車輛排隊(duì)長度檢測技術(shù)研究畢業(yè)論文

1、<p>　　本科生畢業(yè)論文（設(shè)計(jì)）</p><p>　　題 目 車輛排隊(duì)長度檢測技術(shù)研究 </p><p>　　學(xué) 院 軟件學(xué)院</p><p>　　專 業(yè) 軟件工程</p><p>　　學(xué)生姓名 </p><p

2、>　　學(xué) 號(hào) 0943111084 年級 2009</p><p>　　指導(dǎo)教師 </p><p><b>　　教務(wù)處制表</b></p><p>　　二 Ο 一 三 年 五 月 十 日</p><p>　　車輛排隊(duì)長度檢測技術(shù)研究</p><p>&

3、lt;b>　　軟件工程</b></p><p>　　學(xué)生 張彭 指導(dǎo)老師 羅以寧</p><p>　　[摘要] 智能交通系統(tǒng)是將先進(jìn)的計(jì)算機(jī)處理技術(shù)、信息處理技術(shù)、數(shù)據(jù)傳輸技術(shù)、傳感技術(shù)以及電子控制技術(shù)等先進(jìn)技術(shù)集成運(yùn)用于交通管理而建立的的一種大范圍的、準(zhǔn)確、實(shí)時(shí)、高效的綜合交通運(yùn)輸管理系統(tǒng)。而檢測系統(tǒng)是ITS中的關(guān)鍵組成部分，負(fù)責(zé)對道路交通流量進(jìn)行智能化采集，

4、通過檢測交通道路上車輛排隊(duì)的長度可以使交通運(yùn)輸變得更加合理，可以有效地減少車輛的停車次數(shù)和速度變化頻率，更加有效的利用交通道路，減少堵車的發(fā)生，有利于推動(dòng)經(jīng)濟(jì)的快速發(fā)展。</p><p>　　本文主要研究了車輛排隊(duì)長度檢測的相關(guān)算法。在圖像預(yù)處理中研究了圖像的灰度化處理，圖像濾波和圖像二值化處理等。在背景生成研究中探討了高斯背景建模，幀差法背景建模和中值法背景建模。最后利用背景差法實(shí)現(xiàn)了車輛排隊(duì)長度檢測，為了減小

5、環(huán)境因素的干擾，對陰影消除進(jìn)行了探討。</p><p>　　[主題詞] 車輛排隊(duì)長度檢測；車輛檢測；背景建模；陰影消除</p><p>　　Research on detection technology of vehice queue length </p><p>　　Software Engineering</p><p>　　Stu

6、dent： Zhang Peng Adviser: Luo Yi-ning</p><p>　　[Abstract] Intelligent transportation system is an effective way to solve the problems of traffic jam, environmental pollution in modern city. The inte

7、lligent transportation system combines with electronic sensor technology,image processing, data communication technology, electronic controltechnology, information processing technology and so on. Its purpose is to set u

8、p a directing ground traffic system, fulfilling the exact, valid system in modern society. The identification of the license pla</p><p>　　This paper mainly studied the algorithm of vehicle queue length detec

9、tion. In the image preprocessing of gray-scale image processing, image filtering and image processing two values. In the background modeling algorithm of median background model, Gauss background model and frame differen

10、ce background model. The final difference method based on the vehicle queue length detection using background, in order to reduce the interference of environmental factors, discussed the elimination of shadow.</p>

11、<p>　　[Key Words] vehicle queue length detection；vehicle detection；background modeling；shadow elimination</p><p><b>　　目 錄</b></p><p><b>　　1. 緒論1</b></p>&

12、lt;p>　　1.1 研究背景1</p><p>　　1.2 論文主要工作2</p><p>　　1.3 論文組織與結(jié)構(gòu)2</p><p>　　2. 背景知識(shí)介紹4</p><p>　　2.1 圖像處理簡介4</p><p>　　2.2 基于視頻的車輛檢測原理4</p><p&g

13、t;　　2.3 本章小結(jié)5</p><p>　　3. 車輛檢測算法研究6</p><p>　　3.1 圖像預(yù)處理6</p><p>　　3.2 背景建模算法研究9</p><p>　　3.2.1 中值背景模型9</p><p>　　3.2.2 高斯背景模型9</p><p>　　3.

14、2.3 幀差背景模型10</p><p>　　3.3 陰影消除算法研究12</p><p>　　3.3.1 車輛陰影特性12</p><p>　　3.3.2 陰影消除算法13</p><p>　　3.4 車輛排隊(duì)長度檢測算法研究14</p><p>　　3.5 本章小結(jié)15</p><p

15、>　　4. 實(shí)驗(yàn)結(jié)果及分析16</p><p>　　4.1 圖像預(yù)處理實(shí)驗(yàn)結(jié)果及分析16</p><p>　　4.1.1 圖像灰度化實(shí)驗(yàn)結(jié)果及分析16</p><p>　　4.1.2 圖像二值化實(shí)驗(yàn)結(jié)果及分析17</p><p>　　4.2 背景建模實(shí)驗(yàn)結(jié)果及分析18</p><p>　　4.2.1中值

16、建模實(shí)驗(yàn)結(jié)果及分析18</p><p>　　4.2.2幀差法建模實(shí)驗(yàn)結(jié)果及分析18</p><p>　　4.3 陰影消除實(shí)驗(yàn)結(jié)果和分析19</p><p>　　4.4 車輛排隊(duì)檢測實(shí)驗(yàn)結(jié)果和分析20</p><p>　　4.5 本章小結(jié)21</p><p>　　5. 相關(guān)工作22</p>&l

17、t;p>　　5.1 國外研究狀況22</p><p>　　5.2 國內(nèi)研究狀況22</p><p>　　5.3 本章小結(jié)23</p><p><b>　　6. 小結(jié)24</b></p><p>　　6.1 工作總結(jié)24</p><p>　　6.2 心得體會(huì)24</p>

18、<p>　　6.3 進(jìn)一步的工作24</p><p><b>　　參考文獻(xiàn)26</b></p><p><b>　　聲 明27</b></p><p><b>　　致 謝28</b></p><p>　　附 錄....................

19、..............................................................................................................................................29</p><p><b>　　1. 緒論</b></p><p>　　由于世界經(jīng)濟(jì)

20、的高速發(fā)展，交通運(yùn)輸在國民經(jīng)濟(jì)中所占的地位變得越來越重要，同時(shí)機(jī)動(dòng)車的使用率也在急劇增加。因此現(xiàn)在交通面臨著許多問題：交通環(huán)境的惡化、交通事故的增加、道路的堵塞等等。因此需要一種有效而實(shí)用的交通管理系統(tǒng)來處理這些問題，而老式的交通管理系統(tǒng)因?yàn)樾实拖碌仍?，已?jīng)無法適應(yīng)交通發(fā)達(dá)的現(xiàn)代社會(huì)。所以智能交通系統(tǒng)（ITS）是當(dāng)今世界道路交通的發(fā)展趨勢。</p><p><b>　　1.1 研究背景</b

21、></p><p>　　智能交通系統(tǒng)是目前全世界各個(gè)國家都在進(jìn)行研究和開發(fā)的交通領(lǐng)域前沿研究課題和熱點(diǎn)。對于智能交通系統(tǒng)目前還有沒有一個(gè)明確的定義，但是可以歸納定義為：ITS是將先進(jìn)的信息處理技術(shù)、計(jì)算機(jī)技術(shù)、傳感技術(shù)、數(shù)據(jù)通信傳輸技術(shù)以及電子控制技術(shù)等合理地運(yùn)用于交通管理，從而組建的一個(gè)大范圍的、高效的、實(shí)時(shí)的、準(zhǔn)確的交通綜合管理系統(tǒng)。智能交通系統(tǒng)的目的是使路、車、人密切配合，和諧的統(tǒng)一起來，從而減少車輛

22、的停車次數(shù)和速度變化頻率，更加有效的利用交通道路，減少堵車的發(fā)生，有利于推動(dòng)經(jīng)濟(jì)的快速發(fā)展。</p><p>　　車輛檢測系統(tǒng)作為ITS的一個(gè)基本組成部分，在其中發(fā)揮著非常重要的作用，它負(fù)責(zé)提供詳細(xì)的交通信息數(shù)據(jù)，從而使智能交通系統(tǒng)得到精準(zhǔn)的數(shù)據(jù)來進(jìn)行處理。對于車輛檢測，目前存在著數(shù)種檢測方法。其中比較普及的車輛檢測方法有超聲波檢測、環(huán)形檢測和視頻檢測等。</p><p>　　超聲波檢測由

