智能交通系統(tǒng)車輛識(shí)別

1、分類號(hào) 密級(jí)UDC 學(xué)位論文智能交通系統(tǒng)中的車輛檢測(cè)作者姓名：*指導(dǎo)教師：*教授申請(qǐng)學(xué)位級(jí)別：本科學(xué)科類別：*學(xué)學(xué)科專業(yè)名稱：智能交通系統(tǒng)中的車輛檢測(cè)論文提交日期：2014年*月*日論文答辯日期：2014年*月*日學(xué)位授予日期：答辯委員會(huì)主席：評(píng)閱人：*大學(xué)2014年*月A Thesis for the Degree of Master in Control Theory and Contr EngineeringVehicle detection in intelligent transportationsystemcatalystby *Supervisor: Professor *Uni

2、versity* 2014獨(dú)創(chuàng)聲明本人聲明所呈交的學(xué)位論文是在導(dǎo)師的指導(dǎo)下完成的。論文 中取得的研究成果除加以標(biāo)注和致謝的地方外，不包含其他人已 經(jīng)發(fā)表或撰寫(xiě)過(guò)的研究成果，也不包括本人為獲得其他學(xué)位而使 用過(guò)的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已 在論文中作了明確的說(shuō)明并表示誠(chéng)摯的謝意。學(xué)位論文作者簽名：簽字日期：學(xué)位論文版權(quán)使用授權(quán)書(shū)本學(xué)位論文作者和指導(dǎo)教師完全了解*大學(xué)有關(guān)保留、使 用學(xué)位論文的規(guī)定：即學(xué)校有權(quán)保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送 交論文的復(fù)印件和磁盤(pán)，允許論文被查閱和借閱。本人同意* 大學(xué)可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢 索、交流。（如作者和導(dǎo)師同

3、意網(wǎng)上交流，請(qǐng)?jiān)谙路胶灻悍駝t視為不 同意）學(xué)位論文作者簽名：導(dǎo)師 簽名：簽字日期:簽字日期:第一章緒論1.1課題研究的背景交通流量檢測(cè)系統(tǒng)作為智能交通系統(tǒng)(ITS)的重要組成部分，在ITS中 發(fā)揮著重要的作用。而基于計(jì)算機(jī)視覺(jué)的交通流量檢測(cè)系統(tǒng)又是交通流量 檢測(cè)系統(tǒng)中的研究重點(diǎn)。它是通過(guò)對(duì)實(shí)時(shí)交通序列圖像分析得到所需的流 量信息。為了更好的了解計(jì)算機(jī)視覺(jué)的交通流量檢測(cè)系統(tǒng)的意義和發(fā)展趨 勢(shì)，我們應(yīng)該對(duì)該技術(shù)的使用背景進(jìn)行了解。1.1.1 lTS(InteII igent Transportation System)簡(jiǎn)介隨著世界經(jīng)濟(jì)與技術(shù)的發(fā)展，交通運(yùn)輸已經(jīng)成為經(jīng)濟(jì)生活的重要方 面，并對(duì)保證社

4、會(huì)經(jīng)濟(jì)體系的正常運(yùn)轉(zhuǎn)發(fā)揮著越來(lái)越大的作用。然而，由 于我國(guó)經(jīng)濟(jì)的快速發(fā)展以及機(jī)動(dòng)車持有量的激增和其它運(yùn)輸工具的快速 增長(zhǎng)，使現(xiàn)有基礎(chǔ)設(shè)施所能提供的交通供給能力與我國(guó)現(xiàn)實(shí)和潛在的巨大 交通需求相比仍然嚴(yán)重短缺，交通擁擠仍然很嚴(yán)重，運(yùn)輸效率較低，城市 交通堵塞和大氣污染加劇，嚴(yán)重影響了我國(guó)城市經(jīng)濟(jì)的發(fā)展和人民的生 活。因此，在繼續(xù)加快交通基礎(chǔ)設(shè)施建設(shè)的同時(shí)，充分發(fā)揮現(xiàn)有基礎(chǔ)設(shè)施 的潛力，提高運(yùn)輸效率，保障交通安全，緩解交通擁擠，提高服務(wù)質(zhì)量， 減少環(huán)境污染將是我國(guó)交通領(lǐng)域今后面臨的基本任務(wù)。智能運(yùn)輸系統(tǒng)(ITS)順應(yīng)經(jīng)濟(jì)全球化、信息化的趨勢(shì)，對(duì)于提高交通 運(yùn)輸效率和效益，保證安全，促進(jìn)可持續(xù)發(fā)展具

