交通視頻監(jiān)控中的車輛檢測(cè)技術(shù)研究

1、交通視頻監(jiān)控中的車輛檢測(cè)技術(shù)研究目錄引言5第一章 緒論61.1研究背景61.2 研究目的和意義61.3 國(guó)內(nèi)外研究現(xiàn)狀71.3.1幀差法71.3.2背景消減法8第二章 自適應(yīng)kalman濾波的車輛檢測(cè)102.1圖像的預(yù)處理102.1.1 圖像濾波102.1.2 圖像銳化112.1.3 圖像增強(qiáng)122.1.4 邊緣檢測(cè)12第三章 基于高斯混合模型的運(yùn)動(dòng)檢測(cè)143.1 基于高斯混合模型的運(yùn)動(dòng)車輛檢測(cè)153.1.1 高斯混合模型方法簡(jiǎn)介163.1.2 估計(jì)當(dāng)前狀態(tài)173.1.3 背景模型估計(jì)18第四章 圖像檢測(cè)算法分析與設(shè)計(jì)204.1 算法思想與分析204.2算法設(shè)計(jì)224.3實(shí)驗(yàn)與分析244.4

2、實(shí)驗(yàn)結(jié)果分析26第五章 系統(tǒng)功能的原理及實(shí)現(xiàn)275.1 運(yùn)動(dòng)目標(biāo)的檢測(cè)275.1.1 基本思想275.1.2 程序流程圖285.1.3 圖像處理后的結(jié)果285.2運(yùn)動(dòng)目標(biāo)跟蹤295.2.1基本思想295.2.2 程序流程圖305.2.3 圖像處理后的結(jié)果315.3運(yùn)動(dòng)目標(biāo)的檢索315.3.1基本思想315.3.2程序流程圖325.3.4 圖像處理后的結(jié)果32第六章 交互界面gui設(shè)計(jì)346.1 gui控件設(shè)計(jì)346.2 交互界面程序編寫34第七章 結(jié)論38參考文獻(xiàn)39摘 要視頻車輛的檢測(cè)是智能交通系統(tǒng)的核心技術(shù)之一，也是智能交通系統(tǒng)中其他技術(shù)的基礎(chǔ)。由于運(yùn)動(dòng)車輛檢測(cè)技術(shù)的復(fù)雜性，多變性，該技術(shù)

3、仍處于起步階段，需要不斷的研究并加以改進(jìn)。本論文針對(duì)車輛檢測(cè)中的一些關(guān)鍵問(wèn)題進(jìn)行了探索和研究，提出了新的方法，并通過(guò)實(shí)驗(yàn)證明了新方法的有效性。本文首先介紹了車輛檢測(cè)的常用方法(幀間差法，光流法，邊緣檢測(cè)法，背景差分法)。提出了基于自適應(yīng)的kalman濾波的方法來(lái)進(jìn)行背景提取和更新。通過(guò)大津閾值來(lái)獲得西個(gè)自適應(yīng)的參數(shù)。通過(guò)實(shí)驗(yàn)對(duì)比，本文所提出的方法，對(duì)于相對(duì)簡(jiǎn)單的背景，能夠很好地提取出運(yùn)動(dòng)車輛，而且能夠較好地適應(yīng)光線突變情況。并且對(duì)高斯混合模型進(jìn)行了改進(jìn)，由于更新參數(shù)設(shè)為固定值后，背景模型建立會(huì)比較慢，對(duì)初始化背景做出了改進(jìn)。提出不同學(xué)習(xí)率的方法來(lái)使得模型更加快速的收斂。提出了新的目標(biāo)決策模型，

4、使得檢測(cè)結(jié)果更加準(zhǔn)確和穩(wěn)定。通過(guò)實(shí)驗(yàn)，給出了高斯混合模型參數(shù)的經(jīng)驗(yàn)設(shè)定值。我們可以看到本文所采用的高斯混合模型能夠較好地描述背景，而采用了新的目標(biāo)決策模型，對(duì)于行駛比較緩慢的大型車輛，同樣具有較好的檢測(cè)效果。關(guān)鍵詞：車輛檢測(cè)，高斯混合模型，kalman濾波，背景更新，歸一化互相關(guān)系數(shù)abstractvehicle detection in video surveillance is one of the core technologiesas well as the base of other technologies in the intelligent transportation sys

5、tembecause of the complexity and variability, the technology remains prematureand the technology needs for continuous studies and improvementsnew solutions for some key issues of vehicle detection are explored，and experiments show their efficiencythe commonly used detection methods(frame-difference，

6、optical flow, edge detection and background-difference)are introducedbased on adaptive kalman filter, the background is extracted and updatedtwo adaptive parameters are obtained by otsu thresholdfor relatively simple background，the new method is able to extract moving vehicles well，and is able to ad

7、apt to sudden change in lightas the updating parameters are set to a fixed value，the slower background model set upthe initialization is improvedthe two different learning rates call make the model more rapid convergencea new objective decision-making model is proposed to results more accurate stabl

8、eby experiments，gaussian mixture model parameters for experience settings are givengaussian mixture model can be used to extract the back ground, and has adopted a new objective decision-making modelfor large and slow vehiclesthe model has good detection effectkeywords：vehicle detection，gaussian mix

9、ture model，kalman filter, background updating, normalized correlation coefficient引言隨著計(jì)算機(jī)硬件技術(shù)的迅猛發(fā)展,高速處理芯片和高速大容量存儲(chǔ)器芯片的出現(xiàn)與普及,使得從圖像序列中檢測(cè)出運(yùn)動(dòng)信息、識(shí)別與跟蹤運(yùn)動(dòng)目標(biāo)和估計(jì)三維運(yùn)動(dòng)及結(jié)構(gòu)參數(shù)成為計(jì)算機(jī)視覺領(lǐng)域中一個(gè)非?；钴S的分支,由于其在國(guó)民經(jīng)濟(jì)和軍事領(lǐng)域的許多方面有廣泛的應(yīng)用,對(duì)它的研究受到各國(guó)的普遍關(guān)注.對(duì)于動(dòng)態(tài)圖像的分析以及最后識(shí)別運(yùn)動(dòng)目標(biāo),目前主要通過(guò)兩個(gè)途徑來(lái)實(shí)現(xiàn).一種途徑是模仿人眼成像及識(shí)別物體的機(jī)理,讓計(jì)算機(jī)從獲得的二維連續(xù)圖像序列中提煉出運(yùn)動(dòng)目標(biāo),并從

