【文章內(nèi)容簡介】 測技術(shù)具有直觀、可監(jiān)視范圍廣、可獲取更多種類的交通參 數(shù)以及費用較低等優(yōu)點、因而可廣泛應(yīng)用于交叉路口和公路干線的交通監(jiān)視系統(tǒng)中。 視頻車輛檢測技術(shù)未來趨勢 （ 1）智能化 視頻車輛檢測技術(shù)經(jīng)過多年的發(fā)展，檢測精度、深度、范圍等指標都有很大的提高，但系統(tǒng)的智能化程度還十分有限，距離“人腦”的判斷能力還很遠。 （ 2） 視覺檢測立體化 體視覺是計算機被動測距方法中最重要的距離感知技術(shù)之一。該方法可以克服單一視角由于遮擋或深度影響而容易產(chǎn)生的分歧，能夠有效解決遮擋問題，擴大車輛檢測的有效范圍。 （ 3） 網(wǎng)絡(luò)化 進行區(qū)域交通系統(tǒng)狀態(tài)特征提取和信息融合，實現(xiàn)區(qū)域交通狀況的評價、預(yù)報 和報警，建立區(qū)域交通系統(tǒng)狀況的集成應(yīng)用系統(tǒng)。 （ 4） 低成本、集成化 目前視頻車輛檢測系統(tǒng)結(jié)構(gòu)比較復(fù)雜、價格比較昂貴，這給視頻檢測技術(shù)的普及帶來了一定的困難。今后應(yīng)加大低成本、高性能、結(jié)構(gòu)優(yōu)化產(chǎn)品的研發(fā)，以增強視頻車輛檢測技術(shù)的市場競爭力。 本章小結(jié) 本章對基于視頻的車連檢測技術(shù)進行了綜合性的概述，主要從實例發(fā)展歷程方面進行闡述，同時分析了視頻車輛檢測技術(shù)未來的發(fā)展趨勢。 綜上所述，視頻車輛檢測技術(shù)在整個智能交通系統(tǒng)中的重要地位是時代發(fā)展必然性所決定的，而本文在第一章中已經(jīng)介紹了 OpenCV 的優(yōu)越性，接下來 將具體講述基于 OpenCV 的車輛檢測的算法流程、實驗測試和結(jié)果分析。 大連交通大學 2020 屆本科生畢業(yè)論文 8 第三章 車輛檢測算法設(shè)計 引言 從最早的 80 年代起至今，專家和學者們提出了許多卓有成效的車輛檢測方法?？偟膩碚f，車輛檢測的原理主要可以分為以下兩類：宏觀檢測法和微觀檢測法。宏觀檢測法對整幅圖像進行檢測，而微觀檢測法主要針對圖像的 ROI（感興趣區(qū)域）進行檢測。 宏觀檢測法對整幅圖像進行檢測，采用這種檢測方法圖像蘊含的信息量豐富，能把整幅圖像中的所有車道的車輛都檢測出來。車輛的一些行駛特征，如左轉(zhuǎn)右轉(zhuǎn)也能被檢測出來， 但是這種算法的缺點也是顯而易見的。首先，由于是對整幅圖像進行檢測，必然導(dǎo)致處理的運算量大，系統(tǒng)開銷大，在視頻檢測這種實時性要求極高的系統(tǒng)中使用必然造成嚴重的延時；其次，由于場景中包含如路邊花壇、樹木、紅綠燈桿等大量的干擾比較嚴重的前景物體，容易成為干擾因素，引起檢測時誤差的增大；第三，整幅圖像檢測容易造成物體分割不明顯，對靜止的物體檢測效率低下。 微觀檢測法則對圖像的局部區(qū)域進行檢測，包括有線性檢測法和窗口檢測法。線性檢測法的原理是通過在圖像的固定位置設(shè)置一條檢測線，通過統(tǒng)計檢測線的圖像特征變化如灰度跳變、 色彩突變來判斷有無車輛通過。這種線式的檢測方式運算量小、實時性好、檢測精度也較高，但是由于其檢測區(qū)域的限制，這種方式的魯棒性不高，容易受光線變化的影響引起誤檢。窗口檢測法的原理則是通過在圖像的特定區(qū)域設(shè)置一個較小的檢測矩形框，通過統(tǒng)計矩形框內(nèi)的圖像特征變化來判斷車輛是否通過，和線性檢測法相比，檢測的區(qū)域要大些。 最常見目前運用最多的是區(qū)域檢測法，該方法融合了宏觀檢測法和線式檢測法的優(yōu)點。它的檢測原理是通過在圖像設(shè)置若干處 ROI（感興趣區(qū)域），通過檢測區(qū)域內(nèi)的圖像特征達到判斷有無車輛通過的目的，區(qū)域檢測法通 常有光流場法、幀間差分法和背景差分法幾種。幾種方法各有利弊，本文將運用背景差分法完成對交通視頻中的車輛檢測。 車輛檢測算法流程圖 本章是全文的重點章節(jié)，本章將對車輛檢測算法的具體流程進行詳細的介紹。