【正文】 測(cè)的各種新技術(shù)也不斷被研發(fā)出來。(TULIP)系統(tǒng)就采用了這種方法,車輛數(shù)量的檢測(cè)誤差為5%左右。NEWCAST大學(xué)的Bell MGH，Rourte A提出了用多窗口技術(shù)來對(duì)二值圖像中的車輛進(jìn)行檢測(cè)。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(duì)車輛進(jìn)行檢測(cè),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。 ：順著道路方向以某一固定的間隔設(shè)置30條線段,采用對(duì)每一條線上標(biāo)示車輛是否出現(xiàn)來的方法來對(duì)車輛進(jìn)行計(jì)數(shù),通過在多幀圖像上檢測(cè)所在30條線段的狀態(tài),可以實(shí)現(xiàn)跟蹤車輛移動(dòng)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(cè)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(cè)的精度可以達(dá)到雷達(dá)檢測(cè)的98%。5. 相關(guān)工作 國(guó)外研究狀況國(guó)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(shí)別、車輛速度檢測(cè)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。 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(cè)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。 圖413 待檢測(cè)圖片圖414顯示了背景差法處理后得到的圖片。 車輛排隊(duì)檢測(cè)實(shí)驗(yàn)結(jié)果和分析圖412顯示了背景圖。 圖410 未消除的圖像 圖411顯示了消除陰影的圖像。 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48顯示了第500幀時(shí)基于幀差法建立的背景。 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44 二值化后的圖像 通過圖4圖44的對(duì)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。 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41 原圖 圖42顯示了灰度化處理后的圖像。374. 實(shí)驗(yàn)結(jié)果及分析 本章將對(duì)前面第三章提出的一些算法進(jìn)行測(cè)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。綜上所述，本文進(jìn)行車輛排隊(duì)長(zhǎng)度檢測(cè)流程如圖32所示。(2)由于背景差法得到的圖像可能會(huì)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。 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(cè)確定車輛排隊(duì)長(zhǎng)度起始位置。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(cè)可以表示為： （）其中 = 1表示對(duì)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。因?yàn)楣饬鞣ê蛶罘o法對(duì)排隊(duì)的車輛長(zhǎng)度進(jìn)行有效檢測(cè)，本文使用背景差法來進(jìn)行。 車輛排隊(duì)長(zhǎng)度檢測(cè)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。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。但是就藍(lán)色通道來而已，雖然藍(lán)色通道的值也會(huì)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(cè)R、G通道來對(duì)陰影進(jìn)行消除。下面主要介紹在RGB空間實(shí)現(xiàn)的陰影消除算法。但是基于實(shí)際的實(shí)時(shí)車輛檢測(cè)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(huì)很高，而在正常的采集速率下的處理速度能給予陰影檢測(cè)的處理時(shí)間一般不太長(zhǎng)；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(cè)的誤判。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)。 陰影消除算法對(duì)于固定的場(chǎng)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(cè)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。