CN102196269B - 交通卡口监控系统灰度图像序列编码方法 - Google Patents

Abstract

本发明涉及一种交通卡口监控系统灰度图像序列编码方法，属于智能交通和视频编码领域。针对智能交通卡口监控系统采集的灰度图像序列具有背景固定，车辆目标突出的特点，提出一种基于车辆目标检测与运动估计的图像序列压缩编码方法，该编码方法分为帧内编码和帧间编码两步。帧内编码即静止图像编码，采用基于提升9/7小波的多级树集合分裂(SPIHT)算法；帧间编码则首先提取图像序列中的车辆目标，然后应用双线性插值方法根据前一帧中的匹配目标来预测当前帧中的目标，从而对预测帧和当前帧的差分结果进行编码，并嵌入匹配目标的运动矢量形成最终的帧间编码码流。本发明方法可有效解决交通卡口监控系统灰度图像序列压缩编码问题。

Description

交通卡口监控系统灰度图像序列编码方法

技术领域

本发明涉及一种对交通卡口监控系统采集的灰度图像序列进行压缩编码的方法，属于智能交通和视频编码领域。

背景技术

交通卡口监控系统的车道设备如图1所示，主要由智能相机、闪光灯及测速雷达三部分组成。其中，智能相机是车道设备的核心部分，负责图像采集、雷达数据分析和图像处理等重要任务；闪光灯用于为相机拍照补光；测速雷达用来测量过往车辆的行驶速度。

交通卡口监控系统中，车辆视频检测是基于智能工业相机在高帧率模式下采集的图像序列进行的。但是图像序列数据占用较大的存储空间，在由现场传输到指挥控制中心的过程中需耗费较大的网络带宽资源，为了能将现场相机在高帧率模式下采集的灰度图像序列传输到指挥控制中心以便进一步开发利用，目前视频编解码领域的标准有“国际电联(ITU-T)”制定的H.26X系列，和“国际标准化组织(ISO)”制定的MPEG-X系列。最新的H.264标准，亦可称为MPEG-4高级视频编码标准是由以上两个组织共同制定的，H.264采用的关键技术有帧内宏块预测编码和帧间基于运动补偿的预测编码，具有较高的编码效率，但同时也具有较高的复杂性，操作较为困难。

发明内容

本发明的目的是为克服现有技术的不足，针对交通卡口监控系统采集的灰度图像序列具有背景固定，车辆目标突出的特点，提出一种基于车辆目标检测与运动估计的图像序列的压缩编码方法。

为实现上述目的，本发明采用下述技术方案：

一种交通卡口监控系统图像序列编码方法，包括以下步骤：

1).对图像序列第一帧进行帧内编码，初始化车辆目标坐标向量为

。

2).应用帧差法与背景差法相融合的方法并建立背景模型并提取F_t中的车辆目标。

3).若连续未进行帧内编码的次数Mask＝＝M₁或F_t相对于F_t-1发生场景变化时，对F_t进行帧内编码，并令Mask＝0。设S为每秒采集的序列图像数量，M₁可取为M₁=[S/10]，其中[]为取整函数。

4).若Mask＜M₁，则搜索F_t与F_t-1相匹配的车辆目标。设T_t，T_t-1分别为F_t与F_t-1中匹配目标区域，宽度分别为W_t和W_t-1，高度分别为H_t和H_t-1，重心坐标分别为(x_t,y_t)和(x_t-1,y_t-1)，若满足如下的准则，则判定T_t，T_t-1为匹配目标：

|W_t-W_t-1|＜T_w|H_t-H_t-1|＜T_h

$\left|\sqrt{{(x_t-x_{t-1})}^2+{(y_t-y_{t-1})}^2}\right|<T_d$

其中T_w、T_h和T_d分别为长度之差、高度之差和重心坐标间距离阈值。

5).若F_t与F_t-1无匹配目标，则对F_t与F_t-1的差分结果进行压缩编码。

6).若F_t与F_t-1存在匹配目标区域，则计算相同目标区域及其外接矩形，定义相同目标区域的运动矢量r：

r＝{RectF_t,RectF_t-1}

其中，RectF_t，RectF_t-1为F_t与F_t-1中相同目标区域外接矩形的坐标。

预测帧P_t中非匹配目标区域由F_t-1中对应区域填充，对匹配目标区域，预测帧P_t中RectF_t区域的图像由F_t-1中RectF_t-1区域图像的双线性插值来构建。将F_t与P_t作差分运算，并对差分结果进行压缩编码，同时将运动矢量r嵌入到差分结果的码流中，形成最终的编码文件。