10、中重構(gòu)出三維物體的可視部分以達(dá)到識(shí)別物體的目的.雖然在這一方面的研究取得了一些進(jìn)展,但是由于其它方面的研究滯后以及計(jì)算機(jī)的固有缺陷(例如,計(jì)算機(jī)系統(tǒng)普遍地采用二維邏輯,而人眼成像及識(shí)別物體不僅僅是二維的),使得通過(guò)這一途徑完全還原及識(shí)別運(yùn)動(dòng)目標(biāo)的研究進(jìn)展緩慢.另一途徑是圖像法識(shí)別運(yùn)動(dòng)目標(biāo).圖像法識(shí)別運(yùn)動(dòng)參數(shù)的基本原理是將物體用成像頭(紅外或可見光等)攝入后形成的圖像信號(hào)序列送入計(jì)算機(jī),經(jīng)過(guò)對(duì)圖像的預(yù)處理、特征提取、目標(biāo)識(shí)別后,在連續(xù)圖像序列中進(jìn)行特征點(diǎn)匹配,進(jìn)而解出目標(biāo)物體的運(yùn)動(dòng)參數(shù),實(shí)現(xiàn)對(duì)目標(biāo)物體的搜索、識(shí)別和跟蹤.一旦完成對(duì)目標(biāo)及其運(yùn)動(dòng)參數(shù)的識(shí)別,就可以由伺服機(jī)構(gòu)完成下一步的決策和處理.

11、圖像法識(shí)別是從輸入圖像和目標(biāo)物體兩個(gè)方面入手,通過(guò)對(duì)輸入圖像序列的處理,使其與目標(biāo)樣本庫(kù)中的圖像進(jìn)行匹配,以達(dá)到識(shí)別目標(biāo)的目的.該方法也存在著缺陷,比如,樣本庫(kù)可能非常大,不利于實(shí)時(shí)跟蹤和處理.本文主要對(duì)圖像法識(shí)別物體運(yùn)動(dòng)參數(shù)的過(guò)程及其存在的問(wèn)題進(jìn)行討論. 第一章 緒論1.1研究背景隨著我國(guó)經(jīng)濟(jì)快速發(fā)展和城市規(guī)模不斷擴(kuò)大，各種交通需求不斷增加，智能交通系統(tǒng)（又稱智能運(yùn)輸系統(tǒng)，intelligent transportation systems，its）。在我國(guó)逐漸得到了廣泛應(yīng)用和快速發(fā)展。車輛檢測(cè)技術(shù)是智能交通系統(tǒng)的重要組成部分，交通智能化管理需要通過(guò)車輛檢測(cè)方式采集客觀、有效的道路交通信息，

12、獲得交通流量、車速、道路占有率、車間距、車輛類型等基礎(chǔ)數(shù)據(jù)，從而有目的地實(shí)現(xiàn)監(jiān)測(cè)、控制、分析、決策、調(diào)度和疏導(dǎo)等智能化手段。目前，國(guó)內(nèi)外誕生的車輛檢測(cè)器產(chǎn)品的種類很多，技術(shù)原理和實(shí)現(xiàn)方式各不相同，如有線圈檢測(cè)、視頻檢測(cè)、微波檢測(cè)、激光檢測(cè)、聲波檢測(cè)、超聲波檢測(cè)、磁力檢測(cè)、紅外線檢測(cè)等。我國(guó)幅員遼闊，道路里程長(zhǎng)，車多人多，交通狀況比較復(fù)雜，各地交通管理部門對(duì)于車輛檢測(cè)方式的要求具有多樣性，從性能指標(biāo)、產(chǎn)品成本、安裝方式、天氣路況、管理政策等方面都有諸多不同。1.2 研究目的和意義在這個(gè)科學(xué)技術(shù)和世界經(jīng)濟(jì)飛速發(fā)展的時(shí)代，交通運(yùn)輸在經(jīng)濟(jì)和社會(huì)發(fā)展中起著舉足輕重的作用。進(jìn)入21世紀(jì)以來(lái)，隨著交通需求的

13、急劇增長(zhǎng)，交通運(yùn)輸所帶來(lái)的交通擁堵、交通事故等負(fù)面效應(yīng)也日益突出，逐步成為經(jīng)濟(jì)和社會(huì)發(fā)展中的全球性共同問(wèn)題，針對(duì)日益嚴(yán)重的交通需求，智能交通系統(tǒng)應(yīng)運(yùn)而生。its(intelligent transportation system)是以信息通信技術(shù)將人、車、路三者緊密協(xié)調(diào)、和諧統(tǒng)一，而建立起的大范圍內(nèi)、全方位發(fā)揮作用的實(shí)時(shí)、準(zhǔn)確、高效的運(yùn)輸管理系統(tǒng)。其目的是人、車、路密切地配合，和諧的統(tǒng)一，極大地提高交通運(yùn)輸效率，保障交通安全，改善環(huán)境質(zhì)量和提高能源利用率。目前對(duì)its的研究已成為二十一世紀(jì)中一個(gè)重要的發(fā)展方向。作為its的基礎(chǔ)部分，基于視頻的運(yùn)動(dòng)車輛檢測(cè)在其中占有極其重要的地位，它為智能交通系

14、統(tǒng)提供必要的數(shù)據(jù)來(lái)源，負(fù)責(zé)采集有關(guān)交通車流的實(shí)時(shí)數(shù)據(jù)，用于交通信號(hào)燈的控制或提交給交通管理部門和司機(jī)，以指導(dǎo)車輛的運(yùn)行，保證道路暢通。視頻車輛檢測(cè)包括了很多方面：如車輛檢測(cè)，陰影消除，車輛跟蹤，車型分類，車流量統(tǒng)計(jì)等多方面的內(nèi)容。本文研究?jī)?nèi)容是its的一部分，也是視頻車輛監(jiān)控系統(tǒng)中的基礎(chǔ)部分。車輛前景檢測(cè)的準(zhǔn)確與否，對(duì)后續(xù)的陰影消除、車輛跟蹤、車輛信息(車速、車型)及交通流量等信息的獲取都有重大影響?？梢哉f(shuō)，車輛檢測(cè)是一切工作之源頭，只有通過(guò)車輛檢測(cè)，才能進(jìn)行后續(xù)工作。因此，本文的研究具有十分重要的意義。1.3 國(guó)內(nèi)外研究現(xiàn)狀由于車輛檢測(cè)具有非常重要的意義，國(guó)內(nèi)外的很多學(xué)者針對(duì)車輛檢測(cè)提出了很

