【正文】 ..............................................................................................................29 四川大學本科畢業(yè)論文 車輛排隊長度檢測技術研究 1 1. 緒論 由于世界經(jīng)濟的高速發(fā)展，交通運輸在國民經(jīng)濟中所占的地位變得越來越重要，同時機動車的使用率也在急劇增加。在背景生成研究中探討了高斯背景建模，幀差法背景建模和中值法背景建模。 本文主要研究了車輛排隊長度檢測的相關算法。 本 科 生畢業(yè)論文（設計） 題 目 車輛排隊長度檢測技術研究 學 院 軟件學院 專 業(yè) 軟件工程 學生姓名 張彭 學 號 0943111084 年級 2020 指導教師 羅以寧 教務處制表 二 Ο 一 三 年 五 月 十 日 四川大學本科畢業(yè)論文 車輛排隊長度檢測技術研究 車輛排隊長度檢測技術研究 軟件工程 學生 張彭 指導老師 羅以寧 [摘要 ] 智能交通系統(tǒng)是將先進的計算機處理技術、信息 處理 技術、數(shù)據(jù)傳輸技術、傳感 技術以及電子 控制 技術等 先進技術 集成運用于交通管理而建立的的一種大范圍 的 、 準確、 實時 、高效 的綜合交通運輸管理系統(tǒng)。 而 檢測系統(tǒng)是 ITS中 的 關鍵組成部分 ，負責 對道路交通流量 進行智能化采集 ，通過 檢測交通道路上 車輛排隊 的 長度可以 使 交通運輸 變得更加合理 ， 可以有效地 減少車輛的 停車次數(shù) 和 速度變化頻率 ， 更加有效的利用交通道路 ，減少堵車的發(fā)生 ， 有利于推動 經(jīng)濟的快速發(fā)展 。在圖像預處理中研究了圖像的灰度化處理，圖像濾波和圖像二值化處理等。最后利用背景差法實現(xiàn)了車輛排隊長度檢測，為了減小環(huán)境因素的干擾，對陰影消除進行了探討。因此現(xiàn)在交通面臨著許多問題：交通環(huán)境的惡化、交通事故的增加、道路的堵塞等等。所以智能交通系統(tǒng)（ ITS）是當今世界道路交通的發(fā)展趨勢 ]1[ 。對于 智能交通系統(tǒng)目前還有沒有一個明確的定義，但是可以歸納定義為： ITS 是將先進的信息處理技術、計算機技術、傳感技術、數(shù)據(jù)通信傳輸技術以及電子控制技術等合理地運用于交 通管理，從而組建的一個大范圍的、高效的、實時的、準確的交通綜合管理系統(tǒng) ]2[ 。 車輛檢測系統(tǒng)作為 ITS 的一個基本組成部分，在其中發(fā)揮著非常重要的作用，它負責提供詳細的交通信息數(shù)據(jù)，從而使智能交通系統(tǒng)得到精準的數(shù)據(jù)來進行處理。其中比較普 及的車輛檢測方法有超聲波檢測、環(huán)形檢測和視頻檢測等。超聲波發(fā)射器對目標區(qū)域發(fā)射超聲波，當有車輛通過檢測區(qū)域時，此時接收器會在不同時間接收到回波，根據(jù)接收回撥的不同時間確定車輛是否通過檢測區(qū)域。它的原理是通過一個環(huán)形線圈充當感應器與電子單元構成一個電子系統(tǒng)，當車輛通過或停在線上時，由于車輛大部分部件由金屬制成，會在線圈內(nèi)部產(chǎn)生渦流從而使電感量變化，從而獲得一個信號輸出，檢測到通過或停在線圈上的車輛。缺點是受環(huán)境影響比較大，在安裝和維護時需要挖開路面阻礙交通，而且感應線圈本身容易損壞。 基于視頻的檢測技術的核心內(nèi)容是利用錄制的視頻，將運動目標從連續(xù)的圖像序列中提取出來，然后識別提取出的運動目標并且進行跟蹤，然后解釋該運動目標的動作。目前對視頻圖像運動目標分析系統(tǒng)的研發(fā)不但在通用上有很高的的要求，在實時性和可移植性上也面臨著不少難題。 （ 2） 視頻檢測系統(tǒng)可以提供比較大 的監(jiān)控范圍，一個的攝像頭就可以監(jiān)控車上百米以內(nèi)的車輛信息。 （ 3） 視頻檢測系統(tǒng)能夠?qū)⒔煌ìF(xiàn)場錄像傳輸給交通管理機構，從而使交管部門的調(diào)控更加有效，并且可以提供交通事故的現(xiàn)場錄像。 基于上述的優(yōu)點，基于視頻圖像的車輛檢測系統(tǒng)對于智能交通系統(tǒng)的發(fā)展具有很好的推動作用，可以 引導交通運輸系統(tǒng)向合理的模 式轉(zhuǎn)變，可以減少車輛的速度變化頻率和停車次數(shù)，從而提升路網(wǎng)的利用率，使道路更加順暢，具有很好的經(jīng)濟效益和社會效益。