所述步骤1)和步骤3)中的帧内编码即静态图像压缩编码，帧内编码主要用于序列图像帧间编码过程中的参考帧更新。本发明中帧内编码采用了多级树集合分裂(SPIHT)算法对需帧内编码的图像的提升9/7小波变换系数进行编码。基于提升结构的小波变换保持了第一代小波多分辨率分析的特点，具有结构简单，计算量低，节省内存的优点，而且变换过程为整数到整数的变换，有效提高了计算速度，且能较好处理边界问题，实现图像的重建，因而更广泛的应用于图像压缩编码领域。提升9/7小波变换算法详见论文：Amir Z.Averbuch,Valery A.Zheludev.Lifting Scheme for Biorthogonal Mutiwavelets Originated from HermitSpines[J].IEEE Trans Signal Processing.2002,vol.50,no.3:487-500.多级树集合分裂(SPIHT)算法详见论文：A.Said,W.A.Pearlman.A New Fast and Efficeent Image Codec Based on SetPartitioning in Hierachical Trees[J].IEEE Transactions on Circuits and Systems for VideoTechnology.1996,vol.6,no.3:243-249.

所述步骤2)中的背景模型建立和车辆目标提取采用了将帧差法和背景差法相融合的方法，该方法不仅发挥了帧差法的快速性，而且结合了背景差法的准确性，能有效抑制环境剧烈变化产生的影响，目标提取更准确。其基本过程如下：

首先对每一帧图像进行逻辑区域划分，为便于实现，本文采用矩形网格的划分格式。图像4×6区块的划分示意如图4所示。

对相邻帧图像中对应区块的像素点运用帧差法，并统计每个小块的像素变化量N。设阈值为T_n，如果某一区块像素点变化量N＞T_n，则此区域判定为候选目标区域P_Tg，否则判定此区块属于背景区域P_Bg。阈值T_n可通过统计实验数据获得，其中，该统计实验数据获得是本领域技术人员公知的技术，选取合理的阈值T_n可以有效消除噪声的影响。帧差法将当前帧图像F_t划分为候选目标区域P_Tg和背景区域P_Bg。

然后利用背景差法将候选目标区域P_Tg中的像素点与前一时刻的背景帧B_t-1对应像素点做差分运算，并由阈值T_TG分割为两部分P_TA和P_TB。对于像素坐标(i,j)∈P_Tg的像素，作如下判断

$F_t(i,j)\&Element;\left\{\begin{array}{cc}{P}_{\mathrm{TB}}& |F_t(i,j)-B_{t-1}(i,j)|<T_{\mathrm{TG}}\\ P_{\mathrm{TA}}& \mathrm{otherwise}\end{array}\right.$

对于P_Bg、P_TA和P_TB三个区域，背景更新模型采用的背景更新率为α₁、α₂和0,且有α1＞α2,即：

$B_t(i,j)=\left\{\begin{array}{cc}{\mathrm{\&alpha;}}_1{B}_{t-1}(i,j)+(1-{\mathrm{\&alpha;}}_1)F_t(i,j)& F_t(i,j)\&Element;P_{\mathrm{Bg}}\\ {\mathrm{\&alpha;}}_2{B}_{t-1}(i,j)+(1-{\mathrm{\&alpha;}}_2)F_t(i,j)& F_t(i,j)\&Element;P_{\mathrm{TB}}\\ B_{t-1}(i,j)& F_t(i,j)\&Element;P_{\mathrm{TA}}\end{array}\right.$

背景区域P_Bg采用较大的更新系数α₁，可获得快速更新，便背景更接近当前帧的背景；对不明显的目标区域P_TB采用较小的更新率α₂可以缓慢更新背景；对明显的目标区域P_TA，则不进行更新，有效抑制了目标像素点对背景估计的影响。