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(huì)成比例地衰減。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?；谔卣鞯臋z測(cè)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。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(chǎng)景中的一些區(qū)域受不到光源照射而形成的陰影。 車輛陰影特性 因?yàn)楣饩€是沿著直線傳播的，當(dāng)物體遮擋住了日光等光線的傳播時(shí)就會(huì)產(chǎn)生陰影。陰影的存在對(duì)車輛檢測(cè)的影響很大，首先，干擾最大的是可能使多個(gè)車輛目標(biāo)相互粘連，誤判為一個(gè)整體目標(biāo)；其次，陰影還可能把另一個(gè)目標(biāo)覆蓋，造成其它車輛目標(biāo)的丟失。因?yàn)槟繕?biāo)車輛的陰影和車輛本身的有很多相似之處，所以在進(jìn)行車輛檢測(cè)時(shí)陰影經(jīng)常被認(rèn)為是車輛的一部分。 陰影消除算法研究存在光照的地方就會(huì)存在陰影，在進(jìn)行車輛檢測(cè)的過程中，陰影問題也是需要考慮的。幀差法建立背景主要包括以下幾個(gè)步驟：（1） 將第一幀圖像選為背景圖像；（2） 在二值化中選取合適的二值化閾值進(jìn)行二值化運(yùn)算；（3） 背景逐漸更新 （） 表示背景在該點(diǎn)的灰度值，表示前景圖像在該點(diǎn)的灰度值，為更新速率。 圖31 基于幀差法的背景建模流程圖使用幀差法來建立背景的主要內(nèi)容是利用相鄰的兩幀圖像來進(jìn)行差運(yùn)算從而得到差值圖像，然后設(shè)定一個(gè)閾值T，如果差值圖像的某個(gè)點(diǎn)像素值大于閾值T，則判定背景點(diǎn)上該區(qū)域有車輛經(jīng)過，此時(shí)背景圖像上點(diǎn)對(duì)應(yīng)位置不變；反之如果某個(gè)點(diǎn)像素值小于閾值T，則認(rèn)為此時(shí)沒有運(yùn)動(dòng)目標(biāo)經(jīng)過該點(diǎn)，將當(dāng)前幀上的像素值作為背景圖像上的像素值。 混合高斯模型可以很好的建立背景，但同時(shí)也有一些缺陷，K的取值將很大程度上決定背景建模的好壞，算法的復(fù)雜度也隨著K的增加而急劇增大，運(yùn)算量的增加將使系統(tǒng)不能很好的滿足實(shí)時(shí)性的要求；但是K值如果縮小，建立出來的背景又不夠準(zhǔn)確，相對(duì)單高斯背景建模的優(yōu)勢(shì)體現(xiàn)不出，因此K值大小的選取至關(guān)重要。還有些背景建立利用三個(gè)高斯分布加權(quán)和來進(jìn)行，這三個(gè)分布由背景、前景和陰影構(gòu)成。很多科研人員在混合高斯模型的基礎(chǔ)上提出了自己的新算法，比如采用改進(jìn)的多高斯分布模型來建立背景。然而，在一些其它的復(fù)雜應(yīng)用場(chǎng)景當(dāng)中，如空中的飛機(jī)、搖擺的氣球、穿梭的行人等，像素點(diǎn)的值不能夠用單模態(tài)來完全表示，應(yīng)用多模態(tài)模型來建立背景。單模態(tài)模型是使用高等數(shù)學(xué)中的單分布來對(duì)背景圖像進(jìn)行描述，而多模態(tài)模型則是使用多個(gè)分布來對(duì)圖像進(jìn)行描述。 高斯背景模型高斯背景模型方法是目標(biāo)檢測(cè)的一種常用方法。當(dāng)車輛不運(yùn)動(dòng)的時(shí)候，中值背景法會(huì)將車身做為背景圖像的一部分，這樣的背景模型是不準(zhǔn)確的，后續(xù)的檢測(cè)算法無法檢測(cè)出運(yùn)動(dòng)目標(biāo)。中值法計(jì)算公式為： （），表示圖像的三維數(shù)組。 中值背景模型中值背景建模思想是：在連續(xù)圖像中，圖像中每個(gè)點(diǎn)都會(huì)有一個(gè)像素序列值，在這個(gè)序列中對(duì)這些像素點(diǎn)值進(jìn)行排序，最終選擇中間的值來作為背景像素點(diǎn)。場(chǎng)景當(dāng)中的物體干擾包括：運(yùn)動(dòng)物的陰影影響、攝像頭在風(fēng)中抖動(dòng)或在大貨車路過時(shí)形成的共振，還有背景中有物體的突然閃過等。 背景建模算法研究 在檢測(cè)系統(tǒng)的實(shí)際應(yīng)用當(dāng)中，不會(huì)有靜止不變的背景。因?yàn)楦哳l分量在圖像中對(duì)應(yīng)區(qū)域的邊緣灰度值會(huì)有比較大的變化，使用這種濾波能夠?qū)⑦@些分量從圖像中濾除，從而使圖像變得更加平滑。它也是一種領(lǐng)域運(yùn)算，和卷積類似，但是計(jì)算的不是加權(quán)求和，是將數(shù)字圖像或者數(shù)字序列中的一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值來代替，讓與周圍像素灰度值的差比較大的像素取與周圍的像素值接近的值，從而可以消除孤立的噪聲點(diǎn)。常用的一種加權(quán)平均濾波法是利用選取模板的中心和系數(shù)的距離的倒數(shù)來設(shè)定模板內(nèi)部的值，常用的模板有，；還有一種方法則是利用高斯模板來確定系數(shù)權(quán)值，模板為，加權(quán)平均法也被稱為歸一化卷積，表示兩幅圖像之間的卷積，一幅是需要處理的圖像，另一幅是有加權(quán)值的圖像。