【正文】 四川大學(xué)本科畢業(yè)論文 車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)技術(shù)研究 26 參考文獻(xiàn) [1] 賀曉鋒 ， 楊玉珍 ， 陳陽(yáng)舟 ， 基于視頻圖像處理的車(chē)輛排隊(duì)長(zhǎng)度檢測(cè) ， 交通與計(jì)算機(jī) ， 2020， 05 [2] 袁月明 ， 關(guān)偉 ， 吳建平 ， 基于視頻檢測(cè)技術(shù)的城市快速路交通狀態(tài)分析研究 ， 交通與計(jì)算機(jī) ， 2020，04 [3] 王偉智 ， 劉秉瀚 。復(fù)旦大學(xué)博士論文 ， 2020 [6] 劉忻梅 ， 許有俊 ， 牛紅喜 ， 城市快速路出口仿真模型數(shù)據(jù)采集與標(biāo)定方法的研究 ， 內(nèi)蒙古科技大學(xué)學(xué)報(bào) 。中國(guó)體視學(xué)與圖像分析 ， 2020， 03 [4] 戢曉峰 ， 基于交 通信息提取的區(qū)域路網(wǎng)擁擠管理方法 。尋找到新的算法后設(shè)計(jì)實(shí)驗(yàn)來(lái)分析新舊算法的優(yōu)劣性，從而得出更詳細(xì)的結(jié)論來(lái)改良舊的算法。 第二，做一件事情要有耐心，堅(jiān)持就是勝利。其中大部分算法都得到了實(shí)現(xiàn)，但是車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)并不完善，需要改善。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。在我國(guó)，近年 來(lái)不但有許多 ITS 的研究成果發(fā)表，而且不停車(chē)電子收費(fèi)、車(chē)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(shuō)我國(guó) 對(duì) 智能交通系統(tǒng) 的需求也是越來(lái)越迫切 。 本章小結(jié) 本章主要介紹了視頻車(chē)輛檢測(cè)相關(guān)技術(shù) 在國(guó)內(nèi)外的研究狀況，國(guó)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。張玲等 針對(duì) 這個(gè) 問(wèn)題提出了一種改進(jìn)的幀差法 ,先 檢測(cè) 車(chē)道內(nèi)的 車(chē)輛信息生成信息 流 ,然后 根據(jù) 信息 流的變化 對(duì)車(chē)輛車(chē)速以及數(shù)量進(jìn)行檢測(cè)。 國(guó)內(nèi)學(xué)者提出了先使 用背景差法 對(duì) 運(yùn)動(dòng)對(duì)象 進(jìn)行 分割 ，再利用 邊緣檢測(cè) 法使 檢測(cè)的準(zhǔn)確性 得到提高，按照 一定規(guī)則對(duì)提取 得到 的 目標(biāo) 區(qū)域進(jìn)行 處理從而有效地 檢測(cè)車(chē)輛 。這種方法使用 事先選好 的車(chē)輛和背景 來(lái)對(duì) 樣本集 進(jìn)行訓(xùn)練 ,對(duì) 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(cè)圖像 在 進(jìn)行分類(lèi) ，從而確定 某區(qū)域內(nèi)是否 有 車(chē)輛 存在。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(guò)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 ， 包四川大學(xué)本科畢業(yè)論文 車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)技術(shù)研究 23 括最 高 速度 ， 最 低 速度 ，平均速度 和車(chē)流 量 等 。 (TULIP)系統(tǒng) 就采用了這種方法 ,車(chē)輛 數(shù)量的 檢測(cè)誤差為 5%左右。 明尼蘇達(dá)州立大學(xué) 自主研發(fā) 的 Autoscope 系統(tǒng)中 采用了這種方法 ,這個(gè) 系統(tǒng) 利用 圖像處理技術(shù)來(lái) 對(duì) 車(chē)輛 進(jìn)行 檢測(cè) ,從而獲得是否有 車(chē)輛 通過(guò)和車(chē)輛的速度 等 的實(shí)時(shí)交通信息。 四川大學(xué)本科畢業(yè)論文 車(chē)輛排隊(duì) 長(zhǎng)度檢測(cè)技術(shù)研究 22 5. 相關(guān)工作 國(guó)外研究狀況 國(guó)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(chē)輛牌照識(shí)別、車(chē)輛速度檢測(cè)和車(chē)輛跟蹤 等 ,從交通視頻中獲取這些交通信息涉及到了計(jì)算機(jī)處理技術(shù)、電子控制技術(shù)、數(shù)據(jù)通信傳輸 等領(lǐng)域 。 圖 413 待檢測(cè)圖片 圖 414顯示了背景差法處理后得到的圖片。 圖 410 未消除的圖像 四川大學(xué)本科畢業(yè)論文 車(chē)輛排隊(duì) 長(zhǎng)度檢測(cè)技術(shù)研究 20 圖 411顯示了消除陰影的圖像。 幀差法建模 實(shí)驗(yàn) 結(jié)果及分析 四川大學(xué)本科畢業(yè)論文 車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)技術(shù)研究 19 圖 48顯示了第 500 幀時(shí)基 于幀差法建立的背景。 