基于小波变换的线阵CCD车辆检测算法

宋 柱，赵 佳，刘新雨 Song Zhu，Zhao Jia，Liu Xinyu



基于小波变换的线阵CCD车辆检测算法

宋 柱，赵 佳，刘新雨 Song Zhu，Zhao Jia，Liu Xinyu

（长安大学 汽车学院，陕西 西安 710064）

传统的车辆视频检测算法都是基于带有复杂背景的面阵CCD图像，不利于对象分割和特征提取。线阵CCD图像的背景比较单一，且帧率远高于面阵CCD，可以实现高精度的车辆检测。提出基于小波变换的线阵CCD图像的车辆检测算法。试验结果证明该算法能有效降低光照和汽车阴影等因素造成的误检率。

线阵CCD；小波变换；车辆检测；分割；二值化

0 引 言

精确地从视频流中提取出运动目标一直是计算机视觉领域中的研究热点，同时也是现代智能汽车技术的一个重要组成部分。目前，常用的运动目标检测方法有光流法、帧差法、边缘检测法和背景差分法。

光流法[1]对声音特别敏感，并且计算公式很复杂，计算量非常大，如果没有特殊的硬件支持，很难应用在实时系统中。帧差法[2]将两个相邻帧相减，提取保留的车辆信息，环境以及光照变化对帧差法的影响不大，但是当相机抖动时，两个相邻帧的背景点会引起对应的“抖动”，此时这种方法因不能正确过滤掉背景而会导致误判，同时该方法也不能检测静止的或者速度很低的车辆。边缘检测方法可以在不同光线条件下检测出车辆的边缘，并使用边缘信息检测出静止或者运动的车辆，但是在车辆边缘不明显或存在道路障碍时可能会错误地识别车辆。背景差分法是最简单和最常用的一种方法，该方法适用于静止的相机，并且能完整地分割出运动目标，但是容易受天气、光照等影响。

传统视频检测方法是基于阵列图像，而阵列图像中的复杂背景图像对目标分割和特征提取非常不利。而线阵CCD（Charge Coupled Device，电荷耦合器件）的背景图像相对简单，易于后续目标分割和特征提取。同时，线阵CCD的图像帧率远高于阵列CCD图像，从而能实现高精度检测。提出一种基于小波变换的线阵CCD车辆检测算法。该算法可以有效地抑制光线和阴影的干扰，实现实时、准确的车辆分割以及车辆检测。

1 基于小波变换的背景提取方法

目前，国内外许多研究人员致力于研究背景模型，例如基于统计模型的方法有单高斯模型，高斯混合模型（Mixture of Gauss，MOG），非参数模型等；或基于预测方法，如卡尔曼滤波器（Kalman Filter，KF）方法[3]，维纳滤波器方法等；还有一些其他的方法，如接近中值滤波器方法和贝叶斯估计方法等。

1.1 小波分解的特点

小波变换建立在傅里叶变换的基础上，利用傅里叶变换，可以知道信号的频率信息，但是不能知道频率信息的具体时间。为了提取即时的频域特征信息，Gabor提出窗口傅里叶变换[4]。然而，窗口函数不是静态的，不随时间和频率变化，因此对瞬态信号的分析还是受到很多限制。小波变换克服了窗口傅里叶变换中窗口大小不随频率改变以及正交基的缺乏等缺陷。由于小波变换具有很好的时频局部特性因而广泛应用于信号处理。

法国学者马特勒使用多分辨率分析的框架，并提出离散小波变换的快速算法，即马特勒算法。令原始信号为0，该算法可以描述为：

（2）

式中，0()和1()分别为分解低通和高通滤波器，C+1, k为第1个低频信号图像的系数；d+1, k为第1个高频详细信号的系数。

首先选择没有车辆目标的图像数据为初始背景。在马特勒塔式算法下进行背景数据的3个小波分解，如图1所示，对前景数据也做相同的处理；计算出前景和背景的交叉相关系数，如果相关系数小于阈值，前景数据将被保留作为新的背景数据；如果大于阈值，则丢弃前景数据。

图1中，W(,)是前景图像或者背景图像的初始图像信息值，经过一次小波分解后图像信息被分解为包含低频信息的h(-)和包含高频信息的h(-)两部分；对得到的高频信息h(-)再进行一次小波变换，重复小波变换将第一步小波分解后得到的高频信息图像分为包含低频信息和高频信息的两个部分。

1.2 小波变换的背景提取方法

假定对每行背景数据更新一次，且每行有个像素。将这行数据的灰度等级数据放入一个二维数组（，）中，其中（0≤≤-1）是阈值计数，（0≤≤-1）是当前行的第1个像素。基于小波变换的背景提取算法如下。