23、發(fā)射天線和聲波接收器組成。超聲波發(fā)射器對目標(biāo)區(qū)域發(fā)射超聲波，當(dāng)有車輛通過檢測區(qū)域時(shí)，此時(shí)接收器會(huì)在不同時(shí)間接收到回波，根據(jù)接收回?fù)艿牟煌瑫r(shí)間確定車輛是否通過檢測區(qū)域。</p><p>　　環(huán)形檢測是交通檢測系統(tǒng)中常用的一種檢測方式。它的原理是通過一個(gè)環(huán)形線圈充當(dāng)感應(yīng)器與電子單元構(gòu)成一個(gè)電子系統(tǒng)，當(dāng)車輛通過或停在線上時(shí)，由于車輛大部分部件由金屬制成，會(huì)在線圈內(nèi)部產(chǎn)生渦流從而使電感量變化，從而獲得一個(gè)信號(hào)輸出，檢測到

24、通過或停在線圈上的車輛。環(huán)形檢測的優(yōu)點(diǎn)是成本低廉，安裝方便。缺點(diǎn)是受環(huán)境影響比較大，在安裝和維護(hù)時(shí)需要挖開路面阻礙交通，而且感應(yīng)線圈本身容易損壞。</p><p>　　視頻檢測技術(shù)是將計(jì)算機(jī)圖像處理技術(shù)引入到老式的圖像監(jiān)控系統(tǒng)中，利用先進(jìn)的計(jì)算機(jī)技術(shù)從檢測系統(tǒng)獲得的視頻信息中提取出有用的交通信息，而且還能向交通系統(tǒng)管理中心及時(shí)提供實(shí)時(shí)的交通錄像。</p><p>　　基于視頻的檢測技術(shù)的核

25、心內(nèi)容是利用錄制的視頻，將運(yùn)動(dòng)目標(biāo)從連續(xù)的圖像序列中提取出來，然后識(shí)別提取出的運(yùn)動(dòng)目標(biāo)并且進(jìn)行跟蹤，然后解釋該運(yùn)動(dòng)目標(biāo)的動(dòng)作?；谝曨l圖像的運(yùn)動(dòng)目標(biāo)分析的內(nèi)容涉及人工智能、模式識(shí)別、計(jì)算機(jī)視覺等多個(gè)先進(jìn)科技領(lǐng)域，而且以數(shù)字圖像處理為基礎(chǔ)。目前對視頻圖像運(yùn)動(dòng)目標(biāo)分析系統(tǒng)的研發(fā)不但在通用上有很高的的要求，在實(shí)時(shí)性和可移植性上也面臨著不少難題?；谝曨l的車輛檢測系統(tǒng)相比以上傳統(tǒng)方法具有以下優(yōu)點(diǎn)：</p><p>　　視

26、頻檢測系統(tǒng)所需要的攝像頭等設(shè)備易于安裝，維護(hù)方便，費(fèi)用低，安裝維護(hù)時(shí)不需要封閉車道，也不需要挖掘路面，因而不會(huì)影響正常的交通運(yùn)行。</p><p>　　視頻檢測系統(tǒng)可以提供比較大的監(jiān)控范圍，一個(gè)的攝像頭就可以監(jiān)控車上百米以內(nèi)的車輛信息。而且與其它的傳感裝置相比，視頻傳感器能夠提供例如車輛牌照、車輛型號(hào)、車輛行駛路線以及車輛顏色等直觀而詳細(xì)的車輛信息。</p><p>　　視頻檢測系統(tǒng)能夠?qū)?/p>

27、交通現(xiàn)場錄像傳輸給交通管理機(jī)構(gòu)，從而使交管部門的調(diào)控更加有效，并且可以提供交通事故的現(xiàn)場錄像。</p><p>　　視頻檢測系統(tǒng)是通過攝像頭來進(jìn)行交通信息的采集，它對于交通道路幾乎沒有影響，而且視頻檢測系統(tǒng)也不會(huì)相互沖突。</p><p>　　基于上述的優(yōu)點(diǎn)，基于視頻圖像的車輛檢測系統(tǒng)對于智能交通系統(tǒng)的發(fā)展具有很好的推動(dòng)作用，可以引導(dǎo)交通運(yùn)輸系統(tǒng)向合理的模式轉(zhuǎn)變，可以減少車輛的速度變化頻率

28、和停車次數(shù)，從而提升路網(wǎng)的利用率，使道路更加順暢，具有很好的經(jīng)濟(jì)效益和社會(huì)效益。</p><p>　　1.2 論文主要工作</p><p>　　本課題的主要研究對象是攝像頭所拍攝的運(yùn)動(dòng)車輛視頻場景。研究內(nèi)容是視頻序列中車輛排隊(duì)長度的檢測。當(dāng)檢測到有車輛停在斑馬線旁邊的白色直線后面時(shí)，開始檢測車輛排隊(duì)長度。主要內(nèi)容包括圖像預(yù)處理技術(shù)研究，視頻場景背景提取，視頻陰影消除技術(shù)研究，車輛排隊(duì)長度檢

29、測。</p><p>　　1.3 論文組織與結(jié)構(gòu)</p><p><b>　　本文組織結(jié)構(gòu)如下：</b></p><p>　　第一部分：緒論，對智能交通系統(tǒng)進(jìn)行了一個(gè)整體概述，分析了智能交通系統(tǒng)的必然性和重要性；然后介紹了本文的主要工作；</p><p>　　第二部分：背景知識(shí)介紹，主要介紹了一些與視頻車輛排隊(duì)檢測相關(guān)的

30、數(shù)字圖像處理基礎(chǔ)知識(shí)以及基于視頻的車輛檢測原理；</p><p>　　第三部分：車輛檢測算法研究，詳細(xì)介紹了圖像預(yù)處理技術(shù)、視頻場景背景提取、視頻陰影消除技術(shù)以及車輛排隊(duì)長度檢測的算法。</p><p>　　第四部分：實(shí)驗(yàn)結(jié)果及分析，對第三章中提出的圖像預(yù)處理技術(shù)、視頻場景背景提取、視頻陰影消除技術(shù)以及車輛排隊(duì)長度檢測的算法進(jìn)行了實(shí)驗(yàn)分析；</p><p>　　第五

31、部分：介紹了國內(nèi)外相關(guān)技術(shù)的研究狀況；</p><p>　　第六部分：小結(jié)，對本文全部工作進(jìn)行總結(jié)及展望。</p><p><b>　　2. 背景知識(shí)介紹</b></p><p>　　2.1 圖像處理簡介</p><p>　　因?yàn)樵谌祟惖乃懈杏X中視覺占有非常重要的地位，所以人類對于生活中的大部分信息都是通過視覺來接受的

32、。根據(jù)統(tǒng)計(jì)，在人類日常接受的所有信息中，視覺信息占到了70%以上。所謂“百聞不如一見”就是這個(gè)道理，在很多生活場景下，通過圖像傳遞的信息比其它方式都要更加真實(shí)和豐富。</p><p>　　“數(shù)字圖像”則是將傳統(tǒng)的照片或者錄像模擬信號(hào)經(jīng)過處理及數(shù)字化后生成的。對圖像進(jìn)行數(shù)字化的原因在于方便計(jì)算機(jī)運(yùn)算和儲(chǔ)存。像素是圖像的基本單位，每一張圖像都由許多像素構(gòu)成。像素的亮度用灰度值來表示，灰度值被劃分為256階，最亮為25

33、5，最暗為0。一張圖像經(jīng)過數(shù)字化成為很多小方塊所組成的圖像元素，每一個(gè)小方塊中都標(biāo)有一個(gè)坐標(biāo)。行值從左往右從0一直增大，列值從上到下逐漸增大。</p><p>　　數(shù)字圖像處理是指采用相應(yīng)的處理技術(shù)對圖像進(jìn)行有目的的處理和分析。數(shù)字圖像處理包含的內(nèi)容也很多，但是原理和使用的基本方法是一樣的。這個(gè)學(xué)科常用的處理方法包括圖像變換、圖像的增強(qiáng)和復(fù)原、圖像分割、圖像編碼壓縮和圖像分類等。</p><p