所述步骤6)的预测帧P_t中RectF_t区域的图像由F_t-1中RectF_t-1区域图像的双线性插值来构建。在智能交通卡口监测系统中，智能相机固定的车道上方的横杆上，且拍摄方向与车道路面具有一定夹角。车辆匀速通过相机的拍摄视野时，车辆目标上两点在相邻帧时间间隔τ内前进的距离相同，反映到图像中，对应点前进的行数并非相同，因此有必要分析智能相机的成像原理，智能相机配置示意图如图5所示。

设相机距离车道地面的距离为h，拍摄最近点A和最远点B到原点O的距离分别为a和b,M₂为相机扫描线数，即图像的行数，则最近点有l＝0最远点有l＝M₂-1，并且假定M₂等分可视夹角(β-α)，则目标点到原点O的距离x与目标点在图像中的行数l之间的函数关系表达式为：

$x=\mathrm{htg}(\mathrm{\&alpha;}+l\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})$

其中α＝arctg(a/h)，β＝arctg(b/h)。

经过车辆目标提取我们可以获得车辆在前一帧图像中的起始行的行坐标l_x1以及车辆在当前帧图像中的起始行的行坐标l_x2。通过上式我们可求的行坐标l_x1和l_x2对应的目标点到原点的实际距离x₁和x₂，如图6所示。设车辆目标上某点在前一帧图像中的行坐标为l_y1，该点在当前帧图像中的起始行的行坐标l_y2，并记y₁和y₂为行坐标l_y1和l_y2对应的目标点到原点的实际距离。令Δx＝x₁-x₂,Δy＝y₁-y₂，则有Δx＝Δy，即有：

$h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{x1}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})-h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{x2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})$

$=h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{y1}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})-h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{y2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})$

进一步可得出：

$l_{y1}=\left\{\mathrm{arctg}\right[\mathrm{tg}(\mathrm{\&alpha;}+l_{y2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})+\mathrm{tg}(\mathrm{\&alpha;}+l_{x1}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})-\mathrm{tg}(\mathrm{\&alpha;}+l_{x2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})]-\mathrm{\&alpha;}\}/\left(\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2}\right)$

需说明的是，当相邻两帧图像中存在车辆驶出拍摄范围的情况时，可将上式中的l_x1和l_x2取为车辆在两帧图像中结束行的行坐标。在车辆驶入相机拍摄范围的过程中，相邻两帧中的目标区域大小并不完全一致，车辆目标区域在相邻两帧中沿运动方向存在形变。相邻两帧中车辆在垂直于运动方向上的形变较小，可将其忽略。通过上式我们可得出车辆上任一点在相邻两帧图像中行坐标对应关系，预测帧P_t中的像素(l_y2,i)对应于F_t-1中像素(l_y1,i)，即P_t(l_y2,i)＝F_t-1(l_y1，i)，其中i表示像素的列坐标，P_t(l_y2，i)表示预测帧P_t中的像素(l_y2,i)的灰度值，F_t-1(l_y1,i)表示F_t-1中像素(l_y1,i)的灰度值。另外，需注意数字图像的行列坐标均为整数。将l_y2取为整数，根据上式求得的l_y1则一般为小数，不能直接获得F_t-1中像素(l_y1,i)的灰度值F_t-1(l_y1,i)，可采用双线性内插值对预测帧P_t中RectF_t区域的图像由F_t-1中RectF_t-1区域图像的双线性插值来构建。设置坐标通过方向变换得到浮点坐标(j+u,i)，其中j为浮点坐标l_y1的整数部分，u为浮点坐标l_y1的小数部分，根据双线性插值方法可得

F_t-1(l_y1,i)＝(1-u)F_t-1(j,i)+uF_t-1(j+1，i)。

本发明的原理是针对交通卡口监控系统采集的图像序列具有背景固定，车辆目标突出的特点，提出一种基于车辆目标检测与运动估计的图像序列压缩编码方案，该编码方案分为帧内编码和帧间编码两步。帧内编码即静止图像编码，采用基于提升9/7小波的多级树集合分裂(SPIHT)算法；帧间编码则首先提取图像序列中的车辆目标，然后应用双线性插值方法根据前一帧中的匹配目标来预测当前帧中的目标，从而对预测帧和当前帧的差分结果进行编码，并嵌入匹配目标的运动矢量形成最终的帧间编码码流。

