【導(dǎo)讀】設(shè)計（論文）不包含任何其他個人、集體已發(fā)表或撰寫的成果作品。收入水平越來越高，汽車已經(jīng)成為了十分普遍的交通工具。車的檢測與管理日趨重要。同時基于視頻以及以計算機視覺為基。通過對圖像進(jìn)行分析，能夠?qū)煌ㄐ畔⑦M(jìn)行全方位的管理?？梢酝ㄟ^分析相關(guān)數(shù)據(jù)來評。估和預(yù)測特定時間段的車輛情況。管理水平產(chǎn)生質(zhì)的飛躍，跟上信息時代的步伐。取出想要識別的物體的處理。⑤完成對移動中車輛的檢測與計數(shù)。交通運輸在一個國家的經(jīng)濟社會發(fā)展中起著助推器的作用。交通運輸?shù)谋O(jiān)控與管理智能化?；谝曨l的車輛檢測作為智能交通系統(tǒng)的基石，具有直觀性、大范圍。檢測、安裝和維護(hù)方便等優(yōu)勢，成為采集交通信息技術(shù)的有力工具。究具有非常重要的意義。該方法先對圖像進(jìn)行灰度值化處理，中值濾波處理及二值化處理，然后利用車輛移動的特點進(jìn)行檢測，最后將移動中的車輛進(jìn)行加框標(biāo)記。實驗結(jié)果表明,本

　　

【正文】 利用視頻圖像處理的方法進(jìn)行車輛檢測，就是通過對圖像中特定區(qū)域像素灰度值變化的分析，來判斷當(dāng)前是否有車輛通過。車輛檢測是交通流參數(shù)采集中關(guān)鍵的一步，其精度直接影響著車速等參數(shù)的精準(zhǔn)度。 車輛檢測的目的判斷是否有車經(jīng)過檢測區(qū)，并建立一個與之對應(yīng)的跟蹤對象，主要提供車流量等信息。減少車輛檢測算法的復(fù)雜度和提高實時性是一對矛盾，解決這對矛盾對提高系統(tǒng)檢測穩(wěn)定度和準(zhǔn)確度較為關(guān)鍵，可實際光照的變化、背景運動的模糊、運動目標(biāo)的虛假影像、攝像機的抖動以及運動目標(biāo)的 遮擋現(xiàn)象等，都會影響車輛檢測和分割的精度，必須在算法中考慮這些影響因素以及去除方法。 基于視頻的車輛檢測方法 基于視頻圖像的檢測方法主要有基于幀間差分的方法、基于光流場的方法、基于背景差的方法等。 基于幀間差分的方法 幀間差分法是基于視頻圖像中，相鄰兩幀圖像間具有強相關(guān)性而提出的檢測方法。 這種檢測方法對光線等場景不敏感，能夠適用于動態(tài)變化的環(huán)境，而且算法實現(xiàn)簡單，檢測速度快，定位準(zhǔn)確，適用于快速提取運動目標(biāo)的環(huán)境。它存在以下幾個缺點：一是不能檢測出靜止或運動速度過慢的目標(biāo)，對于高速運動 的目標(biāo)又會使得分割區(qū)域遠(yuǎn)遠(yuǎn)大于真實目標(biāo)，其分割區(qū)域與目標(biāo)運動速度相關(guān)；二是若目標(biāo)內(nèi)部的灰度較均勻，相鄰幀差可能在目標(biāo)重疊部分形成較大空洞，嚴(yán)重時造成分割不連通，不利于進(jìn)一步的目標(biāo)分析與識別。 在現(xiàn)實應(yīng)用中，幀間差分法是許多復(fù)雜檢測算法的基礎(chǔ)，通過改進(jìn)算法將它與其它算法結(jié)合以提高檢測效果。 基于光流場的方法 光流場法的基本思想：運動在空間中可以用運動場描述，而圖像平面上物體的運動是通過圖像序列中灰度分布的不同體現(xiàn)的，從而，空間的運動場轉(zhuǎn)移到圖像上就為光流場（ Optical Flow Field） 。光流場反映了圖像上每一點灰度的變化趨勢，可視為灰度像素點在圖像平面上運動產(chǎn)生的瞬時速度場，為一種對真實運動場的近似估計 [6]。 在理想的情況下，它能檢測出獨立運動對象，不需預(yù)先知道場景信息，能夠精確地計算出運動目標(biāo)速度，且用于攝像機運動情況。但光流法有以下缺點：有時即使沒發(fā)生運動，外部照明發(fā)生變化也可觀測到光流；另外，缺乏明顯的灰度階躍變化區(qū)域時，運動往往觀測不到。