34、>　　2.2 基于視頻的車輛檢測原理</p><p>　　從交通檢測系統(tǒng)開始出現(xiàn)到目前為止，從事這一領(lǐng)域研究的專家學(xué)者們研究出了大量卓有成效的車輛檢測系統(tǒng)。車輛檢測系統(tǒng)主要方法有微觀檢測法和宏觀檢測法兩種。其中宏觀檢測法檢測的內(nèi)容更加詳細(xì)，會(huì)對整張目標(biāo)圖像進(jìn)行檢測；而微觀檢測法則只檢測目標(biāo)圖像中的部分內(nèi)容。</p><p>　　宏觀檢測法需檢測整幅圖像的全部區(qū)域，使用這種檢測方法可以

35、檢測出目標(biāo)圖像中的全部車輛信息。車輛的大部分信息都可以檢測出來，例如車輛的行駛路線等。但是采用這種檢測法來進(jìn)行檢測會(huì)有很多缺點(diǎn)。第一，由于需要對整幅圖像進(jìn)行檢測，則必然導(dǎo)致處理的運(yùn)算量非常大，占用系統(tǒng)資源大，因而這種檢測法在車輛檢測這種實(shí)時(shí)性要求高的系統(tǒng)中使用時(shí)必然會(huì)造成嚴(yán)重的延時(shí)；第二，對整幅圖像進(jìn)行檢測會(huì)是目標(biāo)物體分割地不明顯，而且采用此法很難對靜止物體進(jìn)行有效地檢測；第三，因?yàn)槟繕?biāo)場景中會(huì)包含很多像花壇、路邊建筑物、紅綠燈和樹木等

36、會(huì)對檢測造成很大干擾的非目標(biāo)物體，在這種情況下采用這種檢測法進(jìn)行檢測誤差會(huì)很大。</p><p>　　微觀檢測法主要檢測圖像中的感興趣區(qū)域，包括窗口檢測法和線性檢測法等。線性檢測法的基本原理是在圖像的某個(gè)固定位置設(shè)置一條檢測線，通過統(tǒng)計(jì)檢測線圖像特征的變化如色彩突變、灰度跳變來判斷是否有車輛通過。因?yàn)檫@種線式檢測方的運(yùn)算量小、占系統(tǒng)資源少，所以實(shí)時(shí)性不錯(cuò)，但是外界環(huán)境因素容易干擾這種檢測法。窗口檢測法的原理是在圖

37、像的某個(gè)特定區(qū)域設(shè)置一個(gè)較小的矩形檢測框，利用統(tǒng)計(jì)矩形檢測框內(nèi)圖像特征的變化來確定是否有車輛通過，這種方法的檢測區(qū)域比線性檢測法的檢測區(qū)域要大一些。</p><p>　　現(xiàn)在使用最多的檢測法是區(qū)域檢測法，這種方法結(jié)合了以上兩種檢測法各自的優(yōu)點(diǎn)。它的檢測原理則是通過在圖像設(shè)置若干處感興趣區(qū)域（ROI），通過檢測這些區(qū)域內(nèi)的圖像特征從而實(shí)現(xiàn)判斷有無車輛通過的目的，區(qū)域檢測法通常有背景差法、幀差法以及綜合法等幾種，但無

38、論是哪種車輛檢測方法，基本的車輛檢測流程都相似，如圖2-1所示。</p><p>　　圖2-1 車輛檢測的基本流程</p><p>　　背景差分法的原理是首先人工選取或通過一定的算法得到一張沒有前景車輛的背景圖像，再將之后的視頻序列都通過與背景圖像進(jìn)行減運(yùn)算得到差值圖像，然后通過閾值化分割獲得二值圖像，從而實(shí)現(xiàn)檢測車輛的目的。在這個(gè)方法中，背景是需要實(shí)時(shí)更新的，以保證準(zhǔn)確性。</

39、p><p>　　幀差法的原理則是通過當(dāng)前幀的圖像與上一幀的圖像進(jìn)行減運(yùn)算得到差值圖像，由于車輛是運(yùn)動(dòng)的，因此從差值圖像中可以得到車輛運(yùn)動(dòng)軌跡的殘差，然后通過圖像分割方式得到需要的檢測區(qū)域，常見的幀差法有兩幀幀差法和三幀幀差法。 </p><p><b>　　2.3 本章小結(jié)</b></p><p>　　本章主要介紹了一些與視頻車輛排隊(duì)檢測相

40、關(guān)的數(shù)字圖像處理基礎(chǔ)知識(shí)以及基于視頻的車輛檢測原理，為下文的算法研究做好背景鋪墊。</p><p>　　3. 車輛檢測算法研究</p><p><b>　　3.1 圖像預(yù)處理</b></p><p>　　車輛檢測所需處理的圖像大多是通過彩色攝像機(jī)在自然環(huán)境下采集而來的，在攝像機(jī)進(jìn)行采集、運(yùn)輸和記錄的過程中，由于采集環(huán)境的原因，經(jīng)常會(huì)受到各種噪聲

41、的干擾，包括外界光照條件的變化、陰影的影響，還有攝像頭成像誤差、系統(tǒng)電路失真、光路擾動(dòng)等引起的噪聲。總體而言，攝像機(jī)所拍攝得到的圖像一般都會(huì)是噪聲圖像。而用來進(jìn)行車輛檢測所需要的圖像最好是背景干凈的、輪廓明顯的清晰圖像。所以在使用圖像處理進(jìn)行車輛檢測時(shí)，應(yīng)該先使用一些算法來減弱噪聲的干擾，然后再進(jìn)行邊緣檢測、圖像分割、特征提取等處理。</p><p>　　圖像常見的預(yù)處理方式有：圖像灰度化、圖像二值化、圖像濾波等

42、。</p><p>　　3.1.1 圖像灰度化</p><p>　　由于彩色圖像的信息量非常龐大，大大增加了計(jì)算機(jī)的運(yùn)算量，為了降低系統(tǒng)處理時(shí)間一般都會(huì)對圖像進(jìn)行降維處理，把彩色圖像轉(zhuǎn)換為灰度圖，以達(dá)到減少運(yùn)算量和存儲(chǔ)量以及提高處理速度的目的。</p><p>　　圖像的灰度化處理就是將彩色圖像中的彩色信息刪除，只保留亮度信息?；叶葓D的在計(jì)算機(jī)中的表示方法是把亮度值

43、分成0-255共256個(gè)級別，其中255最亮（顯示時(shí)是純白），0最暗（顯示時(shí)是黑），在RGB模型中讓R=G=B，則顏色（R,G,B）就表示為灰度色。灰度化過程就是讓圖像中的RGB三個(gè)值相等，而圖像從未處理前的彩色圖像降到灰度化圖像后一定會(huì)失去一部分原來的圖像信息。</p><p>　　常用的圖像灰度化方法有三種：</p><p>　　最大值法：比較圖像中某點(diǎn)的R、G、B的亮度值從而得出其中

44、的最大值，將這個(gè)最大值作為這點(diǎn)在灰度圖中的灰度值。這種方法處理得到的灰度圖色彩亮度高。表達(dá)式見公式3.1。</p><p><b>　?。?.1） </b></p><p>　　平均值法：將圖像中某點(diǎn)的R、G、B的亮度值相加得到亮度值之和，然后除以3得到亮度平均值，將這個(gè)平均值作為這點(diǎn)在灰度圖中的灰度值。這種方法處理得到的灰度圖色彩比較柔和。表達(dá)式見公式3.2。<

45、;/p><p>　?。?.2） </p><p>　　加權(quán)平均法：這種方法根據(jù)顏色的明暗度和相關(guān)指標(biāo)，以及人眼對不同色彩敏感程度的不一樣，人眼敏感度從高到低順序依次是綠、紅、藍(lán)。根據(jù)這個(gè)特點(diǎn)分別對R、G、B，三個(gè)色彩向量賦予不同權(quán)值并求乘積和。利用這種方法得到的灰度圖比較符合人眼的視覺效果。查閱相關(guān)資料可以得知最合理的灰度圖像的權(quán)值是0.30,0.59,0.11，這樣加權(quán)平均公式為公式