5、有十分顯著的作用，已經(jīng) 引起世界許多國(guó)家的廣泛重視。對(duì)解決我國(guó)交通運(yùn)輸領(lǐng)域所面臨的問(wèn)題， 適應(yīng)新形勢(shì)的要求，提高交通基礎(chǔ)設(shè)施建設(shè)水平，促進(jìn)交通運(yùn)輸產(chǎn)業(yè)及帶 動(dòng)相關(guān)產(chǎn)業(yè)的發(fā)展具有重要意義，我國(guó)政府已提出將ITS作為中國(guó)未來(lái)交 通運(yùn)輸領(lǐng)域發(fā)展的一個(gè)重要方向，也是推進(jìn)國(guó)民經(jīng)濟(jì)信息化的一項(xiàng)重要任 務(wù)。近年來(lái)，我國(guó)在ITS方面開(kāi)展了大量的研究與應(yīng)用工作，為我國(guó)ITS的 發(fā)展奠定了一定基礎(chǔ)。目前我國(guó)亶$核心技術(shù)的研究主要集中在計(jì)算機(jī)視覺(jué)技術(shù)、交通仿真 技術(shù)、四川大學(xué)碩士學(xué)位論文智能交通系統(tǒng)中的汽車流量檢測(cè)研究GPS/ GIS定位導(dǎo)航技術(shù)、交通流等理論方面。其中計(jì)算機(jī)視覺(jué)技術(shù)又是研究的 熱點(diǎn)?；谝曨l的交通

6、流量采集系統(tǒng)可以分為兩類：一類是沒(méi)有采用計(jì)算機(jī) 視覺(jué)的系統(tǒng)，它本身不能識(shí)別車輛，僅僅檢測(cè)指定區(qū)域內(nèi)運(yùn)動(dòng)著的象素群， 而并不理解它代表現(xiàn)實(shí)世界中的什么物體。其代表有TRIP交通圖像處理系 統(tǒng)，基于虛擬采樣點(diǎn)、檢測(cè)線組、檢測(cè)線圈的車流量檢測(cè)系統(tǒng)。其中， Autoscope是一個(gè)較為成功的商業(yè)系統(tǒng)，具有實(shí)時(shí)檢測(cè)交通參數(shù)的能力， 是國(guó)際上交通信息采集中具有競(jìng)爭(zhēng)力的視頻檢測(cè)系統(tǒng)之一。以上幾種方法 優(yōu)點(diǎn)是處理速度快，檢測(cè)的識(shí)別率較高。但是，他存在著的缺點(diǎn)更為嚴(yán)重。 在采用檢測(cè)線隧的系統(tǒng)中由于硬件必須埋于地下對(duì)交通道路的破壞是十 分嚴(yán)重的，而且其使用壽命較短經(jīng)濟(jì)成本高。Autoscope系統(tǒng)同樣存在著 一些

7、缺陷，在檢測(cè)系統(tǒng)中沒(méi)有考慮光照模型、道路模型對(duì)流量檢測(cè)的影響。 由于現(xiàn)代公路設(shè)計(jì)都采用多車道設(shè)計(jì)方式，附近車道的遮擋及陰影將影響 當(dāng)前車道的檢測(cè)。交通信息采集的可靠性和準(zhǔn)確性較低。第二類是基于模 型的計(jì)算機(jī)視覺(jué)系統(tǒng)?；谝曈X(jué)的運(yùn)動(dòng)目標(biāo)區(qū)域檢測(cè)及目標(biāo)跟蹤不僅具有 很強(qiáng)的科學(xué)研究?jī)r(jià)值，還具有很強(qiáng)的實(shí)用價(jià)值，其成本低使用周期長(zhǎng)，檢 測(cè)的準(zhǔn)確率高，國(guó)內(nèi)外正對(duì)此做大量的研究工作。1. 2基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法的概述及比較運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤處于整個(gè)計(jì)算機(jī)視覺(jué)系統(tǒng)的最底層，是各種后續(xù) 高級(jí)處理如目標(biāo)分類、行為理解等的基礎(chǔ)。運(yùn)動(dòng)目標(biāo)檢測(cè)系指從視頻流中 實(shí)時(shí)提取目標(biāo)，一般是確定目標(biāo)所在區(qū)域和顏色特征等

