基于OpenCV技术的视频车辆运动目标提取

2014-12-07唐练

中国科技纵横 2014年3期

关键词：轮廓背景阈值

唐练

(重庆市华驰交通科技有限公司,重庆 400060)

基于OpenCV技术的视频车辆运动目标提取

唐练

(重庆市华驰交通科技有限公司,重庆 400060)

本文使用Visual Studio 2008作为开发环境,并结合OpenCV提供的图像处理函数库,从开发者角度阐述了视频车辆运动目标提取的基本流程和实现方案。实验结果能够准确提取清晰的车辆轮廓图像,不仅为交通量统计提供可靠依据,也能提供公路的科学管理水平。

OpenCV 运动目标交通检测

随着我国路网大规模建设与完善，智能交通系统(ITS)[1]也日益普及和迅速发展，并能有效提高路网通行能力和交通运输效率。实时采集交通信息(车流、车速、车型)是极其重要的一个环节，传统的检测技术包括磁频感应技术和波频(如红外、超声波、雷达)检测技术，但都存在工作寿命、可靠性等问题。近些年，结合图像处理和模式识别的视频交通检测技术[2]以检测范围大、灵活性强、检测精度高等优势被广泛研究与应用，对实现交通管理智能化具有重要意义。

在视频交通检测系统中，交通信息参数的获取依赖于车辆运动目标的识别与提取，本文从开发者实现角度，重点论述如何应用OpenCV技术有效检测与分割车辆运动目标，为最终数据获取提供根本的实现决策。

1 OpenCV技术与平台搭建

OpenCV是一个开源的计算机视觉库，最早由英特尔公司于1999年启动。它轻量级而且高效，包括500多个C/C++函数的跨平台的中、高层API，不依赖于其它的外部库。

本文的视频交通检测系统硬件平台由视频采集卡和嵌入式PC104主板组成，运行平台选用微软公司的Windows XP Embedded，开发环境采用Visual Studio 2008，并编译配置图像处理开源模块OpenCV。

交通视频可轻松通过调用采集卡配套的CGVideo库获取，开发者更专注于图像处理部分。每帧图像数据格式由OpenCV提供的IplImage结构表示，此结构作为车辆运动目标提取的基础数据，使用频率是非常高的。

图1 提取车辆运动目标基本流程

图2 基于虚拟检测线方法示意图

图3 原始图像

图4 背景图像

图5 车辆轮廓

2 车辆运动目标提取的基本流程与实现

车辆运动目标提取是整个系统核心，基本流程如图1所示。

(1)运动目标的背景提取。运动目标需要从多幅连续帧中实时将所在区域从背景(自然场景)中分割提取出来，即完成前景和背景的分离。本文通过自适应背景建模方法由当前帧不断加权更新背景帧，消除运动对象的随机扰动。当前帧和背景帧均为灰度图像，有效降低运算量。cvRunningAvg为OpenCv提供的更新移动平均的函数，并由参数alpha确定加权系数，表示占背景图像百分比。函数cvCvtColor用于图像颜色模型转换，即灰度化。

(2)背景差分。背景差分过程直接用当前帧的灰度图像减去背景图像，得到包含运动目标的差值图，调用OpenCv中的cvSub函数实现。

(3)差值图二值化。二值化能够有效将运动目标从多个复杂前景对象中分割出来，但二值化的阈值选取相当关键，显然，随着时间推移，固定阈值不现实，本文考虑了自适应双阈值法，每隔一定帧数，根据选取的一块背景均值作为阈值计算标准。差值图像若为正值，大于正阈值则视为是车辆运动目标；若为负值，小于负阈值则视为车辆运动目标。

(4)二值图去噪。由于车辆颜色比较复杂，二值化后得到的运动目标会出现部分缺失，这时选用合适的形态学掩模对运动目标进行闭运算，保证车辆为矩形或类似四边形，这就是行驶车辆轮廓。闭运算由OpenCv中的膨胀函数cvDilate及腐蚀函数cvErode先后实现。

(5)车辆轮廓提取。虽然可以通过函数cvFindContours很容易找到多个轮廓，但是车辆轮廓判断需要一定规则条件。本文采用一种基于虚拟检测线的方法[3]进行车辆发现及轮廓提取，如图2所示，仅虚拟检测范围内的运动轮廓才可能被认为所需运动目标。