【正文】 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。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。 背景初始化與更新 由于視頻檢測系統(tǒng)的應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。閾值分割主要分成兩個步驟： 1）確定分割閾值 T。 對獲得的車輛前景和背景差圖 像，采用閾值分割化技術是一種常用的提取運動物體的分割技術。 二值化閾值分割 在圖像預處理完成后，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。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。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。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。因此需要在獲得視頻圖像后，先對幀序列進行預處理，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。設置完成后，再通過函數(shù) cvSetImageROI 就可以設定 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。 （ 3）檢測區(qū)域的圖像高度應該有 12 輛正常小轎車的距離。局部檢測區(qū)域的設置遵循以下規(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。 （ 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。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。 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，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。 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。它的檢測原理是通過在圖像設置若干處 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。窗口檢測法的原理則是通過在圖像的特定區(qū)域設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。線性檢測法的原理是通過在圖像的固定位置設置一條檢測線，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。首先，由于是對整幅圖像進行檢測，必然導致處理的運算量大，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。 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。總的來說，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。 綜上所述，視頻車輛檢測技術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、實驗測試和結果分析。今后應加大低成本、高性能、結構優(yōu)化產(chǎn)品的研發(fā)，以增強視頻車輛檢測技術的市場競爭力。 （ 3） 網(wǎng)絡化 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、預報 和報警，建立區(qū)域交通系統(tǒng)狀況的集成應用系統(tǒng)。 （ 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之一。 事實上，與其他幾種車輛檢測方法相比，基于視頻的車輛檢測技術具有直觀、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、因而可廣泛應用于交叉路口和公路干線的交通監(jiān)視系統(tǒng)中。三年后，美國休斯飛機公司評測 了當時存在的幾種檢測技術，包括視頻檢測技術，測評結果指出基于視頻圖像處理的車輛檢測系統(tǒng)已經(jīng)具備了投入實際使用的潛力。同期基于視頻的車輛檢測的研究也在歐洲和日本廣泛展開此后十年間基于視頻的車輛檢測技術取得了長足的進步。 視頻車輛檢測技術實例發(fā)展歷程 1978 年 .美國 JPT(加州帕薩迪納市的噴氣推進實驗室 )首先提出了運用機器視覺來進行車輛的檢測的方 法，指出其是傳統(tǒng)檢測方法的一種可行的替代方案。視頻車輛檢測技術在智能交通系統(tǒng)中占有重要地位，與傳 統(tǒng)的車輛檢測方法相比，視頻車輛檢測技術不僅具有安裝維護便捷且費用較低、可監(jiān)視范圍廣等優(yōu)點，同時通過對道路現(xiàn)場圖像的智能化分析和處理，能夠采集到所需要的多種交通流參數(shù)，在現(xiàn)代交通系統(tǒng)中得到了廣泛的應用。這個系統(tǒng)可以歸納為，人們將現(xiàn)金的信息技術、數(shù)據(jù)通訊傳輸技術、電子控制技術、傳感器技術以及計算機處理技術等有效地綜合運用于整個交通系統(tǒng)，從而建立起一種在大范圍內(nèi)全方位發(fā)揮作用的實時、準確、高效的交通綜合管理系統(tǒng)。因此，人們運用各種新技術，如信息技術、計算機技術、通 信技術、控制技術等，將人、車、路緊密聯(lián)系起來，以緩解交通阻塞問題，改善交通事故的應急處理、環(huán)境保護及能源節(jié)約的問題。 本章小結 本章主要闡述課題的來源、目的和意義，同時對查閱的文獻資料進行總結，分析了車輛視頻檢測的國內(nèi)外研究現(xiàn)狀，概述 OpenCV，敘述本文研究內(nèi)容及以后各章節(jié)大致安排。 第四章：本章介紹了完成實驗的實驗配置，并對整體實驗結果進行分析和總結，提出 實驗過程中出現(xiàn)的問題及該方案的需要改進之處。 