8、。目標(biāo)檢測(cè)的結(jié)果 是一種“靜態(tài)”目標(biāo)一一前景目標(biāo)，由一些靜態(tài)特征所描述。運(yùn)動(dòng)目標(biāo)跟 蹤則指對(duì)目標(biāo)進(jìn)彳丁連續(xù)的跟蹤以確定其運(yùn)動(dòng)軌跡。受跟蹤的目標(biāo)是一種“動(dòng)態(tài)”目標(biāo)運(yùn)動(dòng)目標(biāo)，與前景目標(biāo)相比，描述它的特征中多了動(dòng)態(tài) 特征（如運(yùn)動(dòng)參數(shù)等）。這兩方面是相輔相成，缺一不可的。圖像運(yùn)動(dòng)目標(biāo)參數(shù)的檢測(cè)分為兩種方法：特征識(shí)別法和基于運(yùn)動(dòng)的識(shí) 別法。特征識(shí)別包括兩個(gè)主要步驟：一是從相繼兩幅或多幅不同時(shí)刻的圖 像中抽取特征（如角特征點(diǎn)、特征線等），建立對(duì)應(yīng)；二是依據(jù)這些特征之 間的對(duì)應(yīng)來(lái)計(jì)算物體的結(jié)構(gòu)（形狀、位置等）和運(yùn)動(dòng)。其優(yōu)點(diǎn)是可以獲取三 維運(yùn)動(dòng)信息，對(duì)目標(biāo)運(yùn)動(dòng)速度無(wú)限制。主要難點(diǎn)在于確定和提取特征?；?于運(yùn)動(dòng)

9、的識(shí)別法與前者有很大不同，它把運(yùn)動(dòng)作為目標(biāo)的首要特征，一般 采用的方法有提取光流場(chǎng)，幀間差分，減背景等。利用光流場(chǎng)來(lái)進(jìn)行運(yùn)動(dòng)區(qū)域檢測(cè)是一種常用的檢測(cè)技術(shù)。光流場(chǎng)是二 維速度瞬時(shí)場(chǎng)，它是景物中可見(jiàn)點(diǎn)的三維速度矢量在成像平面上的投影， 表示了景物表面點(diǎn)在圖像中位置的瞬時(shí)變化。由于三維空間中目標(biāo)運(yùn)動(dòng)會(huì) 導(dǎo)致該位置的光強(qiáng)變化，利用這種強(qiáng)烈變化進(jìn)行運(yùn)動(dòng)檢測(cè)的技術(shù)稱為光流 場(chǎng)估計(jì)技術(shù)。背景差分的區(qū)域檢測(cè)是在攝像頭固定的情況下提出的，這樣視頻圖像 序列中背景是固定的，利用背景差分就可以確定運(yùn)動(dòng)區(qū)域，實(shí)現(xiàn)方法簡(jiǎn)單。第二章序列圖像的預(yù)處理得到實(shí)對(duì)視頻場(chǎng)景的背景后，將當(dāng)前幀與背景圖像進(jìn)行差分得到含有 運(yùn)動(dòng)目標(biāo)信息

10、的圖像。但是此時(shí)獲得的圖像中不僅含有運(yùn)動(dòng)目標(biāo)還含有很 多噪聲以及不需要的運(yùn)動(dòng)目標(biāo)如行人和自行車等，所以需要進(jìn)行一定的處 理才能對(duì)其進(jìn)行后續(xù)操作。下面先討論去除運(yùn)動(dòng)目標(biāo)自身的陰影噪聲。2.1運(yùn)動(dòng)目標(biāo)的陰影陰影可劃分為兩類：自身陰影和投射陰影。自身陰影是由于物體本身 沒(méi)有被光源直接照射到而形成的；投射陰影是由于物體阻擋光線后在背景 上形成。這里的陰影指的是距離物體足夠遠(yuǎn)的光源（像太陽(yáng)光）而導(dǎo)致的在 物體周圍產(chǎn)生的陰影即投射陰影，當(dāng)后續(xù)的運(yùn)動(dòng)目標(biāo)識(shí)別時(shí)，陰影通常會(huì) 被看成是物體的一部分，從而直接影響了運(yùn)動(dòng)目標(biāo)的特征提取導(dǎo)致跟蹤的 失敗。2.1.1陰影去除算法研究由于本文研究的運(yùn)動(dòng)目標(biāo)（車輛）基本上是

