【文章內(nèi)容簡介】 過周圍的非噪聲點對噪聲點進(jìn)行處理，達(dá)到平滑噪聲的效果，均值濾波的公式可表示為： (24)其中M表示窗口中的像素個數(shù)。g(x,y)是均值濾波后中心像素的灰度值。均值濾波是一種線性濾波器，但模糊效應(yīng)比較嚴(yán)重，去噪的同時會引起細(xì)節(jié)信息的丟失[89]。（2）中值濾波器中值濾波通常選取含有奇數(shù)個點的滑動模板，將模板中各點的灰度值排序，選取中值代替模板中心像素的的灰度值，中值濾波公式表示為： (25)其中，i,j的取值取決于滑動模板長與寬的尺寸。中值濾波是一種非線性濾波器，模糊效應(yīng)沒有均值濾波嚴(yán)重，一般可以保留更多的邊緣等細(xì)節(jié)信息。中值濾波可以有效濾除孤立的噪聲點，因此非常適合處理椒鹽噪聲[10]。 頻率域濾波器圖像在頻域通過低通濾波器去除高頻的噪聲成分也是消除噪聲的有力手段。噪聲在圖像的灰度值中主要集中在傅里葉變換的高頻部分，因此，可以通過衰減抑制圖像傅里葉變換后的高頻成分消除噪聲，得到圖像平滑增強的效果。頻域中的濾波模型可用下式表示： (26)其中，是含有噪聲圖像的傅里葉變換，是平滑后圖像的傅里葉變換，是去噪濾波器的傳遞函數(shù)。頻域濾波的目標(biāo)是選擇一個濾波變換函數(shù)，通過衰減的高頻成分得到，通過傅里葉反變換可以得到平滑圖像。由于具有低通濾波特征，這種方法稱為低通濾波平滑處理。常用的濾波器有理想濾波器、巴特沃斯濾波器和高斯濾波器。這三種濾波器涵蓋了從非常尖銳到非常平坦范圍的濾波器函數(shù)。當(dāng)巴特沃斯濾波器的階數(shù)較高時，比較接近理想濾波器，因此，巴特沃斯濾波器可以看作其他兩種濾波器的過渡。頻率域濾波器需要通過傅里葉變換轉(zhuǎn)化到頻率域操作，最后再進(jìn)行傅里葉反變換，恢復(fù)到空間域，因此這種方法的計算的復(fù)雜性較高，處理的時間相對較長，對于交通視頻需要具備實時性處理的要求不太符合。因此本文主要研究和設(shè)計空間域的濾波去噪算法。（三）改進(jìn)中值濾波器為了降低中值濾波帶來的模糊，本文對中值濾波算法進(jìn)行了改進(jìn)，對中值濾波前期進(jìn)行預(yù)處理，通過統(tǒng)計分析和判決條件來搜索圖像的噪聲區(qū)域，把圖像分成非噪聲部分和噪聲部分兩類區(qū)域，對非噪聲區(qū)域不進(jìn)行去噪處理，也就不會帶來模糊效應(yīng)，對噪聲區(qū)域采取去噪處理，去除噪聲，改進(jìn)算法在保持中值濾波原有去噪能力的基礎(chǔ)上進(jìn)一步降低了去噪引起的模糊效應(yīng)。具體算法過程如下：（1）首先對圖像中的每個像素進(jìn)行灰度值的判斷，如果在[0,0+α]或[255α,255]兩個范圍內(nèi)，說明可能是椒鹽噪聲點；如果不在這兩個范圍內(nèi)，則不是椒鹽噪聲點。對于非噪聲點，不進(jìn)行處理，而對于可能屬于椒鹽噪聲點的像素進(jìn)行濾波處理。（2）對于可能是椒鹽噪聲的像素點進(jìn)行濾波處理，將此噪聲點33鄰域范圍九個像素的灰度值，分別判斷統(tǒng)計是否屬于[0,0+α]或[255α,255]兩個范圍內(nèi)。在高強度噪聲的情況下，周圍鄰域的點若屬于這個范圍也可能是噪聲點，若用這些噪聲點平滑，那么效果不理想，因為去掉鄰域內(nèi)灰度屬于噪聲區(qū)域范圍的像素，只保留不在這個范圍內(nèi)的像素。（3）將33鄰域內(nèi)不在噪聲區(qū)域范圍內(nèi)的像素保留下來，組成一個序列，并對這個序列進(jìn)行排序，選取中值取代中心位置原先像素的灰度值。（4）如果圖像原先的某個區(qū)域就很亮，或者很暗，那么區(qū)域內(nèi)的像素灰度可能都處在噪聲區(qū)域范圍內(nèi)，這種情況下通常33鄰域的九個像素的灰度值都屬于噪聲區(qū)域，那么根據(jù)上述判斷準(zhǔn)則所有的像素點都去掉了，序列中沒有任何元素。