基于视频的车型分类算法研究.doc

基于视频的车型分类算法研究.doc 基于视频的车型分类算法研究 摘 要: 对视频图像处理中车型分类算法涉及的摄像机标定和目标 分割算法进行研究。通过摄像机标定实现像素坐标到世界坐标的映射，进 而准确获取车辆长度及宽度信息。建立车辆高度信息计算模型，获得车辆 高度信息。对实时视频图像进行目标分割，并通过车辆长度、高度及长高 比等信息实现高速公路中车型分类。经过验证，该方法能够比较准确地进 行车型分类，满足实际应用要求。 关键词: 摄像机标定; 图像分割; 车型分类; 视频图像处理 中图分类号: TN911.73?34; U491 文献标识码: A 文章编号: 1004?373X(2014)16?0108?03 Study on vehicle type classification algorithm based on video YUAN Bin， YU Yan?ling， TAN Zhong?hui (China Shipping Network Technology Co.， Ltd， Shanghai 200135， China) Abstract: The camera calibration and target segmentation algorithm involved with the vehicle type classification algorithm in video image processing are studied in this paper. The length and width information of vehicle accurately is achieved by mapping the pixel coordinates to world coordinates through camera calibration. The vehicle height information model is established to obtain the vehicle height information. Classification of the vehicles on expressway can be realized by vehicle information of length， height and length to height ratio， as well as the target segmentation of real?time video images. The field test results show that the algorithm can classify the vehicles accurately and meet the requirements in practical applications. Keywords: camera calibration; image segmentation; vehicle type classification; video image processing 近年来，随着图像处理技术的发展，采用基于视频技术的相关检测算 法在智能交通发展中得到广泛应用，这也必将成为未来交通领域发展的主 要趋势。本文采用视频相关技术实现高速公路中车型的实时分类。 采用视频技术进行车型分类的主要步骤为: (1) 根据摄像机像素坐标与世界坐标系的二维映射关系，实现像素 距离到实际距离的实时转换，进而获得车辆长度及宽度信息; (2) 建立车辆高度信息模型，计算车辆高度信息; (3) 运动图像的目标分割，获取实时检测的目标图像; (4) 根据上述各方法计算出的目标车辆长度、高度及长高比等信息 实现高速公路中的车型分类。 1 摄像机标定 1.1 像素?距离映射关系建立 传统的摄像机标定方法是将像素距离一维地映射到实际空间距离中， 最后扩展到平面[1?3]。使用该方法计算出的距离将存在一定的误差，势 必影响检测结果准确率。本文通过建立摄像机的像素坐标与世界坐标系的二维映射关系(如图1所示)，计算车辆长度及宽度信息，进而提高检测准确率。 图1 坐标系转换示意图 设3D图像中某点在世界坐标系中的坐标为[W(X，Y，Z)]，由相似三角形的比例关系可得其投影点[I(x′，y′)]，其中: [x′=fXf-Z， y′=fYf-Z] (1) 由于上式中包含了变量[Z]的除法运算，故其属于非线性变化，本文采用齐次坐标[4?5]方法将其转换成线形矩阵进行计算。 空间中任一点[(X，Y，Z)]对应的齐次坐标定义为[(kX，kY，kZ，k)]，[k]为比例变换因子，可为任意非零常数。用齐次坐标实现其空间转换关系可表示为: [(kX，kY，kZ，k)T=T?(x，y，z，1)T] (2) 式中变换矩阵[T]是一个[4×4]的方阵。 本文不采用该方法获得车辆的高度信息，故可将其简化，采用二维变换的方法实现像素距离与实际距离的转换。二维变换矩阵为一[3×3]的方阵，设某点的像素坐标为[(x，y)]，对应实际距离的坐标为[(X，Y)]，在齐次坐标系下的转换关系可表示为: [kXkYk=a00 a01 a02a10 a11 a12a20 a21 1xy1] (3) 通过式(3)可获得[(X，Y)]的表达式为: [X=a00x+a01y+a02a20x+a21y+1Y=a10x+a11y+a12a20x+a21y+1] (4) 由式(3)齐次坐标方程可知，变换矩阵中含有8个未知数，即只要标定出4个已知点，则可求解出该变换矩阵。在实际场景中，由于城市道路、高速公路车道分割线长度及车道宽度都有明确的规定，标定点的像素坐标可通过程序直接获得，由此可建立像素―距离映射关系，以下简称映射表。 为获得上述映射关系，需要按图2方法在视频图像中进行相应标定。 