研究內(nèi)容是視頻序列中車輛排隊長度的檢測。主要內(nèi)容包括 圖像預處理技術研究， 視頻場景背景 提取 ， 視頻陰影消除技術研究， 車輛排隊長度檢測。 第四部分： 實驗結果及分析，對第三章中提出的 圖像預處理技術、 視頻場景背景 提取、視頻陰影消除技術以及 車輛排隊長度檢測 的算法進行了實驗分析 ； 四川大學本科畢業(yè)論文 車輛排隊長度檢測技術研究 3 第五部分：介紹了國內(nèi)外相關技術的研究狀況； 第 六 部分： 小結，對本文全部工作進行總結及展望。根據(jù)統(tǒng)計，在人類日常接受的所有信息中，視覺信息占到了 70%以上。 “ 數(shù)字圖像 ” 則是將傳統(tǒng)的照片或者錄像模擬信號經(jīng)過處理及數(shù)字化后生成的。像素是圖像的基本單位，每一張圖像都由許多像素構成。 一張圖像經(jīng)過數(shù)字化成為很多小方塊所組成的圖像元素，每一個小方塊中都標有一個坐標。 數(shù)字圖像處理是指采用相應的處理技術對圖像進行有目的的處理和分析。這個學科常用的處理方法包括圖像變換、圖像的增強和復原、圖像分割、圖像編碼壓縮和圖像分類等。車輛檢測系統(tǒng)主要方法有微觀檢測法和宏觀檢測法兩種。 宏觀檢測法 需檢測 整幅圖像 的 全部區(qū)域 ， 使 用這種檢測方法 可以檢測出目標 圖像中的全部 車輛 信息 。 但是 采用 這種 檢測法來進行檢測會 有很多缺點 。 微觀檢測法 主要 檢測 圖像中的感興趣區(qū)域 ，包括 窗口 檢測法 和線性 檢測法 等 。 因為 這種線式檢測方 的運算量小、占系四川大學本科畢業(yè)論文 車輛排隊長度檢測技術研究 5 統(tǒng)資源少，所以實時性不錯， 但是 外界環(huán)境因素容易干擾這種檢測法 。 現(xiàn)在 使 用最多的 檢測法 是區(qū)域檢測法， 這種 方法 結合了以上兩種檢測法各自 的優(yōu)點。 圖 21 車輛檢測的基本流程 背景差分法的原理是 首先人工 選取或通過一定的算法 得到 一張沒有 前景 車輛的背景圖像， 再將 之后的視頻序列都通過與背景 圖像進行減運算 得到差值圖像， 然后 通過閾值化分割獲 得 二值圖像，從而 實現(xiàn) 檢測車輛的目的。 幀差 法 的原理 則 是通過當前幀 的 圖像與上一幀 的 圖像 進行減運算 得到 差值 圖像， 由于車輛是運動的，因此 從差值圖像中 可以得到車輛運動軌跡的殘差， 然后 通過圖像分割方式得到 需要的 檢測區(qū)域，常見的 幀差法 有 兩 幀幀差法和三幀幀差法。 四川大學本科畢業(yè)論文 車輛排隊 長度檢測技術研究 6 3. 車輛檢測算法研究 圖像預處理 車輛檢測所需處理的圖像大多是通過彩色 攝像機在自然環(huán)境下采集而來的，在攝像機進行采集、運輸和記錄的過程中，由于采集環(huán)境的原因，經(jīng)常會受到各種噪聲的干擾，包括外界光照條件的變化、陰影的影響，還有攝像頭成像誤差、系統(tǒng)電路失真、光路擾動等引起的噪聲。而用來進行車輛檢測所需要的圖像最好是背景干凈的、輪廓明顯的清晰圖像。 圖像常見的預處理方式有：圖像灰度化、圖像二值化、圖像濾波等。 圖像的灰度化處理就是將彩色圖像中的彩色信息刪除，只保留亮度信息?；叶然^程就是讓 圖像中的 RGB 三個值相等，而圖像從未處理前的彩色圖像降到灰度化圖像后一定會失去一部分原來的圖像信息。這種方法處理得到的灰度圖色彩亮度高。 )),(),(),((),( jiBjiGjiRM axjif ? （ ） （ 2） 平均值 法：將圖像中某點的 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，將這個平均值作為這點在灰度圖中的灰度值。表達式見公式 。根據(jù)這個特點分別 對 R、 G、四川大學本科畢業(yè)論文 車輛排隊長度檢測技術研究 7 B，三個色彩向量賦予不同權值并求乘積和。查閱相關資料 ]7[ 可以得知最合理的灰度圖像的權值是 ,，這樣加權平均公式為公式 。 圖像二值化 圖像的二值化在完成圖像的灰度化后進行的，先設定一個臨界灰度閾值，然后把大于這個臨界灰度值的像素灰度設為灰度最大值 255（顯示為純白），把小于臨界灰度值的像素灰度設為灰度極小值 0（顯示為純黑）。