本发明所提交通卡口监控系统图像序列编码方法采用基于提升9/7小波的多级树集合分裂(SPIHT)算法进行帧内编码，采用基于车辆目标检测和运动分析的帧间编码。该发明方法可有效解决交通卡口监控图像序列压缩编码问题，能将现场相机在高帧率模式下采集的图像序列传输到指挥控制中心以便进一步开发利用。

附图说明

图1为交通卡口监控系统车道设备示意图；

图2为交通卡口监控系统图像序列压缩编码总体方案；

图3为图像序列压缩编码流程图；

图4为图像逻辑分块示意图；

图5为相机配置示意图；

图6为车辆目标运动示意图；

图7-9为采集的一组待压缩编码的图像序列；

图10-12为采用本发明图像序列压缩方案，解码重建之后的图像序列。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

如图1-10，本发明的实施图像为智能相机在高帧率模式下采集的低分辨率灰度图像序列，

编码方案

交通卡口监控系统采集的图像主要分为两类，一类是对过往车辆整体车身抓拍的高分辨率高清晰图像（本发明以1360×1024分辨率为例），另一类是智能相机在高帧率模式下采集的低分辨率视频图像序列（本发明以800×500分辨率为例）。交通卡口监控系统图像序列编码可分为帧内编码与帧间编码，帧内编码即对抓拍的高分辨率图像或低分辨率视频中的某帧需做参考帧更新的图像的压缩编码，本发明采用基于提升9/7小波变换的多级树集合分解(SPIHT)算法的帧内编码方法。图像序列的帧间编码需要同时消除时间与空间两方面的冗余。帧间差分运算可有效消除相邻帧之间的时间冗余。受相机安装设置的影响，车辆目标反映到图像序列中并非刚性的平动，而是有一定的放大或缩小。直接对相邻帧中的目标区域做差分具有较大的误差，因此本发明采用双线性插值方法由前一帧目标区域来预测当前帧的目标区域，然后将预测结果与下一帧的目标区域的差分结果进行编码，最后将目标码流和预测参数信息嵌入到背景差分编码码流，形成最终的编码文件。交通卡口监控系统图像序列压缩编码方案简图如图2所示。

设图像序列中当前待编码帧为F_t，前一帧为F_t-1。若F_t为图像序列首帧，则对F_t进行帧内压缩编码、建立背景模型并标记F_t中的目标区域为

（即为空）；否则应用帧差法与背景差法相融合的算法提取F_t中的车辆目标。若已连续M₁帧未进行帧内编码或F_t与F_t-1相比场景发生较大变化，则对F_t进行帧内编码；否则根据行、列坐标及面积等参数来搜索F_t与F_t-1中的匹配目标，若无匹配目标，则将F_t与F_t-1的差分结果进行压缩编码。否则确定F_t中匹配目标区域的坐标信息，并由F_t-1中相应目标区域的双线性插值图像来预测F_t中的目标区域，构成预测帧P_t，将F_t与P_t之间的差分结果进行压缩编码，并嵌入匹配目标的运动矢量信息形成最终的帧间编码文件。交通卡口监控系统图像序列压缩编码详细流程如图3所示。

2.具体编码步骤如下：

1)对图像序列第一帧进行帧内编码，初始化车辆目标坐标向量为

帧内编码即静态图像压缩编码，帧内编码主要用于序列图像帧间编码过程中的参考帧更新。本发明中帧内编码采用了多级树集合分裂(SPIHT)算法对需帧内编码的图像的提升9/7小波变换系数进行编码。基于提升结构的小波变换保持了第一代小波多分辨率分析的特点，具有结构简单，计算量低，节省内存的优点，而且变换过程为整数到整数的变换，有效提高了计算速度，且能较好处理边界问题，实现图像的重建，因而更广泛的应用于图像压缩编码领域。提升9/7小波变换算法详见论文：Amir Z.Averbuch,Valery A.Zheludev.LiftingScheme for Biorthogonal Mutiwavelets Originated from Hermit Spines[J].IEEE Trans SignalProcessing.2002,vol.50,no.3:487-500.多级树集合分裂(SPIHT)算法详见论文：A.Said,W.A.Pearlman.A New Fast and Efficeent Image Codec Based on Set Partitioning in HierachicalTrees[J].IEEE Transactions on Circuits and Systems for Video Technology.1996,vol.6,no.3:243-249.