46、3.3。</p><p><b>　　(3.3)</b></p><p>　　基于圖像的合理性，本文采用了加權(quán)平均法灰度化處理汽車原始圖像。</p><p>　　3.1.2 圖像二值化</p><p>　　圖像的二值化在完成圖像的灰度化后進(jìn)行的，先設(shè)定一個(gè)臨界灰度閾值，然后把大于這個(gè)臨界灰度值的像素灰度設(shè)為灰度最大值25

47、5（顯示為純白），把小于臨界灰度值的像素灰度設(shè)為灰度極小值0（顯示為純黑）。把圖像進(jìn)行二值化處理可以減小圖像的數(shù)據(jù)量，是下一步處理更加方便。圖像二值化主要分為局部閾值二值化和全局閾值二值化兩種。</p><p>　　(1)全局閾值二值化：先預(yù)先設(shè)定一個(gè)閾值T，然后將待處理點(diǎn)和T進(jìn)行比較，大于T的為1否則為0。這種方法缺點(diǎn)是不能很好的表現(xiàn)細(xì)節(jié)，而且當(dāng)圖像由黑白色彩交錯(cuò)頻繁的復(fù)雜情況時(shí)容易失效，表達(dá)式見公式3.4。&

48、lt;/p><p><b>　　(3.4)</b></p><p>　　局部閾值二值化：這種算法是將圖像按照預(yù)先設(shè)定的方法將圖像分成許多個(gè)小窗口，而小窗口大小的選取需要依據(jù)實(shí)際圖像來進(jìn)行。然后每一個(gè)小窗口在按照設(shè)定的某個(gè)閾值T進(jìn)行二值化處理。局部閾值二值化的缺點(diǎn)是在某些窗口不能很好的保留表現(xiàn)圖像細(xì)節(jié)，而且窗口的大小選擇也是一個(gè)難題。</p><p>

49、;　　本文根據(jù)車輛檢測所需情況選用全局閾值二值化來進(jìn)行二值化處理。 </p><p>　　3.1.3 圖像濾波</p><p>　　圖像濾波是在盡可能保留圖像的特征細(xì)節(jié)的基礎(chǔ)上對圖像進(jìn)行抑制噪聲的處理，也就是消除非相關(guān)數(shù)據(jù)保留有用的數(shù)據(jù)。圖像濾波主要以下幾種：均值濾波法、加權(quán)平均濾波法，中值濾波法。</p><p>　　均值濾波法：均值濾波主要使用鄰域平均法來進(jìn)行濾

50、波處理。它的方法是把待處理圖像的每個(gè)像素值用其鄰域的像素值的平均值來代替，對待處理圖像中的的某個(gè)像素點(diǎn)（i，j）選定一個(gè)模板，該模板由待處理像素附近的一些像素組成，然后先求出模板中像素的像素值之和，再求出平均值，最后將待處理像素點(diǎn)的像素值設(shè)為這個(gè)平均值，這種方法的詳細(xì)算法如下：</p><p>　　假設(shè)f(i,j)是需要進(jìn)行濾波處理的圖像，而實(shí)用鄰域平均法處理過的圖像為g(i,j)，則：</p>&

51、lt;p><b>　　（3.5） </b></p><p>　　公式3.5中M表示選取的鄰域中附近像素的坐標(biāo)，而N表示選取的鄰域中包含的像素的數(shù)量。</p><p>　　領(lǐng)域平均法的模板是：，中間的點(diǎn)表示該像素是中心元素。</p><p>　　在實(shí)際的運(yùn)用當(dāng)中，可以根據(jù)需要的不同來選擇使用不同大小的模板尺寸，如3×3,5&#

52、215;5,7×7等。模板尺寸越大，噪聲會(huì)消弱得越明顯，但同時(shí)圖像的對比度也會(huì)下降更多。利用均值濾波來進(jìn)行圖像平滑往往需要以降低圖像清晰度為代價(jià)，另外，均值濾波只能將雜點(diǎn)無限放大讓其不易察覺，但不能真實(shí)地消除雜點(diǎn)。</p><p>　　加權(quán)平均濾波法：加權(quán)平均濾波法是對平均濾波方法的改進(jìn)，這種方法人為對于同一尺寸的模板，可以對不同位置的像素值采用不同的數(shù)值，離像素中心點(diǎn)近的系數(shù)應(yīng)該較大，遠(yuǎn)離中心像素的位

53、置系數(shù)應(yīng)該小一些。這樣可以使圖像更加平滑，但又不會(huì)使邊緣和細(xì)節(jié)有明顯的模糊。</p><p>　　常用的一種加權(quán)平均濾波法是利用選取模板的中心和系數(shù)的距離的倒數(shù)來設(shè)定模板內(nèi)部的值，常用的模板有，；還有一種方法則是利用高斯模板來確定系數(shù)權(quán)值，模板為，加權(quán)平均法也被稱為歸一化卷積，表示兩幅圖像之間的卷積，一幅是需要處理的圖像，另一幅是有加權(quán)值的圖像。</p><p>　　中值濾波法：中值濾波法

54、是建立在排序統(tǒng)計(jì)理論基礎(chǔ)上的，一種可以有效減弱噪聲對待處理圖像干擾的信號(hào)處理技術(shù)。它也是一種領(lǐng)域運(yùn)算，和卷積類似，但是計(jì)算的不是加權(quán)求和，是將數(shù)字圖像或者數(shù)字序列中的一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值來代替，讓與周圍像素灰度值的差比較大的像素取與周圍的像素值接近的值，從而可以消除孤立的噪聲點(diǎn)。采用這種方法可以有效地減弱高頻分量，但是會(huì)影響到低頻分量。因?yàn)楦哳l分量在圖像中對應(yīng)區(qū)域的邊緣灰度值會(huì)有比較大的變化，使用這種濾波能夠?qū)⑦@些分量

55、從圖像中濾除，從而使圖像變得更加平滑。設(shè)定模板為W，模板大小為X×Y，而圖像在點(diǎn)的灰度值用表示,采用中值濾波法進(jìn)行處理的輸出結(jié)果為：</p><p><b>　?。?.6）</b></p><p>　　本文根據(jù)車輛檢測所需情況選用加權(quán)平均濾波法來進(jìn)行圖像濾波處理。</p><p>　　3.2 背景建模算法研究</p>&

56、lt;p>　　在檢測系統(tǒng)的實(shí)際應(yīng)用當(dāng)中，不會(huì)有靜止不變的背景。場景變化有很多，比如新的干擾物的增加、光線的變化、場景中的物體被移出等，這些都對背景建模帶來了不便。場景當(dāng)中的物體干擾包括：運(yùn)動(dòng)物的陰影影響、攝像頭在風(fēng)中抖動(dòng)或在大貨車路過時(shí)形成的共振，還有背景中有物體的突然閃過等。光線對背景建模的影響也不可忽略，以上這些因素都應(yīng)該考慮到背景建模中，下面介紹幾種常用的背景建模方法。</p><p>　　3.2.1

57、 中值背景模型</p><p>　　中值背景建模思想是：在連續(xù)圖像中，圖像中每個(gè)點(diǎn)都會(huì)有一個(gè)像素序列值，在這個(gè)序列中對這些像素點(diǎn)值進(jìn)行排序，最終選擇中間的值來作為背景像素點(diǎn)。Herrero-Jaraba 等人提出了中值背景建模的方法，中值背景模型的優(yōu)點(diǎn)是算法復(fù)雜度低，建模速度快。</p><p><b>　　中值法計(jì)算公式為：</b></p><p

58、><b>　?。?.7）</b></p><p>　　公式3.7中表示背景模型中像素點(diǎn)在k時(shí)刻的灰度值，表示圖像的三維數(shù)組。</p><p>　　中值背景模型的運(yùn)算比較簡單，而且能夠達(dá)到實(shí)時(shí)的效果，但是中值背景模型適用的條件比較苛刻，比較適合應(yīng)用在一般車輛較少的路段中，因?yàn)檐囕v少、干擾少，背景建模比較準(zhǔn)確，而在市區(qū)道路比較擁堵的情況下，特別是等紅綠燈的路口時(shí)，車

