【正文】 標(biāo)定方法根據(jù)式（47）的共線(xiàn)方程可以得到基本關(guān)系式： (48)就一個(gè)攝像機(jī)標(biāo)定來(lái)說(shuō)，計(jì)算機(jī)圖像上的一點(diǎn)對(duì)應(yīng)的現(xiàn)實(shí)世界的點(diǎn)是無(wú)窮多個(gè)的，并且這些點(diǎn)都在一條直線(xiàn)上。下圖（）為標(biāo)定的坐標(biāo)系統(tǒng)。 標(biāo)定原理攝像機(jī)標(biāo)定的原理首先涉及到幾何成像的原理。 基于Mean Shift的行人跟蹤Mean Shift算法在視頻運(yùn)動(dòng)目標(biāo)的跟蹤領(lǐng)域得了很成功的應(yīng)用，假設(shè)物體中心位于x0，則該物體可以表示為 (41)候選的位于y的物體可以描述為 (42)因此物體跟蹤可以簡(jiǎn)化為尋找最優(yōu)的y，使得與最相似。Comaniciu等人還將非剛體的跟蹤問(wèn)題看成一個(gè)Mean Shift最優(yōu)化問(wèn)題，使得跟蹤可以實(shí)時(shí)的進(jìn)行[55]。Mean Shift提出后并沒(méi)有引起人們的重視，直到1995年，Yizong Cheng才發(fā)表了另外一篇關(guān)于Mean Shift的重要文獻(xiàn)[52]，對(duì)基本的Mean Shift算法做了推廣，首先他定義了一族核函數(shù)，使得偏移量對(duì)偏移向量的貢獻(xiàn)隨著樣本和被偏移點(diǎn)距離的改變而不同；其次設(shè)置了一個(gè)權(quán)重系數(shù)，使得樣本點(diǎn)的重要性不是相同的，這個(gè)改動(dòng)進(jìn)一步擴(kuò)大了Mean Shift的適用范圍。但針對(duì)行人的目標(biāo)跟蹤、識(shí)別研究則相對(duì)滯后，而且行人的具體情況比車(chē)輛復(fù)雜得多，例如行人在視頻中的面積小，行動(dòng)較為隨機(jī)，速度并不連貫，而且行人之間的間距有可能較小，這些都給相關(guān)技術(shù)造成了很大的技術(shù)難點(diǎn)。Jorge[4850]等人提出的基于區(qū)域的車(chē)輛跟蹤方法，由于其圖像分割是在進(jìn)行目標(biāo)跟蹤之前就已經(jīng)完成，因此即使目標(biāo)的形狀發(fā)生改變或者消失，也能正確進(jìn)行圖像分割。例如：Lefevre[47]采用矩形初始化Snake模型，針對(duì)足球比賽中多個(gè)足球運(yùn)動(dòng)員的輪廓進(jìn)行了實(shí)時(shí)跟蹤。但這種模型的計(jì)算量大，而且本文的視頻場(chǎng)景是在交叉口上方垂直拍攝，場(chǎng)景復(fù)雜，對(duì)行人的角度也是俯視，難以對(duì)實(shí)際場(chǎng)景中的行人建立他們的立體模型。 基于3D模型的跟蹤基于3D方法跟蹤目標(biāo)，Rog233。 常用跟蹤算法 基于特征的跟蹤主要是將圖像特征從一幅圖像到另一幅圖像一一對(duì)應(yīng)起來(lái)，包括特征的識(shí)別、提取、匹配三個(gè)過(guò)程。對(duì)可能存在的噪聲斑塊區(qū)域采用區(qū)域面積統(tǒng)計(jì)的方法計(jì)算面積，設(shè)置合適的面積閾值，去除小面積的噪聲斑塊。針對(duì)各種技術(shù)難點(diǎn)提出了有針對(duì)性的具體解決方案。（4）編號(hào)1的是其自行車(chē)的情況，并且手提的黑包，對(duì)應(yīng)的區(qū)域長(zhǎng)短軸比超過(guò)了一定的范圍，行人行走過(guò)程檢測(cè)的運(yùn)動(dòng)區(qū)域的長(zhǎng)短軸比不會(huì)像自行車(chē)、摩托車(chē)那么明顯，因此判斷，此區(qū)域超出了認(rèn)為是行人的條件范圍，因此予以去除。并根據(jù)結(jié)果進(jìn)行正確的行人判斷的過(guò)程。b) 若區(qū)域面積S較大，區(qū)域的長(zhǎng)短軸比L超出一定的范圍，說(shuō)明對(duì)應(yīng)的是自行車(chē)或者摩托車(chē)。 