2)应用帧差法与背景差法相融合的方法并建立背景模型并提取F_t中的车辆目标

首先对每一帧图像进行逻辑区域划分，为便于实现，本文采用矩形网格的划分格式。图像4×6区块的划分示意如图4所示。

对相邻帧图像中对应区块的像素点运用帧差法，并统计每个小块的像素变化量N。设阈值为T_n，如果某一区块像素点变化量N＞T_n，则此区域判定为候选目标区域P_Tg，否则判定此区块属于背景区域P_Bg。阈值T_n可通过统计实验数据获得，选取合理的阈值T_n可以有效消除噪声的影响。帧差法将当前帧图像F_t划分为候选目标区域P_Tg和背景区域P_Bg。

然后利用背景差法将候选目标区域P_Tg中的像素点与前一时刻的背景帧B_t-1对应像素点做差分运算，并由阈值T_TG分割为两部分P_TA和P_TB。对于(i,j)∈P_Tg的像素，作如下判断

$F_t(i,j)\&Element;\left\{\begin{array}{cc}{P}_{\mathrm{TB}}& |F_t(i,j)-B_{t-1}(i,j)|<T_{\mathrm{TG}}\\ P_{\mathrm{TA}}& \mathrm{otherwise}\end{array}\right.$

对于P_Bg、P_TA和P_TB三个区域，背景更新模型采用的背景更新率为α₁、α₂和0,且有α1＞α2,即：

$B_t(i,j)=\left\{\begin{array}{cc}{\mathrm{\&alpha;}}_1{B}_{t-1}(i,j)+(1-{\mathrm{\&alpha;}}_1)F_t(i,j)& F_t(i,j)\&Element;P_{\mathrm{Bg}}\\ {\mathrm{\&alpha;}}_2{B}_{t-1}(i,j)+(1-{\mathrm{\&alpha;}}_2)F_t(i,j)& F_t(i,j)\&Element;P_{\mathrm{TB}}\\ B_{t-1}(i,j)& F_t(i,j)\&Element;P_{\mathrm{TA}}\end{array}\right.$

背景区域P_Bg采用较大的更新系数α₁，可获得快速更新，便背景更接近当前帧的背景；对不明显的目标区域P_TB采用较小的更新率α₂可以缓慢更新背景；对明显的目标区域P_TA，则不进行更新，有效抑制了目标像素点对背景估计的影响。

3)若Mask＜M₁，则搜索F_t与F_t-1相匹配的车辆目标。设T_t，T_t-1分别为F_t与F_t-1中匹配目标区域，宽度分别为W_t和W_t-1，高度分别为H_t和H_t-1，重心坐标分别为(x_t,y_t)和(x_t-1,y_t-1)，若满足如下的准则，则判定T_t，T_t-1为匹配目标：

|W_t-W_t-1|＜T_w

|H_t-H_t-1|＜T_h

$\left|\sqrt{{(x_t-x_{t-1})}^2+{(y_t-y_{t-1})}^2}\right|<T_d$

其中T_w、T_h和T_d分别为长度之差、高度之差和重心坐标间距离阈值。

4)若F_t与F_t-1无匹配目标，则对F_t与F_t-1的差分结果进行压缩编码

若F_t与F_t-1存在匹配目标区域，则计算相同目标区域及其外接矩形，定义相同目标区域的运动矢量r：

r＝{RectF_t,RectF_t-1}

其中，RectF_t，RectF_t-1为F_t与F_t-1中相同目标区域外接矩形的坐标。

5)预测帧P_t中非匹配目标区域由F_t-1中对应区域填充，对匹配目标区域，预测帧P_t中RectF_t区域的图像由F_t-1中RectF_t-1区域图像的双线性插值来构建。将F_t与P_t作差分运算，并对差分结果进行压缩编码，同时将运动矢量r嵌入到差分结果的码流中，形成最终的编码文件。

在智能交通卡口监测系统中，智能相机固定的车道上方的横杆上，且拍摄方向与车道路面具有一定夹角。车辆匀速通过相机的拍摄视野时，车辆目标上两点在相邻帧时间间隔τ内前进的距离相同，反映到图像中，对应点前进的行数并非相同，因此有必要分析智能相机的成像原理，智能相机配置示意图如图5所示。

