【文章內容簡介】 圖 21 車輛檢測的基本流程 背景差分法的原理是 首先人工 選取或通過一定的算法 得到 一張沒有 前景 車輛的背景圖像， 再將 之后的視頻序列都通過與背景 圖像進行減運算 得到差值圖像， 然后 通過閾值化分割獲 得 二值圖像，從而 實現(xiàn) 檢測車輛的目的。 在這個 方法中，背景是需要實時 更新的，以 保證 準確性。 幀差 法 的原理 則 是通過當前幀 的 圖像與上一幀 的 圖像 進行減運算 得到 差值 圖像， 由于車輛是運動的，因此 從差值圖像中 可以得到車輛運動軌跡的殘差， 然后 通過圖像分割方式得到 需要的 檢測區(qū)域，常見的 幀差法 有 兩 幀幀差法和三幀幀差法。 本章小結 本章主要介紹了一些與視頻車輛排隊檢測相關的數(shù)字圖像處理基礎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。 四川大學本科畢業(yè)論文 車輛排隊 長度檢測技術研究 6 3. 車輛檢測算法研究 圖像預處理 車輛檢測所需處理的圖像大多是通過彩色 攝像機在自然環(huán)境下采集而來的，在攝像機進行采集、運輸和記錄的過程中，由于采集環(huán)境的原因，經常會受到各種噪聲的干擾，包括外界光照條件的變化、陰影的影響，還有攝像頭成像誤差、系統(tǒng)電路失真、光路擾動等引起的噪聲。總體而言，攝像機所拍攝得到的圖像一般都會是噪聲圖像。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。所以在使用圖像處理進行車輛檢測時，應該先使用一些算法來減弱噪聲的干擾，然后再進行邊緣檢測、圖像分割、特征提取等處理。 圖像常見的預處理方式有：圖像灰度化、圖像二值化、圖像濾波等。 圖像灰度化 由于彩色圖像的信 息量非常龐大，大大增加了計算機的運算量，為了降低系統(tǒng)處理時間一般都會對圖像進行降維處理，把彩色圖像轉換為灰度圖，以達到減少運算量和存儲量以及提高處理速度的目的 ]7[ 。 圖像的灰度化處理就是將彩色圖像中的彩色信息刪除，只保留亮度信息。灰度圖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?；叶然^程就是讓 圖像中的 RGB 三個值相等，而圖像從未處理前的彩色圖像降到灰度化圖像后一定會失去一部分原來的圖像信息。 常用的圖像灰度化方法有三種： （ 1） 最大值法：比較圖像中某點的 R、 G、 B 的亮度值從而得出其中的最大值，將這個最大值作為這點在灰度圖中的灰度值。這種方法處理得到的灰度圖色彩亮度高。表達式見公式 。 )),(),(),((),( jiBjiGjiRM axjif ? （ ） （ 2） 平均值 法：將圖像中某點的 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，將這個平均值作為這點在灰度圖中的灰度值。這種方法處理得到的灰度圖色彩比較柔和。表達式見公式 。 3/)),(),(),((),( jiBjiGjiRjif ??? （ ） （ 3） 加權平均法：這種方法根據(jù)顏色的明暗度和相關指標，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。根據(jù)這個特點分別 對 R、 G、四川大學本科畢業(yè)論文 車輛排隊長度檢測技術研究 7 B，三個色彩向量賦予不同權值并求乘積和。利用這種方法得到的灰度圖比較符合人眼的視覺效果。查閱相關資料 ]7[ 可以得知最合理的灰度圖像的權值是 ,，這樣加權平均公式為公式 。 ),(),(),(),( jiBjiGjiRjif ??? () 基于圖像的合理性，本文采用了加權平均法灰度化處 理汽車原始圖像。 圖像二值化 圖像的二值化在完成圖像的灰度化后進行的，先設定一個臨界灰度閾值，然后把大于這個臨界灰度值的像素灰度設為灰度最大值 255（顯示為純白），把小于臨界灰度值的像素灰度設為灰度極小值 0（顯示為純黑）。把圖像進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。圖像二值化主要分為局部閾值二值化和全局閾值二值化兩種。 (1)全局閾值二值化：先預先設定一個閾值 T，然后將待處理點和 T 進行比較，大于 T的為 1 否則為 0。