基于粗集理论的车辆状态检测

丁丽

摘要：该文提出一种基于粗集理论的车辆状态提取方法，首先从视频中提取存在目标车辆的关键帧，对关键帧中的选定区域进行扫描，根据关键帧中的R、G、B颜色信息以及像素点位置关系，建立区域内的可能目标的粗集表示。然后根据车辆目标的特征，去除选定区域内可能的伪目标。进而基于上下近似集表示车辆目标提取车辆边界，计算车辆目标质心，从而计算得到t時刻到t+1时刻内车辆质心的移动距离和方向，计算得到车辆行驶方向和速度。仿真实验表明该文算法能够准确提取车辆目标较少情况下的车辆运行状态数据。

关键词：粗集；运动目标检测；车辆状态检测

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）01-0189-02

1 概述

随着大数据技术的发展，智慧交通逐渐成为智能交通系统发展的方向。智慧交通的发展依赖于来自各类检测设备的交通数据，多源交通数据是智慧交通发展的基础。充分利用现有的交通基础设施准确提取各类交通数据，为交通控制、诱导提供必要的基础数据，能够有效提高城市交通运行效率。

车辆运动状态是一种重要的交通数据，基于车辆运动状态信息我们可以进行道路交通状态检测，从而针对不同交通状态调整交通控制和诱导策略。随着智能监控系统的发展，道路视频监控系统已广泛布设在城市各主要交通道路。基于道路监控视频的车辆运动检测作为运动目标检测的一个重要内容被众多研究者广泛关注，研究者通常利用帧间差分[1]、背景差分[2]、光流场[3]等运动目标检测方法提取车辆运行状态，取得了良好的效果。

帧间差分法是利用当前帧与前一帧进行差分运算，并进而通过图像的膨胀和腐蚀等形态学运算来获取运动目标的方法。在特定场景下该方法能够有效的实现目标检测，但由于慢速目标两帧之间目标位置变化较小，会造成此类目标漏检[4]。背景差分法是目前运动目标检测中最常用的方法，其通常利用当前帧与背景帧进行差分运算从而提取出检测目标，但常因背景帧在不同场景下的变化较大，背景帧更新不及时，而导致目标检测失效[5]。光流场方法是根据连续多帧的前景和背景流光场来实现目标检测，该方法不依赖与场景信息，可以得到较好的检测正确率，但由于光流场计算复杂，计算量大，使得该方法难以应用于实时性要求较高的运动目标检测场景[6]。

针对上述问题，本文提出一种基于RGB颜色的车辆运动检测方法，利用粗集理论对每帧中的运动车辆进行检测，将每帧图像中的静态目标以粗集形式表示，并根据待检目标特征剔除噪声引起的伪目标，从而实现有效运动目标的检测，并根据相邻帧中的目标特征实现目标运动特征提取。

2 基于粗集的运动目标检测方法

通常图像中的背景和前景目标均是由不同颜色像素构成，本文假设图像采用RGB颜色模型表示，每个像素点由R、G、B三原色构成，不同R、G、B混合比例产生不同的视觉颜色。当三个颜色为（0，0，0）时表示黑色，三个颜色分量均为（255，255，255）表示白色[7]。本文假定图像中的运动目标本与背景之间存在颜色差异，考虑利用粗集理论为每帧图像中各前景目标建立基于颜色（R，G，B）和位置关系的粗集表示，通过上下近似集之差以及给定的边界宽度阈值确定目标物体的边界，进而计算得到运动目标质心，利用t时刻和t+1时刻运动目标的质心位置之差来计算目标移动距离，计算目标运动的方向和速度。

2.1 目标区域的提取

粗集是用于处理不确定、不一致、不完备数据的数学工具，其基本思想是利用论域中元组的不可分辨关系和等价类对未知知识进行上下近似集表示[8]。在基于图像的目标识别中我们可以利用目标区域的上下近似集来表示待识别目标。假定有论域U，x和y是论域U上的元组，a是属性，a（x）表示x元组对应属性a的值，则粗集中的不可分辨关系定义为：

对于未分类元组集合，以及不可分辨关系P，X的上近似集和下近似集分别表示为：

本文中我们将提取自监控视频的每帧图像中的像素看作论域，每个像素的属性包含（R，G，B，row，col），其中row表示像素的行号，col表示像素的列号，R，G，B表示像素的颜色信息。

为实现每帧图像中运动目标的快速识别，我们取3*3的像素区域为基本粒。若基本粒中所有像素点颜色均属于某给定阈值的目标颜色范围，则该基本粒归入目标区域的下近似集中，若基本粒中存在部分像素点颜色不属于给定的目标颜色范围，则将该基本粒归入目标区域的上近似集中。基于此方法，我们即可得到目标区域的上下近似集表示：

其中表示上近似集，表示下近似集，Gi表示基本像素粒子，p表示基本粒中的一个像素，RGB（p）表示p像素的颜色，ColorB表示背景区域的颜色范围。本文采用的目标提取算法描述如下：

步骤1：任取图像中的一个基本粒Gi，从Gi开始对选定区域进行扫描处理；

步骤2：对Gi中每个像素p进行扫描，

若Gi中的每个像素p颜色均在背景色阈值范围内，则Gi计入背景色；

若Gi中的每个像素p颜色均在背景色阈值范围之外，判断Gi是否与现有目标相邻，

若Gi与目标Oj相邻，则并将Gi计入目标Oj的下近似集中；

若Gi与现有所有目标均不相邻，则新建目标Onew，并计入Onew的下近似集；

若Gi中的部分像素p颜色不再背景色颜色阈值范围内，

若Gi与目标Oj相邻接，则Gi计入目标Oj的上近似集中；

若Gi与现有目标均不相邻，则新建目标Onew，并计入Onew的上近似集；

步骤3：对每个目标进行有效性识别，若目标Oj的仅包含1个基本粒，则此目标定义为伪目标；

步骤4：对每个有效目标Oj的上近似集和下近似集中的像素点进行差运算，获取目标边界区域，并对边界区域内部像素点进行二值化处理；计算得到目标的质心位置。endprint