设相机距离车道地面的距离为h，拍摄最近点A和最远点B到原点O的距离分别为a和b,M₂为相机扫描线数，即图像的行数，则最近点有l＝0最远点有l＝M₂-1，并且假定M₂等分可视夹角(β-α)，则目标点到原点O的距离x与目标点在图像中的行数l之间的函数关系表达式为：

$x=\mathrm{htg}(\mathrm{\&alpha;}+l\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})$

其中α＝arctg(a/h)，β＝arctg(b/h)。

经过车辆目标提取我们可以获得车辆在前一帧图像中的起始行的行坐标l_x1以及车辆在当前帧图像中的起始行的行坐标l_x2。通过上式我们可求的行坐标l_x1和l_x2对应的目标点到原点的实际距离x₁和x₂，如图6所示。设车辆目标上某点在前一帧图像中的行坐标为l_y1，该点在当前帧图像中的起始行的行坐标l_y2，并记y₁和y₂为行坐标l_y1和l_y2对应的目标点到原点的实际距离。令Δx＝x₁-x₂,Δy＝y₁-y₂，则有Δx＝Δy，即有：

$h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{x1}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})-h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{x2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})$

$=h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{y1}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})-h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{y2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})$

进一步可得出：

$l_{y1}=\left\{\mathrm{arctg}\right[\mathrm{tg}(\mathrm{\&alpha;}+l_{y2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})+\mathrm{tg}(\mathrm{\&alpha;}+l_{x1}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})-\mathrm{tg}(\mathrm{\&alpha;}+l_{x2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})]-\mathrm{\&alpha;}\}/\left(\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2}\right)$

需说明的是，当相邻两帧图像中存在车辆驶出拍摄范围的情况时，可将上式中的l_x1和l_x2取为车辆在两帧图像中结束行的行坐标。在车辆驶入相机拍摄范围的过程中，相邻两帧中的目标区域大小并不完全一致，车辆目标区域在相邻两帧中沿运动方向存在形变。相邻两帧中车辆在垂直于运动方向上的形变较小，可将其忽略。通过上式我们可得出车辆上任一点在相邻两帧图像中行坐标对应关系，预测帧P_t中的像素(l_y2,i)对应于F_t-1中像素(l_y1,i)，即P_t(l_y2,i)＝F_t-1(l_y1，i)，其中i表示像素的列坐标，P_t(l_y2，i)表示预测帧P_t中的像素(l_y2,i)的灰度值，F_t-1(l_y1,i)表示F_t-1中像素(l_y1,i)的灰度值。另外，需注意数字图像的行列坐标均为整数。将l_y2取为整数，根据上式求得的l_y1则一般为小数，不能直接获得F_t-1中像素(l_y1,i)的灰度值F_t-1(l_y1,i)，可采用双线性内插值对预测帧P_t中RectF_t区域的图像由F_t-1中RectF_t-1区域图像的双线性插值来构建。设置坐标通过方向变换得到浮点坐标(j+u,i)，其中j为浮点坐标l_y1的整数部分，u为浮点坐标l_y1的小数部分，根据双线性插值方法可得

F_t-1(l_y1,i)＝(1-u)F_t-1(j,i)+uF_t-1(j+1，i)。

本发明的内容只限于交通卡口监控系统采集的灰度图像序列的压缩编码，对于其它图像序列的压缩编码，不在本发明的精神和原则之内。

表1

表1为本发明方法与文献《高帧频数字图像序列实时压缩算法》（隋玉萍,何昕,魏仲慧.高帧频数字图像序列实时压缩算法[J].大连理工大学学报.2009,49(3):454-458.）实验对比结果。实验结果表明：本发明方法与文献《高帧频数字图像序列实时压缩算法》获得的图像序列平均压缩比接近，但在平均峰值信噪比方面本发明方法较文献《高帧频数字图像序列实时压缩算法》有较大改进。

Claims (4)

1.一种交通卡口监控系统灰度图像序列编码方法，其特征在于，包括以下步骤：

1).对图像序列第一帧进行帧内编码，初始化车辆目标坐标向量为

2).应用帧差法与背景差法相融合的方法建立背景模型并提取F_t帧中的车辆目标，F_t表示图像序列第t帧，t为大于等于1的正整数；

3).若连续未进行帧内编码的次数Mask＝M₁或F_t相对于F_t-1发生场景变化时，其中，F_t-1表示图像序列第t-1帧，t为大于等于1的正整数；对F_t进行帧内编码，并令Mask＝0；设S为每秒采集的序列图像数量，M₁可取为M₁=[S/10]，其中[]为取整函数；