15、多算法?；谝曨l的車輛檢測(cè)算法可以分為如下幾類：幀差法，背景消減法，邊緣檢測(cè)法，運(yùn)動(dòng)矢量檢測(cè)法，光流法，k均值聚類法和檢測(cè)線法等。1.3.1幀差法幀差法是將前后兩幀圖像對(duì)應(yīng)像素點(diǎn)的灰度值相減，如果灰度值很小，可以認(rèn)為該點(diǎn)無(wú)車通過(guò)，反之灰度變化很大，則認(rèn)為有車通過(guò)。lipton等提出了取連續(xù)兩幀對(duì)應(yīng)像素點(diǎn)的差的絕對(duì)值2，通過(guò)與閾值函數(shù)比較，確定是移動(dòng)物體還是背景。lipton等進(jìn)一步指出：利用連通區(qū)域準(zhǔn)則克服檢測(cè)到的運(yùn)動(dòng)實(shí)體內(nèi)部產(chǎn)生的空洞，消除孤立的點(diǎn)，從而為進(jìn)一步的模板匹配和目標(biāo)分類打下基礎(chǔ)。文獻(xiàn)3中，collins等人研究了一種自適應(yīng)背景減除與連續(xù)三幀差分相結(jié)合的混合算法，這種方法能夠快速有

16、效地從背景中檢測(cè)出運(yùn)動(dòng)物體，比連續(xù)兩幀差分的效果要好。因?yàn)?，由幀差得到的結(jié)果區(qū)域?qū)嶋H上是車輛前后兩個(gè)位置的“或”區(qū)域，比車輛本身要大。文獻(xiàn)4提出了一種使用模糊聚類的方法來(lái)合并檢測(cè)到的“或”區(qū)域，并采用kalman濾波器來(lái)預(yù)測(cè)運(yùn)動(dòng)車輛下一時(shí)刻可能處于的區(qū)域。從而達(dá)到了快速跟蹤車輛的目的。幀差法是背景固定不變?yōu)榍疤岬?，如果背景變?dòng)，這種方法就失效了。針對(duì)這種情況，游安清等5提出了將相鄰兩幀的鄰域比較與幀差法相結(jié)合，先對(duì)由攝像機(jī)引起的背景移動(dòng)進(jìn)行補(bǔ)償，然后再進(jìn)行差分運(yùn)算，克服了傳統(tǒng)幀差法中背景去除不干凈的現(xiàn)象。文獻(xiàn)6提出了基于圖像對(duì)稱差分運(yùn)算的運(yùn)動(dòng)目標(biāo)檢測(cè)，以連續(xù)3幀序列圖像為一組處理對(duì)象，先進(jìn)行絕

17、對(duì)差運(yùn)算，再做均值濾波及最大熵的自動(dòng)門限分割得n-值圖像，從而使得運(yùn)動(dòng)緩慢目標(biāo)的二值分割像素區(qū)域擴(kuò)大，保證了算法能很好地檢測(cè)出復(fù)雜背景中的低信噪比，小運(yùn)動(dòng)目標(biāo)。1.3.2背景消減法背景消減法是目前基于視頻檢測(cè)算法中最常用的一種方法。背景消減法可以看作一種特殊的幀差法。它是一種利用當(dāng)前幀圖像與背景圖像對(duì)應(yīng)象素點(diǎn)的灰度差值來(lái)檢測(cè)車輛的技術(shù)：如果當(dāng)前圖像的象素點(diǎn)和背景圖像的象素點(diǎn)灰度值差別很大，就認(rèn)為此像素點(diǎn)有車通過(guò)；相反，如果當(dāng)前圖像的像素點(diǎn)和背景圖像的像素點(diǎn)灰度值差別較小，在一定的閾值范圍內(nèi)，我們就認(rèn)為此像素點(diǎn)為背景像素點(diǎn)。背景消減法的關(guān)鍵是背景提取與背景更新。然而它對(duì)于動(dòng)態(tài)場(chǎng)景的變化，例如光照

18、的變化和陰影的干擾等特別敏感。因此，選取一個(gè)可靠的背景模型進(jìn)行背景的提取與動(dòng)態(tài)更新以適應(yīng)環(huán)境的變化是必要的。背景消減法根據(jù)其背景模型的不同又可分為：直方圖法、平均值法、單分布高斯背景模型、混合高斯分布背景模型、kalman濾波器法，hmm模型法。 第二章 自適應(yīng)kalman濾波的車輛檢測(cè)2.1圖像的預(yù)處理 目前,圖像預(yù)處理技術(shù)已經(jīng)有比較成熟的方法可以采用.圖像預(yù)處理主要是對(duì)圖像進(jìn)行噪聲濾除,圖像銳化,對(duì)比度增強(qiáng)和邊緣檢測(cè). 經(jīng)過(guò)數(shù)字化的圖像，可能帶有嚴(yán)重的噪聲信號(hào)，這些噪聲通常來(lái)源于圖像拍攝、傳輸和數(shù)字化的過(guò)程中，由于攝像器材、外部環(huán)境等干擾因素而混雜入圖像信號(hào)中。這樣的圖像是無(wú)法進(jìn)行目標(biāo)的準(zhǔn)

19、確檢測(cè)和識(shí)別的，會(huì)嚴(yán)重影響對(duì)圖像的處理工作。因此，在圖像的預(yù)處理階段中，對(duì)噪聲的濾除就變得尤其重要。因此，這里需要首先通過(guò)圖像預(yù)處理的環(huán)節(jié)，對(duì)圖像進(jìn)行濾波處理除去噪聲干擾，改善圖像質(zhì)量，從而保證以后視頻處理的正確性。2.1.1 圖像濾波 噪聲濾除運(yùn)動(dòng)目標(biāo)識(shí)別的任務(wù)就是把物體的輪廓從背景中分離出來(lái),根據(jù)特征值與目標(biāo)樣本庫(kù)中的圖像進(jìn)行匹配運(yùn)算,以達(dá)到識(shí)別目標(biāo)的目的.由于拍攝環(huán)境和設(shè)備質(zhì)量等多種因素,使數(shù)字化后的圖像不可避免的帶有各種噪聲,為了減少噪聲對(duì)物體輪廓提取的影響,噪聲濾除是圖像預(yù)處理中的第一步.如果這種噪聲發(fā)生模型預(yù)先知道,針對(duì)這種噪聲模型設(shè)計(jì)濾波(一般為頻率區(qū)域內(nèi)的濾波),就能夠有效地消