行人運(yùn)動(dòng)目標(biāo)判斷準(zhǔn)則通過(guò)上述分析，可以總結(jié)交叉口具體場(chǎng)景下，根據(jù)每個(gè)區(qū)域接近黑色的區(qū)域情況，對(duì)行人識(shí)別的具體條件為：（1）若沒(méi)有一定面積的黑色區(qū)域，則不是行人。最終從檢測(cè)的運(yùn)動(dòng)目標(biāo)中去除陰影，得到了較為準(zhǔn)確的行人區(qū)域。保持檢測(cè)的運(yùn)動(dòng)目標(biāo)的原狀。（5）對(duì)區(qū)域面積進(jìn)行統(tǒng)計(jì)，由于被多層區(qū)域分割，可能小的區(qū)域例如胳膊、腳步等小面積區(qū)域也被分割，若面積過(guò)小，則予以去除。人頭區(qū)域的外層通常對(duì)應(yīng)的是上衣的區(qū)域。（2）檢測(cè)到的人的區(qū)域明顯的特征是人頭的黑色類(lèi)似圓形區(qū)域，陰影部分也為黑色，但可能沒(méi)有人頭黑色區(qū)域暗。本文針對(duì)垂直拍攝的視頻，在沒(méi)有背景建模的情況下難以用顏色等特征來(lái)實(shí)現(xiàn)陰影的去除，因此設(shè)計(jì)了一種“多層區(qū)域分割”模型的陰影檢測(cè)和去處算法。Wang等人用高斯分布為背景、陰影和邊緣信息建模，采用貝葉斯框架檢測(cè)陰影[39]。Zhang等人通過(guò)分析正交變換的歸一化系數(shù)來(lái)進(jìn)行陰影檢測(cè)[37]。由于去除陰影的過(guò)程中有一些與陰影相類(lèi)似的或者更暗的像素點(diǎn)被誤判為陰影而被消除掉，導(dǎo)致這些像素點(diǎn)丟失。文獻(xiàn)[33,34]提出了基于HSV顏色空間模型和基于形態(tài)學(xué)的目標(biāo)重構(gòu)方法消除運(yùn)動(dòng)陰影。而且影子的形狀是隨著光照強(qiáng)度、目標(biāo)運(yùn)動(dòng)等因素不斷變化的。噪聲區(qū)域記為1，非噪聲區(qū)域記為0。第t區(qū)域完成種子生長(zhǎng)后，將第t區(qū)域的全部的點(diǎn)清除，然后進(jìn)入下一個(gè)區(qū)域，即第t+1區(qū)域的種子生長(zhǎng)，t=0,…,N。因此(m1,n1)是最后一個(gè)生長(zhǎng)的點(diǎn)。（4）若對(duì)初始點(diǎn)周?chē)徲蛩阉鳛榭?，說(shuō)明整對(duì)第t區(qū)域的填充過(guò)程完畢，否則繼續(xù)下一輪搜索。具體步驟如下：（1）對(duì)每列進(jìn)行掃描，自左至右，根據(jù)列數(shù)從小到大依次掃描，若掃描到一個(gè)點(diǎn)為1，即對(duì)應(yīng)的二值化圖像中的點(diǎn)是白色，則將此點(diǎn)作為種子，并開(kāi)始這個(gè)種子的生長(zhǎng)。另外一種是經(jīng)常遇到的陰影問(wèn)題，由于行人目標(biāo)通常會(huì)有一定的陰影區(qū)域，因此需要考慮根據(jù)陰影的特點(diǎn)實(shí)現(xiàn)有效的陰影去除的方法。如果定義表示包含子集的集合，其子集元素都是區(qū)域的八連通邊界點(diǎn)。(a) 幀差結(jié)果(b) 膨脹結(jié)果 斷裂區(qū)域連接 空洞填充空洞填充是對(duì)圖像中的空洞進(jìn)行填充，使圖像中的目標(biāo)成為實(shí)心的區(qū)域，避免空心目標(biāo)區(qū)域。A被B膨脹是所有位移的集合。假設(shè)A和B是Z中的兩個(gè)集合，其中B是結(jié)構(gòu)元素，那么A被B腐蝕，可以表示為A?B，計(jì)算公式可以表示為： (39)式（39）的含義表示A被B腐蝕即所有B中包含在A中的點(diǎn)的集合用平移。通過(guò)這種結(jié)構(gòu)元素定義的鄰域關(guān)系，對(duì)每個(gè)像素進(jìn)行與二值圖像相應(yīng)區(qū)域特定的邏輯操作，邏輯計(jì)算的結(jié)果作為此像素的輸出值，每個(gè)像素進(jìn)行操作后得到了一次形態(tài)學(xué)的結(jié)果。