交通监控视频图像语义分割及其拼接方法

交通监控视频图像语义分割及其拼接方法

李才景

桂林长海发展有限责任公司 广西壮族自治区 541001

摘要：随着我国经济在快速发展，社会在不断进步，交通行业发展十分迅速，在当前我国国内交通中使用的交通视频检测器和传统的检测器两者进行比较的话，当前是视频检测器占据着极大的优势，并且在近一些年来在职能交通系统当中也得到了广泛的使用。目前我们使用的交通视频检测器当中有着诸多的优点，但是其内部仍然有着一些不足之处，需要我们去进行解决。

关键词：交通视频监控;车辆检测;分割方式分析

引言

智能视频交通监控技术是当前监控领域的研究热点。它利用视频图像处理、模式识别、人工智能等领域的先进技术,对摄像机拍摄的图像序列进行自动分析,实现对交通场景中的车辆、行人等目标的检测、分类和跟踪,并在此基础上对被监控目标的行为进行描述和判别,从而在完成日常管理的同时能对交通事件做出及时反应。智能交通视频监控系统的检测流程大致分4个部分,分别为运动目标分割、目标分类、目标跟踪和行为理解。其中,运动目标分割和目标跟踪是智能视频交通监控系统的关键技术。本文将按照以上的系统结构,介绍智能视频交通监控技术各个部分的研究现状,重点是近年来在运动目标分割和目标跟踪领域所取得的研究成果。

1交通视频中进行图像处理的重要性

交通视频检测系统的摄像机在工作时面临的是自然气象条件，这就意味着它要受到各种自然条件的干扰，比如强光、雾霾、粉尘、街灯等，由于光照条件不同所引起的图像差异远远大于由于人的不同所引起的图像差异，即使是在相同光照条件下，由于镜面反射的存在，同一物体的不同表面对光的反射不同，再加上粉尘、雾霾等的影响，从不同视角反映出来的图像有很大差异。外界光照的方向和强度还会随着时间不断发生变化，这些因素会导致采集的图像不清晰、重影、有阴影等，给基于视频的检测带来很大的难度。而视觉检测必须借助外界光线才能够获取图像信息，所以要把图像中的车辆信息完整清晰的反应出来，就要对静止的视频图像序列（即每帧图像）进行预处理。这些处理会涵盖图像色彩模式转换、格式转换、算法处理等。

2交通监控视频图像语义分割及其拼接方法

2.1正射影像位置检索

正射影像是城市基础地理信息数据，具有信息齐全饱满、色调清晰均匀、反差适中平衡的图像特点，为此，本文选取高精度正射影像（分辨率＜０．１ｍ）作为拼接背景，实现对于交通视频的高质量拼接。依据视频具有的地名地址信息并结合图像中地物形状特征精确获取目标区域的正射影像。通常，每一个交通监控视频属性数据中都蕴含其对应的地名地址信息，例如北京市某十字路口的监控视频中附带“莲花池西路万丰路枪向南”信息，基于此地名地址可获得初步的位置信息（经纬度），实现正射影像的粗定位。为获取最佳正射影像位置，本文基于交通监控视频中的地物形状特征作进一步精细检索。

2.2基于主动轮廓线的跟踪算法

主动轮廓线又被称为Snake模型,由Kass在1987年提出。其思想是以构成轮廓线的控制点为模板,通过模板自身的模型力产生形变,使其与目标轮廓拟合,再通过对模板的连续处理实现对目标的跟踪。在实际应用中,Snake模型与卡尔曼滤波器联合使用能够获得较好的跟踪效果,如NPeterfreund采用基于卡尔曼滤波器的主动轮廓线跟踪车辆和晃动的手,取得了良好的跟踪效果。模型自身也在不断的发展,如Snake“气球”模型和GVFSnake模型的模型力更加精确合理,轮廓线能够更加精确地逼进目标的真实轮廓。使用基于水平集理论的Snake模型实现了多目标跟踪领域的突破。相对于区域跟踪,基于主动轮廓线的跟踪计算复杂度降低了,但跟踪精度也随之降低,同时处理遮挡问题也是基于变形模板跟踪算法的难点。

