基于opencv的车辆检测论文

基于opencv的车辆检测论文内容摘要：

测技术具有直观、可监视范围广、可获取更多种类的交通参 数以及费用较低等优点、因而可广泛应用于交叉路口和公路干线的交通监视系统中。 视频车辆检测技术未来趋势 （ 1）智能化 视频车辆检测技术经过多年的发展，检测精度、深度、范围等指标都有很大的提高，但系统的智能化程度还十分有限，距离“人脑”的判断能力还很远。 （ 2） 视觉检测立体化 体视觉是计算机被动测距方法中最重要的距离感知技术之一。 该方法可以克服单一视角由于遮挡或深度影响而容易产生的分歧，能够有效解决遮挡问题，扩大车辆检测的有效范围。 （ 3） 网络化 进行区域交通系统状态特征提取和信息融合，实现区域交通状况的评价、预报 和报警，建立区域交通系统状况的集成应用系统。 （ 4） 低成本、集成化 目前视频车辆检测系统结构比较复杂、价格比较昂贵，这给视频检测技术的普及带来了一定的困难。 今后应加大低成本、高性能、结构优化产品的研发，以增强视频车辆检测技术的市场竞争力。 本章小结 本章对基于视频的车连检测技术进行了综合性的概述，主要从实例发展历程方面进行阐述，同时分析了视频车辆检测技术未来的发展趋势。 综上所述，视频车辆检测技术在整个智能交通系统中的重要地位是时代发展必然性所决定的，而本文在第一章中已经介绍了 OpenCV 的优越性，接下来 将具体讲述基于 OpenCV 的车辆检测的算法流程、实验测试和结果分析。 大连交通大学 2020 届本科生毕业论文 8 第三章 车辆检测算法设计 引言 从最早的 80 年代起至今，专家和学者们提出了许多卓有成效的车辆检测方法。 总的来说，车辆检测的原理主要可以分为以下两类：宏观检测法和微观检测法。 宏观检测法对整幅图像进行检测，而微观检测法主要针对图像的 ROI（感兴趣区域）进行检测。 宏观检测法对整幅图像进行检测，采用这种检测方法图像蕴含的信息量丰富，能把整幅图像中的所有车道的车辆都检测出来。 车辆的一些行驶特征，如左转右转也能被检测出来， 但是这种算法的缺点也是显而易见的。 首先，由于是对整幅图像进行检测，必然导致处理的运算量大，系统开销大，在视频检测这种实时性要求极高的系统中使用必然造成严重的延时；其次，由于场景中包含如路边花坛、树木、红绿灯杆等大量的干扰比较严重的前景物体，容易成为干扰因素，引起检测时误差的增大；第三，整幅图像检测容易造成物体分割不明显，对静止的物体检测效率低下。 微观检测法则对图像的局部区域进行检测，包括有线性检测法和窗口检测法。 线性检测法的原理是通过在图像的固定位置设置一条检测线，通过统计检测线的图像特征变化如灰度跳变、 色彩突变来判断有无车辆通过。 这种线式的检测方式运算量小、实时性好、检测精度也较高，但是由于其检测区域的限制，这种方式的鲁棒性不高，容易受光线变化的影响引起误检。 窗口检测法的原理则是通过在图像的特定区域设置一个较小的检测矩形框，通过统计矩形框内的图像特征变化来判断车辆是否通过，和线性检测法相比，检测的区域要大些。 最常见目前运用最多的是区域检测法，该方法融合了宏观检测法和线式检测法的优点。 它的检测原理是通过在图像设置若干处 ROI（感兴趣区域），通过检测区域内的图像特征达到判断有无车辆通过的目的，区域检测法通 常有光流场法、帧间差分法和背景差分法几种。 几种方法各有利弊，本文将运用背景差分法完成对交通视频中的车辆检测。 车辆检测算法流程图 本章是全文的重点章节，本章将对车辆检测算法的具体流程进行详细的介绍。 主要包括读取视频、设定感兴趣区域、图像预处理、检测运动目标及背景参数的实时更新等几个部分。 