三維物體的運動投影到二維圖像的亮度變化，是因為部分信息丟失而使光流法存在孔徑和遮擋問題，光流法估算二維運動場是不確定的，需要附加的假設(shè)模型來 模擬二維運動場的結(jié)構(gòu)；準(zhǔn)確分割時光流法還需利用顏色、灰度、邊緣等空域特征，從而提高分割精度；同時因光流法采用迭代的方法，計算復(fù)雜度高，若沒有特殊的硬件支持，視頻序列的實時檢測很難達(dá)到。 全套設(shè)計（圖紙）請聯(lián)系 174320523 各專業(yè)都有 基于背景差的方法 背景差法 [7]首先選取背景中的一幅或幾幅影像的平均作為背景影像，再把以后的序列影像當(dāng)前幀與背景影像相減，進(jìn)行背景消去。如果所得到的像素數(shù)大于某一閾值，則判定被監(jiān)視場景中有運動目標(biāo)，獲取運動目標(biāo)。 這種方法在復(fù)雜背景下的運動目標(biāo)檢測效果較好，一般能提供最完整的特征數(shù)據(jù)，計算量小，實用價值大。但受 光線、天氣等條件影響較大。 背景差分法是運動分割中常用的一種方法，應(yīng)用中，需采用算法進(jìn)行背景模型的動態(tài)更新。目前研究人員大都致力于如何實現(xiàn)背景圖像的建模和自適應(yīng)更新，使背景可以不斷接近理想狀態(tài)，對視頻圖像檢測分割的減少影響。 背景建模，是通過序列影像的幀間估計和恢復(fù)背景。對于背景建模問題，常用的方法主要有：基于統(tǒng)計的背景模型、基于高斯分布的背景模型、基于卡爾曼濾波的背景模型等。 基于統(tǒng)計的背景模型最簡便和直觀的方法就是選擇均值函數(shù)作為更新函數(shù)，叫做 “ 序列均值法 ” [8]，此方法適用于背景大部分時間可見、運動物 體數(shù)量少的情況。 “ 序列眾數(shù)法 ”[9]是統(tǒng)計學(xué)模型算法中最精確的一種，但要對元素排序，計算量和所需要存儲空間都很大，且有很大的值才得到統(tǒng)計意義上的概率分布，所以更新圖像時間也較慢。 基于卡爾曼濾波的背景模型，跟蹤運動目標(biāo)有很好的效果，但計算量大，處理速度慢。 基于高斯分布的背景模型能適應(yīng)光線變化，而且可處理多模型分布，對慢移動目標(biāo)（如樹枝的搖擺等）具有很好的魯棒性。但是對每點都用一個模型來描述，計算量大，且存儲參數(shù)多，所以還要不斷改進(jìn)。 車輛陰影分割技術(shù) 通過前面的檢測方法，在檢測出的圖像中多多少少存 在陰影的干擾，當(dāng)陰影面積較大時還會覆蓋鄰近的車輛，致使算法誤將多個車輛檢測為一個車輛，對后期識別造成困難，所以在圖像檢測中必須考慮陰影的消除方法。 在眾多文獻(xiàn)中有關(guān)于陰影檢測的文章和著作。根據(jù)檢測算法采用的特征，大致分五類：顏色恒常性的方法、確定性模型法和確定性非模型法、統(tǒng)計參數(shù)和非參數(shù)法等。 以上這些方法各有利弊，要針對不同的應(yīng)用環(huán)境選擇不同的方法來滿足不同的要求。如基于顏色恒常性的方法適合于全局陰影的分割，基于顏色空間模型的方法對噪聲有較好的穩(wěn)健性，它和統(tǒng)計非參數(shù)方法都能處理不同大小和強度的陰影，但顏色 空間模型的處理效果較好，統(tǒng)計非參數(shù)方法的處理速度相對較快；確定性模型方法能應(yīng)用于特殊環(huán)境，假設(shè)越多產(chǎn)生效果越好；統(tǒng)計方法較適合于室內(nèi)環(huán)境，因為場景是恒定的并且統(tǒng)計描述非常有效。 全套設(shè)計（圖紙）請聯(lián)系 174320523 各專業(yè)都有 4 車輛目標(biāo)的圖像處理方法 車輛檢測是運動目標(biāo)檢測的一個實例，本章在介紹運動目標(biāo)檢測共性問題的同時，指出車輛檢測的特性，為后面的分析做鋪墊，運動目標(biāo)檢測中，感興趣的只是運動目標(biāo)，就是運動的車輛。視頻車輛檢測研究的是視頻圖像，也就是利用攝像機采集的圖像序列。