采用视觉长度和视觉宽度的车辆检测方法

【摘要】为满足目前视频交通监测系统的实时性要求，提出一种基于视觉长度和视觉宽度的车辆检测方法，首先介绍了视觉长度与视觉宽度的概念，再依据五种车型的视觉长度和视觉宽度的经验值，对车辆进行车型分类，以实现检测车辆的目的。

【关键字】车辆检测；车型识别；视觉长度

一、 引言

在视频序列中提取背景进行分析能降低无关信息的干扰，从而减少运算时间。为了减少计算的复杂性，许多方法都提出把视频图像分成背景和前景（运动目标）。背景在一段时间周期内是静止不变的，而运动目标图像则只包含前景物体。

一旦得到一个精确的背景，通过输入视频图像与背景的差减法就可以获得运动目标。经过粗略目标检测后，需要将前景中车辆进行识别与分割。迄今为止，准确的车型识别技术仍是智能交通监测技术中的一个关键的课题，图像检测领域里的一个热点。在车型识别技术中，车辆的分割技术对后续处理和准确参数的获得有着至关重要的作用。目前，较多的采用基于神经网络的车型识别方法[1]，但由于神经网络存在有隐层结构无规律可循，容易陷入局部极小值等缺陷；此外，基于灰度处理的车型识别方法对外在环境的影响较为敏感[2]；基于纹理特征的车型识别技术算法复杂[3]。本文提出了一种基于视觉长度和视觉宽度的车型识别方法能有效的检测出监视区域中的车辆，并且算法简单，可以用于实时系统。

二、视觉长度与视觉宽度

因为不同的车辆具有可区别的长度与宽度，车辆的大小是最好的用来识别的不同的车型的最重要参数。由于像平面长度的单位是像素，车辆在像平面上不同的位置，意味着车辆长度的像素长度也会不同。无论车辆在图像的哪个位置，都必须推算出车辆轮廓的精确长度。

1.视觉长度和视觉宽度的定义

图1（a）所示是用几何光学原理来找出像平面上像素长度R与地面上视觉长度Dh1的关系。虚线F是CCD摄像机的中心线，而Dh1是超过虚线F的车辆视觉长度。R1和R2是像平面上的像素长度，Rp是CCD摄像机的像素垂直长度，H是摄像机安装的高度，f是镜头的焦距，θ是摄像头安装的俯仰角。

图1图像与地平面间的视觉长度与视觉宽度

根据摄像机安装的高度和俯仰角，可以得到H和F之间的关系：

2.各种车型的视觉长度和视觉宽度

通过实验与测试结果，计算得到5种不同车型平均的视觉长度与视觉宽度，虽然车辆的高度会造成视觉长度的一些小的误差，但是仍然可以用如表1所示的参数获知被检测车车辆的车型。

表1不同车型的视觉长度与视觉宽度

车型平均视觉长度（m）平均视觉宽度（m）轿车5.12841.5542运动型多功能车6.27931.7164厢式货车6.83901.9483微型货车6.81932.4164卡车/公共汽车16.49363.5013

三、车型识别方法

1.车型识别的预分类

不同类型的车辆有不同的长度与宽度，因此可以根据车辆的长度与宽度预分类：

表2车辆的预分类

大型车辆视觉长度为15～17m，视觉宽度为3～4 m公共汽车或卡车小型车辆视觉长度为4.5～7.5 m，视觉宽度为1.4～3.0 m厢式货车、运动型多功能车、轿车、微型货车

2.水平面上的边缘检测和量化

用CCD摄像机拍摄的图像序列，摄像头安装方位与运动目标的运动方向有关。通过目标分割后，每个目标都以一个宽为X，高为Y的边框标记。水平面边界的厚度就会大于1个像素，本文将用文献[5]中的非局部最大抑制法和边缘滞后阀值法使每个水平边界的厚度为1个像素。那些水平投影边界表示，车辆的车顶边界、后窗边界、汽车行李箱的边界等等，这些可以用来测量相应的视觉长度。

3.测量车辆的轮廓线

两条重要相邻水平边界线之间的垂直距离表示车顶的视觉长度，后窗的视觉长度，汽车行李箱的视觉长度。

表3不同种类小型车的车顶的视觉宽度

车型车顶的平均视觉长度（m）轿车1.1950运动型多功能车1.7298厢式货车2.3086微型货车0.8

四、 算法实现与分析

基于视觉长度和视觉宽度的车型识别方法，在P4 2.8G，512MB内存下进行车辆检测的测试。

图2车辆检测与分割图像

背景模型建立之后，车辆目标就可以通过车辆检测算法从视频帧中分割出来，运用本文的算法，车辆的平均检测率大于92%，且对每帧的平均处理时间少于28 msec。实验结果表明，由于光照条件的突然改变可能导致车辆轮廓的模糊、前景和边界信息的数据减少，因此在晚上车辆检测的正确率比在能见度好的天气情况下（比如黎明、多云、雨天和中午）低。但是尾灯的反射会给车辆检测带来足够的信息。

五、结论和展望

本文提出了一种基于视觉长度与视觉宽度的车辆检测方法，该方法运用光学原理与几何方法获得视觉长度与视觉宽度，并用以对图像中的车辆进行检测与分类。此法能适应光线的渐变和不同的天气环境，且算法简单易实现，检测率高，能运用于实时的系统。

参考文献

[1]欧卫华，唐东黎，闻斌.基于遗传优化的模糊神经网络车型识别[J].湖南工业大学学报，2010，24（2）： 4.

[2]袁理.基于灰色理论的车辆分类统计与流量预测[J].计算机与数字工程，2010，38（2） 6.

[3]马蓓，张乐.基于纹理特征的汽车车型识别[J].电子科技，2010，23（2）：94＼|7.

[4]John Francis Canny.Finding edges and lines in images[M].Cambridge，MA，USA：Massachusetts Institute of Technology，1983.

[5]J.R.Parker.Algorithms for Image processing and Computer Visoion[M]].New York：Wiley，2010.