基于图像轨迹代数运算的车辆监测技术与判定

任冠华

(江苏联合职业技术学院宜兴分院，江苏 宜兴 214206)

0 前言

随着汽车保有量的增加，对我国的交通监管提出了更高的要求，也促进了我国现代城市交通管理水平的提升。道路车辆智能监测记录系统能够对肇事汽车、违章汽车、黑名单汽车等进行快速识别和数据采集，为提高智慧交通服务水平，保障城市综合交通网络顺畅运行，为交通违法、交通事故逃逸、机动汽车盗抢等案件的及时侦破提供了重要的信息和证据。

1 道路汽车监测系统类型

1.1 雷达监测系统

雷达监测系统将雷达波发射到行驶的汽车上，根据反射信号进行技术处理，得到目标车辆的速度参数。在道路路口处安装雷达，可以运用雷达的发射时间间距和测速波长，推测出车辆某一时间段的行驶速度，判断车辆是否存在超速行为，达到对车辆监测的目的。雷达监测系统是一种被普遍使用且成本较低的速度监测系统，安装在路口或者有需要的地方，能实现对车辆的监测和分析。但在有信号干扰的情况下，雷达监测系统不具备良好的成像条件，不能及时和准确地留取车辆详细信息，无法发挥监测功能，需要有与其匹配的仪器如激光测速仪等，才能使雷达监测系统保持良好的监测功能。激光测速仪的有效测速距离比雷达测速仪远，测速精度更高，取证能力更强，耗电量更低，因而在全世界范围内得到了广泛认可和推广。

1.2 卫星监测系统

卫星监测系统能够实现24 h全天候监测，实时收发照片，是目前最先进的智能交通监测技术之一。我国的北斗卫星系统已初具规模，能够在我国的领空形成密布而有序的监测网络，全方位提升国家安全能力。卫星监测系统是智能交通监测的重要手段之一，但卫星检测系统的应用成本较高，能源消耗较大。

1.3 红外线监测系统

在智能交通中，红外线监测系统类似于雷达监测系统，通过各道路路口安装的红外线仪器，对车辆的行进过程进行监测。红外线监测系统是检测红外线被车辆遮挡的时间来判断目标车辆的速度，这对仪器的使用和制造提出了较高要求。红外线监测系统可在夜间进行监测和探查，且不受外在因素影响。由于红外线监测系统极易损坏，所以需要及时修理和更换，避免对仪器设备的正常使用造成不便。

2 图像轨迹代数运算

在图像处理技术中，只要满足两帧图像的矩阵大小和维数相同，就可对图像对应的像元进行加、减、乘、除等代数运算。基于图像的接触网异物检测主要是检测出异物的大小和形状，并在检测过程中将采集图像与模板图像进行比对，找寻两帧图像的差异性。采用代数运算法对图像进行减法运算，可以判别出两张图像的差异性。

若经过运算处理后的两帧图像存在差异性，并不能确定接触网间存在异物，还应对存在差异的图像进行处理。采用上述方法，对差异图像进行直方图均衡化运算及滤波、阀值分割、边缘检测等处理，才能得到真正的异物图像。

3 汽车轨迹级联预测道路状况

汽车轨迹级联预测方法是利用汽车摄像头采集到的道路图像信息，通过软件分析车辆当前所处位置并提供相应的处理方法。路径识别处理方式包括常规道路识别处理、交通灯识别处理、停车标志识别处理和障碍物识别处理等。其中，常规道路识别处理又包括单车道、双车道、十字路口及有行驶方向标识的路口等。道路交通流运行方向控制采用“比例-积分-微分”(PID)控制算法。图像采集模块是计算机硬件部分最重要的组成部分，系统所需的大多数信息均来自视觉信号如道路标识、交通图案、交通信号等。计算机软件部分则主要包括道路识别与方向控制模块、脉冲宽度调制(PWM)输出模块及串口通信模块。

3.1 常规道路识别处理

将常规道路图像信息像素调整成为高度160像素、宽度120像素，由于事先已对采集到的样本图像进行了分析，因此不必再对整幅图像进行处理。道路图像的有效部分的图像区域为36行至50行，以及最后20行的区域，可以认定该区域是交通灯箭头所在的区域。由事先采集的样本图像可知，当从道路图像的中心位置分别向左右遍历图像所有像素值时，会有明显的黑白分界线，像素值从255突变为成0。这被认定为图像的边界值，可利用此特征寻找道路的边线。

