APP下载

基于多视点空间目标的高原公路交通行为检测

2021-11-17

计算机仿真 2021年7期
关键词:视点高原神经网络

胡 永

(1. 西藏民族大学信息工程学院,陕西 咸阳 712082;2. 西藏光信息处理与可视化技术重点实验室,陕西 咸阳 712082)

1 引言

高原公路由于地理条件特殊所处环境复杂,极易发生危险引发交通事故,驾驶员需要高度警惕,频繁操作车辆,不断变更行驶轨迹和行驶状态[1]。分析川藏公路、滇藏公路和兰新公路交通行为统计结果可知,高原公路线性结构与普通公路差异巨大,由于海拔不断攀升,高原公路设计时会采用连续纵坡技术,地形的限制导致纵坡数量大,坡度和坡长变化多样,再加上氧气含量低,初上高原者对环境不熟悉,高原地区重特大交通事故频繁发生。

减少高原公路事故多发难题一直是交通管理部门面临的严峻问题之一,常用的高原公路检测手段大多是视频检测,视频检测可以更直观的检测到高原公路上的情况,全面检测公路状况和事故原因[2]。针对高原公路的检测,常用的算法有加州算法、贝叶斯算法等,这些算法以交通参数宏观检测为基础,分析数据的变化,判断事故发生几率[3]。空间识别系统是近年空间领域不断发展的产物,分析探索目标所获数据,通过空间目标识别可以判断在高原行驶车辆的行驶轨迹、运动形态,预判交通行为[4]。常见的空间识别方法主要针对单轴旋转,但是目标成像时的姿态、大小随着观察物的运动产生变换,单轴旋转所建立的图像模型真实性较差,已经满足不了需求[5]。

本文针对高原公路的特殊性,以多视点空间法建立交通行为模型,把汽车模型放入建立好的多视点投影模型中心位置,利用组合不变矩灰度变换目标车辆彩色图像,经去抖处理待识别车辆图像,提取目标车辆图像中最需要的目标,依据提取目标,采用直方图均衡化算法来对图像进行增强处理。重点研究高原公路上车辆追尾、碰撞等常见问题,对车辆交通行为状态识别和分析,安全状态的判断,可以降低交通事故发生几率。

2 多视点空间目标检测高原交通行为

2.1 建立多视点投影模型

若要描述三维空间目标,需要收集多个不同视点的二维投影,匹配二维图像模型库已有图像特征与监控视频捕捉的车辆图像,因此建立数据庞大的二维图像模型库,对视频图像进行预处理,建立双轴旋转以经纬度划分区域的多视点投影模型是必要的[6]。

获取高原公路上行驶车辆多角度图像及参数,建立三维模型,对此模型做视觉空间划分,可得出多视点下的车辆二维图像库。如果只把车辆空间以三维坐标划分,模型以x轴为中心旋转,以10度为间隔获取图像,不同姿态的车辆形态坐标图片,能够获取36幅。但是车辆行驶轨迹未知,以单轴旋转为基础建立的二维图像模型库不完善,所以需要建立观察球,以经纬度的线条规律展开划分[7]。假设车辆静止,摄像机运动,获取的图像为双轴旋转。设定车辆与成像平面等距,图1为多视点投影模型成像原理。

图1 多视点投影模型

把汽车模型放入建立好的多视点投影模型中心位置,以经、纬度的线条规律划分小区域,从这些小区域观察车辆,得到不同观测角度绕双轴旋转的二维图像。观测角度发生变化时可看作车辆目标的方位角和俯视角产生变化。

2.2 目标车辆彩色图像获取

识别三维车辆时,不但要顾虑图像平移和比例变换,还要注意传感器、距离、视角问题造成的图像曲变和透视投影变换。本文以仿射变换代替复杂的投射投影计算。变量需具备比例、平移、仿射不变性。根据已有研究中提到的仿射不变矩与不变矩特点,将二者组合为组合不变矩以便提取车辆图像的特征[8]。图像基于目标等距和成像平面,比例的变化无需考虑。为降低计算量,不变矩由仿射不变量的前三个分量和已有研究的前四个分量组成。式(1)为区域B中函数f(x,y)的a+b阶原点矩定义方程

(1)

式(2)为区域B中图像函数f(x,y)的i+t阶中心距定义方程

(2)

其中(x0,y0)为图像重心,其中x0=M10/M00,y0=M01/M00。

式(3)为标准化中心距Iit定义方程

(3)

