一種車載公交專用道抓拍系統的設計?

汪超洋 彭定敏 黃繼文

（1.武漢郵電科學研究院 武漢 430070）（2.武漢長江通信智聯技術有限公司 武漢 430070）

1 引言

交通擁塞是各大城市面臨的一個嚴重問題，大力發展公共交通系統成為解決這一問題的出路之一。公交車專用道因其投資小、改造快，已經被很多城市所采用。然而公交專用道經常會被社會車輛占用，導致原本快捷的公交車道通暢度下降，不再快捷。目前，為了糾正這一現象，各城市最常見的解決方法是在路邊安裝固定式檢測系統，定點對占用公交車道的違規車輛進行抓拍。然而，該系統監控范圍有限，時間長了容易被識別，社會車輛可以刻意回避，導致該系統起不到檢測違規車輛的作用［1］。本文提出的方案，能避免傳統公交車道抓拍系統的這些問題，同時采用先進的視頻圖像處理技術，識別社會車輛占用公交專用道的違章行為，從而提高公交專用道的暢通度。

2 系統框架與難點分析

本文的占道抓拍系統流程如圖1所示。步驟主要包括GPS定位、車道線檢測、車輛檢測、車牌檢測。對于不同的公交車路線，要繪制出不同的公交專用道GPS地圖，即事先采集好公交專用道的GPS數據。在公交運行時，對采集的GPS數據與公交專用道地圖的GPS數據進行匹配，若在一定范圍內，才會啟動抓拍算法。

公交車運行時，采集的視頻背景復雜，視頻源中存在噪聲與抖動，導致出現背景幀差，這對運動目標檢測是容易造成誤判的。為方便后續處理，必須對圖像進行預處理，對視頻源進行去抖，運用數學形態學進行圖像濾波與降噪。

圖1 系統流程圖

要實現準確地占道抓拍，關鍵點在于識別出公交專用道車道線，檢測出違規社會車輛，提取出具體的車牌號碼。然而在繁忙的城市道路上，除了汽車壓線還存在各種各樣的情況干擾車道線的檢測，如房屋樹木的陰影，路邊騎車的行人，道路破損，陰雨下雪天氣等。因此在進行車道線檢測前，對攝像頭獲取的圖像進行預處理，可以濾除噪聲，突出車道線的特征，提高檢測的準確度［2］。

考慮到攝像頭遮擋造成的識別錯誤問題，攝像頭的安裝位置應該是公交車前車頂部中央，呈一定角度向下，這樣可有效采集到公交專用道的范圍區域，避免普通小車對視線的遮擋。同時安裝攝像頭時應添加防雨裝置，防止雨水淋到攝像頭。

3 算法介紹

3.1 圖像預處理

圖像預處理主要包括設置感興趣區域（RIO）、灰度化、二值化、圖像濾波、邊緣檢測、鄰近算法。通過設置RIO，可以排除攝像頭視場內絕大部分干擾，縮小算法處理范圍，提高算法運行效率，如圖2所示為攝像頭獲取的圖像，圖3為ROI區域圖像通過二值化可以在取出大部分圖像背景的同時，保留亮度較高的車道線。

圖2 原始圖像

圖3 RIO區域圖像

可以看出車道線在ROI下半區域比較明顯，上半區域顏色會較淺，在進行二值化時，就需要分兩部分進行，下半部分的閾值可以設置高一點，上半部分的閾值設置低一點，以免上半部分的車道線被過濾掉。

3.2 車道線識別檢測

在攝像頭采集的道路圖像中，近區和遠區的車道線特征不相同，在近區車道線近似為直線，而在遠區近似為二次曲線的形式，因此為了提高檢測的實時性和準確度，對每幀圖像中設置一條近區遠區分界線。

針對本文的需求，只關注道路的前半部分。采用Hough變換，對近區的兩條車道線進行檢測。國內的公交車道寬度都是有一定范圍的，根據攝像頭的安裝高度與角度，可以估計出車道線的大體位置，是關于中線對稱的兩個傾斜的梯形區域?？梢岳眠@一特性，降低Hough變換的計算次數［3～5］，提高算法的速度。

同時，并不是每一幀都從頭開始搜索車道線。在實際應用中，兩幀之間的車道線區域變化并不明顯，所以當上一幀檢測到車道線時，應根據上一幀車道線的位置，在該車道線兩側各擴大一定角度，動態地劃定一個ROI范圍，擴大的角度根據安裝攝像頭的視角而定，根據實際測試，通常為正負10°范圍內，這樣能進一步減小Hough變換的檢測區域。由于車道線的傾斜角度在-75°～-40°與40°～75°之間，所以只需在這樣一個小的區域內進行定向直線檢測［6］。當在這樣動態劃定的ROI區域內搜索不到車道線時，再重新把ROI范圍擴大到初始矩形區域。檢測完畢后可以得到如下結果：

左右車道線皆存在：此時公交車在車道內正常行駛；

只有左車道線存在：此時公交車可能對應左轉彎、壓線或車道線不清楚；

只有右車導線存在：此時公交車可能對應右轉彎、壓線或車道線不清楚；

左右皆無車道線：此時可能對應公交車剛開始啟動或與車道線方向近乎垂直。

3.3 車輛檢測算法

現有的前車檢測方法主要分為基于先驗知識檢測的方法，基于運動跟蹤檢測的方法以及雙目立體視覺檢測的方法。由于本文檢測車輛的區域僅在公交專用道范圍內，目標占檢測區域的面積比較大，故采用先驗知識檢測方法就能達到理想的效果。