图2 摄像机标定示意图 在水平方向及垂直方向上选择的标定点数越多，则相应方向上拟合出的映射表准确率越高，然而过多的标定点增加了程序的计算量，降低了程序的运行速度。故应选择适当数量的标定点进行计算。在图中规定最下方白色分割线顶端所在行为零点所在行(即图中AD所在直线对应点的水平方向距离为零)，在各车道中已知距离的车道分割线位置设定标定点。 将标定各点代入式(4)即可求出像素―距离变换矩阵中各系数，进而获得像素―距离在水平方向及垂直方向上的映射关系。但在实际测试场景中，由于路况的复杂性、车道分割线不明显等问题存在，在映射表求取过程中仍会存在一定偏差。由于映射关系是通过多点拟合出的曲线，故在视频较远处其映射关系误差较大，在后续计算过程中，应充分考虑映射关系的影响。 1.2 高度信息模型建立 根据摄像机成像原理，在图像已知高度位置处取两点[A]，[B]其对应的实际高度分别为[hA]，[hB]，相应各点到图像底部的实际距离分别为[SA]，[SB]。其中[S0]为[A]、[B]垂直投影点到图像底部的距离。则根据 几何关系，可得到如下关系式: [hAH=SA-S0SA+X] (5) [hBH=SB-S0SB+X] (6) 图3 高度信息模型 由式(5)、式(6)计算可得相机投影点到图像底端距离为: [X=HSA-SB+hBSBhA-hB] (7) 摄像机安装过程中，其高度信息[H]已知，由此可得对于任意高度的点x，其对应的实际高度为: [hx=H(Sx-S0)(hA-hB)Sx(hA-hB)+H(SA-SB)+hBSB] (8) 使用该方法进行高度信息计算时，首先找两已知高度点求出间接变量[X]的大小，根据式(8)则可求出图像中任一点对应的高度值。 2 车型分类 2.1 目标分割 为进行后续车型分类检测，首先要进行目标车辆分割，本文采用直方图统计法[6]进行分割阈值的动态选择，具体步骤如下: (1) 选择合适的阈值分割区间，统计各帧图像的直方图分布情况; (2) 经过数帧比较分析，观察各帧直方图变化规律，选择合适的二值化分割阈值; (3) 形态学滤波，去除噪声影响，获得较为理想的二值化分割结果，以便于后续处理; (4) 为减少计算量，也可将图像进行块处理，选择适当大小的分割 块，将像素信息转化为块信息。 采用上述方法获得的目标分割结果，如图4所示。 图4 目标分割结果 2.2 车型分类依据 在目前的 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 中，最常用的是按照车型的大小将汽车划分为大型、中型和小型三类[7?9]。这样的划分标准需要检测车辆的实际几何尺寸，从而对摄像头与被拍摄车辆之间的距离和角度提出了严格的要求，从而导致这种方法在现实中实现是非常困难的;还有种方法是将汽车分为轿车、客车和货车三类;也有把车辆分为吉普车、越野车、面包车和轿车的。根据车型分类系统的实际应用场合，本文对车型的分类见表1。 表1 车型分类标准 m 经过大量实验数据验证，客车的车高与车长比范围为0.28,0.31，货车的车高与车长比范围为0.24,0.29，虽然有个别样本有所重叠，但并不影响结果，将分界点取为0.29，这样可以使误差降到最低。 2.3 车型分类结果 为了验证本文提出的基于车辆长、高及长高比进行车型分类的正确性和可行性，对不同场景、不同环境、不同天气状况下的高速公路进行测试，测试结果表明:该算法对摄像机安装位置有较高的要求，通常安装在道路侧边能够较好反映车长信息的车辆，其检测结果具有较高的准确率;该算法计算复杂度不高，能够实时反映车型分类信息;该算法受光线影响较大，对于车影明显的车辆，其检测结果具有较大的干扰性。 3 结 语 本文运用视频技术实现车型分类的实时检测，虽取得了一定的进展，但在摄像机标定的简便性、目标分割的准确性及分类准则的精细化等方面仍然需要进一步深入研究。 参考文献 [1] 刘伟仙，周富强，张鲁闽，等.一种单摄像机虚拟鼠标的标定方法[J].光学学报，2009，29(10):2832?2836. [2] 张浩鹏，王宗义，张智，等.全景摄像机标定[J].哈尔滨工程大学学报，2009，30(11):1239?1245. [3] 傅丹，周剑，邱志强，等.基于直线的集合不变性标定摄像机参 14(6):1058?1063. 数[J].中国图象图形学报，2009， [4] 许海霞，王耀南，朱江，等.基于扩展摄像机成像模型的自标定方法[J].计算机应用研究，2008，25(12):3676?3679. [5] 何雪涛，程源，黄钟.齐次坐标变换在空间结构分析中的应用[J].北京化工大学学报，1999，26(1):41?44. [6] DIZENZO S， CINQUE L， LEVIALDI S. Image thresholding using fuzzy entropies [J]. IEEE Transactions on Systems， Mano， and Cybemetics， B. 1998， 28(1): 15?23. [7] ZHANG Cheng?cui， CHEN Xin， CHEN Wei?bang. A PCA?based vehicle classification framework [J]. IEEE International Conference on Data Engineering Workshops. [S.l.]: IEEE， 2006: 17?26. [8] CLADY X， NEGRI P， MILGRAM M， et al. Multi?class vehicle type recognition system [J/OL]. [2011?11?07]. citeseerx.ist.psu.edu. [9] 季晨光，张晓宇，白相宇.基于视频图像中的车型识别[J].辽宁 工业大学学报:自然科学版，2010，30(1):5?7.