基于視頻的車型識(shí)別(共30頁(yè))

1、中文摘要 II基于視頻(shpn)的車型識(shí)別摘 要本文介紹了基于視頻和圖像處理的自動(dòng)車型識(shí)別方法，詳細(xì)闡述了利用數(shù)字圖像處理及模式識(shí)別技術(shù)的原理和方法。首先采用背景差分法提取運(yùn)動(dòng)目標(biāo)車輛。然后對(duì)圖像序列進(jìn)行灰度化、平滑去噪、邊緣檢測(cè)、邊緣提取等一系列圖像處理過(guò)程。最終采用模板(mbn)匹配的方法識(shí)別車型。此種方法內(nèi)存占用量小，實(shí)時(shí)性好。通過(guò)本文的研究，初步探索了數(shù)字圖像處理與模式識(shí)別在車型識(shí)別系統(tǒng)中的應(yīng)用途徑和方法，為以后進(jìn)一步的實(shí)現(xiàn)基于視頻的交通檢測(cè)系統(tǒng)的打下了基礎(chǔ)。關(guān)鍵詞:背景(bijng)差分；邊緣檢測(cè)；模板匹配；車型識(shí)別英文摘要VEHICLE RECOGNITION BASED ON

2、VIDEO SEQUENCESABSTRACTThis paper introduces the automatic vehicle recognition based on video sequences and image progressing and illustrates the principle and method of using digital image progressing and pattern recognition.First,it uses background difference method to find out the candidate vehic

3、le.Second,it uses the method based on graying image sequences ,smooth denoising ,background difference method ,edge detection ,edge extraction and so on a series of image processing to process the image.Finally,it recognizes the vehicles through the method of template matching.This kind of method ta

4、kes up little memory and good real-time.The research in this paper explores digital image processing and pattern recognition application in vehicle recognition system approaches and methods,laying the foundation for the realization of traffic detection system based on video in the future .KEY WORDS:

5、Background Difference Method , Edge Detection , Template Matching , Vehicle Recognition 前 言隨著交通擁擠和堵塞等各種問(wèn)題的日益突出，以及(yj)計(jì)算機(jī)技術(shù)的不斷發(fā)展，智能交通系統(tǒng)1(Intelligent Transportation System，簡(jiǎn)稱ITS)得到了越來(lái)越廣泛的應(yīng)用，并在歐、美等發(fā)達(dá)國(guó)家廣泛得到應(yīng)用，而在我國(guó)的應(yīng)用尚處于探索研究的起步階段。車輛檢測(cè)、跟蹤和車型識(shí)別是ITS應(yīng)用領(lǐng)域中的重要分支，也是目前相對(duì)薄弱的技術(shù)環(huán)節(jié)。同其他車型識(shí)別方法相比，基于圖像識(shí)別的車型識(shí)別技術(shù)有其多種優(yōu)勢(shì)。基于

6、圖像的車型識(shí)別融合了圖像處理、計(jì)算機(jī)視覺(jué)、模式識(shí)別等技術(shù)，它能夠自動(dòng)、實(shí)時(shí)地對(duì)車輛進(jìn)行檢測(cè)和分類(fn li)，可以作為交通收費(fèi)、管理、調(diào)度和統(tǒng)計(jì)的依據(jù)。本論文在分析了各種車輛識(shí)別技術(shù)的基礎(chǔ)上，綜合視頻、圖像處理和模式識(shí)別技術(shù)來(lái)實(shí)現(xiàn)車輛的分類。1.車型識(shí)別技術(shù)(jsh)的發(fā)展現(xiàn)狀1.1電子標(biāo)簽識(shí)別(shbi)法現(xiàn)階段國(guó)外不停車收費(fèi)(ETC)采用最多的是基于無(wú)線通訊技術(shù)。電子標(biāo)簽是用來(lái)記錄車輛本身的信息包括車輛賬號(hào)、車輛類型、車主、車牌號(hào)等。當(dāng)車輛通過(guò)安裝在收費(fèi)通道內(nèi)的收費(fèi)設(shè)備(shbi)時(shí)，通過(guò)電子標(biāo)簽和閱讀器之間的微波通訊，實(shí)現(xiàn)信息的交換，并進(jìn)行CRC校驗(yàn)，最后通過(guò)收費(fèi)系統(tǒng)與車主的銀行實(shí)行定

7、期清算。因?yàn)檐囕v存在掉換車載電子標(biāo)簽進(jìn)行作弊的可能，收費(fèi)站等場(chǎng)所需要額外安裝監(jiān)控設(shè)備，增加了基建投入。因此該方法在國(guó)內(nèi)應(yīng)用較少。1.2電磁感應(yīng)線圈(xinqun)識(shí)別法預(yù)先在公路下面鋪設(shè)一個(gè)通有高頻電流的線圈，由于車輛的材質(zhì)大部分是金屬，當(dāng)車輛從感應(yīng)線圈上面通過(guò)時(shí)，會(huì)在線圈內(nèi)部產(chǎn)生渦流而使線圈電感量減小。不同車型的底盤結(jié)構(gòu)和鐵磁物質(zhì)分布的有所不同，由于電流變化引起的磁場(chǎng)的變化也不同，因此可以根據(jù)感應(yīng)曲線的不同而區(qū)分不同類型的車輛，進(jìn)而得到具體的車型。該方法的優(yōu)點(diǎn)是準(zhǔn)確率較高、不受氣候影響且成本不太高。同時(shí)還能檢測(cè)各車型的車流量及占有率等交通參數(shù)，電磁感應(yīng)線圈法需要把線圈埋入地下，受車輛的擠壓容