若图像的边界值一直保持递增或递减的变化趋势，说明此时汽车处于直道上，图像的中心像素值等于两边界像素值之和的平均值；若图像边界像素值突然从连续增加变为连续减小或从连续减小变为连续增加时，说明汽车即将到达十字路口，在图像上边界像素值发生相反变化的第1个像素点即为折点，且图像在折点后的其他行的中心像素值等于上一行的中心像素值。此外，当图像中某一行找到的边界像素值突然距离图像的中心像素值很近，并且在该行后几行的边界像素值又回归到30左右的正常水平，说明汽车已到达道路地面上有行驶方向标识的路口，需要通过判断指示箭头的朝向来确定箭头所在行的中心像素值。若箭头朝向为向左，则程序设定这几行的中心像素值会逐渐减小，反之亦然。

在讨论图像某行中心值时，应首先判别汽车所处的道路是直行道还是弯道。弯道图像中每一行的边界像素值变化都较大，而直行道图像中每一行的边界只相差1个像素值。弯道图像的中心像素值由上一行的中心像素值和该行及边界的趋势决定，直行道图像则需要根据找到的边界像素值预估出尚未找到边界的那些行的边界像素值，然后使每一行的中心像素值等于左右边界像素值之和的平均值。

当无法找到左右边界时，应采用手动调整，使每一行的中心像素值等于上一行的中心像素值。在处理每幅图像时，首先要找第1行的边界，并将其作为标定行。因此，针对左右边界都无法找到的图像，其每一行的中心像素值都是相同的，且都等于第1行的中心像素值。

3.2 交通灯识别处理

在设计交通灯识别算法时，采用霍夫圆检测方法来检测交通灯。在前期试验阶段，使用微软公司开发的Visual Studio 2010软件结合OpenCV软件模拟真实道路交通灯的仿真检测，如图1 所示。由图1可见，3个交通灯图像都能被找到，检测效果较好。由于这是在静态图像上进行处理，因此图像效果较好，并未受到太多干扰。但将该段代码移植到指令地址寄存器(IAR)的开发环境下进行测试时，效果并不理想，其边缘检测Canny算子的阈值、圆半径的设置、类间距离及其他霍夫变换的参数均难以调整到理想的状态。因此，可根据实际情况，将霍夫圆检测方法转化为识别算法。

图1 交通灯的仿真检测

将指示灯设置为左、中、右3个方向，本文重点介绍左转向指示灯的识别，其他2种情况可依此类推。交通灯检测流程如图2所示。

图2 交通灯检测流程

当指示灯亮起时，经过图像二值化处理后，图像中指示灯所在范围呈现为白色，其背景为黑色。在二维图像中左转向箭头具有以下特征：① 箭头的左半部分呈阶梯状，箭头最左端会有尖点；② 箭头的右半部分呈矩形状，在尖点所在行可找到箭头的右边界，将该右边界的上下行进行对比，观察边界像素值的变化是否趋弱或者呈近似于直线状。当在某段区域中检测到符合上述特征的图像时，就可判定为找到了左转向箭头。

3.3 障碍物识别处理

在障碍物的识别检测过程中，障碍物采用1个长15 cm、宽8 cm的矩形物体。该矩形物体表面用黑色胶带裹住，放至跑道偏左的位置。对于障碍物的识别，在算法上主要以图像边界像素值的连续性和完整性作为判别方式。

障碍物识别流程如图3所示。若图像中一边的边界像素值和上下两行的边界像素值相差为20时，可初步判断发生了突变，并判定为障碍物。为避免障碍物与路口出现的转向指示标志混淆，需要系统程序对障碍物图像特征进行判断。将找到的边界像素值发生突变的点作为起点，系统程序分别向左、向右、向上统计黑白点出现的数目，如果向左和向上统计到的黑点数目都大于7个像素值，向右统计到的白点数目大于20个像素值，则可初步判断为找到障碍物，然后再根据图像特征继续进行判断。从突变点开始，判断此后的连续若干行是否与每行仅相差1个像素值或者与边界像素值相等。如果符合上述结论，则可判断为已找到了障碍物。为使拟合出的中心线较为平滑，系统程序需要重新计算图像每一行的中心像素值。

图3 障碍物识别流程

4 结语

基于视频的汽车监测与追踪系统其应用环境是动态且复杂的，待监测目标种类多样，环境中的建筑物、广告牌、标识、树木等都会使背景图像更为复杂，而天气、光线突变等因素也会对目标监测造成一定影响，因此对目标监测与追踪算法提出了更高的要求。

本文构建了适用于真实交通复杂环境的视频汽车监测与追踪系统，测试验证了多个场景下的目标监测与追踪效果，并提供了相关的试验数据，具有较强的实用性。对图像轨迹进行代数运算，有助于增强图像的清晰度，方便车辆行驶轨迹的监测与判定，可有效提升城市交通管理体系的智能化水平。