4).若Mask＜M₁，则搜索F_t与F_t-1相匹配的车辆目标；设T_t，T_t-1分别为F_t与F_t-1中匹配目标区域，宽度分别为W_t和W_t-1，高度分别为H_t和H_t-1，重心坐标分别为(x_t,y_t)和(x_t-1,y_t-1)，若满足如下的准则，则判定T_t，T_t-1为匹配目标：

|W_t-W_t-1|＜T_w

|H_t-H_t-1|＜T_h

$\left|\sqrt{{(x_t-x_{t-1})}^2+{(y_t-y_{t-1})}^2}\right|<T_d$

其中T_w、T_h和T_d分别为长度之差、高度之差和重心坐标间距离阈值；

5).若F_t与F_t-1无匹配目标，则对F_t与F_t-1的差分结果进行压缩编码；

6).若F_t与F_t-1存在匹配目标区域，则计算相同目标区域及其外接矩形，定义相同目标区域的运动矢量r：

r＝{RectF_t,RectF_t-1}

其中，RectF_t，RectF_t-1为F_t与F_t-1中相同目标区域外接矩形的坐标；

预测帧P_t中非匹配目标区域由F_t-1中对应区域填充，对匹配目标区域，预测帧P_t中RectF_t区域的图像由F_t-1中RectF_t-1区域图像的双线性插值来构建，将F_t与P_t作差分运算，并对差分结果进行压缩编码，同时将运动矢量r嵌入到差分结果的码流中，形成最终的编码文件。

2.根据权利要求1所述的交通卡口监控系统灰度图像序列编码方法，其特征在于：所述步骤1）、3）中的帧内编码即静态图像压缩编码，用于序列图像帧间编码过程中的参考帧更新，帧内编码采用了多级树集合分裂算法对需帧内编码的图像的提升9/7小波变换系数进行编码。

3.根据权利要求1所述的交通卡口监控系统灰度图像序列编码方法，其特征在于：所述步骤2）中背景模型建立和车辆目标提取采用了将帧差法和背景差法相融合的方法，该方法如下：

首先对每一帧图像进行逻辑区域划分，为便于实现，采用矩形网格的划分格式，图像4×6区块划分；

对相邻帧图像中对应区块的像素点运用帧差法，并统计每个小块的像素变化量N，设阈值为T_n，如果某一区块像素点变化量N＞T_n，则此区域判定为候选目标区域P_Tg，否则判定此区块属于背景区域P_Bg；阈值T_n通过统计实验数据获得，其中，该统计实验数据获得是本领域技术人员公知的技术，帧差法将当前帧图像F_t划分为候选目标区域P_Tg和背景区域P_Bg；

然后利用背景差法将候选目标区域P_Tg中的像素点与前一时刻的背景帧B_t-1对应像素点做差分运算，并由阈值T_TG分割为两部分P_TA和P_TB，对于像素坐标(i,j)∈P_Tg的像素，作如下判断

$F_t(i,j)\&Element;\left\{\begin{array}{cc}{P}_{\mathrm{TB}}& |F_t(i,j)-B_{t-1}(i,j)|<T_{\mathrm{TG}}\\ P_{\mathrm{TA}}& \mathrm{otherwise}\end{array}\right.$

对于P_Bg、P_TA和P_TB三个区域，背景更新模型采用的背景更新率为α₁、α₂和0，且有α1＞α2，即：

$B_t(i,j)=\left\{\begin{array}{cc}{\mathrm{\&alpha;}}_1{B}_{t-1}(i,j)+(1-{\mathrm{\&alpha;}}_1)F_t(i,j)& F_t(i,j)\&Element;P_{\mathrm{Bg}}\\ {\mathrm{\&alpha;}}_2{B}_{t-1}(i,j)+(1-{\mathrm{\&alpha;}}_2)F_t(i,j)& F_t(i,j)\&Element;P_{\mathrm{TB}}\\ B_{t-1}(i,j)& F_t(i,j)\&Element;P_{\mathrm{TA}}\end{array}\right.$