8、易損壞，壽命較短，維護(hù)時(shí)需要破壞路面，維護(hù)成本較高。1.3紅外探測(cè)法紅外探測(cè)法是利用布置在車道兩側(cè)紅外陣列檢測(cè)器，當(dāng)車輛經(jīng)過(guò)裝置時(shí)，根據(jù)汽車不同部位對(duì)發(fā)射裝置的不同阻擋作用，采集車輛的側(cè)面幾何數(shù)據(jù)，然后通過(guò)這些數(shù)據(jù)與車型數(shù)據(jù)庫(kù)中的數(shù)據(jù)比較后判斷出車型，從而實(shí)現(xiàn)車型的自動(dòng)分類。在該系統(tǒng)中水平和垂直排列的紅外發(fā)射接收點(diǎn)非常多，有幾十甚至幾百對(duì)，這就保證了系統(tǒng)可以采集到足夠多的數(shù)據(jù)，這些數(shù)據(jù)包括車頭高度、車長(zhǎng)、軸數(shù)、輪距等特征數(shù)據(jù)，這些信息可以比較完整、細(xì)致地描繪出車輛的外輪廓及局部典型特征，使系統(tǒng)達(dá)到一個(gè)較高的識(shí)別率。該方法優(yōu)點(diǎn)是識(shí)別率較高，缺點(diǎn)是硬件結(jié)構(gòu)復(fù)雜，維護(hù)成本高，在實(shí)際中難以推廣。此外還

9、有一種基于超聲波的車型檢測(cè)方法，其原理和紅外檢測(cè)法是類似的。1.4車牌識(shí)別(shbi)法車牌識(shí)別法是一種通過(guò)識(shí)別車牌間接識(shí)別車型的方法。首先從攝像機(jī)獲取的汽車牌照?qǐng)D像中識(shí)別出車牌號(hào)和車牌顏色，然后到車輛數(shù)據(jù)庫(kù)中去檢索與此車牌號(hào)相對(duì)應(yīng)的車型，最終得到車輛的類型。該方法對(duì)硬件要求不高，安裝起來(lái)也靈活方便，但需要事先對(duì)每一輛車建立包含各種信息的車輛數(shù)據(jù)庫(kù)，而且圖像必須保證車牌清晰(qngx)，在實(shí)際應(yīng)用中還受到遮擋、光照等的限制。這種方法要建立在可靠的車牌識(shí)別算法的基礎(chǔ)之上，也可以把它歸到下面將要敘述的基于圖像的車型識(shí)別方法中。1.5基于視頻(shpn)圖像的車型識(shí)別國(guó)內(nèi)外利用視頻圖像進(jìn)行車型識(shí)別2

10、的研究很多，因?yàn)閿?shù)字圖像能夠提供很多有用的信息，利用一定的算法得到許多車輛的信息，然后依據(jù)這些車輛特征進(jìn)而得到具體的車型。相比于其它的車型識(shí)別方法，利用圖像來(lái)識(shí)別有其自身的特點(diǎn):首先數(shù)字圖像含有的信息比較豐富，只要是保證特征提取算法的有效性，即可得到較高的車型識(shí)別率。另外硬件安裝非常簡(jiǎn)單，只需一個(gè)攝像機(jī)或者數(shù)碼相機(jī)安裝在路邊，利用視頻信號(hào)線和主機(jī)相連。并且利用該方法無(wú)需破壞路面，維護(hù)起來(lái)非常方便。本文對(duì)以視頻圖像為基礎(chǔ)的車型分類算法進(jìn)行了系統(tǒng)的研究，根據(jù)目前的車型識(shí)別研究中特征提取，識(shí)別算法，車輛分類等基本方法，提出了自己的改進(jìn)方案。系統(tǒng)框圖如下:車型識(shí)別圖像處理車輛圖像攝像機(jī)采集的視頻模板匹

11、配背景圖像圖 SEQ 圖表 * ARABIC 1-1 系統(tǒng)流程圖Fig.1-1 System flow chart 如圖 1-1所示，首先(shuxin)通過(guò)CCD攝像機(jī)采集車輛的視頻信息，并通過(guò)背景差分法對(duì)采集的圖像進(jìn)行區(qū)域分割，從而得到運(yùn)動(dòng)車輛的圖像，對(duì)車輛的圖像進(jìn)行圖像處理工作，如，去噪、銳化、邊緣檢測(cè)、水平豎直填充。最后對(duì)處理過(guò)的車輛圖像進(jìn)行模板匹配，識(shí)別車型。2.車輛區(qū)域(qy)的分割方法2.1車輛視頻檢測(cè)技術(shù)(jsh)介紹通過(guò)上一章我們知道基于圖像的車型識(shí)別技術(shù)中，圖像的預(yù)處理工作是該項(xiàng)技術(shù)的一項(xiàng)基礎(chǔ)環(huán)節(jié)。圖像預(yù)處理質(zhì)量的好壞直接(zhji)影響到后續(xù)特征提取的精度，進(jìn)而對(duì)車型識(shí)別

12、的精度產(chǎn)生影響。在這一章中詳細(xì)介紹車輛區(qū)域分割方法。在過(guò)去(guq)的時(shí)間里，人們對(duì)于用計(jì)算機(jī)實(shí)現(xiàn)運(yùn)動(dòng)汽車的自動(dòng)檢測(cè)3和識(shí)別提出了各種各樣的方法。運(yùn)動(dòng)汽車與空中飛機(jī)、水上船艇等一樣，都屬于運(yùn)動(dòng)目標(biāo)，運(yùn)動(dòng)汽車的檢測(cè)和識(shí)別屬于運(yùn)動(dòng)目標(biāo)的檢測(cè)和識(shí)別，是計(jì)算機(jī)視覺(jué)研究的一個(gè)重要領(lǐng)域。計(jì)算機(jī)視覺(jué)4是研究用計(jì)算機(jī)來(lái)模擬生物視覺(jué)功能的科學(xué)與技術(shù)，眾所周知，在人類感知外界獲取的信息中，有約80%來(lái)自于視覺(jué)，如何理解和應(yīng)用視覺(jué)圖像信息，是計(jì)算機(jī)視覺(jué)的主要研究?jī)?nèi)容。對(duì)于一個(gè)交通場(chǎng)景圖像序列，我們可以很容易的說(shuō)出有沒(méi)有諸如交通堵塞、跨道行駛、闖紅燈等交通事件的發(fā)生，而對(duì)于計(jì)算機(jī)來(lái)說(shuō)要做到這些則存在許多的困難，它涉及