20、除噪聲,這樣的處理叫做圖像復(fù)原.但是,通常噪聲發(fā)生的機(jī)理往往是未知的,而且即使知道了產(chǎn)生機(jī)理,有時(shí)也不能對(duì)此有效地進(jìn)行數(shù)學(xué)上的模型化.在這樣的場(chǎng)合,可采用根據(jù)噪聲所具有的一般性質(zhì)進(jìn)行噪聲消除的平滑性.由于圖像的噪聲常常表現(xiàn)為一些孤立的像素點(diǎn),其像素灰度和周圍點(diǎn)有顯著差別,灰度的陡性變化比較大,所以可以用鄰域平均、中值濾波、高斯低通濾波等方法來(lái)抑制噪聲.對(duì)于鄰域平均法,如果把求灰度平均值的鄰域取得太大,或者反復(fù)進(jìn)行若干次操作,則會(huì)使圖像模糊,圖像的質(zhì)量也會(huì)隨之降低.中值濾波不僅能有效濾除圖像中的孤立噪聲點(diǎn),與鄰域平均法相比還能有效保護(hù)邊界信息.圖像中有一些非常有價(jià)值的像素點(diǎn)也表現(xiàn)出與噪聲相似的特

21、性.比如圖像中物體輪廓的邊緣點(diǎn),如果處理不好就會(huì)造成物體邊緣模糊,不利于物體和背景的分離,對(duì)最終的目標(biāo)識(shí)別帶來(lái)新的干擾.(1)kalman濾波原理 kalman濾波是一種根據(jù)時(shí)變隨機(jī)信號(hào)的統(tǒng)計(jì)特性，對(duì)信號(hào)的未來(lái)值做出盡可能接近真值的一種估計(jì)方法。kalman濾波是根據(jù)過(guò)去的信號(hào)，利用統(tǒng)計(jì)估計(jì)理論，并使用線性最小均方誤差作為最優(yōu)準(zhǔn)則，預(yù)測(cè)將來(lái)某個(gè)時(shí)刻的值。kalman濾波從與被提取信號(hào)有關(guān)的測(cè)量值中通過(guò)算法估計(jì)出所需的信號(hào)，它實(shí)際上是對(duì)隨時(shí)間改變參數(shù)估計(jì)的一種最小二乘逼近，它考慮一個(gè)隨時(shí)間變化的狀態(tài)矢量，并通過(guò)一個(gè)觀察模型測(cè)得一組與參數(shù)相對(duì)應(yīng)的不同時(shí)刻的參數(shù)值。假如能夠建立參數(shù)的確定性和不確定性

22、影響隨時(shí)間變化的模型，kalman濾波就可以對(duì)任何時(shí)刻對(duì)狀態(tài)矢量進(jìn)行估計(jì)。2.1.2 圖像銳化 圖像銳化噪聲消除之后,圖像可能變得邊緣模糊,為了改善圖像質(zhì)量,使圖像具有的信息讓人易于觀看,就要對(duì)圖像進(jìn)行銳化處理.圖像銳化一般采用增強(qiáng)高的空間頻率成份的辦法.這是由于圖像的模糊,是高的空間頻率成分比低的空間頻率成分弱這一原因造成的. 2.1.3 圖像增強(qiáng) 對(duì)比度增強(qiáng)對(duì)比度增強(qiáng)是指對(duì)圖像的對(duì)比度等進(jìn)行強(qiáng)調(diào)和尖銳化,以便于顯示、觀察和進(jìn)一步的分析與處理.對(duì)比度增強(qiáng)將不增加圖像數(shù)據(jù)中的相關(guān)信息,但它將增加所選擇特征的動(dòng)態(tài)范圍,從而使這些特征檢測(cè)和識(shí)別更加容易.常用的增強(qiáng)對(duì)比度的方法有:線性灰度變換,非線

23、性灰度變換,直方圖均衡,灰度的規(guī)定化.根據(jù)灰度變換使對(duì)比度增強(qiáng)的目的在于最后做出令人們易于觀看的圖像,但在灰度絕對(duì)值具有意義的圖像的二值圖像中,信息將被歪曲,有時(shí)反而會(huì)收到相反的效果. 2.1.4 邊緣檢測(cè)邊緣檢測(cè)圖像的邊緣可以被定義為在局部區(qū)域內(nèi)圖像特性的差別,它表現(xiàn)為圖像上的不連續(xù)性(如表現(xiàn)在圖像上灰度級(jí)的突變,紋理結(jié)構(gòu)的突變以及彩色的變化等).圖像的邊緣信息無(wú)論是對(duì)人類或?qū)C(jī)器視覺來(lái)說(shuō)都是非常重要的.邊緣具有能勾畫出區(qū)域的形狀,能被局部定義及其能傳遞大部分圖像信息等許多優(yōu)點(diǎn).因此,邊緣檢測(cè)可以看作是處理許多復(fù)雜問(wèn)題的關(guān)鍵.常用的邊緣檢測(cè)算子有:算子、高斯 拉普拉斯算子()、算子、算子、算

24、子等. 算子是一種加權(quán)平均算子,對(duì)靠近中心的點(diǎn)進(jìn)行加權(quán),以突出邊緣.算子計(jì)算量較大,對(duì)于圖像的最后一行和最后一列的像素?zé)o法進(jìn)行差分運(yùn)算,于是采用了前一行和前一列的梯度值去代替的補(bǔ)救方法.雖然算子的提取效果較好,但在提取過(guò)程中不難發(fā)現(xiàn),閾值的確定是一個(gè)非常繁瑣但同時(shí)也是非常關(guān)鍵的環(huán)節(jié).算子是用高階差分算子檢測(cè)邊緣.算子在圖像進(jìn)行差分運(yùn)算之前,先對(duì)圖像進(jìn)行平滑處理,以減少噪聲,因此緩解了一般差分對(duì)噪聲響應(yīng)很敏感的問(wèn)題.算子和算子很相似.由于圖像的最后一行和最后一列的像素?zé)o法進(jìn)行差分運(yùn)算,于是采用了前一行和前一列的梯度值去替代的補(bǔ)救方法.梯度算子對(duì)噪聲很敏感,故很少采用這種方法檢測(cè)稠密點(diǎn)區(qū)域的邊緣.