如图 31 所示，主要工作是： （ 1） 获取视频帧：本文所用道路交通视频来自网络，是一个 709KB 的媒体文件（ .avi），其视频时长为 30 秒，帧宽度为 640mm，帧高度为 480mm，数据大连交通大学 2020 届本科生毕业论文 9 速率为 161kbps，总比特率 为 193kbps，帧速率为 25 帧 /秒。 （ 2） 视频图像预处理：对采集的视频流转换到需要的色彩空间进行处理，滤除图像的噪声，设置图像的感兴趣区域。 将前景与背景进行分割，阈值化处理得到车辆的二值化图像。 （ 3）背景初始化与更新：如果此时背景没有初始化，则需要对交通场景图像进行初始化，并对背景进行实时更新。 （ 4）提取前景运动车辆：主要涉及到的操作包括有检测运动车辆，用红色矩形框标出。 图 31 车辆检测算法流程图 图像预处理 设定感兴趣区域 为了尽可能的减少噪声以及交通场景中其他前景 物体的影响，本文采用设定大连交通大学 2020 届本科生毕业论文 10 局部检测区域的方式对交通图像进行划分，以达到实时性和降低误检的作用。 局部检测区域的设置遵循以下规则： （ 1）检测区域不包含明显前景物体，如围栏、花坛或树木。 （ 2）检测区域内应包含有所有需要检测的车道，实际系统中是对全景摄像机的视频流进行检测，因此，需要使检测区域涵盖所有车道才能满足检测要求。 （ 3）检测区域的图像高度应该有 12 辆正常小轿车的距离。 OpenCV 通过函数 cvSetMouseCallback 设置鼠标事件的回调函数，通过此函数可以直接在图像上进行操作， 再通过鼠标响应函数调用 cvRectangle 函数画出鼠标圈定的区域，这样就完成了检测区域的设置。 设置完成后，再通过函数 cvSetImageROI 就可以设定 cvRectangle 标定的矩形框部分，以后的所有操作都会只对该区域进行处理。 高斯低通滤波处理 由于受环境，光照条件变化以及采集设备的性能影响，从摄像机采集的图像都是降质图像，带有比较多的噪点信息，这些往往影响到后期的车辆特征提取，降低检测的准确性。 因此需要在获得视频图像后，先对帧序列进行预处理，这其中包括的主要步骤有色彩空间映射、 图像平滑滤波、对比度增强。 本文主要对视频图像平滑滤波进行了研究。 滤波分为线性滤波和非线性滤波，滤波的主要目的是减小噪声，可以在提取主要的前景目标之前去除图像的一些琐碎细节，如桥接直线或曲线的摩擦。 线性滤波的方法算法简单、速度比较块，但容易造成图像模糊；非线性滤波方法则可以很好的去除信号噪声也能很好的保持信号的局部特征，但速度稍微慢些。 对于要想保持整幅图像的整体和局部特征的图像来说，采用非线性滤波如高斯低通滤波不失为一种理想的滤波方式。 在高斯低通滤波法中，用 H ( u)表示频率域，则二维高斯滤波方程可 表述为： 22/),(2),( vuDAevuH  （ 31 ）其中，σ为高斯曲线的标准差， D ( u , v)是距傅立叶变换原点的距离。 当0D时，高斯滤波器可以表示为如下形式： 202/),(2),( DvuDAevuH  （ 32） 0D 为 截止频率，当   0,D Dvu  时，滤波器下降到它的最大值的 处。 采用高斯平滑滤波后得到的图像，可以增强图像的细节，去除图像的局部噪音。 二值化阈值分割 在图像预处理完成后，接着要做的工作就是通过前景图像和背景图像，提取视频中的前景图像，即运动车辆。 这一步要做的工作是将车辆目标从图像中提取出来，目前常采用的方法是通过图像分割技术来实现，常用的分割技术有边缘检大连交通大学 2020 届本科生毕业论文 11 测、阈值分割以及区域生长三类。 对获得的车辆前景和背景差图 像，采用阈值分割化技术是一种常用的提取运动物体的分割技术。 