1）获得初始背景

（1）令=0；

（2）对二维数组（，）中的首个列的灰度值进行小波变换后取其中的高频部分（）（0≤≤-1）；计算可知，所有指向高频部分的绝对值的统计点都小于阈值1；

（3）如果统计点小于阈值2，则认为前面帧的点过多，不利于提取背景，则对下一帧重复步骤（1），否则继续步骤（4）；

（4）计算该列所有带统计值的点的灰度值的中值0（），将它作为该列的初始背景灰度值；

（5）=+1，如果=则停止计数，否则，转到步骤（2）。

2）背景更新

使用当前帧的数据估计前一帧的背景以此更新背景。

（1）令=0；

（2）令=0，=0；

否则，使用式（4）计算点的新背景

（4）

其中，3为阈值，和为滤波因子。通常，更新速度取决于因子和，如果大，则背景更新速度慢；如果大，则背景更新速度快。

（4）令=+1，如果=，转到步骤（5），否则，转到步骤（3）；

（5）计算该列的所有点的新背景（，）的中值B+1（），并且将它作为该列的新背景值；

（6）令=+1，如果=，转到步骤（7），否则，令=0，并转到步骤（3）；

（7）如果算法收到终止更新背景的指令，则停止计数，否则，令=+1，并转到步骤（2）。

至此，使用小波变换完成对采集的线阵CCD背景图像的提取。

2 车辆检测

2.1 二值化

通过以上步骤获得CCD背景图像，然后用获得的图像减去背景图像，可得到目标。对于不同的图像选择不同的阈值进行二值化处理。

提出一种基于小波的纹理提取算法。使用3次小波分解，获得背景灰度像素曲线的详细系数曲线。然后标记局部极大值点为1，最小值点为−1，其他值点为0；此时，背景的像素曲线确定的数据集变为一个形如{−1，0，1，…}的集合，该集合是对背景图像纹理[5]的描述。对前景图像也进行相同的处理，最后用前景纹理减去背景纹理，使用数学形态滤波器获得目标的二值化图像。

2.2 车辆分割

车辆实时分割是对图像的每一行二值化后的结果。根据关闭的相机视图可将线阵CCD视图分为5个逻辑通道（对应监控的3个物理通道），每个逻辑通道上包含许多信息，包括预触发标志、确认触发标志、空白行计数器、客观存在计数器、目标左边界、目标右边界、开始行目标的数目、终止行目标的数目、预触发点的中心位置、目标级投影计数器以及触发器的精确行数等[6]。使用当前的二进制结果标记水平的连接区域，并且判断连接的区域所属的逻辑通道。然后把它与逻辑车道信息比较，并且综合判断它是一辆汽车的开始还是一辆汽车的延续。当已经证实车辆在逻辑通道上，并且其中连续的空白行数超过该通道的阈值，即认为达到车辆的末端。使用目标的左边界和右边界，初始行和终止行就可以确定目标的范围，也就实现了实时的车辆分割。

3 试验结果

为测试和验证算法的正确性和有效性，在长安大学校园内进行试验。线阵相机成像系统放置于道路上，道路长度限制为11.25米。基于线阵CCD相机的交通信息采集系统用来采集线性阵列图像，如图2（a）所示。因为夜间灯光的影响，车辆前方夹杂着斑点；由于交通信息采集系统灯光的影响，车辆侧边出现阴影。使用统计方法提取前景后再减去背景得到的受影响的二值化图像，如图2（b）所示。由于阴影的不同，所以它们是错误的目标。使用基于小波分解的算法得到的图像，如图2（c）所示，可知该算法可以很好地分离目标和阴影。使用提出的算法得到的车辆分割结果，如图2（d）所示。结果表明该算法能减弱灯光和阴影的影响，取得更好的分割效果。

（a）           （b）           （c）           （d）

图2 试验结果

小波变换算法对每行数据的平均处理时间不超过1 s，而线阵CCD相机采集数据速率为每秒 1 000行；因此该算法能确保实时数据处理，也为车辆匹配、速度计算以及车牌捕获等提供良好的基础。

4 结束语

试验表明，基于小波变换的CCD线阵相机车辆检测算法很好地控制阴影以及灯光对车辆检测的影响，能很好地分离出车辆目标，并且对每行数据的平均处理时间不超过1 s，确保实时的数据处理效率，为车辆智能化以及无人驾驶打下良好的基础。

[1]朱会强.基于视频跟踪的车辆行为分析技术研究[D]. 西安：长安大学，2011.

[2]Xiao M., Han C., Zhang L.. Background Subtraction for Video Image Sequence[J]. Opto-Electronic Engineering, 2005 (32): 78.

[3]Lee D.S., Hull J.J., Erol B.. A Bayesian Framework for Gaussian Mixture Background Modeling[C] //International Conference on Image Processing, 2003, 3:Ⅲ-973-6 vol.2.

[4]Javed O., Shafique K., Shah M.. A Hierarchical Approach to Robust Background Subtraction Using Color and Gradient Information [C]// Workshop on Motion and Video Computing, 2002: 22-27.

[5]张祺. 基于线阵CCD的图像采集技术研究[D]. 南京：南京理工大学，2009.

[6]张旭.高速线阵CCD数据采集、传输与处理技术的研究[D]. 长春：长春理工大学，2008.

2016-09-26

1002-4581（2017）02-0035-04

U491.1+16

A

10.14175/j.issn.1002-4581.2017.02.009