Serra于1982年發(fā)表專(zhuān)著《圖像分析與數(shù)學(xué)形態(tài)學(xué)》[31]，首次將數(shù)學(xué)形態(tài)學(xué)與圖像分析相結(jié)合，提出了數(shù)學(xué)形態(tài)學(xué)圖像處理的基本理論。 形態(tài)學(xué)概述形態(tài)學(xué) (Morphology)一詞來(lái)源于生物學(xué)的一個(gè)分支，是主要研究動(dòng)植物形態(tài)和結(jié)構(gòu)的科學(xué)。從圖中可以看出，二幀幀差雖然可能導(dǎo)致目標(biāo)的失真，也存在空洞問(wèn)題，但是整體的目標(biāo)檢測(cè)較為完整，后期經(jīng)過(guò)形態(tài)學(xué)等區(qū)域處理方法可以得到較為完整的區(qū)域，三幀幀差雖然減少了目標(biāo)的失真，但是提取區(qū)域信息過(guò)少，除了空洞問(wèn)題外還難以閉合，并且計(jì)算復(fù)雜度高于二幀差分法，因此本文采用二幀差分法進(jìn)行行人目標(biāo)的檢測(cè)，針對(duì)二幀幀差法的具體問(wèn)題，可以考慮采用更多的后期處理予以解決。前文對(duì)各種檢測(cè)算法進(jìn)行了闡述和介紹，表31總結(jié)了各種檢測(cè)算法對(duì)檢測(cè)所得信息、復(fù)雜度、技術(shù)難點(diǎn)和適用情況進(jìn)行了對(duì)比[28]。為此有人提出了許多改進(jìn)的方法，像是基于邊緣的背景消除法[26]，但該方法存在一定的缺點(diǎn)，比如當(dāng)運(yùn)動(dòng)目標(biāo)的邊緣與背景邊緣重疊的時(shí)候，部分運(yùn)動(dòng)目標(biāo)信息就可能被消除了。若假設(shè)It是第t幀的視頻序列，It+1是第t+1幀的視頻序列，則二幀的差分的計(jì)算公式為 (37)在背景圖像區(qū)域的灰度值和位置變化不大的情況下，二幀差分法可以得到比較好的檢測(cè)效果。 幀間差分法幀間差分法（也可簡(jiǎn)稱(chēng)為幀差法）可以提取出物體的運(yùn)動(dòng)信息。通過(guò)光流法可以得到位移向量的光流場(chǎng)，從來(lái)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(cè)和跟蹤目標(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(kāi)發(fā)出不同的背景模型。 背景消除法背景消除法是目前運(yùn)動(dòng)分割檢測(cè)中一種很常見(jiàn)的方法，也稱(chēng)為背景差分法，通過(guò)比較當(dāng)前圖像與背景圖像的差異實(shí)現(xiàn)目標(biāo)運(yùn)動(dòng)區(qū)域的檢測(cè)。當(dāng)圖像處理逐步發(fā)展為一個(gè)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(qiáng)、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(lái)。對(duì)不同強(qiáng)度下的椒鹽噪聲、高斯噪聲進(jìn)行各種去噪算法的實(shí)驗(yàn)和對(duì)比，分析了各種算法的優(yōu)勢(shì)。對(duì)于高斯噪聲，當(dāng)強(qiáng)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。若噪聲強(qiáng)度超出這個(gè)閾值，那么均值濾波對(duì)高斯噪聲的去噪性能更優(yōu)。因?yàn)樵肼暶芏仍酱?，則對(duì)于去噪的難度越大，和原始圖像的差異就越大。