13、到計(jì)算機(jī)視覺(jué)中的一些基本問(wèn)題，例如運(yùn)動(dòng)目標(biāo)的檢測(cè)、目標(biāo)識(shí)別、立體視覺(jué)匹配、圖像理解等?；谝曨l的交通參數(shù)檢測(cè)是計(jì)算機(jī)視覺(jué)的一個(gè)重要研究方向。在視頻運(yùn)動(dòng)檢測(cè)中，目標(biāo)的分割在實(shí)際應(yīng)用時(shí)是非常必要的一個(gè)步驟，它可以把感興趣的物體部分給大致的提取出來(lái)。目前，實(shí)際運(yùn)用的車輛視頻檢測(cè)技術(shù)大致可以分為如下三類:背景差分、光流場(chǎng)理論以及幀間差分。2.1.1背景差分法當(dāng)背景保持不變或者變化相對(duì)較小、運(yùn)動(dòng)目標(biāo)與背景的灰度差異較大時(shí)，常常采用背景差分法，背景差分法的原理是這樣的：首先采集視頻序列中不包括前景運(yùn)動(dòng)物體的一幀圖像作為背景圖像，然后利用當(dāng)前幀與背景圖像進(jìn)行差分運(yùn)算的方法來(lái)檢測(cè)運(yùn)動(dòng)的目標(biāo)。背景差分法印版用于

14、背景比較固定的情況下，對(duì)運(yùn)動(dòng)物體的檢測(cè)效果比較好，而且實(shí)現(xiàn)起來(lái)比較簡(jiǎn)單，計(jì)算量非常小，而且能夠比較完整的分割出運(yùn)動(dòng)物體，比如說(shuō)目標(biāo)車輛。而在實(shí)際應(yīng)用中，由于攝像機(jī)震動(dòng)、光照強(qiáng)度變化、噪聲等作用，背景需要適時(shí)更新。如何有效地建立背景模型成為了背景差分的關(guān)鍵。針對(duì)攝像頭的抖動(dòng)導(dǎo)致的兩幅圖像的不匹配，進(jìn)而差分后導(dǎo)致含有的噪聲較多，目前最常用的方法是通過(guò)匹配法來(lái)估計(jì)兩幅圖像的評(píng)議量X和Y。針對(duì)光照變化導(dǎo)致的誤差，一般處理方法是建立合適的光照變化模型，適時(shí)鋼芯背景圖像。本課題沒(méi)有考慮變化的復(fù)雜背景下的車型識(shí)別，而是針對(duì)固定背景的研究。利用背景差分法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)，最主要的環(huán)節(jié)是獲取穩(wěn)定可靠的背景圖像

15、，因此，需要背景更新算法獲取實(shí)時(shí)背景圖像。一個(gè)好的背景更新方法應(yīng)能適應(yīng)諸如目標(biāo)停止在場(chǎng)景中，場(chǎng)景中有目標(biāo)運(yùn)動(dòng)，光線等外界干擾因素的影響。在理想情況下，背景(bijng)圖像中不包含運(yùn)動(dòng)物體，獲得差分圖像就是無(wú)噪聲的，且僅包含運(yùn)動(dòng)目標(biāo)的圖像。然而在實(shí)際工程中需要快速準(zhǔn)確的建立一個(gè)背景模型，并更新此模型。這是背景差分法的關(guān)鍵，也是其難點(diǎn)。2.1.2光流法光流法的原理是對(duì)光流場(chǎng)進(jìn)行估算進(jìn)而實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)和分割(fng)。光流場(chǎng)的計(jì)算最初是由美國(guó)學(xué)者Horn和Schunck在1981年推導(dǎo)出來(lái)的。兩人推到灰度圖像光流場(chǎng)計(jì)算公式是建立在相鄰圖像之間的時(shí)間差小，且其圖像中灰度變化也小的基礎(chǔ)上的。光流是

16、指亮度模式引起的表觀運(yùn)動(dòng)，是運(yùn)動(dòng)目標(biāo)的三位速度矢量在成像平面上的投影，并且可以表示出運(yùn)動(dòng)目標(biāo)在圖像位置中的實(shí)時(shí)變化。光流法檢測(cè)運(yùn)動(dòng)目標(biāo)的基本原理是圖像中的每一個(gè)像素點(diǎn)都對(duì)應(yīng)一個(gè)速度矢量，在運(yùn)動(dòng)的每一刻，二維圖像上的點(diǎn)和三維物體上的點(diǎn)是一一對(duì)應(yīng)的，這可以通過(guò)投影關(guān)系得到。每一個(gè)像素都對(duì)應(yīng)一個(gè)速度矢量，整個(gè)圖像就對(duì)應(yīng)一個(gè)運(yùn)動(dòng)場(chǎng)，而根據(jù)各個(gè)像素點(diǎn)的速度矢量特征，可以對(duì)圖像進(jìn)行動(dòng)態(tài)分析。當(dāng)運(yùn)動(dòng)物體通過(guò)圖像(t xin)背景是，運(yùn)動(dòng)物體產(chǎn)生的速度矢量必然和鄰域背景（在沒(méi)有運(yùn)動(dòng)物體時(shí)）的速度矢量不同，從而檢測(cè)出運(yùn)動(dòng)物體的位置。但是在實(shí)際應(yīng)用中受到噪聲、多個(gè)光源、陰影、遮擋等因素的影響，光流場(chǎng)的分布并不十分