第二章：本章主要研究了基于視頻的車輛檢測技術的發(fā)展及趨勢，通過對已有的視頻車輛檢測技術及其發(fā)展趨勢的分析，說明基于 OpenCV 的視頻車輛檢測的優(yōu)勢和可研究性。研究了如何準確的在視頻中檢測車輛，設計算法并進行測試分析。 與傳統(tǒng)的車輛檢測方法相比，基于視頻的車輛檢測技術具有安裝維護便捷且費用較低、可監(jiān)視范圍廣等許多優(yōu)點，具有廣闊的研究和應用前景。 本文研究內(nèi)容 隨著社會的發(fā)展及汽車的普及，交通擁擠日益加劇、交通 環(huán)境惡化等問題也變得日趨嚴重。 OpenCV 開發(fā) 平臺的搭建很簡單，首先安裝下載得到的 OpenCV 應用程序，然后在 Visual Studio 2020 下編譯所要的靜態(tài)和動態(tài)鏈接庫文件，包括 1ib 路徑的設置、 include files 路徑的填寫，再進行工程項目的鏈接設置就可以了。統(tǒng)一的結構和功能定義，基于 Intel 處理器指令集開發(fā)的優(yōu)化代碼。 Ch 能嵌在 C／ C++應用程序和硬件的機器腳本中。 OpenCV 作為一個開放的計算機視覺函數(shù)庫在使用上 必然沒有 Matlab 那樣解釋執(zhí)行來得方便，而 Softlmegration 將 CH 和OpenCV 綁定起來推出的 CH OpenCV，解決了這一使用上的瓶頸。基于 OpenCV 開發(fā)的程序可以直接在 Windows， Unix，Linux， MacOS X， Solaris， HP 等平臺之間相互移植，無需對代碼進行任何修改。 （ 2）豐富的函數(shù)功能，強大的圖像和矩陣運算能力： OpenCV 提供了數(shù)組、序列、矩陣、樹等基本結構，也包含了差分方程求解、傅立葉分析、積分運算、特殊函數(shù)等眾多高級數(shù)學計算函數(shù)，以及各種圖像處理操作和目標跟蹤、攝像機校準、三維重建等高級視覺函數(shù)。絕大多數(shù)軟件包不支持可嵌入性。 （ 3）除 Matlab 和 LEADTOOLS。雖然 Matlab 可以通過編譯器將 m 文件轉(zhuǎn)化為 C 代碼。并且這些軟件包都不包括如目標跟蹤、攝像機標定、姿態(tài)識別、臉譜識別和三維重建等高層函數(shù)。由 Aurora 公司開發(fā)的LEADTOOLS 是一套商用化計算機視覺包，它包括了圖像處理服務器開發(fā)工具，允許用戶創(chuàng)建各種基于網(wǎng)絡的圖像處理服務程序。由微軟公司開發(fā)的 SDK 是一個底層的圖像操作分析的 C++庫。 MVTec 公司開發(fā)的 HALCON 是其中之一，它包含了 C／ C++代碼的圖像處理庫。 Delft 科學圖像處理庫 DIPlib 是另一個科學圖像處理 C 程序庫，包含了許多圖像數(shù)據(jù)多維分析和處理函數(shù)。例如，TargetJr 及其后續(xù)版本 VXL(the Vision something Libraries)就是這樣一個 C庫的集合，在滿足小型、快速和穩(wěn)固的系統(tǒng)開發(fā)要求的同時提供了多平臺移植性。 以往傳統(tǒng)的開發(fā)方法要求工程人員在完成的硬件設計的同時，自己編碼實現(xiàn)所有底層的算法，所有的圖像處理函數(shù)都要從頭編寫，既造成時間和精力上的浪費，又難以保證穩(wěn)定性、實用性和通用性，越來越難以滿足現(xiàn)實的需求。 （ 3）為 Integrated Performance Primitives(IPP)提供了透明接口。它不依賴于其它的外部庫一盡管也可以使用某些外部庫。它由一系列 C 函數(shù)和少量 C++類構成， 提供了針對各種形式大連交通大學 2020 屆本科生畢業(yè)論文 3 的圖像和視頻源文件 (如： bitmap 圖像， video 文件和實時攝像機 )的幀提取函數(shù)和很多標準的圖像處理函數(shù)，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。因此，我國在這方面的研究還要繼續(xù)加強，不斷開發(fā)和完善技術，真正推出適合于國情的交通視頻檢測產(chǎn)品。 同時也有不少公司在這方面作了許多努力，如清華紫光與清華大學合作開發(fā)的新一代視頻交通流量檢測系統(tǒng) VS3001，哈爾濱工業(yè)大學的 VTD2020 系列視頻交通動態(tài)信 息采集系統(tǒng)，亞洲視覺公司的路段交通信息系統(tǒng)等等。 教授則在 1984 年提出一種應用圖像幀差的方法來檢測車輛，其原理是在每一條道路上均設置一條與道路相平行的檢測線，通過車輛沿車道的方向分割出運動車輛，此方法運用于瑞典皇家技術院研制的道路監(jiān)控系統(tǒng)中取得了良好的效果。 美國、日本等國家在車輛視頻檢測方面展開了大量的研究。另外國外還有一些公司在這方面也從事 了應用研究和開發(fā)工作，也推出了各自成熟的系統(tǒng)級產(chǎn)品。 國外的視頻檢測技術研究開始的較早，經(jīng)過十幾年 的發(fā)展，技術己經(jīng)相當成 熟，視頻檢測與線圈檢測技術相比具有的優(yōu)越性和高性價比己得到業(yè)內(nèi)人士的公 認，代表了未來車輛檢測領域的發(fā)展和應用方向。其原理是對視場內(nèi)的運動目標進行實時的圖像采集，并在此基礎上運用圖像處理的相關技術對觀測對象進行行為分析，自動得到觀測結果。 基于上述的優(yōu)越性， 基于視頻圖像的車輛檢測技術對于智能交通系統(tǒng)的發(fā) 展有巨大的推動作用，對于日常生活和國家的經(jīng)濟發(fā)展都有很大的實際意義。目前， 開發(fā)視頻序列圖像運動目標分析系統(tǒng)不但在實時性、魯棒性上有很高的要求，也 逐步重視其通用性和可移植性，這些都給視頻運動 分析帶來了挑戰(zhàn)。 視頻序列圖像運動目標分析的基本內(nèi)容是利用成像系統(tǒng)或現(xiàn)有文件，從連續(xù) 的視頻序列圖像中提取出運動目標，同時對提取出的運動目標進行識別和跟蹤， 并對其行為進行理解和描述。 視頻檢測技術在傳統(tǒng)的電視監(jiān)視系統(tǒng)基礎上將計算機視覺引入到交通信息 檢測之中，通過計算機從數(shù)字圖像中