圖像二值化主要分為局部閾值二值化和全局閾值二值化兩種。這種方法缺點是不能很好的表現(xiàn)細節(jié)，而且當圖像由黑白色彩交錯頻 繁的復雜情況時容易失效，表達式見公式 。然后每一個小窗口在按照設定的某個閾值 T進行二值化處理。 本文根據(jù)車輛檢測所需情況選用全局閾值二值化來進行二值化處理。圖像濾波主要以下幾種：均值濾波法、加權平均濾波法，中值濾波法。它的方法是把待處理圖像的每個像素值用其鄰域的像素值的平均值來代替，對待處理圖像中的的某個像素點（ i， j）選定一個模板，該模板由待處理像素附近的一些像素組成，然后先求出模板中像 素的像素值之和，再求出平均值，最后將待處理像素點的像素值設為這個平均值，這種方法的詳細算法如下： 四川大學本科畢業(yè)論文 車輛排隊 長度檢測技術研究 8 假設 f(i,j)是需要進行濾波處理的圖像，而實用鄰域平均法處理過的圖像為 g(i,j)，則： （ ） 公式 中 M 表示選取的鄰域中附近像素的坐標，而 N表示選取的鄰域中包含的像素的數(shù)量。 在實際 的 運用 當 中，可以根據(jù)需要 的不同來 選擇使用不同大小的模板尺寸，如 3 3,5 5,7 7 等。利用 均值濾波 來 進行圖像平滑往往需要以降低圖像清晰度為代價，另外，均值濾波只能將雜點無限放大讓其不易察覺，但不 能 真實地消除雜點。這樣可以使圖像更加平滑，但又不會使邊緣和細節(jié)有明顯的模糊。 （ 3） 中值濾波法：中值濾波法是建立在排序統(tǒng)計理論基礎上的，一種可以有效減弱噪聲對待處理圖像干擾的信號處理技術。采用這種方法可以有效地減弱高頻分量， 但是 會影響到低頻分量。設定模板為 W，模板大小為 X Y，而圖像四川大學本科畢業(yè)論文 車輛排隊長度檢測技術研究 9 在 ),( ji 點的灰度值用 ),( jif 表示 ,采用中值濾波法進行處理的輸出結果為： },),({),( Wlkljkifm e djif ???? （ ） 本文根據(jù)車輛檢測所需情況選用加權平均濾波法來進行圖像濾波處理。場景變化有很多， 比 如 新的 干擾物的 增加 、光線的 變化 、場景中的物體被移出等，這些都對背景建模帶來了不便。光線對背景建模的影響也不可忽略，以上這些因素都 應該 考慮 到 背景建模中，下面介紹幾種常用的背景建模方法 。 HerreroJaraba 等人提出了中值背景建模的方法， 中值背景模型的 優(yōu)點是算法復雜度低，建模速度快 。 中值背景模型 ]16[ 的運算比較簡單，而且 能夠 達到實時 的效果， 但是 中值背景模型適用的 條件比較苛刻， 比較適合 應用在一般車輛較少的路段中，因為車輛少 、 干擾少，背景建模比較準確，而在市區(qū)道路比較擁堵的情況下， 特別 是等紅綠燈的路口時，車輛會出現(xiàn)停下等紅綠燈， 這時會 使得背景模型不夠準確 ]8[ 。中值背景建模采用的 方法 是每 N 幀圖像進行一次背景建模，如果當前背景圖像不再準確時， 就 需要創(chuàng)建新的背景圖像，這種方法在實時的智能交通系統(tǒng)中 不一定能 滿足需要，對于背景突變的情況 適用性不足 ，比如突然降雨，道路變濕 等情況 都不能及時的更新背景，使后續(xù)檢測結果不夠準確。高斯背景模型又分為單模態(tài)模型和多模態(tài)模型兩種。單模態(tài)和多模態(tài)適用的場景不同，在簡單的場景中，比如空曠的道路、 蔚藍 的天空、平靜的水面 等 ，這些場景 使 用單模態(tài)模型可以 很好的描述。 混合高斯分布模型 在處理復雜場景時 體現(xiàn)出它的優(yōu)勢，可以增加更多的分布來描述背景圖像， 因而 這樣建立的背景圖像更精確，對于環(huán)境突變以及復雜場景，都可以利用增加分布特征 的方法 來描述背景圖像。首先 ,采用多高斯分布模型的方法建立背景，然后根據(jù)更新背景參數(shù) 來 進行背景更新， 最后 再 進行像素點判定是否為背景點。在智能交通系統(tǒng)中，經(jīng)常檢測的區(qū)域是市區(qū)擁堵的道路，特別是要檢測紅綠燈下停下來的車輛，因此上面提到的僅用三個高斯分布來描述背景像素點是不夠的， Grimson 提出 的背景模型的建立提出了改進， 采 用 了 K個高斯分布的模型加權和，這樣建立出的背景更準確一些，但算法復雜度隨著 K 的增加而增加。 幀差背景模型 本文選用幀差法建立背景模型， 基于幀差法建立背景的流程圖如圖 31 所示。已經(jīng)確定的背景圖像點