17、精確。一般的光流法只考慮圖像中運(yùn)動(dòng)物體產(chǎn)生的光流，而不考慮攝像機(jī)的運(yùn)動(dòng)產(chǎn)生的光流。當(dāng)兩者都考慮時(shí)，其算法更加復(fù)雜，計(jì)算量相對(duì)較大，并且易受噪聲的干擾，不能用于實(shí)時(shí)性要求非常高的場(chǎng)合。2.1.3幀間差分法幀間差分法也屬于背景差分法的一種，只不過(guò)是把視頻圖像其中的一幀作為背景來(lái)做差分運(yùn)算。幀間差分法也是運(yùn)動(dòng)目標(biāo)檢測(cè)中常用的一種方法。其基本原理是：連續(xù)的圖像系列中，選取兩個(gè)相鄰幀，然后進(jìn)行像素的幀間差分運(yùn)算，碎后進(jìn)行閾值化處理來(lái)提取圖像的運(yùn)動(dòng)區(qū)域。因?yàn)檫\(yùn)動(dòng)物體的變化體現(xiàn)在圖像上就是部分像素灰度值的變化，而限速值沒(méi)有發(fā)生變化的部分。我們認(rèn)為該區(qū)域內(nèi)沒(méi)有運(yùn)動(dòng)目標(biāo)。所以只要比較序列圖像對(duì)應(yīng)像素的差別，就能

18、檢測(cè)出運(yùn)動(dòng)目標(biāo)，為后續(xù)的目標(biāo)分割打下基礎(chǔ)。幀間差分法受環(huán)境影響比較小，比較適合動(dòng)態(tài)變化的環(huán)境，但是利用此方法會(huì)損失很多目標(biāo)信息，而且如果運(yùn)動(dòng)目標(biāo)的整體灰度值相差不大時(shí)，兩幀圖像目標(biāo)重合的部分將不能被檢測(cè)出來(lái)，而且在目標(biāo)內(nèi)部容易產(chǎn)生空洞現(xiàn)象，當(dāng)然也就不能完整的分割出車輛區(qū)域。2.2用背景差分法分離(fnl)車輛盡管(jn gun)背景差分法5自身存在缺點(diǎn)，但因?yàn)榧夹g(shù)已經(jīng)比較完善，我們選用一種基于最優(yōu)化的方法來(lái)提取背景(bijng)可以適當(dāng)避免此類缺點(diǎn)，所以，我們依舊選用背景差分法來(lái)進(jìn)行目標(biāo)車輛分離。對(duì)于靜止背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)6，其基本流程如圖2-1所示。運(yùn)動(dòng)目標(biāo)提取背景恢復(fù)預(yù)處理圖像序列第n幀

19、圖像圖2-1 靜止背景下運(yùn)動(dòng)目標(biāo)檢測(cè)流程圖 Fig. 2-1 Static background motion detection flow chart 從圖2.1所示中可以看到，基于靜止背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)主要分為3個(gè)部分：預(yù)處理、背景恢復(fù)和運(yùn)動(dòng)目標(biāo)提取。下面分別介紹這幾個(gè)部分的內(nèi)容：預(yù)處理：目的是在分割前去除噪聲的影響。去除噪聲的方法有很多種，例如平均值濾波和中值濾波。背景恢復(fù)：視頻序列幀間有很強(qiáng)的相關(guān)性，僅僅利用單幀的信息進(jìn)行處理容易產(chǎn)生錯(cuò)誤，更好的方法是聯(lián)合多幀信息進(jìn)行分析，基于這一思想，可以根據(jù)各個(gè)坐標(biāo)處像素在整個(gè)序列中的統(tǒng)計(jì)信息對(duì)運(yùn)動(dòng)場(chǎng)景的背景進(jìn)行回復(fù)。運(yùn)動(dòng)目標(biāo)提取：利用恢復(fù)的場(chǎng)景

20、以及當(dāng)前幀的信息，分割出所有運(yùn)動(dòng)目標(biāo)的近似區(qū)域。2.2.1背景恢復(fù)由于視頻序列記錄了視頻目標(biāo)在一段時(shí)間內(nèi)的運(yùn)動(dòng)和變化信息，因此理想的信息分離方法是在較長(zhǎng)的時(shí)間范圍內(nèi)對(duì)數(shù)據(jù)進(jìn)行分析并充分利用幀間的相關(guān)信息?；谶@樣一種思路，我們可以對(duì)各個(gè)像素點(diǎn)沿時(shí)間軸的變化規(guī)律進(jìn)行分析，并根據(jù)統(tǒng)計(jì)規(guī)律在整個(gè)序列中挑選合適的點(diǎn)對(duì)背景進(jìn)行恢復(fù)。我們定義圖像序列為I(x,y,i),其中x、y代表空間坐標(biāo)，i代表幀數(shù)（i=1N），N為序列幀數(shù)。序列的亮度分量為IL(x,y,i)、則視頻幀間差（Chang Detection Mask，CDM）反應(yīng)了相鄰幀之間的灰度變化：d, if dT CDM(x,y,i)= , d=

21、|IL(x,y,i+1)-IL(x,y,i)| (2.1)0, if dT其中，閾值T被用來(lái)去除噪聲。對(duì)固定的坐標(biāo)(x,y)，CDM(x,y,i)可以表示為幀數(shù)i的函數(shù)，它記錄了在位置(x,y)處像素點(diǎn)沿時(shí)間軸的變化曲線?？梢愿鶕?jù)CDM(x,y,i)是否大于零將這條曲線分段，并將其中被檢測(cè)到的靜止(jngzh)部分用集合Sj(x,y),1jM表示(biosh)，如 所示，其中，Sj的起點(diǎn)和終點(diǎn)(zhngdin)分別是STj和ENj。下一步，在每一個(gè)位置(x,y)對(duì)應(yīng)的Sj集合中，挑選最長(zhǎng)的靜止分段并記錄該分段中點(diǎn)的對(duì)應(yīng)幀號(hào)為M(x,y)。最后，第M(x,y)幀處的點(diǎn)被用來(lái)填充視頻背景中的相應(yīng)位