式(4)到式(7)是引用已有研究的前四个分量表达式

C1=I20+I02

(4)

(5)

C3=(I30-3I12)2+(3I21-I03)2

(6)

C4=(I30+I12)2+(I21+I03)2

(7)

式(8)到式(10)是仿射不变矩的前三个分量表达式

(8)

(9)

(10)

式(11)是组合不变矩:

C=(C1,C2,C3,C4,I1,I2,I3)

(11)

利用组合不变矩灰度变换目标车辆彩色图像,通过改变原始图像数据所占据的灰度范围而使图像在视觉上得到良好的改变。假定源图像f(x,y)的灰度范围为[a,b],利用组合不变矩变换后目标车辆彩色图像g(x,y)的灰度范围为[c,d],则线性变换可以表示为

(12)

2.3 视频图像去抖

因为采集的车辆图形是不同视角的,不变矩值差异易受视角变化影响,图像易产生抖动,因此本文采用BP神经网络中的Fletcher-Reeves共轭梯度法,原因是其计算机并行性和灵活性都很高,并且容错、学习、信息处理能力很强[9]。提高训练精度、加快训练速度。

神经网络结构运用三层式,输入层神经元个数为100,隐层神经元个数为120,输出层神经元个数为2。用原始信号和随机加入抖动信号的原始信号反复训练网络,提高网络的容错率。原始训练网络参数中,学习最大训练次数和训练要求精度分别为2000次和0.001。加抖动后信号训练的网络参数中,学习最大训练次数和训练要求精度分别为800次和0.005。两组参数反复训练15次,经去抖处理待识别车辆图像,提取目标车辆图像中最需要的目标,输入目标图像到经过训练的神经网络中,以此识别目标车辆趋势,为目标车辆交通行为检测奠定基础。

2.4 交通行为检测

依据提取目标,采用直方图均衡化算法来对图像进行增强处理。首先依据目标识别结果简单描述趋势区中的交通安全状况判断过程,再判定趋势区。趋势区中判断交通安全状况需要识别车辆的行为轨迹,安全的标准是:车道中心线(切线)和车辆行进方向的角度差值在相同方向变化所持续时间在规定范围内,如果时间超过这个范围,可以判定车辆行进趋势异常,车辆状况为不可控[10]。该规定范围是通过分析同一路段各相同车型正常行进的行驶趋势而得到。截取某时段监控视频车辆运行趋势,模拟车辆行进过程中角度差变化,变化过程见图2。

图2 车辆行进时角度差变化过程

在图2中可以明显观察车辆行进时角度差的变化,h(1)是视频第一帧计算的角度差,计算过程中满足h(r)>0,之后的计算r=1,2,…,n,h(n+1)≤0,视频采集设置每秒25帧,那么车辆行进趋势的差值在相同方向变化保持时间是n/25s。

以下为目标图像增强步骤:

1)将样本里的视频片段截取出来,标准是h(r)>0,h(r+1)≤0,样本片段共有r帧,h(r)是第r帧车道中心线(切线)和车辆行驶趋势的角度差值,车道中心线(切线)和车辆行驶趋势的第r+1帧图像的角度差值是h(r+1)。

5)在离散的图像中,表示直方图的每个灰度级的概率,在图像中,灰度级就可以看成是一个随机变量,而直方图就是该随机变量的概率密度函数使用求和代替积分,差分代替微分,所以变换函数为

(13)

式中,h(xi)表示直方图中每个灰度级像素的个数;w、h分别表示目标图像的宽和高。

将目标图像代入上述变换函数中,完成图像增强,将车辆最终的增强结果采用多视点空间目标与最小外接矩形结合检测的形式给出,只对车辆图片外接矩形内部的组合不变矩展开计算。不但提高运算速度还不会对矩不变性产生影响。具体检测步骤如下。

1)检测数据以第1车道数据为样本。

2)以检测到的第1车道车辆行驶方向发生改变为多视点空间目标,根据趋势区判定原则判定车辆行进状态。

3)当车辆行进到第2车道但是符合片段截取原则,仍然以第3车道判定原则判定;如果不符合第2车道的片段截取原则,就不依照第3车道判定原则判定,仍然以第2车道判定原则判定,以此类推。

由于实际应用时所涉及的角度变化区间很大,为0度到90度,因此若遇到事先未能采集到单位时间角度增加数区间样本情况,可以通过视频片段判断最小外接矩形,保存所需数据,将此样本判定为危险区,补充、完善此单位时间角度增加数模板[11,12]。危险区判定过程与趋势区报警判定过程相结合,安全状态下的预警过程如下:

