【文章內(nèi)容簡介】 就會產(chǎn)生陰影。陰影分為自身陰影和投射陰影兩類。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。 陰影檢測的方法主要分為基于特征的方法和基于陰影模型的方法兩種?；谔卣鞯臋z測方法是通過采用圖像的顏色、色調(diào)、灰度或亮度等信息來進(jìn)行判斷，而基于模型的方法是通過建立陰影統(tǒng)計(jì)模型來判斷圖像內(nèi)的像素點(diǎn)是否是陰影區(qū)域。采用模型的方法因?yàn)殛幱澳Ｐ偷慕⒈容^困難、耗時(shí)較大，所以一般的實(shí)時(shí)的陰影檢測算法都是使用基于特征的方法來實(shí)現(xiàn)的。在不同色彩空間內(nèi)，車輛和背景與陰影具有不同的特性，可以根據(jù)其中差異較大的特性來區(qū)分出陰影和車輛。 在RGB空間中，陰影被其覆蓋像素的RGB分量都會減小，其中R通道下降得最多，其次是G通道，B通道下降的值最小，而且由于散射光源的作用，陰影的像素中B通道的的比率會增加。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會成比例地衰減。在HSV空間（色相，飽和度，明度）中,當(dāng)前車輛陰影和其位置所對應(yīng)的背景的HSV空間像素值，V分量會減小，并且會發(fā)生較大的變化，而H分量和S分量的變化不會很大，而且車輛的暗影部分中的V值也會降低，下降幅度會大于車輛的形成的陰影，可以通過判斷像素點(diǎn)位置中的V分量來確定該位置是車輛還陰影是部分。 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(gè)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(xué)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(shí)現(xiàn)消除陰影的目的。文獻(xiàn)通過下式進(jìn)行陰影判斷： （） （） （） （） （） 其中T表示一個(gè)(2N+1)(2N+1)大小的模板，B(i,j)表示背景點(diǎn)在像素點(diǎn)（ij）位置的值。如果其中某一點(diǎn)滿足： （）其中表示一個(gè)確定的閾值，則認(rèn)為該像素點(diǎn)是陰影點(diǎn)。 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(yùn)算，運(yùn)算匹配速度會比較慢，在這個(gè)基礎(chǔ)上，文獻(xiàn)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(gè)方法通過三個(gè)加總表來對快速歸一化算法進(jìn)行改進(jìn)，從而使計(jì)算時(shí)不含開方運(yùn)算，計(jì)算復(fù)雜度也不依賴于模板的大小。但是基于實(shí)際的實(shí)時(shí)車輛檢測的角度來看，這種算法存在一些缺陷：第一，無論是采用FNCC算法還是NCC算法，算法復(fù)雜度都會很高，而在正常的采集速率下的處理速度能給予陰影檢測的處理時(shí)間一般不太長；第二，這種算法有一個(gè)閾值的選取問題，一般情況下的值是接近于1的，～，其中細(xì)小的偏差都有可能造成陰影檢測的誤判。所以這種算法不太適合于實(shí)時(shí)檢測。下面主要介紹在RGB空間實(shí)現(xiàn)的陰影消除算法。 交通監(jiān)控系統(tǒng)采集的視頻圖像由于會受太陽光和反射光的影響，藍(lán)色會發(fā)生散射，所以某一像素點(diǎn)的藍(lán)色分量在為陰影和背景時(shí)的變化會比較小，而綠色分量和紅色分量會按照比例發(fā)生衰減。但是就藍(lán)色通道來而已，雖然藍(lán)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(shí)，應(yīng)該考慮圖像的R、G通道來進(jìn)行判斷，所以算法要采用檢測R、G通道來對陰影進(jìn)行消除。算法先利用B通道求出Otsu閾值，再進(jìn)行二值化閾值分割，從而獲得目標(biāo)車輛的明亮部分，然后通過對像素點(diǎn)的紅色通道和綠色通道的衰減程度來確定該點(diǎn)是否位于車輛的背光部分。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輛圖像和后來得到的車輛暗影部分進(jìn)行或操作，得到濾除陰影后的完整圖像。其檢測流程如下：（1） 對當(dāng)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(jìn)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(jìn)行藍(lán)色通道 Otsu 閾值分割，從而獲得獲取車輛的明亮部分IL； （） （4）對源圖像和背景圖像中的R，G分量進(jìn)行比例判斷，得到車輛的暗影部分IG； （） ，；（5）將圖像IL與IG進(jìn)行或操作得到結(jié)果圖像。 