22、置，該邏輯可以用下面的公式描述：M(x,y)=(ST(x,y)+EN(x,y)2B(x,y)=I(x,y,M(x,y) (2.2)其中，ST(x,y)和EN(x,y)是對(duì)應(yīng)于最長(zhǎng)靜止分段的起點(diǎn)和終點(diǎn)，B(x,y)為重建的視頻背景。這一方法的基本假設(shè)是在視頻序列中，運(yùn)動(dòng)物體不會(huì)始終站在某一點(diǎn)不動(dòng)，而必定會(huì)移開(kāi)，使背景顯露出來(lái)。CDM(x,y,i) Frame Number i S1 Sj SM STj ENj圖2-2 亮度幀差圖沿時(shí)間軸的變化函數(shù)Fig. 2-2 Changes in the function of the brightness of the frame difference m

23、ap along the time axis2.2.2 基于靜止背景的運(yùn)動(dòng)目標(biāo)提取在恢復(fù)場(chǎng)景背景之后，可以在每一幀和背景之間用減法運(yùn)算得到亮度分量的背景幀差圖IDL：d , if dT IDL(x,y,i)= ,d=|IL(x,y,i)-BL(x,y)| (2.3) 0,if dT 其中，BL是背景的亮度分量。該方法可以很好的對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行分割。圖 2-3 汽車(qch)序列圖Fig. 2-3 Sequences of vehicle如圖2-3所示，此四張圖片為車輛行駛過(guò)程中通過(guò)CCD攝像機(jī)時(shí)所拍攝視頻的四幀，通過(guò)采用上述的背景差分(ch fn)算法，對(duì)圖像序列進(jìn)行處理，便可得到其背景圖像。圖

24、 2-4 背景(bijng)圖像Fig. 2-4 Background如圖2-4所示，為應(yīng)用背景差分法得到的背景圖像。由于每幀圖像都存在噪聲而且在拍攝過(guò)程中攝像機(jī)會(huì)抖動(dòng)，因此圖像中有部分區(qū)域存在模糊現(xiàn)象，但整體而言，基本能提取出可用的背景。3.圖象的處理技術(shù)CCD攝像機(jī)獲取的視頻序列(xli)圖像中或多或少都會(huì)存在噪聲，其來(lái)源十多個(gè)方面，有來(lái)自本系統(tǒng)的外部干擾(如電磁波或經(jīng)電源竄進(jìn)系統(tǒng)內(nèi)部的外部噪聲)，也有來(lái)自系統(tǒng)內(nèi)部的干擾(如攝像機(jī)的熱噪聲，電器機(jī)械運(yùn)動(dòng)產(chǎn)生的抖動(dòng)噪聲等內(nèi)部噪聲)，圖像中噪聲的存在勢(shì)必會(huì)對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)精度產(chǎn)生較大的影響，嚴(yán)重時(shí)可導(dǎo)致后續(xù)的識(shí)別、測(cè)速等過(guò)程產(chǎn)生嚴(yán)重偏差或錯(cuò)誤，

25、因此應(yīng)對(duì)圖像中可能存在的噪聲作有效的評(píng)估，并作相應(yīng)的圖像處理7。3.1圖像(t xin)灰度化 灰度圖(Grayscale)是指只含亮度信息，不含色彩信息的圖像，就像我們平時(shí)看到亮度由暗到明的黑白電照片一樣，亮度變化是連續(xù)的。因此，要表示(biosh)灰度圖，就需要把亮度值進(jìn)行量化，通常劃分為0255共256個(gè)級(jí)別，0最暗(全黑)，255最亮(全白)，即灰度圖僅能表現(xiàn)256種顏色(灰度)。從攝像頭中采集的圖像一般為彩色圖像，但由于灰度圖在實(shí)時(shí)處理系統(tǒng)中的優(yōu)越性，在實(shí)際應(yīng)用中通常將其轉(zhuǎn)化為灰度圖。灰度化就是使彩色的R，G，B分量值相等的過(guò)程，處理方法主要有以下3種:(1)最大值法:使R. G,

26、B的值等于3值中最大的一個(gè)，即R=G=B=max(R,G,B) (3.1) 最大值法會(huì)形成亮度很高的灰度圖像。平均值法:使R, G, B的值等于3值的平均值，即R=G=B=(R+G+B)/3 (3.2) 平均值法形成灰度圖像在我們開(kāi)來(lái)會(huì)有失真的現(xiàn)象。加權(quán)平均值法:根據(jù)某標(biāo)準(zhǔn)給R，G.，B指定不同的權(quán)值后加權(quán)平均，即R=G=B=(R十G十B) /3 (3.3)其中，、分別是R，G，B的權(quán)值。由于人眼對(duì)綠色的敏感度最好，對(duì)紅色的敏感度次之，對(duì)藍(lán)色的敏感度最低，因此使。將得到合理的灰度圖像。在實(shí)際應(yīng)用當(dāng)中，通常取a = 0.30，=0.59， = 0.11時(shí)，能得到最合理的灰調(diào)圖像，即R=G=B=0

27、.30R+0.59G+0.11B (3.4)灰度處理(chl)效果如圖3-1所示：圖3-1 汽車(qch)RGB轉(zhuǎn)灰度圖Fig. 3-1 RGB to grayscale3.2圖象(t xin)的平滑 通過(guò)攝像頭采集視頻序列圖像的過(guò)程中，不可避免地存在外部和內(nèi)部的干擾。因此，圖像中往往會(huì)出現(xiàn)一些不規(guī)則的隨機(jī)噪聲，這將影響圖像質(zhì)量。外部干擾主要有人為干擾、共振、雨雪等天氣原因，內(nèi)部干擾是元器件因溫度和磨損度引起的。隨機(jī)噪聲惡化了圖像的質(zhì)量，使圖像模糊，特征淹沒(méi)，會(huì)直接影響到下一步的圖像處理。要想獲得清晰地車輛圖像首先要對(duì)采集的圖像進(jìn)行去噪處理，去除其存在的高頻噪聲。消除圖像隨機(jī)噪聲常采用圖像平滑