1)分析视频图像,在行驶环境下,判断处于动态冲突区和静态冲突区的车辆相关目标。

2)以危险区判定方法判断车辆是否进入危险区,如果进入危险区,发生交通事故的概率增大,需要判断其处于动态冲突还是静态冲突。如果已经进入危险区则需要进入下一步操作。

(14)

3 实验结果

3.1 实验方案

本文选取多视点投影模型的交通行为样本图像80幅,平均分为两组,一组为训练样本,一组为测试样本,验证多视点空间目标的识别效果。对其中一个图像样本执行偏移、旋转、扭曲变化等操作,可获得8幅图像,其中4幅图像为训练样本另4幅为检测样本,统计在此条件下的识别效果。

3.2 实验结果分析

本文针对普通小轿车和大型运输车辆在高原公路的交通行为展开测试研究。提取样本特征,在神经网络中输入训练样本得出的组合不变矩向量用来训练,将经测试得出的特征向量输入到神经网络,测试系统性能,设定输入神经网络的训练样本和测试样本为理想图片,图像测试结果见表1。

表1 图像测试结果

从表1中可以看出,本文方法对高原公路交通行为识别正确率高,无论是多视角还是同视角下,对小轿车和运输车的识别都可以达到100%。

对图像的多视点空间识别同样需要将抖动干扰考虑进去,在神经网络中输入训练样本得出的组合不变矩向量用来训练,将连续两帧间的抖动加入测试样本中,输入经预处理流程提取出的组合不变矩特征向量到神经网络中。设定训练样本为理想图像,测试样本为抖动图像,其中A代表小轿车,B代表运输车,测试结果见表2。

表2 不同抖动程度图像测试结果

由表2可以看出,识别目标车辆的正确率很高,虽然随着抖动干扰的增大,原图像和经过预处理之后的图像差别较大,识别正确率有所降低,可能导致系统误判,但是从整体角度看,本文将神经网络和组合不变矩及去抖结合起来识别高原交通行为具备高精度,不受外界因素干扰,具有极强的鲁棒性。

将本文方法应用于川藏公路某路段,检测高原公路交通行为。此路段地形纵坡较大为事故高发段,每间隔1公里设置摄像机监控,所收集的监控视频样本会经过波分复用节点机传回交通部门的视频监控中心,判定发生交通事故概率。结果见图3。

图3 高原公路车辆行进趋势预判

图3为同一视点下采集的高原公路行驶车辆行进趋势图像,检测系统在图像上检测到货车在同一单位时间下角度增加时间超过临界值,极易出现事故,系统在危险发生前3秒发出报警,交通部门接受到报警,可以及时采取措施。本文方法对视频检测系统进行了改进和扩充,为高原公路交通行为提供了安全有效的保障。

以多视点空间目标结合视频检测对高原公路交通行为实施采样研究,发现可以更加准确的检测交通行为,所采集图像见图4。

图4 高原公路交通行为检测

高原路况复杂,极端天气多变,纵坡数量大,驾驶难度高,图4为某部队在高原公路进行长途运输,高原交通的恶劣环境,对于队形较长的运输队风险较高。本文方法可以良好判定样本图像中运输车辆交通行为,一旦交通行为进入危险趋势就会对系统发出报警,图4中所采集的样本未出现异常交通行为,因此未发出报警。

4 结论

本文利用多视点空间目标结合视频检测对高原公路交通行为实施检测,结合神经网络、组合不变矩去抖,对目标展开多角度、多事点采集,以监控视频为辅助,预判车辆行进趋势,评判危险行为并及时报警,为高原公路交通行为安全提供有效保障,降低事故发生机率。具体结果如下:

1)对高原公路交通行为识别正确率高,无论是多视角还是同视角下,对小轿车和运输车的识别都可以达到100%。

2)本文将神经网络和组合不变矩及去抖结合起来识别高原交通行为具备高精度,不受外界因素干扰,具有极强的鲁棒性。

3)对于队形较长的运输队,本文方法可以良好判定样本图像中运输车辆交通行为。

猜你喜欢

视点高原神经网络
基于神经网络的船舶电力系统故障诊断方法
基于人工智能LSTM循环神经网络的学习成绩预测
MIV-PSO-BP神经网络用户热负荷预测
虚拟视点插值中参考视图选择策略
高原往事
迸射
高原往事
高原往事
三次样条和二次删除相辅助的WASD神经网络与日本人口预测
环境视点