不同時刻此序列的兩幀或多幀圖像包含了物之間的相對運動信息，這些信息是圖 像幀之間的灰度變化以及如點、線段、運動區(qū)域等研究對象的位置和運動方向、速度等變化。 視頻圖像處理的特點是計算量大，若使用圖像幀大小為 240X320 像素，幀速率為 25幀 /秒，圖像格式為 RGB 格式，每個像素為 24 位即 3 個 byte 表示，則每秒的圖像為 。在檢測中假如采用很多邊緣檢測、濾波等基于圖像區(qū)域的算法，計算量相當(dāng)大，對每幀的整幅圖像處理難達(dá)到實時性。根據(jù)車輛檢測的特點，本文主要研究了以下一些圖像處理技術(shù)：邊緣檢測、數(shù)學(xué)形態(tài)學(xué)等。下面對此做簡要分析和介紹。 彩色圖像灰度化 將彩色圖像轉(zhuǎn)換為灰 度圖像的過程稱為圖像的灰度化處理。彩色圖像中每個像素的顏色有 R、 G、 B 三分量決定，而每分量有 255 個值可取，這樣一個像素有 1600 多萬（ 255*255*255）的顏色變化范圍。而灰度圖像是 R、 G、 B 三個分量相同的一種特殊的彩色圖像，其中一個像素的變化范圍為 255 個，因此在數(shù)字圖像處理中一般先將各種格式的圖像轉(zhuǎn)化為灰度圖像，使后續(xù)的圖像的計算量小一些。灰度圖像的描述與彩色圖像一樣反映了整幅圖像的整體和局部的色度和亮度等級的分布和特征 [2]。 圖 RGB 顏色模型 彩色圖像雖然含有大量的顏色信息，但是并 不適合直接對其進(jìn)行操作，而是應(yīng)該將其灰度化，轉(zhuǎn)換成灰度圖像。色彩轉(zhuǎn)換公式如公式 所示。 R G B? ? ? ? ? ? （ ） 全套設(shè)計（圖紙）請聯(lián)系 174320523 各專業(yè)都有 將顏色灰度化后的信息，足以滿足我們后續(xù)圖像處理和模式識別的要求，并且，存儲開銷和處理代價大大降低。經(jīng)灰度化的圖像如圖 所示 （ a）原始圖像 （ b）灰度圖像 （ c）原始圖像 （ d）灰度圖像 （ e）原始圖像 （ f）灰度圖像 （ g）原始圖像 （ h）灰度圖像 圖 彩色圖像灰度化處理 全套設(shè)計（圖紙）請聯(lián)系 174320523 各專業(yè)都有 圖像分割 圖像分割借助集合概念對圖像分割可給出如下定義：令集合 R 代表整個圖像區(qū)域，對R 的圖像分割可以看做是將 R 分成 N 個滿足以下條件的非空子集 R1， R2， R3， … ， RN； （ 1） 分割結(jié)果中每個區(qū)域的像素都有相同的特性； （ 2） 分割結(jié)果中不同子區(qū)域 具有不同的特性，且它們無公共特性； （ 3） 分割的所有子區(qū)域的并集即為原來的圖像； （ 4） 各個子集視為連通的區(qū)域； 圖像分割是把圖像分割成若干個特定的、具有獨特性質(zhì)的區(qū)域并提取出感興趣目標(biāo)的技術(shù)，這些特性可以為像素的灰度、顏色、紋理等提取的目標(biāo)可以是對應(yīng)的單個區(qū)域，也可以是對應(yīng)的多個區(qū)域。圖像分割方法有許多種方式，在這里主要介紹兩種分割方法：閾值分割方法和邊緣檢測方法，下面就這些方法展開介紹。 閾值分割方法 對灰度圖像的取閾值分割是先確定一個處于圖像灰度取值范圍之中的灰度門限值，然后將圖像中各個像素的灰度值都與這個門限值相比較，并根據(jù)比較結(jié)果將對應(yīng)的像素分為兩類。這兩類像素一般分屬圖像的兩類區(qū)域，從而達(dá)到分割的目的。閾值分割算法主要有兩個步驟： （ 1） 確定需要的閾值； （ 2） 將分割閾值與像素值比較以劃分像素。 采用閾值化圖像分割時通常需要對圖像作一定的模型假設(shè)。利用圖像模型盡可能了解圖像有幾個不同的區(qū)域組成?；趫D像分割模型經(jīng)常采用這樣一種假設(shè)：目標(biāo)或背景內(nèi)相鄰像素間的灰度值是相似的，但不同目標(biāo)或背景的像素在灰度上存有差異 。