28、的方法，也稱之為濾波。目的是改善圖像質(zhì)量和抽取對(duì)象特征，常用的去噪方法有兩種：鄰域平均法和中值濾波。3.2.1高斯平滑濾波處理高斯濾波，根據(jù)高斯函數(shù)的形狀來(lái)選擇模板權(quán)值，該方法對(duì)于去除服從正態(tài)分布的噪聲效果較好。二維高斯函數(shù)為: (3.5) 其中(qzhng)分布參數(shù)決定了高斯(o s)濾波器寬度，二維高斯函數(shù)具有旋轉(zhuǎn)對(duì)稱性，即濾波器在各個(gè)方向上的平滑程度是相同的。另外，高斯函數(shù)是單值函數(shù)，這表明高斯濾波器用像素鄰域的加權(quán)均值來(lái)代替該點(diǎn)的像素值時(shí)，每一鄰域像素點(diǎn)權(quán)值是隨該點(diǎn)與中心點(diǎn)的距離單調(diào)變化的?？沼蚋咚蛊交瑸V波的實(shí)質(zhì)是加權(quán)均值濾波方法，可以表達(dá)為: (3.6)其中(qzhng)W(m,n)

29、為權(quán)值系數(shù)，高斯濾波器窗口為(2K+1)(2L+1) 。3.2.2鄰域平均法針對(duì)系統(tǒng)圖像中經(jīng)常出現(xiàn)的高斯噪聲一般采取鄰域平均的去噪方法。鄰域平均法的圖像平滑處理的數(shù)學(xué)表達(dá)式為: (3.7)其中:M為鄰域S內(nèi)所包含的像素總數(shù)；S為事先已經(jīng)確定的鄰域（鄰域內(nèi)包括(x,y)）。例如半徑為的鄰域表示為: S=(x-1,y-1)(x-1,y)(x-1,y+1)(x,y-1),(x,y)(x,y+1),(x+1,y-1),(x+1,y)(x+1,y+1) (3.8)為了方便地?cái)⑹錾厦嫠f(shuō)的“將原圖中的每一點(diǎn)的灰度和它周圍八個(gè)點(diǎn)的灰度相加，然后除以9，作為新圖中對(duì)應(yīng)點(diǎn)的灰度”這一操作，我們采用如下的表示方法

30、：(3.9)這種表示(biosh)方法有點(diǎn)像矩陣，我們稱其為模板(template)。中間的點(diǎn)表示中心元素(yun s)，即用哪個(gè)元素做為處理后的元素。而這樣往往會(huì)導(dǎo)致圖像變得模糊，特別是邊沿和細(xì)節(jié)處且其鄰域越大越模糊。當(dāng)然通過(guò)采用不同的模板可以得到不同的效果，這要根據(jù)具體的圖像處理要求來(lái)確定。圖3-2隨機(jī)噪聲鄰域(ln y)平均法Fig. 3-2 Random noise with neighborhood average method圖3.3 椒鹽噪聲鄰域平均法Fig. 3-3 Salt noise with neighborhood average method如圖3-2和圖3-3所示為

31、使用鄰域平均法處理的汽車圖像。從處理結(jié)果可以看出：鄰域平均法雖然能夠有效的去除隨機(jī)噪聲，但是會(huì)嚴(yán)重影響圖片的質(zhì)量，使圖片變得模糊；在處理椒鹽噪聲時(shí)，基本沒(méi)有處理效果而且還會(huì)使圖片質(zhì)量下降。3.2.3中值(zhn zh)濾波中值濾波是一種非線性的信號(hào)處理方法，與其對(duì)應(yīng)的中值濾波器也是一種非線性的濾波器。中值濾波在衰減(shui jin)噪聲的同時(shí)不會(huì)使圖像的邊界模糊，這也是中值濾波得到廣泛應(yīng)用的原因。本文應(yīng)用該方法主要是在圖像預(yù)處理環(huán)節(jié)，因此可以不用考慮其不適合處理多細(xì)節(jié)圖像中的缺點(diǎn)。中值濾波去除噪聲的效果依賴于2個(gè)要素：領(lǐng)域的空間范圍和中值計(jì)算中涉及的像素?cái)?shù)。一般說(shuō)來(lái)，小于濾波器面積一半的亮或

32、暗的物體(wt)基本上會(huì)被濾除，而較大的物體幾乎會(huì)原封不動(dòng)地保存下來(lái)。因此，中值濾波器的空間尺寸必須根據(jù)現(xiàn)有的問(wèn)題來(lái)進(jìn)行調(diào)整。較簡(jiǎn)單的模板是的方形(注:此處的n通常是奇數(shù))，計(jì)算時(shí)將使用到所有的個(gè)像素點(diǎn)。如圖3.4所示，以像素P5為中心點(diǎn)的33領(lǐng)域(一般為33或55的方形領(lǐng)域)，然后將領(lǐng)域中的各個(gè)像素P1，P2Pn的灰度值進(jìn)行排序，取其中間值作為中心點(diǎn)像素灰度的新值，這里的領(lǐng)域通常被稱為窗口，當(dāng)窗口在圖像中上下左右進(jìn)行移動(dòng)后，利用中值濾波算法可以很好地對(duì)圖像進(jìn)行平滑處理。圖3.4 中值濾波Fig. 3-4 Median filtering具體步驟如下: a）讀取模板中P1，P2P9像素點(diǎn)對(duì)應(yīng)的

33、灰度值；b）將這9個(gè)灰度值從低到高排序；c）求中間值，則P5的新值即為該值；中值濾波的輸出像素是由窗口的中間值決定的，因而中值濾波對(duì)極限像素值(與周圍像素灰度值差別較大的像素)遠(yuǎn)不如平均值那么敏感，從而可以消除孤立的噪聲點(diǎn)，又可以使圖像產(chǎn)生較少的模糊。二維情況下的中值濾波可定義為: (3.10)圖3-5隨機(jī)噪聲中值濾波(lb)Fig. 3-5 Random noise with median filtering圖3-6 椒鹽噪聲(zoshng)中值濾波Fig.3-6 Salt noise with median filtering如圖3-5和圖3-6所示，中值濾波對(duì)隨機(jī)噪聲處理(chl)效果比

