi,j(n)(1) 提取背景后,再将当前帧与背景帧相减,并将差值进行二值化处理,然后统计发生变化的像素的数量,当变化超过噪声阈值后便认为有车辆经过了虚拟线圈。若前1次未检测到车辆,而本次检测到了车辆,则认为有1辆汽车经过,对其进行计数(即通过检测像素灰度变化的“上升沿”,来防止对车辆的重复计数)。实验结果如表1所列,通过实验可以发现这种背景更新算法在实验初期提取的背景易受车辆运动画面干扰,准确率受光线影响较大,运行效果仍待提高。 2 提取背景的方法 第2种背景差分法是在虚拟检测线上进行的。采用选择更新法(selective updating)进行背景更新。这种方法并不是利用每1帧图像都更新背景,而是先进行判断,如果一定时间内检测区域像素灰度值未发生明显变化,则认为当前帧属于背景图像,利用其更新背景;反之,认为当前帧不属于背景图像,即属于运动图像,则在背景更新部分跳过此帧,不进行背景更新。 提取背景后计算车流量的方法与前文所述相似。实验结果如表2所列,这种背景更新算法比多帧平均法正确率要高,在光线良好的情况下有着不错的检测效果,但有时会出现对大型车辆重复检测的问题。 1.2.2 差分图像检测实验 对帧差法的实验是在虚拟线圈内进行的。帧差法将2帧(或多帧)连续图像逐像素相减,以去除静止或移动缓慢的物体及背景。本文采用2帧差分法进行车辆的检测,这种方法简单易行但很难提取出准确的车辆轮廓,在检测静止或车速过慢的车辆以及纹理不明显的车辆时容易漏检。如图3所示,图3(a)原始车辆色彩鲜明,纹理清晰,有较好的检测效果,而图3(b)原始车辆纹理简单,与路面色差不大,且车速较慢,检测效果便不好。 检测到差分图像后,同样要经过二值化处理,统计帧间变化量的多少,并以此为依据对车辆进行计数,实验结果见表3。帧差法的处理速率较快,不易受光线影响,但平均准确率不高。 1.2.3 检测算子检测结果 边缘是图像的基本特征,通过边缘检测的方法,利用车辆和路面信息纹理特征的区别可以进行车辆的识别和跟踪。进行边缘检测的方法有许多种,本文选取了两种较为成熟的边缘检测方法,S