所有為了避免這樣的情況，加入了一個判斷語句，如果序列長度為0，即此時為空序列，那么這個像素點不做處理，還是保持原先灰度值。這種改進(jìn)算法更有針對性地濾波可能的椒鹽噪聲點，同時避免濾波引起的非噪聲點的模糊現(xiàn)象，去噪性能更好。下文將有詳細(xì)具體的實驗結(jié)果和對比分析。 去噪實驗及分析 椒鹽噪聲對于椒鹽噪聲，中值濾波效果通常比均值濾波效果好，中值濾波的模糊效應(yīng)低于均值濾波，可以更好的保護(hù)圖像的邊緣等細(xì)節(jié)信息，但仍存在模糊效應(yīng)。改進(jìn)的中值濾波對于高強度的椒鹽噪聲仍可以較為準(zhǔn)確的分辨噪聲像素和非噪聲像素，從而可以實現(xiàn)更理想的去噪效果。 是交通監(jiān)控視頻椒鹽噪聲存在下圖像去噪對比，其中(b)~(e)中自左至右分別為噪聲圖像、均值濾波結(jié)果、中值濾波結(jié)果、改進(jìn)中值濾波算法去噪結(jié)果。從圖中可以明顯的看出，對于椒鹽噪聲，中值濾波的性能明顯優(yōu)于均值濾波，本文的改進(jìn)算法又明顯優(yōu)于傳統(tǒng)的中值濾波算法。(a) 原始圖像 (b) (c) (d) (e) 交通監(jiān)控視頻椒鹽噪聲污染圖像去噪對比（每組的四個圖中，自左至右、自上至下分別為噪聲圖像、均值濾波結(jié)果、中值濾波結(jié)果、改進(jìn)中值濾波算法去噪結(jié)果）為了驗證和對比去噪算法的有效性，僅從圖中難以直觀得到定量結(jié)果，因此選擇全參考的客觀評價測度來比較不同方法的性能。首先介紹全參考評價測度，設(shè)x={x1,x2,…,xN}表示沒有噪聲污染的圖像的每個像素的灰度，N表示像素的個數(shù)，y={y1,y2,…,yN}表示去噪處理后輸出的圖像的每個像素的灰度，N也表示像素的個數(shù)。每個像素的灰度數(shù)值對應(yīng)的噪聲去噪后的誤差ei計算公式為 （27）均方誤差(mean squared error,MSE)衡量算法誤差的定義為 （28）其中，均方誤差也稱為標(biāo)準(zhǔn)誤差，定義為各測量值誤差的平方和的平均值的平方根。反映了每個像素去噪后對沒有噪聲污染情況下的平均能量失真。MSE值越小，說明去噪后的像素灰度和對應(yīng)的沒有噪聲污染的實際灰度差異越小。由于MSE具有明確的物理意義，而且計算簡單，被廣泛應(yīng)用各種統(tǒng)計學(xué)領(lǐng)域衡量算法優(yōu)劣。在MSE的基礎(chǔ)上引入峰值信噪比(Peak Signal to Noise Ratio，縮寫PSNR)衡量去噪的效果。峰值“peak”的中文翻譯是頂點。而radio的意思是比率或比例的，PSNR的意思是到達(dá)噪音比率的頂點信號，一般作為一個重要指標(biāo)參數(shù)用于最大值信號和背景噪音之間的衡量。通常噪聲污染和去除噪聲后，輸出的圖像通常會與原始影像在某種程度上不一致，為了衡量經(jīng)過去噪處理后的圖像質(zhì)量，通?？梢詤⒖糚SNR值來認(rèn)定某種去噪算法的效果，數(shù)值越高說明去噪效果越好。PSNR的計算公式為 (29)、,、。表21 椒鹽去噪算法PSNR對比噪聲強度均值濾波中值濾波改進(jìn)中值濾波。從以上的實驗可以得出以下結(jié)論：（1）隨著椒鹽噪聲強度的不斷增加，每種算法的PSNR值都呈現(xiàn)下降趨勢。因為噪聲密度越大，則對于去噪的難度越大，和原始圖像的差異就越大。（2）椒鹽噪聲中，中值濾波通常效果較均值濾波效果好。但如果噪聲密度太大，大部分的數(shù)據(jù)已經(jīng)是噪聲點，此時均值濾波的PSNR值反而高于中值濾波?？梢娭兄禐V波對于椒鹽噪聲的去噪效果優(yōu)于均值濾波是有噪聲強度約束的，若噪聲強度過大，那么中值濾波和均值濾波的性能難以簡單比較。（3）三種算法中傳統(tǒng)中值濾波隨著噪聲強度的增加，去噪的性能下降較快，均值濾波的下降相對中值濾波較慢。（4）改進(jìn)的中值濾波性能明顯優(yōu)于中值濾波和均值濾波，并且噪聲密度越大，這種優(yōu)勢越明顯。