34、鄰域平均法要好，但也會(huì)使圖片模糊。中值濾波對(duì)椒鹽噪聲的處理效果明顯比鄰域平均法要好，圖片變得非常清晰。綜合以上，不難得出下面的結(jié)論：中值濾波容易去除孤立點(diǎn)、線的噪聲同時(shí)保持圖象的邊緣；它能很好的去除二值噪聲。要注意的是，當(dāng)窗口內(nèi)噪聲點(diǎn)的個(gè)數(shù)大于窗口寬度的一半時(shí)，中值濾波的效果不好，這是很顯然的。當(dāng)視頻圖像出現(xiàn)較多噪點(diǎn)時(shí)，采用此方法降噪，可以明顯提高運(yùn)動(dòng)車輛檢測(cè)率和車型識(shí)別率。另外，二維中值濾波的窗口形狀和尺寸設(shè)計(jì)對(duì)濾波的效果影響較大，不同的圖像內(nèi)容和不同的應(yīng)用要求，通常可以采用不同的形狀和尺寸。常用的二維中值濾波窗口有線狀、方形、圓形、十字形、和圓環(huán)形等。結(jié)合本文實(shí)際需要，為了保持車輛輪廓的清

35、晰，同時(shí)又要去除高頻噪聲，本文采用了3*3窗口的中值濾波的方法。3.3 銳化圖像在傳輸和變換的過(guò)程中會(huì)受到各種干擾(gnro)而退化，典型的就是圖像模糊。而在圖像的觀看和識(shí)別中，常常需要突出目標(biāo)的輪廓或邊緣信息。這樣，看起來(lái)更愜意，對(duì)目標(biāo)的識(shí)別也更容易一些。圖像的銳化可在空域或頻域中進(jìn)行。3.3.1 微分(wi fn)算法圖像的模糊相當(dāng)于圖像被平均或被積分，為實(shí)現(xiàn)(shxin)圖像的銳化，必須用它的反運(yùn)算“微分”，加強(qiáng)高頻分量的作用，從而使圖像輪廓清晰。由于模糊圖像的特征各不相同，要進(jìn)行銳化應(yīng)該采用各項(xiàng)同性、具有旋轉(zhuǎn)不變的線性微分算子。圖像處理中最常用的微分方法是求梯度。對(duì)于圖像f(x,y)，

36、它所在的梯度是一個(gè)矢量，定義為： (3.11)點(diǎn)(x,y)梯度的幅度為梯度的模，即 (3.12) 對(duì)數(shù)字圖像用微分算法運(yùn)算不方便，一般用差分來(lái)近似。常用的梯度差分有： (3.13)為了運(yùn)算簡(jiǎn)便，可以化簡(jiǎn)為： (3.14)常用的梯度(t d)算子還有Laplacian算子。Laplacian算子是仿效屬性上的，它是用二階差分(ch fn)實(shí)現(xiàn)的。 (3.15)用模板算子(sun z)來(lái)表示為：容易看出拉普拉斯模板的作法：先將自身與周圍的4個(gè)象素相減，表示自身與周圍象素的差別；再將這個(gè)差別加上自身作為新象素的灰度?？梢?jiàn)，如果一片暗區(qū)出現(xiàn)了一個(gè)亮點(diǎn)，那么銳化處理的結(jié)果是這個(gè)亮點(diǎn)變得更亮，增加了圖象的

37、噪聲。但它的優(yōu)點(diǎn)是各向同性，即旋轉(zhuǎn)不變。圖3-7銳化處理Fig. 3-7 Sharpening如圖3-7所示，圖像經(jīng)銳化處理后邊界明顯變得清晰，圖像模糊程度減弱，更易于觀看及區(qū)分車輛的外形及輪廓。3.3.2高通濾波方法(fngf)圖像中的邊沿或線條與圖像頻譜中的高頻分量相對(duì)應(yīng)，因此，可以(ky)采用高通濾波的方法，使低頻分量得到抑制，從而達(dá)到增強(qiáng)高頻分量，使圖像的邊沿或線條變得清晰，實(shí)現(xiàn)圖像的銳化。常用(chn yn)的高頻濾波器有：理想高通濾波器理想高通濾波器的轉(zhuǎn)移函數(shù)為： (3.16)其中D0為截止頻率，是點(diǎn)(u,v)到頻率平面原點(diǎn)的距離。Butterworth濾波器Butterworth

38、濾波器的轉(zhuǎn)移函數(shù)為: (3.17) 其中D0為截止頻率，階數(shù)n控制曲線的形狀。圖 3-8 理想高通Fig. Ideal high pass圖3-9 Butterworth濾波器Fig. 3-9 Butterworth filter如圖所示，高通濾波器會(huì)忽略(hl)低頻特性，只顯示高頻部分，可以清晰的看出圖片的線條和輪廓。4.圖像(t xin)的邊緣檢測(cè)4.1邊緣檢測(cè)(jin c)概念邊緣(binyun)檢測(cè)技術(shù)8對(duì)于處理數(shù)字圖像非常重要，因?yàn)檫吘墪r(shí)所要提取目標(biāo)和背景的邊界線，提取出邊緣才能將目標(biāo)和背景區(qū)分出來(lái)。在圖像中，邊界表明一個(gè)(y )特征區(qū)域的終結(jié)和另一個(gè)特征區(qū)域的開(kāi)始，邊界所分開(kāi)區(qū)域的

