车辆排队长度检测技术研究_毕业论文(编辑修改稿)

车辆排队长度检测技术研究_毕业论文(编辑修改稿)内容摘要：

图 21 车辆检测的基本流程 背景差分法的原理是 首先人工 选取或通过一定的算法 得到 一张没有 前景 车辆的背景图像， 再将 之后的视频序列都通过与背景 图像进行减运算 得到差值图像， 然后 通过阈值化分割获 得 二值图像，从而 实现 检测车辆的目的。 在这个 方法中，背景是需要实时 更新的，以 保证 准确性。 帧差 法 的原理 则 是通过当前帧 的 图像与上一帧 的 图像 进行减运算 得到 差值 图像， 由于车辆是运动的，因此 从差值图像中 可以得到车辆运动轨迹的残差， 然后 通过图像分割方式得到 需要的 检测区域，常见的 帧差法 有 两 帧帧差法和三帧帧差法。 本章小结 本章主要介绍了一些与视频车辆排队检测相关的数字图像处理基础知识以及基于视频的车辆检测原理，为下文的算法研究做好背景铺垫。 四川大学本科毕业论文 车辆排队 长度检测技术研究 6 3. 车辆检测算法研究 图像预处理 车辆检测所需处理的图像大多是通过彩色 摄像机在自然环境下采集而来的，在摄像机进行采集、运输和记录的过程中，由于采集环境的原因，经常会受到各种噪声的干扰，包括外界光照条件的变化、阴影的影响，还有摄像头成像误差、系统电路失真、光路扰动等引起的噪声。 总体而言，摄像机所拍摄得到的图像一般都会是噪声图像。 而用来进行车辆检测所需要的图像最好是背景干净的、轮廓明显的清晰图像。 所以在使用图像处理进行车辆检测时，应该先使用一些算法来减弱噪声的干扰，然后再进行边缘检测、图像分割、特征提取等处理。 图像常见的预处理方式有：图像灰度化、图像二值化、图像滤波等。 图像灰度化 由于彩色图像的信 息量非常庞大，大大增加了计算机的运算量，为了降低系统处理时间一般都会对图像进行降维处理，把彩色图像转换为灰度图，以达到减少运算量和存储量以及提高处理速度的目的 ]7[。 图像的灰度化处理就是将彩色图像中的彩色信息删除，只保留亮度信息。 灰度图的在计算机中的表示方法是把亮度值分成 0255 共 256 个级别，其中 255 最亮（显示时是纯白），0 最暗（显示时是黑），在 RGB 模型中让 R=G=B，则颜色（ R,G,B）就表示为灰度色。 灰度化过程就是让 图像中的 RGB 三个值相等，而图像从未处理前的彩色图像降到灰度化图像后一定会失去一部分原来的图像信息。 常用的图像灰度化方法有三种： （ 1） 最大值法：比较图像中某点的 R、 G、 B 的亮度值从而得出其中的最大值，将这个最大值作为这点在灰度图中的灰度值。 这种方法处理得到的灰度图色彩亮度高。 表达式见公式。 )),(),(),((),( jiBjiGjiRM axjif  （ ） （ 2） 平均值 法：将图像中某点的 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，将这个平均值作为这点在灰度图中的灰度值。 这种方法处理得到的灰度图色彩比较柔和。 表达式见公式。 3/)),(),(),((),( jiBjiGjiRjif  （ ） （ 3） 加权平均法：这种方法根据颜色的明暗度和相关指标，以及人眼对不同色彩敏感程度的不一样，人眼敏感度从高到低顺序依次是绿、红、蓝。 根据这个特点分别 对 R、 G、四川大学本科毕业论文 车辆排队长度检测技术研究 7 B，三个色彩向量赋予不同权值并求乘积和。 利用这种方法得到的灰度图比较符合人眼的视觉效果。 查阅相关资料 ]7[ 可以得知最合理的灰度图像的权值是 ,，这样加权平均公式为公式。 ),(),(),(),( jiBjiGjiRjif  () 基于图像的合理性，本文采用了加权平均法灰度化处 理汽车原始图像。 图像二值化 图像的二值化在完成图像的灰度化后进行的，先设定一个临界灰度阈值，然后把大于这个临界灰度值的像素灰度设为灰度最大值 255（显示为纯白），把小于临界灰度值的像素灰度设为灰度极小值 0（显示为纯黑）。 