2.3检测线法的探讨分析

对于检测线法来讲，它主要是在待检测的图像上进行设置相应的检测线，检测线类似于埋于低下的感应线圈传感器。它设置的检测方向需要和车辆的行驶方向处于一个垂直，当车辆在通过检测线的时候，检测线位置上的图像会按照车辆的覆盖从而发生改变，并且当检测线上方的物体覆盖检测线宽度的时候，便会默认为是车辆通过。因此当前主要是采用固定的人工设置宽度来进行检测，主要是使用道路交通上面的白色字符来做为标记进行检测。检测线方法是一种较为简单的方式，这种方式在高速公路当中已经取得了比较好的成果，但是却不太适合行驶较为复杂的道路例如十字路口等等。

2.4阴影检测

阴影检测是交通视频监控系统的一项重要且具有挑战性的工作。运动目标车辆由于受各种光源的影响会产生阴影，而阴影与运动目标车辆具有相似的视觉特征和运动特征，所以前面介绍的车辆检测方法都不能有效地将阴影检测出来。阴影的存在会使车辆检测和跟踪产生误差，给交通参数的提取带来很大误差，因而阴影的检测与去除是视频检测的重点和难点。根据阴影形成的不同原理可以把阴影分成不同的类型，而不同类型的阴影又有不同的特点，这给阴影的检测和提取提供了可能。目前，阴影检测方法通常包括两大类：一类是基于阴影属性如颜色不变性、纹理不变性、低频性质等属性的检测技术，另一类是基于应用场景先验知识的模型的阴影检测。

2.5基于全卷积神经网络的图像语义分割

特征点匹配是拼接过程中最复杂的一环，现有方法多依据图像几何特征进行特征点匹配，这种方法容易出现误匹配的现象。图像语义分割技术是指使用一定的分类方法对图像进行像素分类，分割结果可以提供图像的高阶语义信息，对环境有更高的解析，为了提高现有视频拼接技术的准确性与鲁棒性，本文利用图像语义分割的结果对特征点提取和匹配的区域进行约束，进而提高匹配的速度和准确率。

2.6基于动态轮廓的方式分析

基于动态轮廓的方式其内部的思想主要是先构建出车辆的轮廓并且在后期不断的进行完善操作，这种方式的缺点主要是体现在阴影或者是道路拥挤的情况下检测的效果便会变得十分的差，并且还可能在一定的程度上造成漏检或者误检的情况发生。这种方式也和模型方式一样只能使用与小型的公路交通进行检测。

2.7基于目标局部特征的跟踪算法

算法放弃了把目标作为整体进行跟踪的思想,而是利用目标的某个或某些局部特征进行匹配,实现对目标的跟踪。该算法的优点是能够在一定程度上解决部分遮挡问题,与预测算法联合使用,具有较好的跟踪效果。如JWHsieh等人采用“线”特征跟踪车辆,并使用Kalman滤波器预测目标位置,实现了对高速公路上车辆的实时跟踪,并能较好地解决由阴影导致的部分遮挡问题。基于特征的跟踪算法的难点主要是如何确定运动目标的唯一特征集。若采用特征过多,系统效率将降低,且易产生错误,对这一问题进行了讨论。目前跟踪算法使用的特征主要有角点、边缘、轮廓、颜色等。

结语

智能视频交通监控系统有着巨大的应用价值和理论研究意义,近年来在该方面的研究和应用十分活跃。本文对智能视频交通监控系统涉及的方法和理论进行了系统的综述和分析,探讨了现有各种方法的优势和特点及其存在的问题,提出了当前智能视频交通监控系统亟待解决的问题和今后的发展趋势。

参考文献

［1］刘洋．交通视频监控中车辆识别与粘连车辆分割方法的研究［D］．华南理工大学，2012．

［2］彭雅芳．交通事件视频检测系统中图像处理算法的研究［D］．武汉理工大学，2009．

［3］田野．交通视频监控中目标检测与分类技术研究［D］．北京邮电大学，2009．

［4］严捷丰．交通视频监控中的车辆检测与分割方法研究［D］．中国科学技术大学，2008．

［5］周凯．交通视频监控系统中运动目标特征提取与数据传输实时性保证的研究［D］．同济大学，2007．