25、 第3章 基于高斯混合模型的運(yùn)動(dòng)檢測(cè)由于背景消減法能夠提供較可靠完整的物體信息，所以它是目前最常用的運(yùn)動(dòng)檢測(cè)方法。背景消減法的困難不在于消減本身，而在于背景模型的維持。近年來(lái)，人們把更多的精力投入到基于統(tǒng)計(jì)的方法上，這些方法可以建立自動(dòng)適應(yīng)觀察噪聲及周圍環(huán)境的背景模型，而不是人為的設(shè)定閾值。背景物體可以是靜止的，如隔離帶、道路等，也可以是非靜止的，如搖晃的樹枝，因此，背景圖像可以看作是由靜態(tài)和動(dòng)態(tài)的像素組成。隨著時(shí)間變化，靜態(tài)背景能夠轉(zhuǎn)變成動(dòng)態(tài)，比如將靜止的車輛啟動(dòng)出發(fā)，動(dòng)態(tài)背景也可以轉(zhuǎn)變成靜態(tài)，比如風(fēng)停了以后樹枝停止擺動(dòng)。背景物體的表面經(jīng)常會(huì)隨時(shí)間經(jīng)歷多種變化，比如，由于天氣變化引起的光照變

26、化等。為了能夠描述一個(gè)全面的背景場(chǎng)景，一個(gè)背景模型需要能夠表達(dá)上述各種情況。文中列出了建立一個(gè)理想的背景模型，需要解決的諸多問(wèn)題：(1) 可移動(dòng)的背景物體：一個(gè)背景物體可能會(huì)移動(dòng)，那么這些物體就不應(yīng)該被永遠(yuǎn)當(dāng)作是前景的一部分。(2) 光照隨一天時(shí)間的變化：逐漸的光照變化會(huì)改變背景物體的外表。(3) 光照突變：光照的突然變化或者其他的場(chǎng)景參數(shù)改變背景物體的外表。(4) 晃動(dòng)的樹：背景物體搖擺不定，需要能夠描述這種不連續(xù)的像素值集合的模型。(5) 偽裝：前景物體的像素特征可能被背景模型所包括。(6) 初始場(chǎng)景中有前景物體：在很多環(huán)境下，用不含有前景物體的初始序列進(jìn)行背景模型的訓(xùn)練是不可行的。(7)

27、 前景中的空隙：當(dāng)一個(gè)具有統(tǒng)一顏色的物體移動(dòng)時(shí)，內(nèi)部像素的改變不能被檢查到。因此，整個(gè)物體有可能看上去不像前景。(8) 停止的車輛：不能區(qū)別一個(gè)從運(yùn)動(dòng)變?yōu)橥Ｖ沟那熬拔矬w和一個(gè)從運(yùn)動(dòng)到靜止的背景物體。(9) 開始運(yùn)動(dòng)的車輛：當(dāng)一個(gè)最初在背景中的物體開始移動(dòng)時(shí)，它本身以及新露出的都表現(xiàn)為變化區(qū)域。(10)前景物體通常產(chǎn)生陰影，它不同于背景，所以也當(dāng)作前景被檢查出來(lái)。但是目前的各種模型都不可能解決所有的問(wèn)題，我們的目的是建立一個(gè)可以盡可能多的解決上述問(wèn)題的的背景模型。3.1 基于高斯混合模型的運(yùn)動(dòng)車輛檢測(cè)像素值實(shí)際上是在傳感器方向?qū)Τ霈F(xiàn)在像素范圍內(nèi)的物體表面反射或輻射光的測(cè)量。如果這個(gè)表面不變化，則

28、這個(gè)測(cè)量值相對(duì)穩(wěn)定。假設(shè)我們?cè)诓蓸舆^(guò)程中引入了高斯噪聲，則用一個(gè)自適應(yīng)的高斯分布就足以描述每個(gè)像素點(diǎn)值的變化。但是在實(shí)際的車輛檢測(cè)場(chǎng)景中，尤其是戶外場(chǎng)景中，情況要復(fù)雜的多。 首先，在一個(gè)特定的像素點(diǎn)出現(xiàn)的物體表面往往不止一個(gè)，比如一個(gè)場(chǎng)景中有樹，當(dāng)樹枝擺動(dòng)時(shí)，原來(lái)在圖像中處于樹周圍的像素點(diǎn)就會(huì)有兩個(gè)或兩個(gè)以上的值變替出現(xiàn)。這時(shí)該像素處于多模卷狀況，如果用該像素原來(lái)的值作為背景，則會(huì)將擺動(dòng)的樹枝檢測(cè)為前景，這是我們不希望得到的結(jié)果。我們期望的情況是系統(tǒng)能夠?qū)⑦@種背景物體的重復(fù)運(yùn)動(dòng)也作為背景的一部分。也就是精望該像素點(diǎn)的背景模型能夠表示這種多模態(tài)情況。除了植物擺動(dòng)外，波動(dòng)的水面光線的緩慢變化等都會(huì)

29、產(chǎn)生多模態(tài)的背景。圖3-1就是關(guān)于多模杏背景的例子，(a)中加號(hào)括注的地方樹枝在擺動(dòng),(b)為該像素點(diǎn)(289,2t)在一個(gè)時(shí)間段內(nèi)灰度值的圖。圖3-1 像素點(diǎn)(289，21)在一段時(shí)間內(nèi)的灰度值圖其次，光照的變化阻及背景物體的引入或者離開等情況也會(huì)對(duì)檢測(cè)造成很大影響。對(duì)于一個(gè)像素點(diǎn)，與當(dāng)前時(shí)間越接近的觀測(cè)值越重要，對(duì)前景檢測(cè)的貢獻(xiàn)也越大。因此必須及時(shí)地更新背景，以適應(yīng)車輛檢測(cè)場(chǎng)景中的多種變化。為了處理運(yùn)動(dòng)車輛檢測(cè)場(chǎng)景中的復(fù)雜情況，我們需要引入一個(gè)能夠描述多模態(tài)情況并且能夠自適應(yīng)的背景模型。3.1.1 高斯混合模型方法簡(jiǎn)介高斯混合模型(gmm)就是一個(gè)能夠處理多模態(tài)情況而且自適應(yīng)的模型。它用多

30、個(gè)高斯分布的混臺(tái)描述一個(gè)像素點(diǎn)的值的分布。多模態(tài)情況下的每一個(gè)表面都有一個(gè)高斯分布來(lái)描述，其中有描述背景表面的高斯分布，也有描述前景表面的分布。用哂刪進(jìn)行前景檢女i包括狀態(tài)估計(jì)、背景模型估計(jì)以及參數(shù)更新等過(guò)程。狀態(tài)估計(jì)找出當(dāng)前像素值所匹配的分布；背景模型估計(jì)以一定的準(zhǔn)則來(lái)判斷每一個(gè)分布代表背景還是前景，對(duì)于當(dāng)前像素值，如果它所匹配的分布是背景分布，該像素就被認(rèn)為是背景像素否則是前景像素，之所以能夠把前景和背景分開，是基于以下兩個(gè)事實(shí)的。第一，在一個(gè)長(zhǎng)時(shí)間觀測(cè)的場(chǎng)景中，背景占大多敦時(shí)間，更多的數(shù)據(jù)是支持背景分布的如圖3-2所示。第二，就算是顏色相對(duì)一致的運(yùn)動(dòng)物體也會(huì)比靜止物體產(chǎn)生更多的變化，況且