圖 44 二值化后的圖像 通過(guò)圖 4圖 44的對(duì)比，可以發(fā)現(xiàn)經(jīng)過(guò)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(lái)更加容易的圖像。 圖 41 原圖 圖 42顯示了灰度化處理后的圖像。 綜上所述，本文進(jìn)行車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)流程如圖 32 所示。 利用背景差法成功提取出車(chē)輛目標(biāo)后，需要進(jìn)行車(chē)輛存在檢測(cè)確定車(chē)輛排隊(duì)長(zhǎng)度起始位置。 因?yàn)楣饬鞣ê蛶罘o(wú)法對(duì)排隊(duì)的車(chē)輛長(zhǎng)度進(jìn)行有效檢測(cè)，本文使用背景差法來(lái)進(jìn)行。 再 結(jié)合 未處理前 的二值化圖像將之前 處理 得到的明亮部 分的車(chē)輛圖像和后來(lái)得到的車(chē)輛暗影部分進(jìn)行或操作，得到濾除陰影后的完整圖像。下面 主要 介紹在 RGB 空間實(shí)現(xiàn)的陰影消除算法。如果其中某一點(diǎn)滿(mǎn)足： （ ） 其中 ncL 表示 一個(gè)確定的閾值，則認(rèn)為該像素點(diǎn)是陰影點(diǎn)。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?；谔卣鞯?檢測(cè) 方法是通過(guò)采用圖像的顏色、色調(diào)、 灰 度或 亮 度等信息來(lái)進(jìn)行判斷 ，而 基于模型的方法是通過(guò)建立陰影統(tǒng)計(jì)模型來(lái)判斷圖像內(nèi) 的 像素點(diǎn)是否 是 陰影區(qū)域。 車(chē)輛陰影特性 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 。 因?yàn)?目標(biāo) 車(chē)輛的陰影和車(chē)輛本身 的 有很多 相似 之處 ， 所以在進(jìn)行車(chē)輛檢測(cè)時(shí) 陰影 經(jīng)常 被 認(rèn)為是車(chē)輛 的一部分。 幀差法建立背景主要包括以下幾個(gè)步驟： （ 1） 將第一幀圖像選為背景圖像； （ 2） 在二值化中選取合適的二值化閾值進(jìn)行二值化運(yùn)算； （ 3） 背景逐漸更新 （ ） 四川大學(xué)本科畢業(yè)論文 車(chē)輛排隊(duì) 長(zhǎng)度檢測(cè)技術(shù)研究 12 ),( yxBk 表示背景在該點(diǎn)的灰度值， ),( yxRk 表示前景圖像在該點(diǎn)的灰度值， ? 為更新速率。 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(mǎn)足實(shí)時(shí)性的要求 ；但是 K值如果縮小，建立出來(lái)的背景又不夠準(zhǔn)確，相對(duì)單高斯背景建模的優(yōu)勢(shì)體現(xiàn)不出，因此 K值 大小的選取 至關(guān)重要。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(lái)建立背景。單模態(tài)模型是 使用高等 數(shù)學(xué)中的單分布來(lái) 對(duì) 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(lái) 對(duì)圖像進(jìn)行描述 。當(dāng)車(chē)輛不運(yùn)動(dòng)的時(shí)候，中值背景法會(huì)將車(chē)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(cè)算法無(wú)法檢測(cè)出運(yùn)動(dòng)目標(biāo)。 中值背景模型 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(duì)這些像素點(diǎn)值進(jìn)行排序，最終選擇中間的值 來(lái) 作為背景像素點(diǎn)。 背景建模算法研究 在 檢測(cè)系統(tǒng)的實(shí)際應(yīng)用 當(dāng)中， 不會(huì) 有靜止不變的背景。它也是一種領(lǐng)域運(yùn)算，和卷積類(lèi)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(lái) 代替，讓 與 周?chē)袼鼗叶戎档牟畋容^大的像素取與周?chē)南袼刂到咏闹?，從而可以消除孤立的噪聲點(diǎn)。 （ 2） 加權(quán)平均濾波法：加權(quán)平均濾波法是對(duì)平均濾波方法的改進(jìn)，這種方法人為對(duì)于同一尺寸的模板，可以對(duì)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)離中心像素的位置系數(shù)應(yīng)該小 一些。 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。 圖像濾波 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(duì)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)。 () (2)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(lái)進(jìn)行。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。利用這種方法得到的灰度圖比較符合人眼的視覺(jué)效果。這種方法處理得到的灰度圖色彩比較柔和。 常用的圖像灰度化方法有三種： （ 1） 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。 