隨著噪聲密度的增加，改進(jìn)中值濾波算法的PSNR值下降的也最慢，因此是一種良好的去除椒鹽噪聲的濾波算法。 高斯噪聲對于高斯噪聲，均值濾波效果通常比中值濾波效果好，但對于噪聲強度不強的時候，中值濾波可能有更好的效果，并更好地保護(hù)圖像的邊緣等細(xì)節(jié)信息。，其中(b)~(e)中自左至右分別為噪聲圖像、均值濾波結(jié)果、中值濾波結(jié)果、改進(jìn)中值濾波算法去噪結(jié)果。從圖中可以明顯的看出，對于高斯噪聲，總體來說，均值濾波的性能優(yōu)于中值濾波，但在噪聲強度不大的時候，可能本文改進(jìn)的中值濾波也有較好的優(yōu)勢，但隨著噪聲強度增強，均值濾波的優(yōu)勢更為明顯。(a) 原始圖像 (b) 10dB高斯噪聲 (c) 20dB高斯噪聲 (d) 30dB高斯噪聲 (e) 40dB高斯噪聲 交通監(jiān)控視頻高斯噪聲污染圖像去噪對比（每組的四個圖中，自左至右、自上至下分別為噪聲圖像、均值濾波結(jié)果、中值濾波結(jié)果、改進(jìn)中值濾波算法去噪結(jié)果）為了驗證和對比去噪算法的有效性，僅從圖中難以直觀得到定量結(jié)果，因此仍選擇PSNR來比較不同方法的性能。三種算法在椒鹽噪聲強度為10dB、20dB、30dB、40dB的情況下計算得到的PSNR的數(shù)值見表21所示。表22 高斯噪聲去噪算法PSNR對比噪聲強度(dB)10203040均值濾波中值濾波改進(jìn)中值濾波。上面的實驗結(jié)果圖和表的數(shù)據(jù)是對應(yīng)了，從以上的實驗可以得出以下結(jié)論：（1）隨著高斯噪聲強度的不斷增加，每種算法的PSNR值都呈現(xiàn)下降趨勢。因為噪聲密度越大，則對于去噪的難度越大，和原始圖像的差異就越大。（2）高斯噪聲中，均值濾波通常效果較中值濾波效果好。但如果噪聲密度不大，例如小于20dB時，此時均值濾波的PSNR值反而低于中值濾波。此時，本文的改進(jìn)的中值濾波算法性能也優(yōu)于傳統(tǒng)中值濾波。若噪聲強度超出這個閾值，那么均值濾波對高斯噪聲的去噪性能更優(yōu)。（3）三種算法中本文的改進(jìn)中值濾波隨著噪聲強度的增加，去噪的性能下降較快，均值濾波的下降較慢。從不同強度的椒鹽噪聲和高斯噪聲的對比圖中可以看出，通常情況下的噪聲強度一般不會過高，本文的實驗在較為極端的情況下模擬了高強度的噪聲實驗，并對各種算法的實驗結(jié)果進(jìn)行了比較和分析。針對椒鹽噪聲，本文的改進(jìn)中值濾波的方法有理想的優(yōu)勢。對于高斯噪聲，當(dāng)強度小于20dB的情況下，本文的改進(jìn)算法一般優(yōu)于經(jīng)典算法。因此在高斯噪聲強度低于20dB的情況下，也可以使用本文方法進(jìn)行去噪，實現(xiàn)圖像的增強。 本章小結(jié)本章分析了智能交通監(jiān)控視頻中的降質(zhì)因素，并總結(jié)了各種噪聲的數(shù)學(xué)模型，針對智能交通視頻中最常見的椒鹽噪聲和高斯噪聲實現(xiàn)了均值濾波和中值濾波算法的去噪。雖然中值濾波可以更好的保持細(xì)節(jié)，但中值濾波仍然會帶來一定的模糊效應(yīng)，并且對于噪聲的去噪過程沒有針對性，因此本文提出一種改進(jìn)算法，總體思路是將加入圖像像素點是否為噪聲的判決預(yù)處理，只針對可能為噪聲點的區(qū)域進(jìn)行去噪，而對于非噪聲點不進(jìn)行去噪。對不同強度下的椒鹽噪聲、高斯噪聲進(jìn)行各種去噪算法的實驗和對比，分析了各種算法的優(yōu)勢。預(yù)處理后的智能交通視頻去除了噪聲的干擾，為后續(xù)的操作步驟奠定了基礎(chǔ)。3 基于視頻檢測的行人檢測與識別 常用檢測算法傳統(tǒng)的交通監(jiān)控方法，如電磁感應(yīng)環(huán)線圈式車輛檢測器，不能識別車輛的行駛方向，不能進(jìn)行車輛分類等。