這種方法缺點是不能很好的表現(xiàn)細節(jié)，而且當圖像由黑白色彩交錯頻 繁的復雜情況時容易失效，表達式見公式 。 () (2)局部閾值二值化： 這種算法是將圖像按照預先設定的方法將圖像分成許多個小窗口，而小窗口大小的選取需要依據(jù)實際圖像來進行。然后每一個小窗口在按照設定的某個閾值 T進行二值化處理。局部閾值二值化的缺點是在某些窗口不能很好的保留表現(xiàn)圖像細節(jié)，而且窗口的大小 選擇也是一個難題。 本文根據(jù)車輛檢測所需情況選用全局閾值二值化來進行二值化處理。 圖像濾波 圖像濾波是在盡可能保留圖像的特征細節(jié)的基礎上對圖像進行抑制噪聲的處理，也就是消除非相關數(shù)據(jù)保留有用的數(shù)據(jù)。圖像濾波主要以下幾種：均值濾波法、加權平均濾波法，中值濾波法。 （ 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。它的方法是把待處理圖像的每個像素值用其鄰域的像素值的平均值來代替，對待處理圖像中的的某個像素點（ i， j）選定一個模板，該模板由待處理像素附近的一些像素組成，然后先求出模板中像 素的像素值之和，再求出平均值，最后將待處理像素點的像素值設為這個平均值，這種方法的詳細算法如下： 四川大學本科畢業(yè)論文 車輛排隊 長度檢測技術研究 8 假設 f(i,j)是需要進行濾波處理的圖像，而實用鄰域平均法處理過的圖像為 g(i,j)，則： （ ） 公式 中 M 表示選取的鄰域中附近像素的坐標，而 N表示選取的鄰域中包含的像素的數(shù)量。 領域平均法的模板是： ，中間的點表示該像素 是 中心元素。 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。模板尺寸越大，噪聲 會 消弱得越明顯，但同時圖像的對比度也會下降 更多 。利用 均值濾波 來 進行圖像平滑往往需要以降低圖像清晰度為代價，另外，均值濾波只能將雜點無限放大讓其不易察覺，但不 能 真實地消除雜點。 （ 2） 加權平均濾波法：加權平均濾波法是對平均濾波方法的改進，這種方法人為對于同一尺寸的模板，可以對不同位置的像素值采用不同的數(shù)值，離像素中心點近的系數(shù)應該較大，遠離中心像素的位置系數(shù)應該小 一些。這樣可以使圖像更加平滑，但又不會使邊緣和細節(jié)有明顯的模糊。 常用的一種加權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)來設定模板內部的值，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)權值，模板為 ，加權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，另一幅是有加權值的圖像。 （ 3） 中值濾波法：中值濾波法是建立在排序統(tǒng)計理論基礎上的，一種可以有效減弱噪聲對待處理圖像干擾的信號處理技術。它也是一種領域運算，和卷積類似，但是計算的不是加權求和，是 將 數(shù)字圖像或者數(shù)字序列中的 一點的值用該點的一個鄰域中各點值的中值 來 代替，讓 與 周圍像素灰度值的差比較大的像素取與周圍的像素值接近的值，從而可以消除孤立的噪聲點。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。因為高頻分量在圖像中對應區(qū)域的邊緣灰度值會有比較大的變化，使用這種濾波能夠將這些分量從圖像中濾除，從而使圖像 變得更加 平滑。設定模板為 W，模板大小為 X Y，而圖像四川大學本科畢業(yè)論文 車輛排隊長度檢測技術研究 9 在 ),( ji 點的灰度值用 ),( jif 表示 ,采用中值濾波法進行處理的輸出結果為： },),({),( Wlkljkifm e djif ???? （ ） 本文根據(jù)車輛檢測所需情況選用加權平均濾波法來進行圖像濾波處理。 背景建模算法研究 在 檢測系統(tǒng)的實際應用 當中， 不會 有靜止不變的背景。場景變化有很多， 比 如 新的 干擾物的 增加 、光線的 變化 、場景中的物體被移出等，這些都對背景建模帶來了不便。