59、輛會(huì)出現(xiàn)停下等紅綠燈，這時(shí)會(huì)使得背景模型不夠準(zhǔn)確。當(dāng)車輛不運(yùn)動(dòng)的時(shí)候，中值背景法會(huì)將車身做為背景圖像的一部分，這樣的背景模型是不準(zhǔn)確的，后續(xù)的檢測算法無法檢測出運(yùn)動(dòng)目標(biāo)。中值背景建模采用的方法是每N 幀圖像進(jìn)行一次背景建模，如果當(dāng)前背景圖像不再準(zhǔn)確時(shí)，就需要?jiǎng)?chuàng)建新的背景圖像，這種方法在實(shí)時(shí)的智能交通系統(tǒng)中不一定能滿足需要，對于背景突變的情況適用性不足，比如突然降雨，道路變濕等情況都不能及時(shí)的更新背景，使后續(xù)檢測結(jié)果不夠準(zhǔn)確。</p

60、><p>　　3.2.2 高斯背景模型</p><p>　　高斯背景模型方法是目標(biāo)檢測的一種常用方法。高斯背景模型又分為單模態(tài)模型和多模態(tài)模型兩種。單模態(tài)模型是使用高等數(shù)學(xué)中的單分布來對背景圖像進(jìn)行描述，而多模態(tài)模型則是使用多個(gè)分布來對圖像進(jìn)行描述。單模態(tài)和多模態(tài)適用的場景不同，在簡單的場景中，比如空曠的道路、蔚藍(lán)的天空、平靜的水面等，這些場景使用單模態(tài)模型可以很好的描述。然而，在一些其它的

61、復(fù)雜應(yīng)用場景當(dāng)中，如空中的飛機(jī)、搖擺的氣球、穿梭的行人等，像素點(diǎn)的值不能夠用單模態(tài)來完全表示，應(yīng)用多模態(tài)模型來建立背景。</p><p>　　混合高斯分布模型在處理復(fù)雜場景時(shí)體現(xiàn)出它的優(yōu)勢，可以增加更多的分布來描述背景圖像，因而這樣建立的背景圖像更精確，對于環(huán)境突變以及復(fù)雜場景，都可以利用增加分布特征的方法來描述背景圖像。很多科研人員在混合高斯模型的基礎(chǔ)上提出了自己的新算法，比如采用改進(jìn)的多高斯分布模型來建立背景

62、。首先,采用多高斯分布模型的方法建立背景，然后根據(jù)更新背景參數(shù)來進(jìn)行背景更新，最后再進(jìn)行像素點(diǎn)判定是否為背景點(diǎn)。還有些背景建立利用三個(gè)高斯分布加權(quán)和來進(jìn)行，這三個(gè)分布由背景、前景和陰影構(gòu)成。在智能交通系統(tǒng)中，經(jīng)常檢測的區(qū)域是市區(qū)擁堵的道路，特別是要檢測紅綠燈下停下來的車輛，因此上面提到的僅用三個(gè)高斯分布來描述背景像素點(diǎn)是不夠的，Grimson提出的背景模型的建立提出了改進(jìn)，采用了K個(gè)高斯分布的模型加權(quán)和，這樣建立出的背景更準(zhǔn)確一些，但算

63、法復(fù)雜度隨著K的增加而增加。 </p><p>　　混合高斯模型可以很好的建立背景，但同時(shí)也有一些缺陷，K的取值將很大程度上決定背景建模的好壞，算法的復(fù)雜度也隨著K的增加而急劇增大，運(yùn)算量的增加將使系統(tǒng)不能很好的滿足實(shí)時(shí)性的要求；但是K值如果縮小，建立出來的背景又不夠準(zhǔn)確，相對單高斯背景建模的優(yōu)勢體現(xiàn)不出，因此K值大小的選取至關(guān)重要。 </p><p>　　3.2.3 幀差背景模型<

64、/p><p>　　本文選用幀差法建立背景模型，基于幀差法建立背景的流程圖如圖3-1所示。</p><p>　　圖3-1 基于幀差法的背景建模流程圖</p><p>　　使用幀差法來建立背景的主要內(nèi)容是利用相鄰的兩幀圖像來進(jìn)行差運(yùn)算從而得到差值圖像，然后設(shè)定一個(gè)閾值T，如果差值圖像的某個(gè)點(diǎn)像素值大于閾值T，則判定背景點(diǎn)上該區(qū)域有車輛經(jīng)過，此時(shí)背景圖像上點(diǎn)對應(yīng)位置不變；反之

65、如果某個(gè)點(diǎn)像素值小于閾值T，則認(rèn)為此時(shí)沒有運(yùn)動(dòng)目標(biāo)經(jīng)過該點(diǎn)，將當(dāng)前幀上的像素值作為背景圖像上的像素值。已經(jīng)確定的背景圖像點(diǎn)將不參與下次的迭代運(yùn)算，這樣背景圖像被慢慢補(bǔ)全，經(jīng)過一定次數(shù)的迭代后，背景圖像最終會(huì)被建成。</p><p>　　幀差法建立背景主要包括以下幾個(gè)步驟：</p><p>　　將第一幀圖像選為背景圖像；</p><p>　　在二值化中選取合適的二值化

66、閾值進(jìn)行二值化運(yùn)算；</p><p><b>　　背景逐漸更新</b></p><p><b>　?。?.8）</b></p><p>　　表示背景在該點(diǎn)的灰度值，表示前景圖像在該點(diǎn)的灰度值，為更新速率。</p><p>　?。?）判斷背景建模是否已經(jīng)建好，理想狀態(tài)是將背景一直建立下去，這樣建立的背

67、景會(huì)越來越好，但是背景建模完畢后才能進(jìn)行后續(xù)操作，因此可以選取適當(dāng)?shù)牡撝?，?jīng)過一定的迭代次數(shù)后，背景建模建立完畢。</p><p>　　3.3 陰影消除算法研究</p><p>　　存在光照的地方就會(huì)存在陰影，在進(jìn)行車輛檢測的過程中，陰影問題也是需要考慮的。在利用圖像進(jìn)行車輛檢測時(shí)，陰影同背景的差異性很大，采用背景差法，很容易會(huì)將陰影當(dāng)做前景檢測出來。因?yàn)槟繕?biāo)車輛的陰影和車輛本身的有很

68、多相似之處，所以在進(jìn)行車輛檢測時(shí)陰影經(jīng)常被認(rèn)為是車輛的一部分。如果不能將陰影很好的去除，就會(huì)給后續(xù)的車輛檢測等帶來很大的干擾。陰影的存在對車輛檢測的影響很大，首先，干擾最大的是可能使多個(gè)車輛目標(biāo)相互粘連，誤判為一個(gè)整體目標(biāo)；其次，陰影還可能把另一個(gè)目標(biāo)覆蓋，造成其它車輛目標(biāo)的丟失。因此在進(jìn)行車輛檢測時(shí)必須要有一套實(shí)時(shí)有效的陰影檢測算法，陰影消除是智能交通運(yùn)動(dòng)車輛檢測系統(tǒng)中非常重要的一個(gè)環(huán)節(jié)。</p><p>　　

69、3.3.1 車輛陰影特性</p><p>　　因?yàn)楣饩€是沿著直線傳播的，當(dāng)物體遮擋住了日光等光線的傳播時(shí)就會(huì)產(chǎn)生陰影。陰影分為自身陰影和投射陰影兩類。自身陰影是指由于物體本身的遮擋而讓光線照射不到它的某些面而形成的陰影，而投射陰影是指由于物體遮擋光線而使場景中的一些區(qū)域受不到光源照射而形成的陰影。</p><p>　　陰影檢測的方法主要分為基于特征的方法和基于陰影模型的方法兩種。基于特征的

70、檢測方法是通過采用圖像的顏色、色調(diào)、灰度或亮度等信息來進(jìn)行判斷，而基于模型的方法是通過建立陰影統(tǒng)計(jì)模型來判斷圖像內(nèi)的像素點(diǎn)是否是陰影區(qū)域。采用模型的方法因?yàn)殛幱澳Ｐ偷慕⒈容^困難、耗時(shí)較大，所以一般的實(shí)時(shí)的陰影檢測算法都是使用基于特征的方法來實(shí)現(xiàn)的。在不同色彩空間內(nèi)，車輛和背景與陰影具有不同的特性，可以根據(jù)其中差異較大的特性來區(qū)分出陰影和車輛。</p><p>　　在RGB空間中，陰影被其覆蓋像素的RGB分量都會(huì)