由于实际图像中的每个基本粒中的像素颜色存在差异，可能存在某基本粒中某像素颜色不再背景颜色范围内的情况，如图1（a）所示的绿色矩形区域，目标本算将此类目标定义为伪目标加以去除。如图1（a）中的红色矩形框表示检测得到的有效目标上近似集区域，黄色矩形框表示有效检测目标的下近似集区域。（b）中的白色区域表示二值化处理之后的有效目标区域。

2.2 车辆状态提取

为准确提取视频中的车辆状态，首先需要消除因视频采集设备抖动发生的图像采集误差。为消除由于视频采集设备产生的运动目标位置误差，本文采用基于基准位置的抖动消除方法，在视频采集区域内设置基准目标区域，假定基准目标位置不会发生移动，对采集视频的每帧图像，根据基准目标位置重新计算每一帧中的像素位置，从而消除因视频采集设备本身不稳定产生的视频抖动情况。

另一方面，由于视频采集设备以及视频采集环境因素的影响，提取的视频关键帧中存在颜色失真情况，从而导致基于基本粒的目标区域识别可能产生部分伪目标区域。由于本文所提取目标为车辆，本文根据车辆特征可以剔除2.1节中的伪目标。本文中将识别出的所有目标下近似集所占像素数小于车辆目标像素大小的目标区域剔除，从而消除伪目标。对于识别出的车辆目标利用质心计算公式计算算出质心，并计算t时刻和t+1时刻帧之间质心的移动距离，从而计算出目标移动方向和速度。质心计算公式如下：

根据t和t+1时刻的目标i的质心位置A（，）和B（，），我们即可计算得到目标i从t到t+1时间范围内的移动距离，从而计算得到运动目标在AB方向上的移动速度，并可根据AB连线与车道线的防线夹角判断车辆是否存在变道行为。

3 实验仿真

本文利用视频采集设备采集济南市经十路千佛山路口附近车辆运行状况视频，采集时间2015年5月6日下午17：34：11，视频时间长度4：45。本文仅对车辆较少情况下的算法识别有效性进行验证，对视频开始1：42至1：45时间内的车辆运动状态进行识别。且为降低数据计算量，提高车辆状态识别准确度，本文设定了梯形识别区域，对选定区域内的车辆进行状态识别，如图2（a）所示是提取自原视频的1：42时刻关键帧，（b）所示是利用粗集提取到的目标区域二值图像，（c）是去除伪目标后的效果。

根据2.1节中的目标提取方法我们可以得到目标的上下近似集，利用上下近似集之差可以获得目标的边界范围，进而计算得到目标质心。进而对t+1时刻关键帧进行目标提取和伪目标去除，并计算t+1时刻目标质心，利用t时刻到t+1时刻目标质心移动距离和方向即可提取车辆目标的运动速度和方向。

4 总结

针对智能交通系统中的车辆状态识别问题，本文提出了基于视频的车辆状态提取算法。首先对交通视频进行关键帧提取，并对视频选定区域内的车辆目标进行识别。根据车辆目标的颜色特征与背景道路的颜色特征存在差异的特点，将选定区域划分为基本像素粒子，利用粗集理论对选定区域内的运行车辆进行上下近似集表示，从而获取车辆目标的边界区域。进而利用质心计算公式得到运动车辆在不同时刻的质心位置，计算得到车辆的运行状态。仿真实验表明，本文所提算法能够有效提取交通视频中的车辆运行状态信息，为智能交通系统提供必要的基础数据。

为进一步提高本文算法的效率和识别准确率，在未来研究中我们将考虑基于粗集的背景提取和融合算法，以获取更加准确的背景颜色阈值，实现针对不同背景条件下的车辆状态识别算法。

參考文献：

[1] 王忠华，王超. 联合帧间差分和边缘检测的运动目标检测算法[J]. 南昌大学学报：理科版，2017，41（1）：42-46.

[2] 沈瑜，王新新. 基于背景减法和帧间差分法的视频运动目标检测方法[J]. 自动化与仪器仪表，2017（4）：122-124.

[3] 赵晓刚，冯全，王书志. 一种基于帧间差分与模板匹配的河水表面流速测量方法[J]. 计算机应用与软件，2017，34（9）：68-71.

[4] 侯涛，李丹丹. 基于双背景建模与差分图像的轨道异物识别[J]. 兰州交通大学学报，2017，36（1）：47-50.

[5] 谌湘倩，马绍惠，须文波. 基于背景差分检测和改进GM-PHD滤波器的多目标跟踪[J]. 计算机工程，2017，43（1）：253-258.

[6] 潘峥嵘，钟珍珍，张宁. 改进的背景减法与五帧差分法相结合的运动目标检测[J]. 自动化与仪表，2017，32（7）：22-25.

[7] 李俊峰. 基于RGB色彩空间自然场景统计的无参考图像质量评价[J]. 自动化学报，2015，41（9）：1601-1615.

[8] 安利平，陈增强. 基于粗集的多准则决策分析[J]. 控制与决策，2013，28（1）：1-12.endprint