車輛排隊(duì)長度檢測算法研究在智能交通系統(tǒng)中，通過處理交通道路上攝像頭獲得的交通道路視頻可以為交通管理部門提供很多重要的交通信息，如某一路段車輛堵塞嚴(yán)重以及車輛行駛速度超出道路限速等。而車輛排隊(duì)長度是進(jìn)行交通管理時(shí)非常需要的一項(xiàng)信息，因此車輛排隊(duì)長度檢測是智能交通系統(tǒng)的重要內(nèi)容。因?yàn)楣饬鞣ê蛶罘o法對排隊(duì)的車輛長度進(jìn)行有效檢測，本文使用背景差法來進(jìn)行。背景差法的基本流程是：先將背景圖像與待檢測圖像進(jìn)行減運(yùn)算從而得到得到差值圖像，再利用閾值化分割法將目標(biāo)車輛從背景中提取出來。計(jì)算 （），表示的是背景圖像，表示的是通過減運(yùn)算得到的差值圖像，則車輛檢測可以表示為： （）其中 = 1表示對應(yīng)像素是車輛區(qū)域，而 = 0時(shí)表示該區(qū)域是背景區(qū)域?；诒尘安罘ǖ能囕v檢測的準(zhǔn)確性依賴于背景圖像的可靠性，因此需要對背景進(jìn)行更新，上文中介紹了背景提取及更新的方法。 利用背景差法成功提取出車輛目標(biāo)后，需要進(jìn)行車輛存在檢測確定車輛排隊(duì)長度起始位置。本文采用下面的方法來確定車輛隊(duì)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(jìn)行掃描，設(shè)置= 0表示這一行中是車輛區(qū)域的像素個(gè)數(shù)，因?yàn)?1表示像素（i,j)是車輛區(qū)域，所以掃描到=1則= +1。(2)由于背景差法得到的圖像可能會受到其它因素的干擾，使得圖像中存在一些=1但卻不是車輛區(qū)域的像素。因此設(shè)定閾值T，當(dāng)T時(shí)認(rèn)為第i行存在車倆；(3)根據(jù)實(shí)際情況設(shè)定排隊(duì)車輛間距為S，利用T來對進(jìn)行判斷，如果第x行第一個(gè)滿足T則認(rèn)為x行為車輛隊(duì)列開始位置，再從x行開始檢測，如果第y行、y+1行、y+2行……y+S行都不滿足T，則認(rèn)為第y行為車輛隊(duì)列末端位置；(4)根據(jù)上一步得到的車輛隊(duì)列起始坐標(biāo)x和末端坐標(biāo)y在原圖中作出標(biāo)記。綜上所述，本文進(jìn)行車輛排隊(duì)長度檢測流程如圖32所示。 圖32車輛排隊(duì)長度檢測流程 本章小結(jié)本章主要分析探討了圖像預(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(duì)長度檢測的算法及其實(shí)現(xiàn)。374. 實(shí)驗(yàn)結(jié)果及分析 本章將對前面第三章提出的一些算法進(jìn)行測試，然后再根據(jù)實(shí)驗(yàn)結(jié)果來分析算法的是否成功實(shí)現(xiàn)了相應(yīng)的目的。 圖像預(yù)處理實(shí)驗(yàn)結(jié)果及分析 圖像灰度化實(shí)驗(yàn)結(jié)果及分析圖41顯示了未處理前的原圖。 圖41 原圖 圖42顯示了灰度化處理后的圖像。 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。 圖像二值化實(shí)驗(yàn)結(jié)果及分析 圖43顯示了未處理前的圖像。 圖43 未處理前圖像 圖44顯示了二值化處理后的圖像。 圖44 二值化后的圖像 通過圖4圖44的對比，可以發(fā)現(xiàn)經(jīng)過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，處理起來更加容易的圖像。 背景建模實(shí)驗(yàn)結(jié)果及分析圖4圖46顯示了圖像源。 圖45 第1幀圖片 圖46 第17幀圖片圖47顯示了第500幀時(shí)中值法建立的背景。 圖47 500幀時(shí)中值法建立的背景由圖4圖4圖47可以看出，當(dāng)運(yùn)動目標(biāo)較多時(shí)，中值法具有缺陷，背景很容易“變臟”，建立的背景不夠準(zhǔn)確。 圖48顯示了第500幀時(shí)基于幀差法建立的背景。 圖48 500幀時(shí)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(zhǔn)確。 陰影消除實(shí)驗(yàn)結(jié)果和分析 圖49顯示了其中一幀有陰影的圖像：。 圖49 某一幀有陰影的圖像 圖410顯示了未消除陰影的圖像。 圖410 未消除的圖像 圖411顯示了消除陰影的圖像。 圖411 消除陰影的圖像 由圖4圖4圖411可以看出，消除陰影基本達(dá)到了目的，為以后的處理做好了鋪墊。 