介紹

在基于視覺的交通監(jiān)控系統(tǒng)中，道路場景上的車輛檢測是第一步。有許多基于運(yùn)動的方法可用于基于視覺的車輛檢測。

背景建模是實(shí)現(xiàn)這一目標(biāo)的常用方法，其中運(yùn)動車輛被視為前景，靜止區(qū)域即道路被視為背景。

從背景建模技術(shù)中提取的夜間或昏暗光線下的前景既包含車輛，也包含高光。

如上所述，有效的車輛檢測在許多交通監(jiān)控項(xiàng)目中至關(guān)重要。在白天，車輛檢測已經(jīng)完成了許多工作。由于多種原因，夜間監(jiān)控視頻在檢測車輛方面面臨問題。車輛前照燈落在路上的高光是造成檢測干擾的主要原因之一。在車輛檢測中，由于突出顯示而增加的干擾會進(jìn)一步導(dǎo)致車輛尺寸過高或車輛跟蹤錯(cuò)誤。

在討論了這個(gè)博客背后的動機(jī)之后，讓我們了解解決當(dāng)前問題的方法。

方法

讓我們來介紹兩種主要的方法，它們有助于在夜間進(jìn)行有效的車輛檢測：

1.邊緣閾值：讓我們觀察下面的圖像，該圖像顯示幀的邊界邊緣貼圖（在前景遮罩上應(yīng)用Sobel過濾器后）邊界邊緣貼圖被評估。

可以清楚地看到，車輛有鋒利的邊緣。該因素在項(xiàng)目中得到利用，并且包含內(nèi)部邊緣像素（>閾值）的前景塊被歸類為車輛。

2.強(qiáng)度因子：在包含以下3個(gè)對象的幀中：車輛、高光和深色背景（因?yàn)槭褂昧艘归g視頻），強(qiáng)度水平的差異非常有用。由于高光比車輛更亮，因此采用最佳閾值來區(qū)分高強(qiáng)度塊和低強(qiáng)度塊。

進(jìn)一步修改

為了解決夜間車輛檢測中的一些問題，上述方法還包括以下因素：

1.大小限制：車輛和高光之間的一個(gè)重要區(qū)別因素是它們所在的塊的大小/數(shù)量。車輛在每個(gè)方向上占據(jù)許多連續(xù)的塊（可以認(rèn)為是一個(gè)矩形），而高光將占據(jù)較少的塊。在每個(gè)方向上應(yīng)用2-3個(gè)連續(xù)塊占用的閾值來移除高亮塊。

2.單獨(dú)亮點(diǎn)：有時(shí)路燈的亮點(diǎn)也會干擾車輛檢測。這種在前景塊中占用較少面積的燈光稱為單獨(dú)亮點(diǎn)。應(yīng)用區(qū)域約束（前景塊中前景像素小于5%）來去除這些單獨(dú)的亮點(diǎn)。

3.HSV顏色系數(shù)：有時(shí)由于車內(nèi)亮度區(qū)域較低或邊緣像素較少，車輛未被完全檢測到。當(dāng)車輛逐幀移動時(shí)，車輛的色調(diào)保持不變，這一特性可用于檢測車輛的整體或最大值。對HSV顏色的三個(gè)參數(shù)進(jìn)行了不同的約束條件下的試驗(yàn)，尋找合適的組合，以更好地檢測HSV。

結(jié)果

1.在第一組結(jié)果中，讓我們看看該方法是如何在夜間對視頻片段起作用的。

應(yīng)用邊緣閾值和最佳強(qiáng)度因子：在下面的兩幅圖像中，我們可以看到根據(jù)我們應(yīng)用的閾值檢測到較高的邊緣求和值。

邊和閾值=45

邊緣總和閾值= 45

在第一幅圖像中，落在道路上的高光也會隨著汽車一起被檢測到，而在第二幅圖像中，幾乎整個(gè)汽車都會被檢測到，道路上的高光也會降低。

2.在第二組結(jié)果中，描述了HSV因子的使用：

在應(yīng)用任何色調(diào)約束之前

應(yīng)用紅色色調(diào)約束后

可以看出，在第二圖像中，在應(yīng)用紅色色調(diào)約束之后，公交車的大部分被檢測到。

結(jié)論和未來的工作

我們已經(jīng)討論了用于去除主要在夜間干擾車輛檢測的高光的方法。在這一領(lǐng)域可以做更多的工作，因?yàn)槿杂性S多問題有待解決，如下所示：

孔填充可用于有效的車輛檢測。

可以更好地檢測白色車輛（因?yàn)樗鼈兊纳�調(diào)與高光相匹配）。

暴雨等天氣條件會進(jìn)一步導(dǎo)致上述方法的錯(cuò)誤。它們需要單獨(dú)處理。