主要包括讀取視頻、設(shè)定感興趣區(qū)域、圖像預(yù)處理、檢測運動目標及背景參數(shù)的實時更新等幾個部分。 如圖 31 所示，主要工作是： （ 1） 獲取視頻幀：本文所用道路交通視頻來自網(wǎng)絡(luò)，是一個 709KB 的媒體文件（ .avi），其視頻時長為 30 秒，幀寬度為 640mm，幀高度為 480mm，數(shù)據(jù)大連交通大學 2020 屆本科生畢業(yè)論文 9 速率為 161kbps，總比特率 為 193kbps，幀速率為 25 幀 /秒。 （ 2） 視頻圖像預(yù)處理：對采集的視頻流轉(zhuǎn)換到需要的色彩空間進行處理，濾除圖像的噪聲，設(shè)置圖像的感興趣區(qū)域。將前景與背景進行分割，閾值化處理得到車輛的二值化圖像。 （ 3）背景初始化與更新：如果此時背景沒有初始化，則需要對交通場景圖像進行初始化，并對背景進行實時更新。 （ 4）提取前景運動車輛：主要涉及到的操作包括有檢測運動車輛，用紅色矩形框標出。 圖 31 車輛檢測算法流程圖 圖像預(yù)處理 設(shè)定感興趣區(qū)域 為了盡可能的減少噪聲以及交通場景中其他前景 物體的影響，本文采用設(shè)定大連交通大學 2020 屆本科生畢業(yè)論文 10 局部檢測區(qū)域的方式對交通圖像進行劃分，以達到實時性和降低誤檢的作用。局部檢測區(qū)域的設(shè)置遵循以下規(guī)則： （ 1）檢測區(qū)域不包含明顯前景物體，如圍欄、花壇或樹木。 （ 2）檢測區(qū)域內(nèi)應(yīng)包含有所有需要檢測的車道，實際系統(tǒng)中是對全景攝像機的視頻流進行檢測，因此，需要使檢測區(qū)域涵蓋所有車道才能滿足檢測要求。 （ 3）檢測區(qū)域的圖像高度應(yīng)該有 12 輛正常小轎車的距離。 OpenCV 通過函數(shù) cvSetMouseCallback 設(shè)置鼠標事件的回調(diào)函數(shù)，通過此函數(shù)可以直接在圖像上進行操作， 再通過鼠標響應(yīng)函數(shù)調(diào)用 cvRectangle 函數(shù)畫出鼠標圈定的區(qū)域，這樣就完成了檢測區(qū)域的設(shè)置。設(shè)置完成后，再通過函數(shù) cvSetImageROI 就可以設(shè)定 cvRectangle 標定的矩形框部分，以后的所有操作都會只對該區(qū)域進行處理。 高斯低通濾波處理 由于受環(huán)境，光照條件變化以及采集設(shè)備的性能影響，從攝像機采集的圖像都是降質(zhì)圖像，帶有比較多的噪點信息，這些往往影響到后期的車輛特征提取，降低檢測的準確性。因此需要在獲得視頻圖像后，先對幀序列進行預(yù)處理，這其中包括的主要步驟有色彩空間映射、 圖像平滑濾波、對比度增強。 本文主要對視頻圖像平滑濾波進行了研究。濾波分為線性濾波和非線性濾波，濾波的主要目的是減小噪聲，可以在提取主要的前景目標之前去除圖像的一些瑣碎細節(jié)，如橋接直線或曲線的摩擦。線性濾波的方法算法簡單、速度比較塊，但容易造成圖像模糊；非線性濾波方法則可以很好的去除信號噪聲也能很好的保持信號的局部特征，但速度稍微慢些。對于要想保持整幅圖像的整體和局部特征的圖像來說，采用非線性濾波如高斯低通濾波不失為一種理想的濾波方式。 在高斯低通濾波法中，用 H ( u)表示頻率域，則二維高斯濾波方程可 表述為： 22/),(2),( ?vuDAevuH ?? （ 31 ）其中，σ為高斯曲線的標準差， D ( u , v)是距傅立葉變換原點的距離。當0D??時，高斯濾波器可以表示為如下形式： 202/),(2),( DvuDAevuH ?? （ 32） 0D 為 截止頻率，當 ? ? 0,D Dvu ? 時，濾波器下降到它的最大值的 處。采用高斯平滑濾波后得到的圖像，可以增強圖像的細節(jié)，去除圖像的局部噪音。 二值化閾值分割 在圖像預(yù)處理完成后，接著要做的工作就是通過前景圖像和背景圖像，提取視頻中的前景圖像，即運動車輛。這一步要做的工作是將車輛目標從圖像中提取出來，目前常采用的方法是通過圖像分割技術(shù)來實現(xiàn)，常用的分割技術(shù)有邊緣檢大連交通大學 2020 屆本科生畢業(yè)論文 11 測、閾值分割以及區(qū)域生長三類。 