雷達(dá)波檢測器只能檢測運動目標(biāo)，但對目標(biāo)緩行和目標(biāo)靜止的情況不能有效地提取背景，可能無法做出準(zhǔn)確的檢測。當(dāng)圖像處理逐步發(fā)展為一個成熟的領(lǐng)域之后，出現(xiàn)了基于圖像處理的交通監(jiān)控系統(tǒng)，但圖像處理往往是把一張圖像變成另一張圖像，圖像處理的手段僅一些圖像增強、圖像壓縮和校正等工作、仍然需要大量的人工干預(yù)把丟失信息恢復(fù)回來。另外由于計算機硬件和軟件的制約，能得到的交通參數(shù)實際上很有限，這樣的系統(tǒng)無法做到信息的實時回饋，無法在交通發(fā)生擁擠時起到及時疏導(dǎo)交通的作用[11]。因此基于視頻的運動目標(biāo)的處理技術(shù)更具有實際的研究價值和應(yīng)用意義。近年來，國內(nèi)外學(xué)者對視頻圖像的運動目標(biāo)檢測和識別做了許多研究，常見的方法有背景差分法、光流場法[1216]以及圖像差分法[1719]。 背景消除法背景消除法是目前運動分割檢測中一種很常見的方法，也稱為背景差分法，通過比較當(dāng)前圖像與背景圖像的差異實現(xiàn)目標(biāo)運動區(qū)域的檢測。如果假設(shè)B為背景幀，It是第t幀的視頻序列，則差分的計算公式為： (31)其中，(i,j)表示每個像素點的位置,||表示絕對值運算，通過進(jìn)入畫面的目標(biāo)與背景的差異可以檢測到目標(biāo)的位置。但得到的差異需要通過閾值的判定實現(xiàn)二值化操作，最終確定目標(biāo)的位置，二值化的公式為： (32)其中，τ是閾值，即做差后差異達(dá)到一定的閾值才認(rèn)為是目標(biāo)。這種算法定位精確、速度快，但缺乏合理的背景更新方法，因此大部分研究人員目前都需要開發(fā)出不同的背景模型。其中Haritaoglu等人[20]利用最小、最大強度值和最大時間的差分值為交通場景中每個像素進(jìn)行統(tǒng)計建模，并且周期性的進(jìn)行背景更新；McKenna等[21]利用了像素色彩與梯度信息具備相關(guān)性這個特質(zhì)，建立了自適應(yīng)背景模型以排除陰影對分割的影響；Karmann、Brandt[22]和Kilger[23]則采用了基于卡爾曼濾波的自適應(yīng)背景模型以應(yīng)對天氣和光照的變化情況；Staufer和Grimson[24]采用了自適應(yīng)的混合高斯背景模型，并且對Haritaoglu提出的統(tǒng)計模型進(jìn)行了一系列改進(jìn)。 光流場法光流場法檢測[25]是利用目標(biāo)隨時間變化所產(chǎn)生的光流特性進(jìn)行檢測。光流的含義是圖像亮度狀況的運動，當(dāng)目標(biāo)運動時，在圖像上對應(yīng)的目標(biāo)的亮度也在變化，表現(xiàn)出一種類似運動的直觀感覺。通過光流法可以得到位移向量的光流場，從來初始化目標(biāo)的輪廓，便于后續(xù)基于輪廓的跟蹤算法有效地檢測和跟蹤目標(biāo)。光流場方法的兩個基本假設(shè)是：圖像上的任意一點某一時刻所觀測到的亮度在時間間隔dt內(nèi)是恒定不變的；圖像上任一點都不是獨立的，光流在整個圖像范圍內(nèi)作平滑變化。假設(shè)在時間t的時刻圖像中坐標(biāo)為(i,j)的像素點灰度值為I(i,j,t)，經(jīng)過時間Δt后，運動到(i+Δi,j+Δj)，灰度值變?yōu)镮(i+Δi,j+Δj,t+Δt)。那么這兩個點實際上就可以看成是同一個點在不同時刻的兩個位置，因此可以假設(shè)這兩個點的灰度是一致的，即 (33)前文已經(jīng)指出灰度隨(i,j,t)是緩慢變化的，并且變化過程是連續(xù)的，因此，對上述公式的右邊用泰勒級數(shù)展開： (34)式中，e是dx,dy,dt的二次和高次項，對二次項化簡和約去，得到 (35)若，則可用下式表示光流場的基本方程 (3