论高速公路网络监控系统的智能化[三]
详细内容
三、实现智能化监控软件算法的方法
上述高速公路监控系统的智能化功能，均需要智能软件算法完成，限于篇幅，这里不能一一介绍。其中车辆检测的定位与跟踪算法大致可分为如下四类：基于区域的方法，基于主动轮廓的方法，基于特征的方法，基于模型的方法；但也可以简单分为基于二维的方法和基于三维模型的方法。基于二维的方法，本身具有难以解决遮挡、无关结构干扰、对光线敏感、适用场景有限等固有的缺陷问题；基于三维模型的方法，由于引入了目标物体的三维先验知识，比基于二维的方法更具准确性，但相应研究的难度也较大。
1、基于三维模型的目标定位方法
通常，人类在观察周围世界的时候，总是利用丰富的经验知识，如车辆模型、场景模型、运动模型、弱透视模型、地平面约束、推理结构和语法与句法模型等。但对智能交通来说，最重要的是车辆模型。如实现生成一个车辆的三维线框模型，在给定的姿态下，将其投影到图像平面上，并与图像数据匹配。通过优化过程得到目标物体的真实姿态，这类方法通常称为基于三维模型的目标定位方法。
基于三维模型的交通监控系统的底层视觉部分主要由三个模块组成：运动检测、初始化跟踪。摄像机所拍录到的图像序列首先送到运动检测模块，以确定图像中可能包含车辆的区域。当某个区域第一次出现时，完成跟踪的初始化工作，包括判断其中是否真的存在车辆，如果存在的话，则确定它的三维姿态并识别出它是哪种车型；车辆跟踪模块由定位模块驱动，当初始化工作已经完成、车辆已被准确识别和定位以后，跟踪模块将自动地根据车辆以前的三维姿态信息和运动学知识预测车辆在当前帧的位置，定位模块将以这个位置作为初始值，确定当前帧中车辆的三维姿态，如此循环往复，直到车辆离开视野，跟踪模块也就停止工作了。
高层部分的处理主要包括根据车辆的运动轨迹对其行为进行分析，并给出自然语言式的描述。
中科院自动化所模式识别国家重点实验室视频监控小组，在总结了英国雷丁大学 VIEWS的车辆交通监控原型系统的研究经验后，自行设计了一个拥有完全自主版权的交通监控原型系统VStar Visual Surveillance Star，并在PC Windows 2000平台上用Visual C++6.0语言初步实现了整个系统。这种VStar系统由计算机、数字摄像机、音箱和交通场景模拟平台组成。当车辆在交通场景中运动时，摄像机将拍录下来的视频序列送进计算机，定位和跟踪程序自动分析这些视频序列，识别车型并跟踪车辆在场景中的运动。跟踪结果被送去进行分析和语义解释程序，对车辆的行为进行分析并给出语义解释。语义解释结果进一步被送进语音合成程序，从而可得到语音提示或警告。如当车辆逆向行驶或闯入绿化草地时，系统将给出准确的语音警告。目前该系统能够在一台PⅢ866 PC机上实时地跟踪车辆，并且不受光线变化、无关结构的干扰斑马线、边界遮挡等的影响。
在这种交通监控原型系统中，其具体的定位与跟踪算法是：
①基于三维线框模型的车辆定位算法
其中车辆定位过程被假想成从初始姿态到正确姿态的一系列虚拟运动，并被进一步分解成为两种独立的运动：平移和旋转。平移参数可以通过基于PLS距离（点到线段的距离）的姿态评价函数得到，而旋转参数可以通过一族特别构造的假想平面之间的几何关系得到。在确定平移参数和旋转参数时均可以得到闭式解。实验结果表明，该算法可以快速、准确、鲁棒地根据一幅灰度图像确定其中车辆在三维空间里的姿态。
②基于改进的扩展卡尔曼滤波器的车辆跟踪算法
其中提出了一种新的车辆运动模型，考虑了车辆行驶过程中的一些物理性质，比现有的运动模型更加符合车辆的真实运动。该算法还利用了一种改进的扩展卡尔曼滤波器，通过强制残差序列满足正交性条件来保证残差序列拥有与白噪声相同的性质，从而满足了卡尔曼滤波器中对于观测噪声是白噪声的假定。实验结果表明，当车辆运动急剧、复杂时，现有的算法都不能很好地预测车辆的运动，而本算法可以相当准确地完成预测的任务。
