智能交通車(chē)輛圖像處理技術(shù)研究.pdf

1、車(chē)輛圖像處理是智能交通系統(tǒng)感知環(huán)境的最主要手段,是智能交通系統(tǒng)中發(fā)揮作用的關(guān)鍵技術(shù)之一。車(chē)輛圖像的表示和車(chē)輛圖像內(nèi)容的理解是獲得各種交通參數(shù)、判別各種交通狀況、處理交通事件、監(jiān)測(cè)城市道路和重要公路交通情況等多種交通行為的基礎(chǔ)和關(guān)鍵問(wèn)題,也是智能交通系統(tǒng)的研究重要內(nèi)容。論文針對(duì)智能交通車(chē)輛圖像處理中的基礎(chǔ)性問(wèn)題,著重研究車(chē)輛圖像的稀疏分解及快速算法,以實(shí)現(xiàn)車(chē)輛圖像的靈活、簡(jiǎn)潔和自適應(yīng)的表示,從而為理解車(chē)輛圖像內(nèi)容和從中獲取各種交通信息奠定

2、基礎(chǔ)。本論文的主要研究工作或成果如下:
　　 1.論文首先研究了車(chē)輛圖像的預(yù)處理問(wèn)題,為進(jìn)一步研究車(chē)輛圖像稀疏分解與表示、基于圖像處理技術(shù)的車(chē)流量檢測(cè)作準(zhǔn)備。在車(chē)輛圖像預(yù)處理研究中,主要討論中值濾波、均值濾波、高斯濾波和基于粗糙集理論的車(chē)輛圖像預(yù)處理方法,主要用于對(duì)車(chē)輛圖像進(jìn)行濾波和增強(qiáng)處理。在對(duì)圖像進(jìn)行預(yù)處理過(guò)程中,先采用國(guó)際標(biāo)準(zhǔn)圖像庫(kù)中的多幅圖像進(jìn)行實(shí)驗(yàn),再將預(yù)處理方法用于對(duì)采集到的白天和夜間道路車(chē)輛圖像進(jìn)行預(yù)處理。實(shí)驗(yàn)結(jié)果

3、表明,預(yù)處理后的圖像具有更高峰值信噪比和視覺(jué)效果;在所討論的幾種預(yù)處理方法中,基于粗糙集理論的車(chē)輛圖像預(yù)處理方法獲得了比中值濾波法、均值濾波法和高斯濾波法更好的圖像質(zhì)量,將作為車(chē)輛圖像后續(xù)處理的基礎(chǔ)。
　　 2.論文首次將稀疏分解方法引入到智能交通車(chē)輛圖像處理中,進(jìn)而實(shí)現(xiàn)車(chē)輛圖像靈活、簡(jiǎn)潔和自適應(yīng)的稀疏表示。在傳統(tǒng)的圖像表示方法中,離散余弦變換和小波變換均為正交變換,在對(duì)車(chē)輛圖像進(jìn)行分解與表示時(shí)存在較大的冗余。離散余弦變換只能將

4、車(chē)輛圖像分解成一個(gè)個(gè)具有不同強(qiáng)度和不同頻率的圖像分量的組合,不能給出頻率分量在圖像中的確切位置。而小波變換雖然克服了離散余弦變換缺乏空間特性的不足,能在車(chē)輛圖像中給出頻率分量與位置的關(guān)系,但采用小波變換對(duì)車(chē)輛圖像進(jìn)行表示時(shí),小波基是確定的,缺乏靈活性。稀疏分解和表示是一種非線性變換,可根據(jù)車(chē)輛圖像特點(diǎn)和所需要的內(nèi)容進(jìn)行圖像原子的選擇,可實(shí)現(xiàn)靈活、簡(jiǎn)潔的表示。
　　 3.經(jīng)典的圖像稀疏分解方法是采用貪心策略,在過(guò)完備圖像原子庫(kù)中逐

5、步搜索最佳圖像原子。為了實(shí)現(xiàn)車(chē)輛圖像的自適應(yīng)和簡(jiǎn)潔表示,圖像原子庫(kù)往往是冗余的和過(guò)完備的,貪心算法由于計(jì)算量十分巨大而難以實(shí)現(xiàn)對(duì)車(chē)輛圖像的快速稀疏分解和表示。為了解決此問(wèn)題,論文引入量子進(jìn)化計(jì)算方法,提出基于量子進(jìn)化算法的車(chē)輛圖像稀疏分解算法,以加快車(chē)輛圖像稀疏分解與表示的速度,為進(jìn)一步提取交通參數(shù)奠定基礎(chǔ)。為了驗(yàn)證給出方法的有效性,采用多幅車(chē)輛圖像進(jìn)行仿真實(shí)驗(yàn),比較分析貪心算法、遺傳算法和量子進(jìn)化算法對(duì)車(chē)輛圖像進(jìn)行分解所需的計(jì)算時(shí)間和