把图像进行二值化处理可以减小图像的数据量，是下一步处理更加方便。 图像二值化主要分为局部阈值二值化和全局阈值二值化两种。 (1)全局阈值二值化：先预先设定一个阈值 T，然后将待处理点和 T 进行比较，大于 T的为 1 否则为 0。 这种方法缺点是不能很好的表现细节，而且当图像由黑白色彩交错频 繁的复杂情况时容易失效，表达式见公式。 () (2)局部阈值二值化： 这种算法是将图像按照预先设定的方法将图像分成许多个小窗口，而小窗口大小的选取需要依据实际图像来进行。 然后每一个小窗口在按照设定的某个阈值 T进行二值化处理。 局部阈值二值化的缺点是在某些窗口不能很好的保留表现图像细节，而且窗口的大小 选择也是一个难题。 本文根据车辆检测所需情况选用全局阈值二值化来进行二值化处理。 图像滤波 图像滤波是在尽可能保留图像的特征细节的基础上对图像进行抑制噪声的处理，也就是消除非相关数据保留有用的数据。 图像滤波主要以下几种：均值滤波法、加权平均滤波法，中值滤波法。 （ 1） 均值滤波法：均值滤波主要使用邻域平均法来进行滤波处理。 它的方法是把待处理图像的每个像素值用其邻域的像素值的平均值来代替，对待处理图像中的的某个像素点（ i， j）选定一个模板，该模板由待处理像素附近的一些像素组成，然后先求出模板中像 素的像素值之和，再求出平均值，最后将待处理像素点的像素值设为这个平均值，这种方法的详细算法如下： 四川大学本科毕业论文 车辆排队 长度检测技术研究 8 假设 f(i,j)是需要进行滤波处理的图像，而实用邻域平均法处理过的图像为 g(i,j)，则： （ ） 公式 中 M 表示选取的邻域中附近像素的坐标，而 N表示选取的邻域中包含的像素的数量。 领域平均法的模板是： ，中间的点表示该像素 是 中心元素。 在实际 的 运用 当 中，可以根据需要 的不同来 选择使用不同大小的模板尺寸，如 3 3,5 5,7 7 等。 模板尺寸越大，噪声 会 消弱得越明显，但同时图像的对比度也会下降 更多。 利用 均值滤波 来 进行图像平滑往往需要以降低图像清晰度为代价，另外，均值滤波只能将杂点无限放大让其不易察觉，但不 能 真实地消除杂点。 （ 2） 加权平均滤波法：加权平均滤波法是对平均滤波方法的改进，这种方法人为对于同一尺寸的模板，可以对不同位置的像素值采用不同的数值，离像素中心点近的系数应该较大，远离中心像素的位置系数应该小 一些。 这样可以使图像更加平滑，但又不会使边缘和细节有明显的模糊。 常用的一种加权平均滤波法是利用选取模板的中心和系数的距离的倒数来设定模板内部的值，常用的模板有 ， ；还有一种方法则是利用高斯模板来确定系数权值，模板为 ，加权平均法也被称为归一化卷积，表示两幅图像之间的卷积，一幅是需要处理的图像，另一幅是有加权值的图像。 （ 3） 中值滤波法：中值滤波法是建立在排序统计理论基础上的，一种可以有效减弱噪声对待处理图像干扰的信号处理技术。 它也是一种领域运算，和卷积类似，但是计算的不是加权求和，是 将 数字图像或者数字序列中的 一点的值用该点的一个邻域中各点值的中值 来 代替，让 与 周围像素灰度值的差比较大的像素取与周围的像素值接近的值，从而可以消除孤立的噪声点。 采用这种方法可以有效地减弱高频分量， 但是 会影响到低频分量。 因为高频分量在图像中对应区域的边缘灰度值会有比较大的变化，使用这种滤波能够将这些分量从图像中滤除，从而使图像 变得更加 平滑。 设定模板为 W，模板大小为 X Y，而图像四川大学本科毕业论文 车辆排队长度检测技术研究 9 在 ),( ji 点的灰度值用 ),( jif 表示 ,采用中值滤波法进行处理的输出结果为： },),({),( Wlkljkifm e djif  （ ） 本文根据车辆检测所需情况选用加权平均滤波法来进行图像滤波处理。 背景建模算法研究 在 检测系统的实际应用 当中， 不会 有静止不变的背景。 场景变化有很多， 比 如 新的 干扰物的 增加 、光线的 变化 、场景中的物体被移出等，这些都对背景建模带来了不便。 