39、內(nèi)部特征或者屬性是一致的，而不同區(qū)域內(nèi)部的特征或?qū)傩允遣煌?，邊緣的檢測(cè)正是利用物體和背景在某種圖像特征性上的差異來(lái)實(shí)現(xiàn)的，這些差異包括灰度、顏色、紋理特征。邊緣檢測(cè)實(shí)際上就是檢測(cè)圖像特性發(fā)生變化的位置。由于噪聲和模糊的存在，檢測(cè)到得邊界可能會(huì)變寬或在某些點(diǎn)處發(fā)生間斷，因此，邊界檢測(cè)包括兩個(gè)基本內(nèi)容:首先抽取出反映灰度變化的邊緣點(diǎn)，然后剔除某些邊界點(diǎn)或者填補(bǔ)邊界間斷點(diǎn)，并將這些邊緣連接成完整的線。邊緣檢測(cè)技術(shù)可以按照處理的技術(shù)分為串行邊緣檢測(cè)以及并行邊緣檢測(cè)。所謂串行邊緣檢測(cè)技術(shù)是指:要想確定當(dāng)前像素點(diǎn)是否屬于邊緣檢測(cè)上的一點(diǎn)，取決于先前像素的驗(yàn)證結(jié)果;而在并行邊緣檢測(cè)技術(shù)中，一個(gè)像素點(diǎn)是否屬

40、于檢測(cè)邊緣上的點(diǎn)取決于當(dāng)前正在檢測(cè)的像素點(diǎn)以及該像素點(diǎn)的一些相鄰像素點(diǎn)，這樣該模型可以同時(shí)用于圖像中的所有像素點(diǎn)，因而成為并行邊緣檢測(cè)技術(shù)。最簡(jiǎn)單的邊緣檢測(cè)方法是邊緣檢測(cè)算子，它利用相鄰區(qū)域的像素值不連續(xù)的性質(zhì)，采用一階或二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣點(diǎn)。近年來(lái)還提出了基于曲線擬合的方法，基于邊界曲線擬合的方法。其中基于曲線擬合的方法的基本思想是將灰度看成高度，用一個(gè)曲面來(lái)擬合一個(gè)小窗口內(nèi)的數(shù)據(jù)，然后根據(jù)該曲面來(lái)決定邊緣點(diǎn)?；谶吔缜€擬合的方法用平面曲線來(lái)表示不同區(qū)域之間的圖像邊界線，試圖根據(jù)圖像梯度等信息找出能正確表示邊界的曲線從而達(dá)到圖像分割的目的，而且由于它直接給出的事邊界曲線而不像一般的方法找出

41、的事離散的、不相關(guān)的邊緣點(diǎn)，因而對(duì)圖像分割的后繼處理如物體識(shí)別等高層處理有很大的幫助。即使用一般的方法找出邊緣點(diǎn)，用曲線來(lái)描述它們以便于高層處理也是經(jīng)常被采用的一種有效地方式。4.2 邊緣檢測(cè)算子常用的邊緣檢測(cè)算子主要有:羅伯特(Roberts)算子、索貝爾(Sobel)邊緣算子、Prewitt邊緣算子、拉普拉斯(Laplacian)邊緣算子、坎尼(Canny)邊緣算子。1 Robert算子 從上面的模板的形式可以看出，Robert計(jì)算時(shí)利用的像素?cái)?shù)一共有4個(gè)，Robert算子邊緣定位準(zhǔn)，但對(duì)噪聲敏感。適用于邊緣明顯而且噪聲較少的圖像(t xin)分割。2 Prewitt算子(sun z) P

42、rewitt算子對(duì)噪聲有抑制作用，抑制噪聲的原理是通過(guò)像素平均。但是像素平均相當(dāng)于對(duì)圖像(t xin)的低通濾波，所以Prewitt算子對(duì)邊緣的定位不如Robert算子。3 Sobel算子 Sobel算子和Prewitt算子都是加權(quán)平均，但是Sobel算子認(rèn)為，鄰域的像素對(duì)當(dāng)前像素產(chǎn)生的影響不是等價(jià)的，所以距離不同的像素具有不同的權(quán)值，對(duì)算子結(jié)果產(chǎn)生的影響也不同。一般來(lái)說(shuō)，距離越大，產(chǎn)生的影響越小。圖4-1 Robert算子Fig. 4-1 Robert operator圖4-2 Prewitt算子(sun z)Fig. 4-2 Prewitt operator圖4-3 Sobel算子(sun

43、 z)Fig. 4-3 Sobel operator比較3種算子檢測(cè)(jin c)的邊緣圖像可以看出，Prewitt和Sobel算子生成的邊緣線較多，圖像較為復(fù)雜，而Robert算子生成的邊緣較少，圖像較為簡(jiǎn)單。但是，就邊緣檢測(cè)的效果來(lái)看Prewitt和Sobel算子要好于Robert算子。5.圖像的模式識(shí)別5.1模式識(shí)別(m sh sh bi)一般我們可以認(rèn)為把圖像進(jìn)行區(qū)別分類就是圖像的模式識(shí)別。模式識(shí)別研究的目的是研制能夠自動(dòng)處理(chl)某些信息的機(jī)器系統(tǒng)，以便代替人完成分類和辨識(shí)的任務(wù)。一個(gè)圖像的模式識(shí)別系統(tǒng)可分為3個(gè)部分，如圖5.1所示：圖像信息的獲取、信息的加工處理和圖像的判決。判

44、決 結(jié)果(ji gu)信息處理特征提取圖像信息獲取待識(shí)別的圖像 圖5-1 圖像的模式識(shí)別框圖Fig. 5-1 Block diagram of the image pattern recognition 利用模板匹配可以在一幅圖象中找到已知的物體。比如獲得車輛通過(guò)的圖像，要判斷所通過(guò)車輛的車型。這時(shí)就可以采用模板匹配的方法。所謂模板匹配，其實(shí)想法很簡(jiǎn)單：拿已知的模板(在本例中為汽車的圖象)，和原圖象中同樣大小的一塊區(qū)域去對(duì)。基本匹配的識(shí)別方法大致可以分為如下幾種:(1)區(qū)域匹配區(qū)域匹配的思想是把參考圖像的某一塊整體與實(shí)時(shí)圖像在所有可能位置上進(jìn)行疊加，然后計(jì)算某種圖像相似性度量的相應(yīng)值，最大相似性相對(duì)應(yīng)的位置就是目標(biāo)的位置。(2)特征匹配特征匹配是在提取特