對獲得的車輛前景和背景差圖 像，采用閾值分割化技術(shù)是一種常用的提取運動物體的分割技術(shù)。閾值分割的原理其實是先確定一個處于圖像灰度范圍內(nèi)的灰度值，然后通過將圖像中各個像素的灰度值和該閾值比較，然后由比較的結(jié)果將圖像劃分為兩類：像素灰度大于閾值的一類和像素灰度小于閾值的一類。閾值分割主要分成兩個步驟： 1）確定分割閾值 T。 2）通過確定的閾值 T 分割圖像像素并二值化。 背景初始化與更新 由于視頻檢測系統(tǒng)的應(yīng)用場合為各種交通要道或十字路口，而這種戶外環(huán)境會受到光照條件和氣候環(huán)境以及各種人為的原因而造成不斷的變化，因此檢測的道路場 景中背景是不斷的變化的，而在視頻檢測系統(tǒng)中，如何提取有效而實時的背景更新算法對車輛信息的提取有著決定性的作用。 本文采用的背景初始化算法是多幀平均法，其原理為在一定的時間內(nèi)，取視頻圖像幀進行加運算，再求平均值，該平均值即可認為是真實的背景。該算法認為臨時物體如車輛，行人等運動物體會在這幀圖像的均值化過程中被濾除掉，可以近似忽略不計。這種算法雖然計算量比較大、背景更新速度較慢，但其簡單易行、錯誤率低，并不是不可取的。當下常用的背景更新算法還有：滑動平均更新法、選擇更新算法、混合高斯背景模型法等，由于本人能力有 限，故只采用了最為簡便的方法，此處還可進行深入研究。 提取前景運動目標 交通視頻檢測最基本的任務(wù)就是對道路上行駛的各種車輛的檢測 ,即從采集到的視頻圖像序列中檢測出運動的車輛。運動車輛的檢測是交通信息獲取的基礎(chǔ) ,幾乎下一步處理需要的車輛參數(shù)都源于對車輛的檢測。在實際監(jiān)控中 ,對運動車輛目標的檢測會存在多種問題 ,包括天氣 ,光線等外界環(huán)境的變化 ,以及陰影和不屬于車輛的擾動物體等干擾 ,對車輛的檢測以及隨后的處理帶來很大問題 ,所以運動車輛的檢測一直是交通視頻系統(tǒng)的熱點問題。 視頻車輛檢測是運動目標檢測的一部分 ,目前用于車輛檢測的常用的運動目標檢測算法有三種 :光流場法、幀差法、背景差分法 ,其各自都有自身的優(yōu)缺點 ,本文針對車輛檢測的特點 ,對其基本原理進行分析與研究 ,得出運用背景差分法進行視頻車輛檢測。 背景差分法的基本思想是選取視頻圖像序列的一幀或是提取背景圖像做為參考圖像 ,然后將待檢測圖像與背景參考圖像逐像素相減 ,經(jīng)過閾值 T 劃分得到目標的二值化圖像 ,定義公式形式如 (315)所示。 大連交通大學 2020 屆本科生畢業(yè)論文 12 ? n1 | f ( , ) ( , ) |0 o the r w ise( , ) nx y B x ynD x y ? ? ?? （ 315） 這種方法進行運動車輛 檢測時可以克服幀間差分法的缺點 ,可以比較完整和精確地對運動目標進行檢測。背景差分法這種優(yōu)點可以應(yīng)用于運動車輛檢測中 ,但是這種方法無法自適應(yīng) ,要想適應(yīng)環(huán)境的變化 ,必須對背景實時升級 ,這必然會涉及背景模型 ,其包括背景的提取和背景的更新。通常會遇到如下一些問題： (l)背景的提取。當前背景的提取方法大致分為兩大類 ,一類是無運動車輛存在時背景的提取方法 ,如 W4 法，這種無運動車輛存在的條件在車輛檢測環(huán)境下很難滿足 ,且需要人為的實時監(jiān)控；另一類是有運動車輛存在時的背景提取方法 ,如基于統(tǒng)計的方法包括平均值法 ,中值法等 ,然 而這種方法在運動物體所占面積較大和在大量幀中出現(xiàn)時 ,估計出的背景幀不理想且處理時間較長。 (2)背景的更新。其需要背景模型應(yīng)迅速跟上實際背景關(guān)照的變化、運動物體靜止下來時應(yīng)及時收入到背景幀中、靜止物體移走后應(yīng)及時從背景模型中消失 ,否則會出現(xiàn)大范圍的噪聲和誤檢測現(xiàn)象。 本章小結(jié) 本章通過對車輛檢測算法的分析，針對于一個道路交通視頻做了圖像預(yù)處理、背景提取與更新、前景目標檢測等工作，基本可以完成檢測道路交通視頻中運動車輛的任務(wù)。 大連交通大學 2020 屆本科生畢業(yè)論文 13 第四章 實驗結(jié)果與分析 引言 在上一章中，已對 基于 Ope