(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(duì)比（每組的四個(gè)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(yàn)證和對(duì)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(lái)比較不同方法的性能。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。但如果噪聲密度太大，大部分的數(shù)據(jù)已經(jīng)是噪聲點(diǎn)，此時(shí)均值濾波的PSNR值反而高于中值濾波。表21 椒鹽去噪算法PSNR對(duì)比噪聲強(qiáng)度均值濾波中值濾波改進(jìn)中值濾波。峰值“peak”的中文翻譯是頂點(diǎn)。反映了每個(gè)像素去噪后對(duì)沒(méi)有噪聲污染情況下的平均能量失真。從圖中可以明顯的看出，對(duì)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。下文將有詳細(xì)具體的實(shí)驗(yàn)結(jié)果和對(duì)比分析。（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(lái)，組成一個(gè)序列，并對(duì)這個(gè)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。具體算法過(guò)程如下：（1）首先對(duì)圖像中的每個(gè)像素進(jìn)行灰度值的判斷，如果在[0,0+α]或[255α,255]兩個(gè)范圍內(nèi)，說(shuō)明可能是椒鹽噪聲點(diǎn)；如果不在這兩個(gè)范圍內(nèi)，則不是椒鹽噪聲點(diǎn)。當(dāng)巴特沃斯濾波器的階數(shù)較高時(shí)，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(guò)渡。頻域?yàn)V波的目標(biāo)是選擇一個(gè)濾波變換函數(shù)，通過(guò)衰減的高頻成分得到，通過(guò)傅里葉反變換可以得到平滑圖像。中值濾波可以有效濾除孤立的噪聲點(diǎn)，因此非常適合處理椒鹽噪聲[10]。g(x,y)是均值濾波后中心像素的灰度值。去噪的濾波器主要分成了空間域和頻率域兩大類(lèi)，空間域去噪包括均值濾波和中值濾波兩大經(jīng)典算法[67]。因?yàn)閳D像處理的關(guān)鍵問(wèn)題即通過(guò)處理增強(qiáng)圖像的質(zhì)量。表現(xiàn)在圖像上是很多白色和黑色的噪聲點(diǎn)。 高斯噪聲和椒鹽噪聲屬于原始信號(hào)疊加噪聲，公式為 (21)其中為加入噪聲后的圖像，分別是原始的圖像和噪聲信號(hào)。因此有必要對(duì)交通視頻圖像采取一定的預(yù)處理，從而得到高質(zhì)量的圖像。本文共分成五個(gè)章節(jié)，第一章緒論，包括本文的選題背景和研究意義、智能交通系統(tǒng)概述、國(guó)內(nèi)外研究現(xiàn)狀和全文章節(jié)體系。（2）針對(duì)智能交通交叉口的行人的檢測(cè)和識(shí)別問(wèn)題，設(shè)計(jì)了具體操作步驟解決各種技術(shù)難點(diǎn)。從上文可以看出，針對(duì)車(chē)輛的目標(biāo)檢測(cè)、跟蹤、識(shí)別研究已有部分的成果問(wèn)世，車(chē)輛的體積大，速度穩(wěn)定，運(yùn)動(dòng)軌跡較為連貫，和具有一定的規(guī)律，而且車(chē)輛之間的間距較大，因此車(chē)輛方面的相關(guān)技術(shù)相對(duì)較為容易。清華大學(xué)的圖形圖像研究所、中科院自動(dòng)化所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室以及上海交通大學(xué)的圖像處理與模式識(shí)別研究所則主要是針對(duì)運(yùn)動(dòng)跟蹤中的輪廓跟蹤算法進(jìn)行了深入的研究。