【正文】 錯 的解決 方案。 因為視頻 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際 問題 時，經(jīng)常會碰到一些麻煩，所以 國內(nèi) 科研人員 提出了一些 改良后 新 的 方法 。 國內(nèi)研究狀況 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。 ]12[ 等 人員 提出 了 線段 圖像 幀差法來 進行車輛檢測：順著 道路方向以某一固定的 間隔設(shè)置 30 條 線段 ,采用 對每一條線上標示車輛是否出現(xiàn)來 的方法來對車輛進行計數(shù) ,通過 在多幀圖像上檢測所在 30 條線段的狀態(tài) ,可以 實現(xiàn) 跟蹤車輛移動情況 的目的 ,這個 方法 應(yīng)用 在 加州 技術(shù)學院實驗室開發(fā)的大面積檢測系統(tǒng) (WADS)中 ,車輛 數(shù)統(tǒng)計 的誤差僅為 5%一 10%,在 良好天氣 條件下 ,速度檢測 的 精度 可以達到 雷達檢測的 98%。 車輛排隊檢測 實驗結(jié)果和分析 圖 412顯示了背景圖。 圖 45 第 1幀 圖片 圖 46 第 17幀圖片 圖 47顯示了第 500 幀時中值法建立的背景。四川大學本科畢業(yè)論文 車輛排隊長度檢測技術(shù)研究 16 4. 實驗結(jié)果及分析 本章將對前面第三章提出的一些算法進行測試，然后再根據(jù)實驗結(jié)果來分析算法的是否成功實現(xiàn)了相應(yīng)的目的。計算 || , jijiji DEF ?? （ ） 公式 中 jiE, 表示的是當前待處理圖像， jiD, 表示的是背景圖像， jiF, 表示的是通過減運算得到的差值圖像，則車輛檢測可以表示為： 四川大學本科畢業(yè)論文 車輛排隊長度檢測技術(shù)研究 15 （ ） 其中 jiV, = 1表示對應(yīng)像素是車輛區(qū)域，而 jiV, = 0時表示該區(qū)域是背景區(qū)域。 但是就 藍色通道來 而已 ，雖然藍色通道的值也 會發(fā)生衰減 ，但是 衰減 的不 顯著 ， 因此 在 消除陰影時 ， 應(yīng)該 考慮圖像的 R、 G 通道來 進行 判斷， 所以 算法 要 采用檢測 R、 G通道 來 對陰影進行 消除 。 陰影消除算法 對于固定的場景來說， 在 背景確定的情況下，圖 像某個位置是 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， 從而實現(xiàn) 消除陰影的目的。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 ]9[ 。 陰影消除算法研究 存在光 照的地方 就 會存在陰影，在 進行車輛 檢測的過程中，陰影問題 也是 需要考慮 的 。還有些 背景建立 利用 三個高斯分布加權(quán)和 來進行 ， 這 三個分布 由 背景、前景 和 陰影 構(gòu)成 。 高斯背景模型 四川大學本科畢業(yè)論文 車輛排隊 長度檢測技術(shù)研究 10 高斯 背景模型方法是目標檢測的一種 常用 方法。場景當中的物體干擾包括： 運 動物的陰影影響、攝像頭在風中抖動或在大貨車路過時形成的共振，還有背景中有 物體 的 突 然閃過等。 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。 （ 1） 均值濾波法：均值濾波主要使用鄰域平均法來進行濾波處理。 (1)全局閾值二值化：先預(yù)先設(shè)定一個閾值 T，然后將待處理點和 T 進行比較，大于 T的為 1 否則為 0。 3/)),(),(),((),( jiBjiGjiRjif ??? （ ） （ 3） 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，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?；叶葓D的在計算機中的表示方法是把亮度值分成 0255 共 256 個級別，其中 255 最亮（顯示時是純白），0 最暗（顯示時是黑），在 RGB 模型中讓 R=G=B，則顏色（ R,G,B）就表示為灰度色。 本章小結(jié) 本章主要介紹了一些與視頻車輛排隊檢測相關(guān)的數(shù)字圖像處理基礎(chǔ)知識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。