圖像灰度化 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(duì)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 ]7[ ?？傮w而言，攝像機(jī)所拍攝得到的圖像一般都會(huì)是噪聲圖像。 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。窗口檢測(cè)法的原理是在圖像的 某個(gè) 特定區(qū)域設(shè)置一個(gè)較小的矩形檢測(cè)框， 利用 統(tǒng)計(jì)矩形 檢測(cè) 框內(nèi)圖像特征 的變化來(lái) 確定 是否有 車(chē)輛通過(guò)， 這種方法的 檢測(cè)區(qū)域 比線性檢測(cè)法的檢測(cè)區(qū)域 要大 一 些 ]6[ 。 第一 ，由于 需要 對(duì)整幅圖像進(jìn)行檢測(cè)， 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(cè)法 在 車(chē)輛 檢測(cè)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(duì) 整幅圖像 進(jìn)行檢測(cè) 會(huì) 是目標(biāo) 物體分割 地 不明顯， 而且采用此法 很難對(duì)靜止物體進(jìn)行有效地檢測(cè)； 第三 ， 因?yàn)槟繕?biāo) 場(chǎng)景中 會(huì) 包含 很多像花壇、 路邊建筑物、 紅綠燈 和樹(shù)木 等 會(huì)對(duì)檢測(cè)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(cè)法進(jìn)行檢測(cè)誤差會(huì)很大 。其中宏觀檢測(cè)法 檢測(cè)的內(nèi)容更加詳細(xì) ， 會(huì)對(duì)整張目標(biāo)圖像進(jìn)行檢測(cè)； 而微觀檢測(cè)法 則只檢測(cè)目標(biāo)圖像中的部分內(nèi)容。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。像素的亮度用灰度值來(lái)表示，灰度值被劃分為 256 階，最亮為 255，最暗為 0。所謂“百聞不如一見(jiàn)”就是這個(gè)道理，在很多生活場(chǎng)景下，通過(guò)圖像傳遞的信息比其它方式都要更加真實(shí)和豐富。 論文組織與結(jié)構(gòu) 本文 組織結(jié)構(gòu)如下： 第一部分：緒論 ，對(duì)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 ； 第二部分： 背景知識(shí)介紹， 主要介紹了一些與視頻車(chē)輛排隊(duì)檢測(cè)相關(guān)的數(shù)字圖像處理基礎(chǔ)知識(shí)以及基于視頻的車(chē)輛檢測(cè)原理； 第三部分： 車(chē)輛檢測(cè)算法研究，詳細(xì)介紹了 圖像預(yù)處理技術(shù)、 視頻場(chǎng)景背景 提取、視頻陰影消除技術(shù)以及 車(chē)輛排隊(duì)長(zhǎng)度檢測(cè) 的算法 。 論文主要工作 本課題的 主要研究對(duì)象是攝像頭所拍攝的運(yùn)動(dòng)車(chē)輛視頻場(chǎng)景。而且與其它的傳感裝置相比，視頻傳感器能夠提供例如車(chē)輛牌照、車(chē)輛型號(hào)、車(chē)輛行駛路線以及車(chē)輛顏色等直觀而詳細(xì)的車(chē)輛信息。 基于視頻圖像的運(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(jué)等多個(gè)先進(jìn)科技領(lǐng)四川大學(xué)本科畢業(yè)論文 車(chē)輛排隊(duì) 長(zhǎng)度檢測(cè)技術(shù)研究 2 域，而且以數(shù)字圖像處理為基礎(chǔ) ]4[ 。環(huán)形檢測(cè)的優(yōu)點(diǎn)是成本低廉， 安裝方便。 超聲波檢測(cè)由發(fā)射天線和聲波接收器組成。智能交通系統(tǒng)的目的是使路、車(chē)、人密切配合，和諧的統(tǒng)一起來(lái)，從而 減少車(chē)輛的 停車(chē)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(chē)的發(fā)生 ， 有利于推動(dòng)經(jīng)濟(jì)的快速發(fā)展。因此需要一種有效而實(shí)用 的交通管理系統(tǒng)來(lái)處理這些問(wèn)題，而老式的交通管理系統(tǒng)因?yàn)樾实拖碌仍?，已?jīng)無(wú)法適應(yīng)交通發(fā)達(dá)的現(xiàn)代社會(huì)。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。 本 科 生畢業(yè)論文（設(shè)計(jì)） 題 目 車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)技術(shù)研究 學(xué) 院 軟件學(xué)院 專(zhuān) 業(yè) 軟件工程 學(xué)生姓名 張彭 學(xué) 號(hào) 0943111084 年級(jí) 2020 指導(dǎo)教師 羅以寧 教務(wù)處制表 二 Ο 一 三 年 五 月 十 日 四川大學(xué)本科畢業(yè)論文 車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)技術(shù)研究 車(chē)輛排隊(duì)長(zhǎng)度檢測(cè)技術(shù)研究 軟件工程 學(xué)生 張彭 指導(dǎo)老師 羅以寧 [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