场景当中的物体干扰包括： 运 动物的阴影影响、摄像头在风中抖动或在大货车路过时形成的共振，还有背景中有 物体 的 突 然闪过等。 光线对背景建模的影响也不可忽略，以上这些因素都 应该 考虑 到 背景建模中，下面介绍几种常用的背景建模方法。 中值背景模型 中值背景建模思想是：在连续图像中，图像中每个点都会有一 个 像素序列值，在这个序列中对这些像素点值进行排序，最终选择中间的值 来 作为背景像素点。 HerreroJaraba 等人提出了中值背景建模的方法， 中值背景模型的 优点是算法复杂度低，建模速度快。 中值法计算公式为： （ ） 公式 中 ),( yxBk 表示 背景模型中像素点 ),( yx 在 k 时刻 的灰度值， ki 表示 图像的 三维数组。 中值背景模型 ]16[ 的运算比较简单，而且 能够 达到实时 的效果， 但是 中值背景模型适用的 条件比较苛刻， 比较适合 应用在一般车辆较少的路段中，因为车辆少 、 干扰少，背景建模比较准确，而在市区道路比较拥堵的情况下， 特别 是等红绿灯的路口时，车辆会出现停下等红绿灯， 这时会 使得背景模型不够准确 ]8[。 当车辆不运动的时候，中值背景法会将车身做为背景图像的一部分，这样的背景模型是不准确的，后续的检测算法无法检测出运动目标。 中值背景建模采用的 方法 是每 N 帧图像进行一次背景建模，如果当前背景图像不再准确时， 就 需要创建新的背景图像，这种方法在实时的智能交通系统中 不一定能 满足需要，对于背景突变的情况 适用性不足 ，比如突然降雨，道路变湿 等情况 都不能及时的更新背景，使后续检测结果不够准确。 高斯背景模型 四川大学本科毕业论文 车辆排队 长度检测技术研究 10 高斯 背景模型方法是目标检测的一种 常用 方法。 高斯背景模型又分为单模态模型和多模态模型两种。 单模态模型是 使用高等 数学中的单分布来 对 背景图像 进行描述 ， 而 多模态模型 则 是 使用 多个分布来 对图像进行描述。 单模态和多模态适用的场景不同，在简单的场景中，比如空旷的道路、 蔚蓝 的天空、平静的水面 等 ，这些场景 使 用单模态模型可以 很好的描述。 然而，在一些其它 的复杂 应用场景当中，如空中的飞机、摇摆的气球、穿梭的行人等，像素点的值不能够用单模态来完全表示，应用多模态模型来建立背景。 混合高斯分布模型 在处理复杂场景时 体现出它的优势，可以增加更多的分布来描述背景图像， 因而 这样建立的背景图像更精确，对于环境突变以及复杂场景，都可以利用增加分布特征 的方法 来描述背景图像。 很多科研人员在混合高斯模型的基础上提出了自己的 新算法，比如采用改进的多高斯分布模型来建立背景。 首先 ,采用多高斯分布模型的方法建立背景，然后根据更新背景参数 来 进行背景更新， 最后 再 进行像素点判定是否为背景点。 还有些 背景建立 利用 三个高斯分布加权和 来进行 ， 这 三个分布 由 背景、前景 和 阴影 构成。 在智能交通系统中，经常检测的区域是市区拥堵的道路，特别是要检测红绿灯下停下来的车辆，因此上面提到的仅用三个高斯分布来描述背景像素点是不够的， Grimson 提出 的背景模型的建立提出了改进， 采 用 了 K个高斯分布的模型加权和，这样建立出的背景更准确一些，但算法复杂度随着 K 的增加而增加。 混合高斯模型可以很好的建立背景，但同时也 有 一些缺陷， K 的取值将很大程度上决定背景建模的好坏，算法 的 复杂度 也 随着 K的增加而急剧增大，运算量的增加将使系统不能很好的满足实时性的要求 ；但是 K值如果缩小，建立出来的背景又不够准确，相对单高斯背景建模的优势体现不出，因此 K值 大小的选取 至关重要。 帧差背景模型 本文选用帧差法建立背景模型， 基于帧差法建立背景的流程图如图 31 所示。 四川大学本科毕业论文 车辆排队长度检测技术研究 11 图 31 基于帧差法的背景建模流程图 使用帧差法来 建立背景的 主要内容是利用相邻 的两帧图像 来 进行差运算 从而 得到差值图像。