31、不同物體通常有不同的顏色。參數(shù)更新的目的是適應(yīng)環(huán)境的變化。3.1.2 估計(jì)當(dāng)前狀態(tài)為每個(gè)像素建立高斯混合模型后，當(dāng)輸入當(dāng)前采樣值xi時(shí)，我們必須去估計(jì)m個(gè)分布中哪一個(gè)最有可能導(dǎo)致了該像素的產(chǎn)生，根據(jù)貝葉斯理論，后驗(yàn)概率p代表了該像素值有狀態(tài)k產(chǎn)生的可能性。（3.1）使得p取最大值的k的最大后驗(yàn)概率估計(jì)(majp)：（3.2）從式(3.2)中我們可以得到m個(gè)分布中最有可能產(chǎn)生當(dāng)前采樣值的分布k，只要我們知道該分布式代表前景還是背景物體，就可以劃分當(dāng)前像素是前景還是背景像素。一個(gè)重要事實(shí)被忽略了：當(dāng)前的輸入有可能不是由m個(gè)表面中的任何一個(gè)產(chǎn)生的。典型的情形是一個(gè)以前未出現(xiàn)過(guò)的前景物體出現(xiàn)在該像素的

32、位置。因此僅用方程(3.1)和(3.2)還不能完全解決問(wèn)題。 可以通過(guò)在m個(gè)高斯分布的基礎(chǔ)上再增加一個(gè)第(m+1)個(gè)分布來(lái)接受一個(gè)以前沒(méi)出現(xiàn)過(guò)的輸入值。賦予該分布一個(gè)較小但非0的先驗(yàn)概率萬(wàn)m+l和一個(gè)很大方差。這樣做的結(jié)果是，當(dāng)觀察到的像素值不屬于m個(gè)分布中的任何一個(gè)時(shí)，方程(3.2)將會(huì)選擇默認(rèn)的第(m+1)個(gè)分布。3.1.3 背景模型估計(jì)在實(shí)際應(yīng)用中，一般選擇m等于3，3個(gè)分布中兩個(gè)用來(lái)描述背景表面，一個(gè)描述前景表面。實(shí)際上這是應(yīng)用gmm模型最小的選擇，在m=3的情況下，算法只用一個(gè)高斯分布表示前景就可以工作，這是因?yàn)槟軌蛴盟鼇?lái)粗略的表示任何前景。對(duì)于m個(gè)分布，必須估計(jì)出其中哪些表示了背景

33、模型。在實(shí)際應(yīng)用中，處理完當(dāng)前幀后，模型的參數(shù)要進(jìn)行必要的更新，所以每一幀都要進(jìn)行背景模型的重新估計(jì)。一般的，我們會(huì)對(duì)有較多數(shù)據(jù)支持且方差較小的高斯分布感興趣，因?yàn)樗鼈兇肀尘澳Ｐ偷目赡苄暂^大?？紤]兩種情況，一是當(dāng)背景物體是持久靜止的時(shí)候，這時(shí)該物體表面產(chǎn)生的高斯分布代表著背景分布，那么支持這個(gè)分布的數(shù)據(jù)會(huì)持續(xù)累積，而且它的方差也會(huì)越來(lái)越小。第二種情況，當(dāng)一個(gè)新的物體遮擋了原來(lái)的背景物體時(shí)，一般會(huì)導(dǎo)致兩種結(jié)果：要么產(chǎn)生一個(gè)新的分布，要么把一個(gè)已存在的分布的方差增大。另外，當(dāng)新的物體是一個(gè)運(yùn)動(dòng)物體時(shí)，它一般也會(huì)比背景像素保持更大的變化直到它停下來(lái)。從以上兩種情況可以看出，影響一個(gè)分布是否是背景分

34、布的重要因素有兩個(gè)：一，該分布產(chǎn)生的數(shù)據(jù)所占的比例大??；二，該分布的方差大小?；谶@兩個(gè)因素，我們采取如下的方法進(jìn)行估計(jì)。首先以a/b。的值對(duì)k個(gè)分布進(jìn)行排序，因?yàn)閍代表了第k個(gè)分布產(chǎn)生的數(shù)據(jù)所占的比例，b是該分布的標(biāo)準(zhǔn)差，所以可以直觀的看出a/b的值越大，第k個(gè)分布是背景模型的可能性就越大。一個(gè)分布的權(quán)值增大或方差減小，都可以使a/b。的值增大。排序以后，m個(gè)分布形成了一個(gè)有序且末端開放的列表。最有可能是背景分布的排在最前面，較小可能的短暫的分布趨向于末端。我們將排序后的前c個(gè)分布選為背景模型，c滿足：(3.3)t是一個(gè)全局的先驗(yàn)概率，它表示了出現(xiàn)在像素范圍內(nèi)的任何值屬于背景像素的概率。上式

35、的含義是在排序的分布中，累計(jì)概率超過(guò)丁的前c個(gè)分布被當(dāng)作背景模型，剩余的其它分布被當(dāng)作前景模型。在實(shí)際應(yīng)用中，r的值需要預(yù)先設(shè)定，如果選一個(gè)較小的t值，背景模型就變成單模態(tài)，這時(shí)僅僅使用了一個(gè)最有可能的分布作背景。如果選一個(gè)較大的t值，背景模型中就會(huì)包含一個(gè)以上的分布，這時(shí)就能描述多模態(tài)情況，產(chǎn)生一種透明的效果，允許背景模型接受兩個(gè)或兩個(gè)以上的色彩值。第四章 圖像檢測(cè)算法分析與設(shè)計(jì)4.1 算法思想與分析新算法的思想可分為如下幾個(gè)步驟：將輸入的用于識(shí)別道路的視頻序列中的每?jī)蓚€(gè)相鄰幀圖像之間采用幀差進(jìn)行處理獲得相鄰幀差圖像，對(duì)相鄰幀差圖像進(jìn)行平滑處理和閾值分割得到相鄰幀差圖像的二值化圖像，將所有相