71、減小，其中R通道下降得最多，其次是G通道，B通道下降的值最小，而且由于散射光源的作用，陰影的像素中B通道的的比率會(huì)增加。在陰影區(qū)域中，與背景圖像相比，前景圖像中的陰影部分只有背景亮度減弱，顏色變化比較小，RGB會(huì)成比例地衰減。</p><p>　　在HSV空間（色相，飽和度，明度）中,當(dāng)前車輛陰影和其位置所對應(yīng)的背景的HSV空間像素值，V分量會(huì)減小，并且會(huì)發(fā)生較大的變化，而H分量和S分量的變化不會(huì)很大，而且車輛的

72、暗影部分中的V值也會(huì)降低，下降幅度會(huì)大于車輛的形成的陰影，可以通過判斷像素點(diǎn)位置中的V分量來確定該位置是車輛還陰影是部分。</p><p>　　3.3.2 陰影消除算法</p><p>　　對于固定的場景來說，在背景確定的情況下，圖像某個(gè)位置是陰影與是背景的灰度值是成線性關(guān)系的，所以在基于灰度空間的陰影檢測環(huán)境下，有的學(xué)者提出可以采用歸一化互相關(guān)函數(shù)來分析陰影，從而實(shí)現(xiàn)消除陰影的目的。文獻(xiàn)

73、通過下式進(jìn)行陰影判斷：</p><p><b>　　（3.9）</b></p><p><b>　?。?.10）</b></p><p><b>　　（3.11）</b></p><p><b>　?。?.12）</b></p><p&

74、gt;<b>　?。?.13）</b></p><p>　　其中T表示一個(gè)(2N+1)×(2N+1)大小的模板，B(i,j)表示背景點(diǎn)在像素點(diǎn)（ij）位置的值。如果其中某一點(diǎn)滿足：</p><p><b>　?。?.14）</b></p><p>　　其中表示一個(gè)確定的閾值，則認(rèn)為該像素點(diǎn)是陰影點(diǎn)。</p&

75、gt;<p>　　從上述的式子可知道，歸一化互相關(guān)函數(shù)涉及到大量的平方和開方運(yùn)算，運(yùn)算匹配速度會(huì)比較慢，在這個(gè)基礎(chǔ)上，文獻(xiàn)提出了一種快速歸一化互相關(guān)函數(shù)的陰影檢測算法，這個(gè)方法通過三個(gè)加總表來對快速歸一化算法進(jìn)行改進(jìn)，從而使計(jì)算時(shí)不含開方運(yùn)算，計(jì)算復(fù)雜度也不依賴于模板的大小。但是基于實(shí)際的實(shí)時(shí)車輛檢測的角度來看，這種算法存在一些缺陷：第一，無論是采用FNCC算法還是NCC算法，算法復(fù)雜度都會(huì)很高，而在正常的采集速率下的處理

76、速度能給予陰影檢測的處理時(shí)間一般不太長；第二，這種算法有一個(gè)閾值的選取問題，一般情況下的值是接近于1的，一般會(huì)取0.97～0.99，其中細(xì)小的偏差都有可能造成陰影檢測的誤判。所以這種算法不太適合于實(shí)時(shí)檢測。下面主要介紹在RGB空間實(shí)現(xiàn)的陰影消除算法。</p><p>　　交通監(jiān)控系統(tǒng)采集的視頻圖像由于會(huì)受太陽光和反射光的影響，藍(lán)色會(huì)發(fā)生散射，所以某一像素點(diǎn)的藍(lán)色分量在為陰影和背景時(shí)的變化會(huì)比較小，而綠色分量和紅色

77、分量會(huì)按照比例發(fā)生衰減。但是就藍(lán)色通道來而已，雖然藍(lán)色通道的值也會(huì)發(fā)生衰減，但是衰減的不顯著，因此在消除陰影時(shí)，應(yīng)該考慮圖像的R、G通道來進(jìn)行判斷，所以算法要采用檢測R、G通道來對陰影進(jìn)行消除。</p><p>　　算法先利用B通道求出Otsu閾值，再進(jìn)行二值化閾值分割，從而獲得目標(biāo)車輛的明亮部分，然后通過對像素點(diǎn)的紅色通道和綠色通道的衰減程度來確定該點(diǎn)是否位于車輛的背光部分。再結(jié)合未處理前的二值化圖像將之前處理

78、得到的明亮部分的車輛圖像和后來得到的車輛暗影部分進(jìn)行或操作，得到濾除陰影后的完整圖像。其檢測流程如下：</p><p>　　對當(dāng)前幀圖像I與通過背景更新算法獲得背景圖像B求得差圖像S；</p><p>　　對差圖像進(jìn)行 Otsu 閾值分割，獲得二值化圖像 IB；</p><p>　?。?）對車輛前景區(qū)域的原圖像進(jìn)行藍(lán)色通道 Otsu 閾值分割，從而獲得獲取車輛的明亮

79、部分IL；</p><p><b>　　（3.15）</b></p><p>　　公式3.15中Threshold表示求得的B通道的Otsu閾值 </p><p>　?。?）對源圖像和背景圖像中的R，G分量進(jìn)行比例判斷，得到車輛的暗影部分IG；</p><p><b>　?。?.16）</b>

80、</p><p>　　公式3.16中為比例閾值，；</p><p>　?。?）將圖像IL與IG進(jìn)行或操作得到結(jié)果圖像。</p><p>　　3.4 車輛排隊(duì)長度檢測算法研究</p><p>　　在智能交通系統(tǒng)中，通過處理交通道路上攝像頭獲得的交通道路視頻可以為交通管理部門提供很多重要的交通信息，如某一路段車輛堵塞嚴(yán)重以及車輛行駛速度超出道路限

81、速等。而車輛排隊(duì)長度是進(jìn)行交通管理時(shí)非常需要的一項(xiàng)信息，因此車輛排隊(duì)長度檢測是智能交通系統(tǒng)的重要內(nèi)容。</p><p>　　因?yàn)楣饬鞣ê蛶罘o法對排隊(duì)的車輛長度進(jìn)行有效檢測，本文使用背景差法來進(jìn)行。背景差法的基本流程是：先將背景圖像與待檢測圖像進(jìn)行減運(yùn)算從而得到得到差值圖像，再利用閾值化分割法將目標(biāo)車輛從背景中提取出來。計(jì)算</p><p><b>　?。?.17）</b

82、></p><p>　　公式3.17中表示的是當(dāng)前待處理圖像，表示的是背景圖像，表示的是通過減運(yùn)算得到的差值圖像，則車輛檢測可以表示為：</p><p><b>　?。?.18）</b></p><p>　　其中 = 1表示對應(yīng)像素是車輛區(qū)域，而 = 0時(shí)表示該區(qū)域是背景區(qū)域。</p><p>　　基于背景差法的車

83、輛檢測的準(zhǔn)確性依賴于背景圖像的可靠性，因此需要對背景進(jìn)行更新，上文中介紹了背景提取及更新的方法。</p><p>　　利用背景差法成功提取出車輛目標(biāo)后，需要進(jìn)行車輛存在檢測確定車輛排隊(duì)長度起始位置。本文采用下面的方法來確定車輛隊(duì)列起始位置：</p><p>　　(1)對采用背景差法得到的圖像中的像素逐行進(jìn)行掃描，設(shè)置= 0表示這一行中是車輛區(qū)域的像素個(gè)數(shù)，因?yàn)?1表示像素（i,j)是車輛區(qū)

84、域，所以掃描到=1則= +1;</p><p>　　(2)由于背景差法得到的圖像可能會(huì)受到其它因素的干擾，使得圖像中存在一些=1但卻不是車輛區(qū)域的像素。因此設(shè)定閾值T，當(dāng)>T時(shí)認(rèn)為第i行存在車倆；</p><p>　　(3)根據(jù)實(shí)際情況設(shè)定排隊(duì)車輛間距為S，利用>T來對進(jìn)行判斷，如果第x行第一個(gè)滿足>T則認(rèn)為x行為車輛隊(duì)列開始位置，再從x行開始檢測，如果第y行、y+1行、