阈值分割的原理其实是先确定一个处于图像灰度范围内的灰度值，然后通过将图像中各个像素的灰度值和该阈值比较，然后由比较的结果将图像划分为两类：像素灰度大于阈值的一类和像素灰度小于阈值的一类。 阈值分割主要分成两个步骤： 1）确定分割阈值 T。 2）通过确定的阈值 T 分割图像像素并二值化。 背景初始化与更新 由于视频检测系统的应用场合为各种交通要道或十字路口，而这种户外环境会受到光照条件和气候环境以及各种人为的原因而造成不断的变化，因此检测的道路场 景中背景是不断的变化的，而在视频检测系统中，如何提取有效而实时的背景更新算法对车辆信息的提取有着决定性的作用。 本文采用的背景初始化算法是多帧平均法，其原理为在一定的时间内，取视频图像帧进行加运算，再求平均值，该平均值即可认为是真实的背景。 该算法认为临时物体如车辆，行人等运动物体会在这帧图像的均值化过程中被滤除掉，可以近似忽略不计。 这种算法虽然计算量比较大、背景更新速度较慢，但其简单易行、错误率低，并不是不可取的。 当下常用的背景更新算法还有：滑动平均更新法、选择更新算法、混合高斯背景模型法等，由于本人能力有 限，故只采用了最为简便的方法，此处还可进行深入研究。 提取前景运动目标 交通视频检测最基本的任务就是对道路上行驶的各种车辆的检测 ,即从采集到的视频图像序列中检测出运动的车辆。 运动车辆的检测是交通信息获取的基础 ,几乎下一步处理需要的车辆参数都源于对车辆的检测。 在实际监控中 ,对运动车辆目标的检测会存在多种问题 ,包括天气 ,光线等外界环境的变化 ,以及阴影和不属于车辆的扰动物体等干扰 ,对车辆的检测以及随后的处理带来很大问题 ,所以运动车辆的检测一直是交通视频系统的热点问题。 视频车辆检测是运动目标检测的一部分 ,目前用于车辆检测的常用的运动目标检测算法有三种 :光流场法、帧差法、背景差分法 ,其各自都有自身的优缺点 ,本文针对车辆检测的特点 ,对其基本原理进行分析与研究 ,得出运用背景差分法进行视频车辆检测。 背景差分法的基本思想是选取视频图像序列的一帧或是提取背景图像做为参考图像 ,然后将待检测图像与背景参考图像逐像素相减 ,经过阈值 T 划分得到目标的二值化图像 ,定义公式形式如 (315)所示。 大连交通大学 2020 届本科生毕业论文 12  n1 | f ( , ) ( , ) |0 o the r w ise( , ) nx y B x ynD x y    （ 315） 这种方法进行运动车辆 检测时可以克服帧间差分法的缺点 ,可以比较完整和精确地对运动目标进行检测。 背景差分法这种优点可以应用于运动车辆检测中 ,但是这种方法无法自适应 ,要想适应环境的变化 ,必须对背景实时升级 ,这必然会涉及背景模型 ,其包括背景的提取和背景的更新。 通常会遇到如下一些问题： (l)背景的提取。 当前背景的提取方法大致分为两大类 ,一类是无运动车辆存在时背景的提取方法 ,如 W4 法，这种无运动车辆存在的条件在车辆检测环境下很难满足 ,且需要人为的实时监控；另一类是有运动车辆存在时的背景提取方法 ,如基于统计的方法包括平均值法 ,中值法等 ,然 而这种方法在运动物体所占面积较大和在大量帧中出现时 ,估计出的背景帧不理想且处理时间较长。 (2)背景的更新。 其需要背景模型应迅速跟上实际背景关照的变化、运动物体静止下来时应及时收入到背景帧中、静止物体移走后应及时从背景模型中消失 ,否则会出现大范围的噪声和误检测现象。 本章小结 本章通过对车辆检测算法的分析，针对于一个道路交通视频做了图像预处理、背景提取与更新、前景目标检测等工作，基本可以完成检测道路交通视频中运动车辆的任务。 大连交通大学 2020 届本科生毕业论文 13 第四章 实验结果与分析 引言 在上一章中，已对 基于 Ope。