背景区域P_Bg采用较大的更新系数α₁，能够获得快速更新，使背景更接近当前帧的背景；对不明显的目标区域P_TB采用较小的更新率α₂能够缓慢更新背景；对明显的目标区域P_TA，则不进行更新，有效抑制了目标像素点对背景估计的影响。

4.根据权利要求1所述的交通卡口监控系统灰度图像序列编码方法，其特征在于：所述步骤6）中的预测帧P_t中RectF_t区域的图像由F_t-1中RectF_t-1区域图像的双线性插值来构建具体为，在智能交通卡口监测系统中，智能相机固定的车道上方的横杆上，且拍摄方向与车道路面具有夹角；车辆匀速通过相机的拍摄视野时，车辆目标上两点在相邻帧时间间隔τ内前进的距离相同，反映到图像中，对应点前进的行数并非相同，因此有必要分析智能相机的成像原理，

设相机距离车道地面的距离为h，拍摄最近点A和最远点B到原点O的距离分别为a和b,M₂为相机扫描线数，即图像的行数，则最近点有l＝0最远点有l＝M₂-1，并且假定M₂等分可视夹角(β-α)，则目标点到原点O的距离x与目标点在图像中的行数l之间的函数关系表达式为：

$x=\mathrm{htg}(\mathrm{\&alpha;}+l\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})$

其中α＝arctg(a/h)，β＝arctg(b/h)；

经过车辆目标提取获得车辆在前一帧图像中的起始行的行坐标l_x1以及车辆在当前帧图像中的起始行的行坐标l_x2；通过上式求得行坐标l_x1和l_x2对应的目标点到原点的实际距离x₁和x₂，设车辆目标上某点在前一帧图像中的行坐标为l_y1，该点在当前帧图像中的起始行的行坐标l_y2，并记y₁和y₂为行坐标l_y1和l_y2对应的目标点到原点的实际距离，令Δx＝x₁-x₂,Δy＝y₁-y₂，则有Δx＝Δy，即有：

$h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{x1}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})-h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{x2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})$

$=h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{y1}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})-h\&CenterDot;\mathrm{tg}(\mathrm{\&alpha;}+l_{y2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})$

进一步可得出：

$l_{y1}=\left\{\mathrm{arctg}\right[\mathrm{tg}(\mathrm{\&alpha;}+l_{y2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})+\mathrm{tg}(\mathrm{\&alpha;}+l_{x1}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})-\mathrm{tg}(\mathrm{\&alpha;}+l_{x2}\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2})]-\mathrm{\&alpha;}\}/\left(\frac{\mathrm{\&beta;}-\mathrm{\&alpha;}}{M_2}\right)$

当相邻两帧图像中存在车辆驶出拍摄范围的情况时，可将上式中的l_x1和l_x2取为车辆在两帧图像中结束行的行坐标；在车辆驶入相机拍摄范围的过程中，相邻两帧中的目标区域大小并不完全一致，车辆目标区域在相邻两帧中沿运动方向存在形变；相邻两帧中车辆在垂直于运动方向上的形变较小，可将其忽略；通过上式得出车辆上任一点在相邻两帧图像中行坐标对应关系，预测P_t中像素(l_y2,i)对应于F_t-1中像素(l_y1,i)，即P_t(l_y2,i)＝F_t-1(l_y1,i)，其中i表示像素的列坐标，P_t(l_y2,i)表示预测P_t中的像素(l_y2,i)的灰度值，F_t-1(l_y1,i)表示F_t-1中像素(l_y1,i)的灰度值；

另外，需注意数字图像的行列坐标均为整数；将l_y2取为整数，根据上式求得的l_y1则为小数，不能直接获得F_t-1中像素(l_y1,i)的灰度值F_t-1(l_y1,i)，可采用双线性内插值对预测帧P_t中RectF_t区域的图像由F_t-1中RectF_t-1区域图像的双线性插值来构建；设置坐标通过方向变换得到浮点坐标(j+u,i)，其中j为浮点坐标l_y1的整数部分，u为浮点坐标l_y1的小数部分，根据双线性插值方法可得

F_t-1(l_y1,i)＝(1-u)F_t-1(j,i)+uF_t-1(j+1，i)。

Images