85、y+2行……y+S行都不滿足>T，則認(rèn)為第y行為車輛隊(duì)列末端位置；</p><p>　　(4)根據(jù)上一步得到的車輛隊(duì)列起始坐標(biāo)x和末端坐標(biāo)y在原圖中作出標(biāo)記。</p><p>　　綜上所述，本文進(jìn)行車輛排隊(duì)長度檢測流程如圖3-2所示。</p><p>　　圖3-2車輛排隊(duì)長度檢測流程</p><p><b>　　3.5 本章小

86、結(jié)</b></p><p>　　本章主要分析探討了圖像預(yù)處理技術(shù)、視頻場景背景提取、視頻陰影消除技術(shù)以及車輛排隊(duì)長度檢測的算法及其實(shí)現(xiàn)。</p><p>　　4. 實(shí)驗(yàn)結(jié)果及分析</p><p>　　本章將對前面第三章提出的一些算法進(jìn)行測試，然后再根據(jù)實(shí)驗(yàn)結(jié)果來分析算法的是否成功實(shí)現(xiàn)了相應(yīng)的目的。</p>

87、<p>　　4.1 圖像預(yù)處理實(shí)驗(yàn)結(jié)果及分析</p><p>　　4.1.1 圖像灰度化實(shí)驗(yàn)結(jié)果及分析</p><p>　　圖4-1顯示了未處理前的原圖。</p><p>　　圖4-1 原圖 </p><p>　　圖4-2顯示了灰度化處理后的圖像。</p><p>　　圖4-2 灰度化處理后的圖片

88、</p><p>　　通過對比圖4-1、圖4-2，可以發(fā)現(xiàn)灰度化處理已經(jīng)成功將原來的彩色圖像成功轉(zhuǎn)化為只有黑白兩色的圖片。</p><p>　　4.1.2 圖像二值化實(shí)驗(yàn)結(jié)果及分析</p><p>　　圖4-3顯示了未處理前的圖像。</p><p>　　圖4-3 未處理前圖像 </p><p>　　圖4-4顯示

89、了二值化處理后的圖像。</p><p>　　圖4-4 二值化后的圖像</p><p>　　通過圖4-3、圖4-4的對比，可以發(fā)現(xiàn)經(jīng)過二值化處理成功將原圖處理為信息量更加少，輪廓更加明顯，處理起來更加容易的圖像。</p><p>　　4.2 背景建模實(shí)驗(yàn)結(jié)果及分析</p><p>　　4.2.1中值建模實(shí)驗(yàn)結(jié)果及分析</p>&

90、lt;p>　　圖4-5、圖4-6顯示了圖像源。 </p><p>　　圖4-5 第1幀圖片</p><p>　　圖4-6 第17幀圖片</p><p>　　圖4-7顯示了第500幀時(shí)中值法建立的背景。</p><p>　　圖4-7 500幀時(shí)中值法建立的背景</p><p>　　由圖4-5、圖4

91、-6、圖4-7可以看出，當(dāng)運(yùn)動(dòng)目標(biāo)較多時(shí)，中值法具有缺陷，背景很容易“變臟”，建立的背景不夠準(zhǔn)確。</p><p>　　4.2.2幀差法建模實(shí)驗(yàn)結(jié)果及分析</p><p>　　圖4-8顯示了第500幀時(shí)基于幀差法建立的背景。</p><p>　　圖4-8 500幀時(shí)幀差法建立的背景</p><p>　　由圖4-5、圖4-6、圖4-8可以看出，

92、使用幀差法建立的背景比較準(zhǔn)確。</p><p>　　4.3 陰影消除實(shí)驗(yàn)結(jié)果和分析</p><p>　　圖4-9顯示了其中一幀有陰影的圖像：。</p><p>　　圖4-9 某一幀有陰影的圖像</p><p>　　圖4-10顯示了未消除陰影的圖像。</p><p>　　圖4-10 未消除的圖像</p>

93、<p>　　圖4-11顯示了消除陰影的圖像。 </p><p>　　圖4-11 消除陰影的圖像</p><p>　　由圖4-9、圖4-10、圖4-11可以看出，消除陰影基本達(dá)到了目的，為以后的處理做好了鋪墊。</p><p>　　4.4 車輛排隊(duì)檢測實(shí)驗(yàn)結(jié)果和分析</p><p>　　圖4-12顯示了背景圖。</p>

94、<p>　　圖4-12 背景圖</p><p>　　圖4-13顯示了待檢測圖片。</p><p>　　圖4-13 待檢測圖片</p><p>　　圖4-14顯示了背景差法處理后得到的圖片。</p><p>　　圖4-14 背景差法處理后的圖片</p><p>　　圖4-15顯示了標(biāo)記了車隊(duì)首尾的圖片。&

95、lt;/p><p>　　圖4-15標(biāo)記了車隊(duì)首尾的圖片</p><p>　　通過分析圖4-12、圖4-13、圖4-14可知，通過背景差法提取出了車輛目標(biāo)，但是圖像包含一些干擾因素，通過檢測圖4-14獲得車隊(duì)首尾坐標(biāo)，然后在原圖像中顯示出來如圖4-15。</p><p><b>　　4.5 本章小結(jié)</b></p><p>　

96、　本章主要是對第三章研究的圖像預(yù)處理技術(shù)、視頻場景背景提取、視頻陰影消除技術(shù)以及車輛排隊(duì)長度檢測等算法進(jìn)行實(shí)驗(yàn)分析。</p><p><b>　　相關(guān)工作</b></p><p>　　5.1 國外研究狀況</p><p>　　國外科研人員做了大量的關(guān)于智能交通系統(tǒng)的研究,其中包括車輛牌照識(shí)別、車輛速度檢測和車輛跟蹤等,從交通視頻中獲取這些交通信

97、息涉及到了計(jì)算機(jī)處理技術(shù)、電子控制技術(shù)、數(shù)據(jù)通信傳輸?shù)阮I(lǐng)域。將這些技術(shù)運(yùn)用到實(shí)際的交通信息監(jiān)測中有許多需要克服的困難,但是世界各國的科研人員不畏艱險(xiǎn)在智能交通系統(tǒng)相關(guān)學(xué)術(shù)領(lǐng)域進(jìn)行了大量工作,而且也取得了很多優(yōu)秀的研究成果。</p><p>　　Rafael.M.Inigo等人員提出了線段圖像幀差法來進(jìn)行車輛檢測：順著道路方向以某一固定的間隔設(shè)置30條線段,采用對每一條線上標(biāo)示車輛是否出現(xiàn)來的方法來對車輛進(jìn)行計(jì)數(shù),

98、通過在多幀圖像上檢測所在30條線段的狀態(tài),可以實(shí)現(xiàn)跟蹤車輛移動(dòng)情況的目的,這個(gè)方法應(yīng)用在加州技術(shù)學(xué)院實(shí)驗(yàn)室開發(fā)的大面積檢測系統(tǒng)(WADS)中,車輛數(shù)統(tǒng)計(jì)的誤差僅為5%一10%,在良好天氣條件下,速度檢測的精度可以達(dá)到雷達(dá)檢測的98%。</p><p>　　Brian Carlson和Panos G Miehalopoulos提出了對交通流參數(shù)進(jìn)行實(shí)時(shí)檢測的方法。明尼蘇達(dá)州立大學(xué)自主研發(fā)的Autoscope系統(tǒng)中采

99、用了這種方法,這個(gè)系統(tǒng)利用圖像處理技術(shù)來對車輛進(jìn)行檢測,從而獲得是否有車輛通過和車輛的速度等的實(shí)時(shí)交通信息。該方法在道路圖像中設(shè)置虛擬傳感器,每個(gè)虛擬傳感器只對道路圖像中的一個(gè)小窗口進(jìn)行操作，通過幀差法和在潮濕道路上檢測反射和陰影的方法來確定傳感器的狀態(tài),利用監(jiān)視一個(gè)或多個(gè)傳感器的狀態(tài)可以計(jì)算出車輛長度、速度、數(shù)量和車道占有率。</p><p>　　NEWCAST大學(xué)的Bell MGH，Rourte A提出了用多