線性檢測法的 基本 原理是在圖像的 某個 固定位置設(shè)置一條檢測線，通過統(tǒng)計檢測線圖像特征 的 變化如色彩突變 、 灰度跳變來判斷 是否有 車輛通過 。 基于視頻的車輛檢測原理 從交通檢測系統(tǒng)開始出現(xiàn)到目前為止，從事這一領(lǐng)域研究的專家學者們研究出了大量卓有成效的車輛檢測系統(tǒng)。對圖像進行數(shù)字化的原因在于方便計算機運算和儲存。當檢測到有車輛停在斑馬線旁邊的白色直線后面時，開始檢測車輛排隊長度。基于視頻的車輛檢測系統(tǒng)相比以上傳統(tǒng)方法具有以下優(yōu)點： （ 1） 視頻檢測系統(tǒng)所需要的攝像頭等設(shè)備易于安裝，維護方便，費用低，安裝維護時不需要封閉車道，也不需要挖掘路面，因而不會影響正常的交通運行。 環(huán)形檢測是交通檢測系統(tǒng)中常用的一種檢測方式。 研究背景 智能交通系統(tǒng)是目前全世界各個國家都在進行研究和開發(fā)的交通領(lǐng)域前沿研究課題和熱點。 本文主要研究了車輛排隊長度檢測的相關(guān)算法。最后利用背景差法實現(xiàn)了車輛排隊長度檢測，為了減小環(huán)境因素的干擾，對陰影消除進行了探討。 車輛檢測系統(tǒng)作為 ITS 的一個基本組成部分，在其中發(fā)揮著非常重要的作用，它負責提供詳細的交通信息數(shù)據(jù)，從而使智能交通系統(tǒng)得到精準的數(shù)據(jù)來進行處理。缺點是受環(huán)境影響比較大，在安裝和維護時需要挖開路面阻礙交通，而且感應(yīng)線圈本身容易損壞。 （ 3） 視頻檢測系統(tǒng)能夠?qū)⒔煌ìF(xiàn)場錄像傳輸給交通管理機構(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。 第四部分： 實驗結(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 車輛排隊長度檢測 的算法進行了實驗分析 ； 四川大學本科畢業(yè)論文 車輛排隊長度檢測技術(shù)研究 3 第五部分：介紹了國內(nèi)外相關(guān)技術(shù)的研究狀況； 第 六 部分： 小結(jié)，對本文全部工作進行總結(jié)及展望。 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，每一個小方塊中都標有一個坐標。 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 可以檢測出目標 圖像中的全部 車輛 信息 。 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。而用來進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。這種方法處理得到的灰度圖色彩亮度高。查閱相關(guān)資料 ]7[ 可以得知最合理的灰度圖像的權(quán)值是 ,，這樣加權(quán)平均公式為公式 。然后每一個小窗口在按照設(shè)定的某個閾值 T進行二值化處理。 在實際 的 運用 當 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 5,7 7 等。采用這種方法可以有效地減弱高頻分量， 但是 會影響到低頻分量。 HerreroJaraba 等人提出了中值背景建模的方法， 中值背景模型的 優(yōu)點是算法復(fù)雜度低，建模速度快 。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 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。 幀差背景模型 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 31 所示。如果不能將陰影很好的去除， 就 會給后續(xù)的 車輛檢測等帶來很大 的干擾 。 采用 模型的方法 因為 陰影模型的 建立 比較困難、耗時較大， 所以 一般的實時 的 陰影檢測 算法 都是 使用 基于特征的方法來 實現(xiàn)的 。 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 運算，運算匹配速度 會 比較慢，在 這個 基礎(chǔ)上，文獻 ]10[ 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 方法通過三個加總表 來 對快速歸一化算法進行改進， 從而 使計算時不含開方運算，計算復(fù)雜度也不依賴于模板的大小。 