無論在什么情況下，目標車底部都會有陰影存在。車底陰影的灰度值是低于路面的，根據這一特性，計算出ROI路面區域的灰度均值μ和方差σ，以μ-3σ為閾值二值化路面，經過濾波后可得到車底陰影［7～9］。為了減少車輛輪廓提取的誤差，將車底陰影長度向左右各延長5%，并以該長度的90%向上截取一個矩形區，可得到車輛的輪廓。

視頻圖像鄰幀間隔時間短，車輛底部陰影的位置以及長度不會發生大的位置突變，在變化閾值允許的范圍內，可對該陰影區域打上標號并跟蹤，直至陰影從ROI區域消失。

3.4 車牌識別算法

對于我國大陸地區小型機動車車牌，具有如下幾個特征：

1）車牌尺寸為440mm×140mm，寬度與高度的比例大約為3∶1。

2）車牌顏色為民用的藍底白字、黃底黑字，軍警用的白底黑字以及特殊部門的黑底白字。

3）車牌上字符大小為45mm×90mm。

針對以上特點，本文主要介紹以家用藍底白字的小轎車為例的識別方法。車牌識別流程如圖4所示。

圖4 車牌識別流程圖

顏色空間HSV模型是根據顏色的直觀特性創建的一種六角錐體模型。與RGB顏色模型中的每個分量都代表一種顏色不同的是，HSV模型中每個分量并不代表一種顏色，而分別是：色調H，飽和度S，明度V［10］，H分量是HSV模型中唯一決定顏色本質的分量。根據多次實驗將H分量范圍取100至125，S分量取0.35至1，V分量取0.35至1時，能把藍色車牌區域保存下來的同時，濾去其他物體的干擾，如圖5和圖6所示。

這種基于顏色定位的方法在遇到車身為藍色的轎車以及在夜晚的環境下，效果會很差，所以當基于顏色定位失敗時，采用Sobel水平方向邊緣檢測的定位方法。

圖5 RGB圖像

圖6 HSV空間圖像

通過HSV顏色空間過濾以及sobel邊緣檢測，可以將疑似車牌區域有效地提取出來，再通過長寬比例進一步篩選，剩下來的候選項如圖7所示。

圖7 車牌初定位圖

可以看到，有些車牌是有一定的傾斜角度的，需將車牌還原成水平圖像才能進行后續處理，這里要用仿射變換進行矯正。仿射變換（Affine Transformation）是指在幾何中，一個向量空間進行了一次線性變換并接上一個平移，變換到另一個向量空間的過程。同過仿射變換，能保持二維圖像的平直性和平行性。一次仿射變換可以表示為乘以一個矩陣再加上一個向量的形式。

使用矩陣A和B對二維向量做變換，可表示為如下形式。

還原角度的具體步驟為

1）提取車牌邊框；

2）計算出傾斜角度；

3）根據傾斜角度計算出旋轉變換矩陣；

4）通過旋轉矩陣進行仿射變換還原車牌的角度［11］。

把每個滿足要求的候選區域用支持向量機（Support Vector Machine，SVM）作為分類器進行分類。對于有傾斜角度的車牌區域，通過仿射變換，把車牌區域扭正后，輸入到SVM分類器進行預測，正確預測的話就只有一個結果［12～15］，最終結果如圖8所示。

圖8 最終車牌圖

以上分類過程中最關鍵的一步是對分類器進行訓練。支持向量機是一種模式識別算法，它源于二分類的監督學習（supervised-learning）算法。監督學習是通過標簽數據進行學習的機器學習算法。用戶需要用一些標簽數據來訓練算法，標簽數據是指每個樣本都應該屬于某個具體的類。SVM會創建一個或多個超平面，這些超平面可用來判斷數據屬于哪個類。一個經典的SVM實例是，對一個只有兩個類的二維平面的點集合，SVM搜索的最優直線將不同類的點分開。在開始分類之前，需要訓練分類器，該工作主要在應用開始之前完成，這稱為離線訓練。離線訓練需要充足的數據來訓練系統，但不是數據集越大就能得到最好的結果。本項目拍攝數百張汽車照片，然后預處理并分割它們。首先要準備好一個正樣本集和一個負樣本集，將裁剪好尺寸的車牌圖片放入正樣本文件夾，把干擾物體的圖片放入負樣本文件夾，如圖9所示。

圖9 正負樣本集

得到車牌圖像后，采用垂直投影直方圖分割方法，把車牌各個字符分割提取出來，最后運用模版匹配獲得具體的車牌號碼［16］，并把結果上傳至管理平臺。圖10為公交調度屏界面，圖11為平臺界面。

圖10 調度屏界面

圖11 平臺界面

4 結語

本文根據車載公交專用道抓拍系統的具體需求，提出一種解決方案，并介紹了該方案的主要原理和算法。經實驗，本方案能有效抓拍公交專用道違章車輛，準確度達到86%，其中誤拍率為5%，漏拍率為9%，在一些光線復雜，車流密集的情況下，準確率仍能在80%以上。通過該方案能間接緩解城市快速公交的擁堵現狀，應用前景廣泛。