（2） 加權(quán)平均濾波法：加權(quán)平均濾波法是對(duì)平均濾波方法的改進(jìn)，這種方法人為對(duì)于同一尺寸的模板，可以對(duì)不同位置的像素值采用不同的數(shù)值，離像素中心點(diǎn)近的系數(shù)應(yīng)該較大，遠(yuǎn)離中心像素的位置系數(shù)應(yīng)該小一些。模板尺寸越大，噪聲會(huì)消弱得越明顯，但同時(shí)圖像的對(duì)比度也會(huì)下降更多。 領(lǐng)域平均法的模板是：，中間的點(diǎn)表示該像素是中心元素。（1） 均值濾波法：均值濾波主要使用鄰域平均法來進(jìn)行濾波處理。 圖像濾波 圖像濾波是在盡可能保留圖像的特征細(xì)節(jié)的基礎(chǔ)上對(duì)圖像進(jìn)行抑制噪聲的處理，也就是消除非相關(guān)數(shù)據(jù)保留有用的數(shù)據(jù)。局部閾值二值化的缺點(diǎn)是在某些窗口不能很好的保留表現(xiàn)圖像細(xì)節(jié)，而且窗口的大小選擇也是一個(gè)難題。 ()(2) 局部閾值二值化：這種算法是將圖像按照預(yù)先設(shè)定的方法將圖像分成許多個(gè)小窗口，而小窗口大小的選取需要依據(jù)實(shí)際圖像來進(jìn)行。(1)全局閾值二值化：先預(yù)先設(shè)定一個(gè)閾值T，然后將待處理點(diǎn)和T進(jìn)行比較，大于T的為1否則為0。把圖像進(jìn)行二值化處理可以減小圖像的數(shù)據(jù)量，是下一步處理更加方便。 () 基于圖像的合理性，本文采用了加權(quán)平均法灰度化處理汽車原始圖像。利用這種方法得到的灰度圖比較符合人眼的視覺效果。 （） （3） 加權(quán)平均法：這種方法根據(jù)顏色的明暗度和相關(guān)指標(biāo)，以及人眼對(duì)不同色彩敏感程度的不一樣，人眼敏感度從高到低順序依次是綠、紅、藍(lán)。 （） （2） 平均值法：將圖像中某點(diǎn)的R、G、B的亮度值相加得到亮度值之和，然后除以3得到亮度平均值，將這個(gè)平均值作為這點(diǎn)在灰度圖中的灰度值。常用的圖像灰度化方法有三種：（1） 最大值法：比較圖像中某點(diǎn)的R、G、B的亮度值從而得出其中的最大值，將這個(gè)最大值作為這點(diǎn)在灰度圖中的灰度值?；叶葓D的在計(jì)算機(jī)中的表示方法是把亮度值分成0255共256個(gè)級(jí)別，其中255最亮（顯示時(shí)是純白），0最暗（顯示時(shí)是黑），在RGB模型中讓R=G=B，則顏色（R,G,B）就表示為灰度色。 圖像灰度化由于彩色圖像的信息量非常龐大，大大增加了計(jì)算機(jī)的運(yùn)算量，為了降低系統(tǒng)處理時(shí)間一般都會(huì)對(duì)圖像進(jìn)行降維處理，把彩色圖像轉(zhuǎn)換為灰度圖，以達(dá)到減少運(yùn)算量和存儲(chǔ)量以及提高處理速度的目的。所以在使用圖像處理進(jìn)行車輛檢測(cè)時(shí)，應(yīng)該先使用一些算法來減弱噪聲的干擾，然后再進(jìn)行邊緣檢測(cè)、圖像分割、特征提取等處理?？傮w而言，攝像機(jī)所拍攝得到的圖像一般都會(huì)是噪聲圖像。 本章小結(jié) 本章主要介紹了一些與視頻車輛排隊(duì)檢測(cè)相關(guān)的數(shù)字圖像處理基礎(chǔ)知識(shí)以及基于視頻的車輛檢測(cè)原理，為下文的算法研究做好背景鋪墊。在這個(gè)方法中，背景是需要實(shí)時(shí)更新的，以保證準(zhǔn)確性。它的檢測(cè)原理則是通過在圖像設(shè)置若干處感興趣區(qū)域（ROI），通過檢測(cè)這些區(qū)域內(nèi)的圖像特征從而實(shí)現(xiàn)判斷有無車輛通過的目的，區(qū)域檢測(cè)法通常有背景差法、幀差法以及綜合法等幾種，但無論是哪種車輛檢測(cè)方法，基本的車輛檢測(cè)流程都相似，如圖21所示。窗口檢測(cè)法的原理是在圖像的某個(gè)特定區(qū)域設(shè)置一個(gè)較小的矩形檢測(cè)框，利用統(tǒng)計(jì)矩形檢測(cè)框內(nèi)圖像特征的變化來確定是否有車輛通過，這種方法的檢測(cè)區(qū)域比線性檢測(cè)法的檢測(cè)區(qū)域要大一些。線性檢測(cè)法的基本原理是在圖像的某個(gè)固定位置設(shè)置一條檢測(cè)線，通過統(tǒng)計(jì)檢測(cè)線圖像特征的變化如色彩突變、灰度跳變來判斷是否有車輛通過。第一，由于需要對(duì)整幅圖像進(jìn)行檢測(cè)，則必然導(dǎo)致處理的運(yùn)算量非常大，占用系統(tǒng)資源大，因而這種檢測(cè)法在車輛檢測(cè)這種實(shí)時(shí)性要求高的系統(tǒng)中使用時(shí)必然會(huì)造成嚴(yán)重的延時(shí)；第二，對(duì)整幅圖像進(jìn)行檢測(cè)會(huì)是目標(biāo)物體分割地不明顯，而且采用此法很難對(duì)靜止物體進(jìn)行有效地檢測(cè)；第三，因?yàn)槟繕?biāo)場(chǎng)景中會(huì)包含很多像花壇、路邊建筑物、紅綠燈和樹木等會(huì)對(duì)檢測(cè)造成很大干擾的非目標(biāo)物體，在這種情況下采用這種檢測(cè)法進(jìn)行檢測(cè)誤差會(huì)很大。車輛的大部分信息都可以檢測(cè)出來，例如車輛的行駛路線等。其中宏觀檢測(cè)法檢測(cè)的內(nèi)容更