其檢測流程如下： （ 1） 對 當前幀圖像 I與通過背景更新算法獲得背景圖像 B 求得差圖像 S； （ 2） 對差圖像進行 Otsu 閾值分割，獲得二值化圖像 IB； （ 3）對 車輛前景區(qū)域的 原 圖像進行 藍色 通道 Otsu 閾值分割， 從而獲得 獲取車輛的明亮部分 IL； （ ） 公式 中 Threshold 表示求得的 B 通道的 Otsu 閾值 （ 4） 對 源圖像和背景圖像 中 的 R， G 分量進行比例判斷，得到車輛的暗影部分 IG； （ ） 公式 中 ? 為比例閾值， 10 ??? ； （ 5）將圖像 IL 與 IG 進行或操作得到結(jié)果圖像。 本文采用下面的 方法來確定車輛隊列起始位置： (1)對采用背景差法得到的圖像中的像素逐行進行掃描，設(shè)置 iK = 0 表示這一行中是車輛區(qū)域的像素個數(shù)，因為 jiV, =1 表示像素（ i,j)是車輛區(qū)域，所以掃描到 jiV, =1 則 iK = iK +1。 圖 42 灰度化處理后的圖片 通過對比圖 4圖 42，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。 圖 48 500幀時幀差法建立的背景 由圖 4圖 4圖 48可以看出，使用幀差法建立的背景比較準確。 四川大學本科畢業(yè)論文 車輛排隊長度檢測技術(shù)研究 21 圖 414 背景差法處理后的圖片 圖 415顯示了標記了車隊首尾的圖片。該方法 在道路圖像中設(shè)置虛擬傳感器 ,每個虛擬傳感器只對道路圖像中的一 個 小窗口進行操作 ， 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)視一個或多個傳感器的狀態(tài)可以計算出 車輛長度、速度、數(shù)量和車道占有率。 國內(nèi)有很多 科研 機構(gòu)長期 進行 視頻車輛檢測技術(shù)的研究 ， 針對車輛檢測中的 車輛識別，車輛計數(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。這種 方法 可以 有效解決車輛 陰影和遮擋 問題 ,從而得到更加準確的交通信息 ]17[ 。 四川大學本科畢業(yè)論文 車輛排隊 長度檢測技術(shù)研究 24 6. 小結(jié) 工作總結(jié) 智能交通系統(tǒng)是將先進的信息處理技術(shù)、計算機技術(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)等合理地運用于交通管理，從而組建的一個大范圍的、高效的、實時的、準確的交通綜合管理系統(tǒng)。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。在剛開始查閱資料時，發(fā)現(xiàn)很多圖像處理算法看起來都非常復(fù)雜，幾乎不想看下去了但是堅持看了一段時間后，發(fā)現(xiàn)還是可以理解的。西南交通大學博士論文 ， 2020 [5] 鄭賢清 ， 基于交通錄像資料的交通流參數(shù)測量和模型研究 。并且針對車輛互相遮擋這 一干擾視頻車輛檢測結(jié)果準確性的因素，尋找能夠有效消除車輛遮擋干擾的方法，然后進行實驗確定消除車輛遮擋的效果是否明顯。 心得體會 我在做畢業(yè)設(shè)計的過程中得到了很多啟發(fā)： 第一，要詳細制定計劃，并嚴格按照計劃來執(zhí)行工作。在智能交通 系統(tǒng)的實際 應(yīng)用 上 ，基于計算機視覺的 檢測方法擁有 易于維護 、 費用 較 低、 效果良好 等 諸多優(yōu)點 。 從而實現(xiàn)對 測量窗口內(nèi) 車輛的準確計數(shù) ，使 收集 到的 車道 內(nèi) 車輛信息 更加準確 ]18[ 。此 方法應(yīng)用效果良好 ,具有 不錯 的 實際效益 ]16[ 。 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 實現(xiàn)對 車輛 的檢測。將這些技術(shù)運用到實際的交通信息監(jiān)測中有許多需要克服的困難 ,但是 世界各國的 科研人員不畏艱險在智能交通系統(tǒng)相關(guān)學術(shù)領(lǐng)域進行了大量工作 ,而且 也取得 了很多優(yōu)秀的研 究 成果 。 圖 411 消