100、窗口技術(shù)來對二值圖像中的車輛進(jìn)行檢測。先利用灰度直方圖處理得到二值化圖像,然后在交通場景中創(chuàng)建上游和下游兩個(gè)窗口,這兩個(gè)窗口的實(shí)際位置可以由操作人員通過移動(dòng)光標(biāo)來確定,再利用統(tǒng)計(jì)車輛在兩個(gè)窗口內(nèi)的運(yùn)動(dòng)規(guī)律來對車輛的速度和車輛數(shù)量進(jìn)行檢測。(TULIP)系統(tǒng)就采用了這種方法,車輛數(shù)量的檢測誤差為5%左右。</p><p>　　綜上所述，目前世界上的視頻車輛檢測技術(shù)主要是利用幀差法，邊緣檢測法和背景差法等來實(shí)現(xiàn)對車輛

101、的檢測。</p><p>　　5.2 國內(nèi)研究狀況</p><p>　　隨著智能交通系統(tǒng)的發(fā)展,用于車輛檢測的各種新技術(shù)也不斷被研發(fā)出來。最近幾年，國內(nèi)的車輛檢測技術(shù)在飛速發(fā)展，城市交通管理系統(tǒng)采用了很多先進(jìn)技術(shù)。川大智勝軟件有限公司的地面智能交通管理系統(tǒng)在交通監(jiān)管方面取得了良好的效果,它是在圖像處理和人工智能的基礎(chǔ)上通過實(shí)時(shí)地分析視頻中的交通流情況,并提取交通狀況的主要信息，包括最高速度

102、，最低速度，平均速度和車流量等。國內(nèi)有很多科研機(jī)構(gòu)長期進(jìn)行視頻車輛檢測技術(shù)的研究，針對車輛檢測中的車輛識(shí)別，車輛計(jì)數(shù)和車速測量等交通信息的檢測作了大量的研發(fā)工作，并且提出了一些具有創(chuàng)意的新方法。</p><p>　　伴隨著智能技術(shù)的快速發(fā)展，在最新的一些車輛視頻檢測技術(shù)中采用了小波分析、模糊理論、人工神經(jīng)網(wǎng)和遺傳算法等智能技術(shù)，而且獲得了很好的效果。清華大學(xué)的吳裙文和張學(xué)工提出了一種基于主成分分析法和小波變化實(shí)現(xiàn)

103、的車輛靜態(tài)檢測方法。這種方法使用事先選好的車輛和背景來對樣本集進(jìn)行訓(xùn)練,對樣本利用小波變換進(jìn)行特征提取，再用主成分分析將檢測圖像在進(jìn)行分類，從而確定某區(qū)域內(nèi)是否有車輛存在。此方法應(yīng)用效果良好,具有不錯(cuò)的實(shí)際效益。</p><p>　　因?yàn)橐曨l車輛檢測中常用方法主要是邊緣檢測法、背景差法、幀差法等幾種,但是在使用這些方法解決實(shí)際問題時(shí)，經(jīng)常會(huì)碰到一些麻煩，所以國內(nèi)科研人員提出了一些改良后新的方法。例如基于視頻的車輛

104、檢測和跟蹤技術(shù)容易受到環(huán)境因素的干擾從而降低準(zhǔn)確性,其中車輛間的相互遮擋和車輛的陰影是兩個(gè)主要的干擾因素。國內(nèi)學(xué)者提出了先使用背景差法對運(yùn)動(dòng)對象進(jìn)行分割，再利用邊緣檢測法使檢測的準(zhǔn)確性得到提高，按照一定規(guī)則對提取得到的目標(biāo)區(qū)域進(jìn)行處理從而有效地檢測車輛。這種方法可以有效解決車輛陰影和遮擋問題,從而得到更加準(zhǔn)確的交通信息。</p><p>　　由于傳統(tǒng)的幀差法是根據(jù)車道設(shè)置固定窗口來進(jìn)行運(yùn)動(dòng)車輛檢測的。怎么消除因?yàn)?/p>

105、旁邊車道的車輛覆蓋了被檢測車道檢測窗而引起的誤差,也是視頻車輛檢測技術(shù)需要解決的一個(gè)難題。張玲等針對這個(gè)問題提出了一種改進(jìn)的幀差法,先檢測車道內(nèi)的車輛信息生成信息流,然后根據(jù)信息流的變化對車輛車速以及數(shù)量進(jìn)行檢測。從而實(shí)現(xiàn)對測量窗口內(nèi)車輛的準(zhǔn)確計(jì)數(shù)，使收集到的車道內(nèi)車輛信息更加準(zhǔn)確。</p><p>　　綜上所述,在一些視頻車輛檢測中的所面臨的難點(diǎn)問題，國內(nèi)學(xué)者也相應(yīng)地提出了一些不錯(cuò)的解決方案。但是由于視頻車輛檢

106、測所處環(huán)境的復(fù)雜性,很難有一種方法適于用所有的情況，所以在視頻車輛檢測鄰域仍然需要進(jìn)一步的研究。</p><p><b>　　5.3 本章小結(jié)</b></p><p>　　本章主要介紹了視頻車輛檢測相關(guān)技術(shù)在國內(nèi)外的研究狀況，國內(nèi)外學(xué)者在這個(gè)領(lǐng)域的工作都非常多，也都很有成效。</p><p><b>　　6. 小結(jié)</b>

107、</p><p><b>　　6.1 工作總結(jié)</b></p><p>　　智能交通系統(tǒng)是將先進(jìn)的信息處理技術(shù)、計(jì)算機(jī)技術(shù)、傳感技術(shù)、數(shù)據(jù)通信傳輸技術(shù)以及電子控制技術(shù)等合理地運(yùn)用于交通管理，從而組建的一個(gè)大范圍的、高效的、實(shí)時(shí)的、準(zhǔn)確的交通綜合管理系統(tǒng)。它的目的是使路、車、人密切配合，和諧的統(tǒng)一起來，從而減少車輛的停車次數(shù)和速度變化頻率，更加有效的利用交通道路，減少堵

108、車的發(fā)生，有利于推動(dòng)經(jīng)濟(jì)的快速發(fā)展。ITS正日益得到我國政府、大學(xué)、科研機(jī)構(gòu)和各企業(yè)單位的重視。在我國，近年來不但有許多 ITS 的研究成果發(fā)表，而且不停車電子收費(fèi)、車輛自動(dòng)識(shí)別等ITS技術(shù)的應(yīng)用也在蓬勃發(fā)展，可以說我國對智能交通系統(tǒng)的需求也是越來越迫切。在智能交通系統(tǒng)的實(shí)際應(yīng)用上，基于計(jì)算機(jī)視覺的檢測方法擁有易于維護(hù)、費(fèi)用較低、效果良好等諸多優(yōu)點(diǎn)。但因?yàn)閼?yīng)用于道路監(jiān)控的視頻檢測技術(shù)在國內(nèi)外起步都比較晚，很多技術(shù)理論并不完善，而且實(shí)際的

109、道路檢測環(huán)境各式各樣，錯(cuò)綜復(fù)雜，因此這方面的理論研究還有巨大的潛力以待挖掘。</p><p>　　本文主要在圖像預(yù)處理技術(shù)、視頻場景背景提取、陰影消除技術(shù)以及車輛排隊(duì)長度檢測四個(gè)方面進(jìn)行研究。其中圖像預(yù)處理技術(shù)主要分析了圖像灰度化，圖像二值化以及圖像濾波。在背景提取技術(shù)中主要研究了中值背景建模，高斯背景建模以及幀差背景建模。陰影消除技術(shù)主要研究了在RGB空間下的陰影消除。車輛排隊(duì)檢測主要研究了膨脹操作，腐蝕操作和

110、基于形態(tài)學(xué)的邊緣檢測。其中大部分算法都得到了實(shí)現(xiàn)，但是車輛排隊(duì)長度檢測并不完善，需要改善。</p><p><b>　　6.2 心得體會(huì)</b></p><p>　　我在做畢業(yè)設(shè)計(jì)的過程中得到了很多啟發(fā)：</p><p>　　第一，要詳細(xì)制定計(jì)劃，并嚴(yán)格按照計(jì)劃來執(zhí)行工作。在以前的學(xué)習(xí)過程中參與一些項(xiàng)目時(shí)，雖然也有制定計(jì)劃，但是經(jīng)常不按照計(jì)劃來