2、用于事件识别的行为模式学习的自组织神经网络方法
用于事件识别的行为模式学习的自组织神经网络方法，是通过对目标运动轨迹和目标特征的学习，建立行为分布模式，它不仅能实现异常现象的检测和检测异常发生区域，还能进行目标行为的预测。其特点是:
① 使用了一种以整条轨迹作为输入的网络映射方法，克服了现有的网络映射方法不能完整地表示“线”特征的缺点；
② 使目标特征更加合理地表示在样本数据中 ;
③ 采用了行为模式学习的模糊自组织神经学习算法,大大地提高了行为模式的学习速度 ;
④ 给出了利用行为模式判断整条轨迹所代表的事件是否异常、检测出局部的异常区域和目标行为预测的数学方法。
行为理解可以简单地认为是时变数据的分类问题，即将测试序列与预先标定的代表典型行为的参考序列进行匹配。由此可见，行为理解的关键问题是如何从学习样本中获取参考行为序列，并且学习和匹配的行为序列必需能够处理在相似的运动模式类别中空间和时间尺度上轻微的特征变化。在行为模式学习的基础上，能实现对交通事故进行实时、精确的预测，从而可以降低事故的发生率，减少人们生命财产的损失。
在接收摄像机拍录的图像序列时，根据事先已经确定的摄像机模型和车辆模型实现基于三维线框模型的车辆实时跟踪，这时输出的是车辆的轨迹。在积累了足够多的车辆轨迹后，就可以开始行为模式学习，它从大量的车辆轨迹中，通过模糊自组织神经网络的方法学习出车辆的行为模式分布。交通事故预测部分接收跟踪部分的实时跟踪结果，并且把它和行为模式分布作比较，由概率模型推断出当前事故发生的可能性。最后再由此可能性序列的分析，给出对于此事故的处理方式。
3、车辆检测系统中的车辆分类与车速计算
此外，车辆检测系统是道路监控系统非常重要的一部分，它可以获得当前监控路面交通流量、占有率、速度等数据，以此判断道路阻塞情况，并利用外场信息发布系统发出警告等。实际上，车辆自动分类系统是通过图像识别运算法则，来将车辆准确地分类，自动车辆分类系统将车辆长度信息、车辆数量和间距信息、车辆高度距阵信息形成综合的图像，将该图像与预先设置的标准对比，从而实现车辆的准确分类。
在国家交通部即将推出的行业规范里，在车辆检测器中，对流量、平均速度、车道占有率、平均车长、平均车间距等都有要求，其算法这里就从略了。其中，该标准对平均速度的定义为
（1）式中，Vi指第i辆车通过的速度，n指单位时间内通过的车辆数。车辆检测系统ARM软件采用分层设计思想，整个软件由驱动程序和应用软件两部分构成驱动程序部分封装了Flash操作、RS-485操作、实时时钟（RTC）操作、RS-232操作和I/O等操作。应用软件分成基本函数库和主程序。
四、结束语
由上可知，高速公路监控系统不仅需要网络化，更重要的是智能化。上述的高速公路监控系统的智能化功能，仅是一些最基本的智能化功能，并且也是智能交通的一部分。如城市道路监控中的电子警察系统、交通事件预测系统、十字路口红绿灯按实际情况的自动转换系统等均是智能监控，这里就不叙述了。
总之，智能视频监控的内容很多，这项研究具有重要的理论价值和应用价值，且目前已经成为世界上的研究热点，而需要解决的问题也很多。理论上，还需要在姿态评价函数形式与优化方法、目标识别定位跟踪和预测的统一概率框架、语义推理结构与模式学习、多媒体化描述等方面继续展开深入的研究。在实践上，要完善各项功能模块，如设计更优化的算法、实现多目标的实时跟踪、设计多机网络化硬件框架、引入多摄像机系统、完善知识库等。并针对一些特定的场合，如高速公路、城市道路、重要党政军事单位、车站与机场、高级社区等，尽快实现实用化的智能视频监控产品。