6、獲得的重構(gòu)圖像質(zhì)量。實(shí)驗(yàn)結(jié)果表明,量子進(jìn)化計(jì)算方法的引入,可大大降低車(chē)輛圖像稀疏分解的時(shí)間,且能獲得比貪心算法和遺傳算法更好的圖像峰值信噪比和視覺(jué)效果。在此基礎(chǔ)上,論文進(jìn)一步將基于量子進(jìn)化算法的稀疏分解方法與基于粗糙集理論的圖像預(yù)處理方法結(jié)合,對(duì)車(chē)輛圖像進(jìn)行處理,實(shí)驗(yàn)結(jié)果表明,經(jīng)過(guò)預(yù)處理后的圖像可獲得更好的圖像稀疏表示質(zhì)量。
　　 4.提出基于粒子群優(yōu)化的車(chē)輛圖像稀疏分解快速算法。論文將群智能優(yōu)化中的粒子群優(yōu)化算法引入到車(chē)輛圖像

7、的稀疏分解中,給出基于粒子群優(yōu)化的車(chē)輛圖像稀疏分解算法和詳細(xì)實(shí)現(xiàn)步驟,加快車(chē)輛圖像稀疏分解的速度和提高重構(gòu)圖像的質(zhì)量。在仿真實(shí)驗(yàn)中,將粒子群優(yōu)化算法與貪心算法、遺傳算法進(jìn)行了計(jì)算復(fù)雜性和重構(gòu)圖像峰值信噪比的對(duì)比,結(jié)果表明,粒子群優(yōu)化算法比前兩種方法更有效。在此基礎(chǔ)上,用實(shí)驗(yàn)對(duì)比分析了粒子群優(yōu)化算法和量子進(jìn)化算法,實(shí)驗(yàn)結(jié)果表明,粒子群優(yōu)化算法能獲得比量子進(jìn)化算法更好的車(chē)輛圖像稀疏分解和表示效果和更少的計(jì)算時(shí)間。論文進(jìn)一步將粒子群優(yōu)化算法與

8、基于粗糙集理論的預(yù)處理方法結(jié)合,對(duì)多幅車(chē)輛圖像進(jìn)行處理,實(shí)驗(yàn)結(jié)果表明,經(jīng)過(guò)預(yù)處理后的圖像再進(jìn)行稀疏分解時(shí),可獲得比未預(yù)處理的車(chē)輛圖像更高的圖像峰值信噪比和圖像視覺(jué)效果。
　　 5.提出基于改進(jìn)微分進(jìn)化算法的車(chē)輛圖像稀疏分解快速算法。為了進(jìn)一步提高車(chē)輛圖像稀疏分解的速度和重構(gòu)車(chē)輛圖像的質(zhì)量,將實(shí)數(shù)編碼的微分進(jìn)化算法引入到車(chē)輛圖像稀疏分解中,提出一種改進(jìn)的微分進(jìn)化算法,并詳細(xì)討論了基于改進(jìn)微分進(jìn)化算法的車(chē)輛圖像稀疏分解方法和詳細(xì)實(shí)現(xiàn)

9、步驟。在仿真實(shí)驗(yàn)中,先對(duì)改進(jìn)微分進(jìn)化算法和相對(duì)應(yīng)的微分進(jìn)化算法進(jìn)行了性能比較,測(cè)試改進(jìn)工作的有效性;再比較分析改進(jìn)微分進(jìn)化算法和貪心算法、遺傳算法對(duì)車(chē)輛圖像進(jìn)行稀疏分解和表示的速度及重構(gòu)車(chē)輛圖像的質(zhì)量,實(shí)驗(yàn)結(jié)果表明,改進(jìn)微分進(jìn)化算法可用更少的計(jì)算時(shí)間,獲得比其它兩種方法更好的圖像分解質(zhì)量;然后,將改進(jìn)微分進(jìn)化算法、粒子群優(yōu)化算法和量子進(jìn)化算法用于車(chē)輛圖像的稀疏分解,以比較分析它們的性能,實(shí)驗(yàn)結(jié)果清楚地表明,改進(jìn)微分進(jìn)化算法具有比前兩種方

10、法更強(qiáng)的車(chē)輛圖像處理能力,所需的計(jì)算時(shí)間少、獲得的圖像質(zhì)量好。最后,將改進(jìn)微分進(jìn)化算法與基于粗糙集理論的預(yù)處理方法結(jié)合,再次驗(yàn)證車(chē)輛圖像預(yù)處理可大大提高稀疏分解性能的可行性。
　　 6.在以上圖像處理方法的基礎(chǔ)上,論文進(jìn)一步研究了基于圖像處理技術(shù)的高速公路車(chē)流量自動(dòng)檢測(cè)方法。針對(duì)白天和夜間道路交通視頻的不同特點(diǎn),分別給出基于背景差和邊緣提取的白天車(chē)流量自動(dòng)檢測(cè)方法、基于HSV顏色模式的白天車(chē)流量檢測(cè)方法,以及基于車(chē)燈輪廓的夜間車(chē)