36、鄰幀差圖像的二值化圖像累加，即獲得累積幀差圖像。對(duì)獲得的累積幀差圖像通過(guò)閾值進(jìn)行圖像分割，就可以將道路與周圍的背景區(qū)分開，同時(shí)可以去除掉絕大部分的干擾點(diǎn)。因?yàn)榈缆飞嫌写罅寇囻傔^(guò)，所以圖像中位于道路上的像素點(diǎn)會(huì)被車輛反復(fù)覆蓋，輸入的用于識(shí)別道路的視頻序列圖像越多，道路上的像素點(diǎn)會(huì)被車輛覆蓋的次數(shù)越多，則累積幀差圖像中對(duì)應(yīng)像素點(diǎn)的灰度值越高。而大部分的干擾點(diǎn)只是偶然出現(xiàn)的，所以累積幀差圖像中對(duì)應(yīng)像素點(diǎn)的灰度值比較低，通過(guò)設(shè)定閾值進(jìn)行圖像分割就可以很容易的除掉這些偶然出現(xiàn)的干擾點(diǎn)。提取道路邊界線，已知道路在圖像中的方向?yàn)樨Q直方向，所以可以通過(guò)水平方向掃描二值化后的累積幀差圖像中的突變點(diǎn)來(lái)獲得道路邊界

37、線，同時(shí)可以通過(guò)判斷突變點(diǎn)是由白變黑或是由黑變白來(lái)確定得到的是道路左側(cè)還是右側(cè)邊界線。由于累積幀差圖像中仍然會(huì)存在干擾區(qū)域，但是干擾區(qū)域的邊界線長(zhǎng)度一般比較短，所以可以通過(guò)判斷獲得的邊界線長(zhǎng)度是否達(dá)到閾值來(lái)確定是否為道路邊界線。新算法具有如下特點(diǎn)：第一，傳統(tǒng)算法首先需要獲得整幅畫面都沒(méi)有車輛的圖像，新算法則不需要。第二，傳統(tǒng)算法會(huì)受到建筑物和樹木的邊緣，以及建筑和樹木在光照下留于道路上的陰影的邊緣的影響，而新算法只檢測(cè)運(yùn)動(dòng)物體，因此不會(huì)受到這些靜態(tài)因素的影響。第三，新算法采用了累積幀差技術(shù)，可以去除掉圖像中大部分偶然出現(xiàn)的干擾點(diǎn)的影響。4.2算法設(shè)計(jì)采用累積幀差的方法，具體步驟如下：(1)設(shè)置

38、變量和參量：設(shè)輸入的用于識(shí)別道路的視頻序列共n幀灰度圖像，每幀圖像的大小為wh (w和h 分別為每幀圖像的寬度和高度)，第n幀圖像的像素點(diǎn)(x, y) 的灰度值為 (1nn , 0xw-1 , 0yh-1)。當(dāng)n2時(shí)，第n幀圖像與第n-1幀圖像的幀差圖像的像素點(diǎn)(x, y) 的灰度值為。為幀差圖像處理過(guò)程中使用的臨時(shí)變量。n-1次的累積幀差圖像的像素點(diǎn)(x, y) 的灰度值為為。分割車輛和背景的閾值為t1，分割道路和背景的閾值為t2。用于存儲(chǔ)疑似道路邊界線的臨時(shí)道路邊界線鏈表tl，用于存儲(chǔ)確定道路邊界線的道路邊界線鏈表l。鏈表的每個(gè)節(jié)點(diǎn)中包含一個(gè)坐標(biāo)動(dòng)態(tài)數(shù)組，用于存儲(chǔ)道路邊界線的坐標(biāo)，節(jié)點(diǎn)中還

39、設(shè)置道路邊界線類型標(biāo)志，用于標(biāo)記邊界線為左邊界或是右邊界。用于判別突變點(diǎn)是否屬于已有標(biāo)志線的橫坐標(biāo)誤差閾值t3，用于判別疑似道路邊界線是否為確定道路邊界線的長(zhǎng)度閾值t4。(2)初始化，(x=0,1,w-1 ; y=0,1,h-1)。n=1。(3)若nn則轉(zhuǎn)到(9)；否則獲得第n幀圖像，若n=1，則轉(zhuǎn)到(8)。(4)求第n幀圖像與第n-1幀圖像的幀差圖像，(x=0,1,w-1 ; y=0,1,h-1)。(5)采用 gauss 濾波處理的方式平滑幀差圖像，盡量的排除噪聲干擾。gauss 模板為，幀差圖像經(jīng)gauss濾波為，(x=0,1,w-1 ; y=0,1,h-1)。 (x=0,1,w-1 ;

40、y=0,1,h-1)。(6)使用迭代法求得最佳閾值t1, 幀差圖像中像素點(diǎn)的灰度值大于t1的判斷為屬于車輛的像素，灰度值小于t1的判斷為屬于背景的像素。使用閾值t1分割幀差圖像將其二值化，灰度值低于t1的像素賦值為0，而高于t1的像素賦值為255， ，(x=0,1,w-1 ; y=0,1,h-1)。(7)更新累積幀差圖像，掃描幀差圖像的每一個(gè)像素，當(dāng)掃描到的像素點(diǎn)的灰度值為255時(shí)，將累積幀差圖像對(duì)應(yīng)位置的像素的灰度值累加1，(x=0,1,w-1 ; y=0,1,h-1)。(8)n=n+1；轉(zhuǎn)到(3)。(9)使用閾值t2分割累積幀差圖像，累積幀差圖像中像素點(diǎn)的灰度值大于t2的判斷為屬于道路的像

41、素，灰度值小于t2的判斷為屬于背景的像素。二值化累積幀差圖像時(shí)，灰度值低于t2的像素賦值為0，而高于t2的像素賦值為255，(x=0,1,w-1 ; y=0,1,h-1)。(10)水平方向掃描二值化后的累積幀差圖像，若掃描結(jié)束則轉(zhuǎn)到(14)，否則獲取像素點(diǎn)(x,y)。(11)若像素點(diǎn)(x,y)是由黑變白的突變點(diǎn)，則說(shuō)明像素點(diǎn)(x,y)是疑似道路左邊界線，轉(zhuǎn)到(12)。若像素點(diǎn)(x,y)是由白變黑的突變點(diǎn)，則說(shuō)明像素點(diǎn)(x,y)是疑似道路右邊界線，轉(zhuǎn)到(13)。若像素點(diǎn)(x,y)不是突變點(diǎn)，轉(zhuǎn)到(10)。(12)搜索tl中所有代表左邊界線的節(jié)點(diǎn)，獲取每個(gè)節(jié)點(diǎn)中坐標(biāo)動(dòng)態(tài)數(shù)組的最后一個(gè)坐標(biāo)值(x_e