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。光線對背景建模的影響也不可忽略，以上這些因素都 應該 考慮 到 背景建模中，下面介紹幾種常用的背景建模方法 。 中值背景模型 中值背景建模思想是：在連續(xù)圖像中，圖像中每個點都會有一 個 像素序列值，在這個序列中對這些像素點值進行排序，最終選擇中間的值 來 作為背景像素點。 HerreroJaraba 等人提出了中值背景建模的方法， 中值背景模型的 優(yōu)點是算法復雜度低，建模速度快 。 中值法計算公式為： （ ） 公式 中 ),( yxBk 表示 背景模型中像素點 ),( yx 在 k 時刻 的灰度值， ki 表示 圖像的 三維數(shù)組。 中值背景模型 ]16[ 的運算比較簡單，而且 能夠 達到實時 的效果， 但是 中值背景模型適用的 條件比較苛刻， 比較適合 應用在一般車輛較少的路段中，因為車輛少 、 干擾少，背景建模比較準確，而在市區(qū)道路比較擁堵的情況下， 特別 是等紅綠燈的路口時，車輛會出現(xiàn)停下等紅綠燈， 這時會 使得背景模型不夠準確 ]8[ 。當車輛不運動的時候，中值背景法會將車身做為背景圖像的一部分，這樣的背景模型是不準確的，后續(xù)的檢測算法無法檢測出運動目標。中值背景建模采用的 方法 是每 N 幀圖像進行一次背景建模，如果當前背景圖像不再準確時， 就 需要創(chuàng)建新的背景圖像，這種方法在實時的智能交通系統(tǒng)中 不一定能 滿足需要，對于背景突變的情況 適用性不足 ，比如突然降雨，道路變濕 等情況 都不能及時的更新背景，使后續(xù)檢測結果不夠準確。 高斯背景模型 四川大學本科畢業(yè)論文 車輛排隊 長度檢測技術研究 10 高斯 背景模型方法是目標檢測的一種 常用 方法。高斯背景模型又分為單模態(tài)模型和多模態(tài)模型兩種。單模態(tài)模型是 使用高等 數(shù)學中的單分布來 對 背景圖像 進行描述 ， 而 多模態(tài)模型 則 是 使用 多個分布來 對圖像進行描述 。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。然而，在一些其它 的復雜 應用場景當中，如空中的飛機、搖擺的氣球、穿梭的行人等，像素點的值不能夠用單模態(tài)來完全表示，應用多模態(tài)模型來建立背景 。 混合高斯分布模型 在處理復雜場景時 體現(xiàn)出它的優(yōu)勢，可以增加更多的分布來描述背景圖像， 因而 這樣建立的背景圖像更精確，對于環(huán)境突變以及復雜場景，都可以利用增加分布特征 的方法 來描述背景圖像。很多科研人員在混合高斯模型的基礎上提出了自己的 新算法，比如采用改進的多高斯分布模型來建立背景。首先 ,采用多高斯分布模型的方法建立背景，然后根據(jù)更新背景參數(shù) 來 進行背景更新， 最后 再 進行像素點判定是否為背景點。還有些 背景建立 利用 三個高斯分布加權和 來進行 ， 這 三個分布 由 背景、前景 和 陰影 構成 。在智能交通系統(tǒng)中，經常檢測的區(qū)域是市區(qū)擁堵的道路，特別是要檢測紅綠燈下停下來的車輛，因此上面提到的僅用三個高斯分布來描述背景像素點是不夠的， Grimson 提出 的背景模型的建立提出了改進， 采 用 了 K個高斯分布的模型加權和，這樣建立出的背景更準確一些，但算法復雜度隨著 K 的增加而增加。 混合高斯模型可以很好的建立背景，但同時也 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 復雜度 也 隨著 K的增加而急劇增大，運算量的增加將使系統(tǒng)不能很好的滿足實時性的要求 ；但是 K值如果縮小，建立出來的背景又不夠準確，相對單高斯背景建模的優(yōu)勢體現(xiàn)不出，因此 K值 大小的選取 至關重要。 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。 四川大學本科畢業(yè)論文 車輛排隊長度檢測技術研究 11 圖 31 基于幀差法的背景建模流程圖 使用幀差法來 建立背景的 主要內容是利用相鄰 的兩幀圖像 來 進行差運算 從而 得到差值圖像