設(shè)原始圖像為 f（ x,y） ,按照一定準(zhǔn)則在 f（ x,y） 中找到某種特征值，該特征值便是進(jìn)行分割時的閾值 T，或者找到某個合適的區(qū)域空間 Ω，將圖像分割成兩個部分，分割后的圖像為 ??? ??? Tyxfb Tyxfbyxg ),( ),(),(10 　 （ ） 對于有多種閾值情況，分割后的圖像可以表示為：其中 KTTT ?, 10 是一組分割閾值，kbbb ?, 10 是經(jīng)分割后對應(yīng)不同區(qū)域的圖像灰度值， K 為分割后的區(qū)域或目 標(biāo)數(shù)， 1,2,1,0),(),(g 1i ????? ? KiTyxfTbyx ii ?當(dāng) 。 無論是單閾值分割還是多閾值分割，都是選取一個比較合理的閾值，以確定圖像中每個像素點應(yīng)該屬于目標(biāo)區(qū)域還是背景區(qū)域，從而產(chǎn)生相應(yīng)的二值圖像。 最大方差自動取閾值（自適應(yīng)二值化） 圖像灰度直方圖的形狀是多變的，有雙峰但是無明顯低谷或者是雙峰與低谷都不明全套設(shè)計（圖紙）請聯(lián)系 174320523 各專業(yè)都有 顯，而且兩個區(qū)域的面積比也難以確定的情況常常出現(xiàn)，采用最大方差自動取閾值往往能得到較為滿意的結(jié)果。 圖像灰度 級的集合設(shè)為 S=（ 1,2,3,…,i, …L ） , 灰度級為 i 的像素數(shù)設(shè)為 ni，則圖像的全部像素數(shù)為 ??????? Si iL nnnN ?21n （ ） 將其標(biāo)準(zhǔn)化后，像素數(shù)為 NP i /n? ，其中， i∈ S， pi≥0， 1p ???Si i （ ） 設(shè)有某一圖像灰度直方圖， t 為分離兩區(qū)域的閾值。由直方圖統(tǒng) 計可被 t 分離后的區(qū)域區(qū)域 2 占整圖像的面積比以及整幅圖像、區(qū)域 區(qū)域 2 的平均灰度為： 區(qū)域 1 的面積比： ???tjjnn01?；區(qū)域 2 的面積比 ?????11j2Gtjnn? （ ） 或者 整幅圖像平均灰度 )(u 10 nnf jGj j ????? 。 區(qū)域 1 的平均灰度 )(101 nnfu jtj j ?? ???； 區(qū)域 2 的 平均灰度 )1 112 nnfu jGtj j ?? ????? （ ） 式中， G 為圖像的灰度級數(shù)。 整圖像平均灰度與區(qū)域 區(qū)域 2 平均灰度值之間的關(guān)系為 2211 ?? uuu ?? （ ） 同一區(qū)域常常具有灰度相似特性，而不同區(qū)域之間則表現(xiàn)為明顯的灰度差異，當(dāng)被閾值 t 分離的兩個區(qū)域之間灰度差較大時，兩個區(qū)域的平均灰度 u1,u2 與整圖像平均灰度 u之差也較大 ，區(qū)域間的方差就是描述這種差異的有效參數(shù)，其表達(dá)式為： 2222112 ))t(u()u uuB ???? ??? （ （ ） 式中， B2? 表示了圖像被閾值 t 分割后的兩個閾值之間的方差。顯然不同的 t 值，就會得到不同的區(qū)域方差，也就是說，區(qū)域方差、區(qū)域 1 均值、區(qū)域 2 均值、區(qū)域面積比、區(qū)域面積比都是閾值 t 的函數(shù)，因此式（ 38）可寫為： 2222112 ))t(u)(()u)(( ututB ???? ??? （ ） 經(jīng)數(shù)學(xué)推導(dǎo)，區(qū)域間的方差可表示為： 221212 ))()t(u)()( tuttB ??? （??? （ ） 全套設(shè)計（圖紙）請聯(lián)系 174320523 各專業(yè)都有 被分割的兩區(qū)域間的方差達(dá)最大時，被認(rèn)為是兩區(qū)域的最佳分離狀態(tài)，由此確定閾定值 T： )](max[ 2 tT B?? ，以最大方差決定閾值不需要認(rèn)為設(shè)定其他參數(shù)，是一種自動選擇閾