一方面，計(jì)算機(jī)硬件的價(jià)格不斷下降，體積不斷變小，性能有了大幅度的提高；另一方面，CCD(Charge Coupled Device)攝像頭的價(jià)格便宜，體積小，圖像處理算法有準(zhǔn)確性高和適應(yīng)能力強(qiáng)等特點(diǎn)。在實(shí)際生活中，交通使用者通過(guò)直接的觀察可以得到90%左右的交通信息，例如車(chē)輛基本狀況、交通信號(hào)燈、交通標(biāo)志牌、車(chē)道線(xiàn)、道路基本狀況、道路標(biāo)記、障礙物等。雖然智能交通系統(tǒng)的研究在我國(guó)仍然處于起步階段，但I(xiàn)TS作為新的經(jīng)濟(jì)增長(zhǎng)點(diǎn)和作為解決交通供需矛盾的主要手段已得到相關(guān)部門(mén)的高度重視。歐洲作為最早開(kāi)展ITS研究的地區(qū)，早在70年代就開(kāi)始智能交通方面的研究，2000年歐共體推出了一項(xiàng)eEurope的計(jì)劃，目的是投入更多的人力和物力推進(jìn)ITS在歐洲的發(fā)展；日本開(kāi)始是從道路的智能控制研究起步，70年代就己經(jīng)成功研制了許多道路控制系統(tǒng)。ITS研究始于歐洲1986年的高效安全歐洲交通計(jì)劃（PROMETHEUS）和美國(guó)的智能車(chē)輛與道路系統(tǒng)(IVHS，1992年)。為了解決該問(wèn)題，美國(guó)、西歐和日本等發(fā)達(dá)國(guó)家先后投入了大量的人力、物力，在智能交通系統(tǒng)(Intelligent Transport Systems，簡(jiǎn)稱(chēng)ITS)的研究上取得了一定的成果。對(duì)行人的檢測(cè)、識(shí)別、跟蹤，并對(duì)具體的交通參數(shù)進(jìn)行提取，例如行人的流量、步行速度、方向等，這些參數(shù)將成為交通數(shù)據(jù)統(tǒng)計(jì)的重要依據(jù)，因此具有重要的實(shí)用價(jià)值。智能交通系統(tǒng)中的交通檢測(cè)和信息采集技術(shù)已經(jīng)成為視覺(jué)技術(shù)應(yīng)用的兩個(gè)重要課題。目前，監(jiān)測(cè)的手段大部分是使用環(huán)形線(xiàn)圈傳感器來(lái)對(duì)交通的情況進(jìn)行監(jiān)測(cè)，但這種傳感器只能監(jiān)測(cè)機(jī)動(dòng)車(chē)的交通量、速度等信息，獲得的信息非常有限，無(wú)法分析和識(shí)別目標(biāo)的行為，并且無(wú)法對(duì)非機(jī)動(dòng)車(chē)進(jìn)行有效的監(jiān)測(cè)。交叉路口是交通事故和交通堵塞的頻發(fā)地帶，因此需要對(duì)交叉路口實(shí)現(xiàn)交通視頻的監(jiān)控，避免和減少事故和堵塞的發(fā)生。 pedestrian tracking。 and the spacing between the pedestrians may be very small. The above problems pose a great threat on technological realization. Therefore, it is required to search and solve the difficulties of parameters extracting, including the amount of pedestrian on intersection of traffic, speed, direction and other parameters important traffic data which are important to the simulation system that can simulate the actual state of reality. The main contents of this paper include:(1) The lower quality factors of the intelligent traffic surveillance vid