42、nd,y_end),若，則判定像素點(diǎn)(x,y)是該節(jié)點(diǎn)所代表的左邊界線上的點(diǎn)，將坐標(biāo)(x,y)加入到該節(jié)點(diǎn)中坐標(biāo)動(dòng)態(tài)數(shù)組的尾部；若像素點(diǎn)(x,y)不屬于所有已有邊界線，說(shuō)明(x,y)為新邊界線的起點(diǎn)，則新建一個(gè)節(jié)點(diǎn)添加到tl中，將坐標(biāo)(x,y)加入到該節(jié)點(diǎn)中坐標(biāo)動(dòng)態(tài)數(shù)組的尾部，設(shè)置道路邊界線類型標(biāo)志為左邊界，轉(zhuǎn)到(10)。(13)搜索tl中所有代表右邊界線的節(jié)點(diǎn)，獲取每個(gè)節(jié)點(diǎn)中坐標(biāo)動(dòng)態(tài)數(shù)組的最后一個(gè)坐標(biāo)值(x_end,y_end),若，則判定像素點(diǎn)(x,y)是該節(jié)點(diǎn)所代表的右邊界線上的點(diǎn)，將坐標(biāo)(x,y)加入到該節(jié)點(diǎn)中坐標(biāo)動(dòng)態(tài)數(shù)組的尾部；若像素點(diǎn)(x,y)不屬于所有已有邊界線，說(shuō)明(x,y)為

43、新邊界線的起點(diǎn)，則新建一個(gè)節(jié)點(diǎn)添加到tl中，將坐標(biāo)(x,y)加入到該節(jié)點(diǎn)中坐標(biāo)動(dòng)態(tài)數(shù)組的尾部，設(shè)置道路邊界線類型標(biāo)志為右邊界，轉(zhuǎn)到(10)。 (14)從tl所有中篩選出坐標(biāo)動(dòng)態(tài)數(shù)組長(zhǎng)度大與t4的節(jié)點(diǎn)，并按坐標(biāo)動(dòng)態(tài)數(shù)組中橫坐標(biāo)的平均值由小到大的順序添加到l中，則l中就得到了所有的確定道路邊界線。4.3實(shí)驗(yàn)與分析根據(jù)上面的道路識(shí)別算法，使用visual c+編程實(shí)現(xiàn)該算法，本課題得到南京市交管局的大力支持，交管局提供南京二條巷路口的監(jiān)控錄像用于實(shí)驗(yàn)，識(shí)別道路的視頻序列為連續(xù)的200幀352288的灰度圖像，即n=200，w=352，h=288，圖像的采樣頻率為10幀/秒。分割車輛和背景的閾值t1在

44、程序運(yùn)行時(shí)由迭代法自動(dòng)求出，設(shè)定分割道路和背景的閾值t2=8，設(shè)定用于判別突變點(diǎn)是否屬于已有標(biāo)志線的橫坐標(biāo)誤差閾值t3=6，設(shè)定用于判別疑似道路邊界線是否為確定道路邊界線的長(zhǎng)度閾值t4= h/2=144。(a) (b)(c) (d)(e) (a) 用于識(shí)別道路的視頻圖像；(b) 幀差圖像通過(guò)平滑處理和閾值分割后的二值圖像；(c) 處理完n幀視頻圖像后的累積幀差圖像；(d) 使用閾值t2分割后的累積幀差圖像；(e) 提取出的確定道路邊界線和實(shí)際道路邊界線對(duì)比圖，圖中紅色線為實(shí)際道路邊界線，黑色線為實(shí)驗(yàn)提取出的邊界線圖1實(shí)驗(yàn)過(guò)程中各步驟結(jié)果圖實(shí)驗(yàn)過(guò)程中各步驟的結(jié)果如圖1所示，由實(shí)驗(yàn)的最終結(jié)果可以比

45、較直觀的看出，實(shí)驗(yàn)提取出的邊界線與實(shí)際道路邊界線基本吻合，精度比較高，實(shí)驗(yàn)的效果還是比較理想的。當(dāng)輸入的用于識(shí)別道路的灰度圖像幀數(shù)比較多，道路上行駛過(guò)的車輛也比較多時(shí)，對(duì)于普通的中小型車輛來(lái)講，每條車道通過(guò)200輛以上的車輛時(shí)，本算法就可以達(dá)到令人滿意的效果。4.4 實(shí)驗(yàn)結(jié)果分析本章節(jié)針對(duì)傳統(tǒng)的道路識(shí)別方法過(guò)程復(fù)雜，易受干擾，識(shí)別效果不夠理想等缺點(diǎn)，提出一種應(yīng)用累積幀差技術(shù)通過(guò)識(shí)別道路上經(jīng)過(guò)的車輛來(lái)識(shí)別道路位置的新算法，并且使用visual c+編程實(shí)現(xiàn)了該算法。實(shí)驗(yàn)結(jié)果顯示新算法過(guò)程簡(jiǎn)單，抗干擾性強(qiáng)，最終獲得的道路位置與原圖像中的道路位置基本吻合，識(shí)別道路的效果可以令人滿意。第五章 系統(tǒng)功能

46、的原理及實(shí)現(xiàn)5.1 運(yùn)動(dòng)目標(biāo)的檢測(cè)5.1.1 基本思想 要找出一個(gè)目標(biāo)之前，必須對(duì)檢測(cè)圖像分割出目標(biāo)即車輛，為了目標(biāo)的完好，還需進(jìn)行必要的處理如開運(yùn)算或閉運(yùn)算。為了使圖像的噪聲降到最低值，還有必要對(duì)圖像進(jìn)行中值濾波處理。然后根據(jù)實(shí)際圖像設(shè)定一個(gè)閥值，遍歷整個(gè)圖像，以興趣值大于該閥值點(diǎn)為候選點(diǎn)，閥值的選擇應(yīng)以候選點(diǎn)中包括需要的特征點(diǎn)，而又不包含過(guò)多的非特征點(diǎn)。再選一個(gè)一定大小的窗口，以該窗口遍歷灰度圖像，在此過(guò)程中取窗口中興趣值最大的候選點(diǎn)作為特征點(diǎn)。以及對(duì)目標(biāo)標(biāo)明計(jì)數(shù)，并找出目標(biāo)的邊界，然后用不同顏色的線連接起邊界的四個(gè)點(diǎn)，即對(duì)目標(biāo)外接矩形框，從而實(shí)現(xiàn)了目標(biāo)的檢測(cè)。5.1.2 程序流程圖讀入圖片在所有圖像中找出最大的閾值maxdoor對(duì)所有圖像分割出目標(biāo)車輛（做適當(dāng)?shù)奶幚砣玳]運(yùn)算）p