車輛排隊(duì)檢測實(shí)驗(yàn)結(jié)果和分析圖412顯示了背景圖。 圖412 背景圖圖413顯示了待檢測圖片。 圖413 待檢測圖片圖414顯示了背景差法處理后得到的圖片。 圖414 背景差法處理后的圖片圖415顯示了標(biāo)記了車隊(duì)首尾的圖片。 圖415標(biāo)記了車隊(duì)首尾的圖片 通過分析圖41圖41圖414可知，通過背景差法提取出了車輛目標(biāo)，但是圖像包含一些干擾因素，通過檢測圖414獲得車隊(duì)首尾坐標(biāo)，然后在原圖像中顯示出來如圖415。 本章小結(jié)本章主要是對第三章研究的圖像預(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(duì)長度檢測等算法進(jìn)行實(shí)驗(yàn)分析。5. 相關(guān)工作 國外研究狀況國外科研人員做了大量的關(guān)于智能交通系統(tǒng)的研究,其中包括車輛牌照識別、車輛速度檢測和車輛跟蹤等,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?shù)阮I(lǐng)域。將這些技術(shù)運(yùn)用到實(shí)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(xiǎn)在智能交通系統(tǒng)相關(guān)學(xué)術(shù)領(lǐng)域進(jìn)行了大量工作,而且也取得了很多優(yōu)秀的研究成果。 ：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(biāo)示車輛是否出現(xiàn)來的方法來對車輛進(jìn)行計(jì)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(shí)現(xiàn)跟蹤車輛移動情況的目的,這個(gè)方法應(yīng)用在加州技術(shù)學(xué)院實(shí)驗(yàn)室開發(fā)的大面積檢測系統(tǒng)(WADS)中,車輛數(shù)統(tǒng)計(jì)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(dá)到雷達(dá)檢測的98%。 Brian Carlson和Panos G Miehalopoulos提出了對交通流參數(shù)進(jìn)行實(shí)時(shí)檢測的方法。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)來對車輛進(jìn)行檢測,從而獲得是否有車輛通過和車輛的速度等的實(shí)時(shí)交通信息。該方法在道路圖像中設(shè)置虛擬傳感器,每個(gè)虛擬傳感器只對道路圖像中的一個(gè)小窗口進(jìn)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(gè)或多個(gè)傳感器的狀態(tài)可以計(jì)算出車輛長度、速度、數(shù)量和車道占有率。NEWCAST大學(xué)的Bell MGH，Rourte A提出了用多窗口技術(shù)來對二值圖像中的車輛進(jìn)行檢測。先利用灰度直方圖處理得到二值化圖像,然后在交通場景中創(chuàng)建上游和下游兩個(gè)窗口,這兩個(gè)窗口的實(shí)際位置可以由操作人員通過移動光標(biāo)來確定,再利用統(tǒng)計(jì)車輛在兩個(gè)窗口內(nèi)的運(yùn)動規(guī)律來對車輛的速度和車輛數(shù)量進(jìn)行檢測。(TULIP)系統(tǒng)就采用了這種方法,車輛數(shù)量的檢測誤差為5%左右。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(shí)現(xiàn)對車輛的檢測。 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。最近幾年，國內(nèi)的車輛檢測技術(shù)在飛速發(fā)展，城市交通管理系統(tǒng)采用了很多先進(jìn)技術(shù)。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，包括最高速度，最低速度，平均速度和車流量等。國內(nèi)有很多科研機(jī)構(gòu)長期進(jìn)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(jì)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。 伴隨著智能技術(shù)的快速發(fā)展，在最新的一些車輛視頻檢測技術(shù)中采用了小波分析、模糊理論、人工神經(jīng)網(wǎng)和遺傳算法等智能技術(shù)，而且獲得了很好的效果。清華大學(xué)的吳裙文和張學(xué)工提出了一種基于