11、規(guī)則的矩形圖形，光照在這 些目標(biāo)周圍產(chǎn)生的陰影一般集中在其上下左右四個(gè)方向。所以算法的關(guān)鍵 是從這四個(gè)方向上去除陰影噪聲。根據(jù)特定的場(chǎng)景以及不同的時(shí)間段陰影 在各方向出現(xiàn)的概率，然后根據(jù)統(tǒng)計(jì)概率在不同的時(shí)間段采用不同的方向 去除運(yùn)動(dòng)目標(biāo)的陰影。一般來(lái)說(shuō)，運(yùn)動(dòng)目標(biāo)（車輛）的邊緣比較多，在頻域 上來(lái)說(shuō)就是高頻信號(hào)比較多；而陰影的邊緣比較少，在頻域上低頻信號(hào)比 較多。所以，結(jié)合以上兩個(gè)特性從邊緣檢測(cè)著手去除陰影。我們知道，即使人們感覺(jué)很簡(jiǎn)單的景物中也包含著大量的細(xì)節(jié)，它們 在圖像中都表現(xiàn)為強(qiáng)度的非連續(xù)性，找出所有這些細(xì)節(jié)并不是獲得景物的 可行方法。另外圖像強(qiáng)度的非連續(xù)性來(lái)源于不同的物理現(xiàn)象：表面反射

12、和 紋理不同邊緣是指圖像局部亮度變化最顯著的部分。邊緣主要存在于目標(biāo) 與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域之間，是圖像分割、紋理特征提取等圖 像分析的重要基礎(chǔ)。圖像分析與理解的第一步常常是邊緣檢測(cè)。因此邊緣 檢測(cè)十分重要，己經(jīng)成為機(jī)器視覺(jué)的重要研究領(lǐng)域。圖像中的邊緣通常與圖像亮度或圖像亮度的一階導(dǎo)數(shù)的不連續(xù)性有 關(guān)。圖像亮度的不連續(xù)性可分為：階躍不連續(xù)，即圖像亮度在不連續(xù)處的 兩邊象素灰度值有著顯著的差異：線條不連續(xù)，即圖像亮度突然從一個(gè)值 變化到另外一個(gè)值，保持一個(gè)較小的行程后又返回到原來(lái)的值。梯度：邊緣檢測(cè)是檢測(cè)圖像局部顯著變化的基本運(yùn)算。梯度是函數(shù)變化的一 種量度，而一幅圖像可以看作是圖像強(qiáng)度

13、連續(xù)函數(shù)的取樣點(diǎn)陣列，因此圖 像灰度值的顯著變化可以通過(guò)梯度的離散逼近函數(shù)來(lái)檢測(cè)。一 _堂ax堂C一 _=- -X yG G_=y對(duì)于數(shù)字圖像，式中的導(dǎo)數(shù)可用差分來(lái)近似。最簡(jiǎn)單的梯度近似表達(dá)式為：G = f k,j+1- f k,jq=f LjL f j+1, j邊緣檢測(cè)算法：現(xiàn)在有很多邊緣檢測(cè)算子，直flRoberts算子、Sobel算予、Prewitt算子、Kirsch算子等。由于本系統(tǒng)實(shí)時(shí)性要求高，所以必須選取計(jì)算簡(jiǎn)單、速度快、邊緣定位精確的算子?；谝陨蠋c(diǎn)考慮本文選取TSobel算子。Sobel邊緣檢測(cè)算子是利用梯度與差分原理組成的邊緣檢測(cè)器。其梯度幅 度的數(shù)學(xué)描述為：e =2 +

14、d 2)(3)其中d f G - L j - D+ 2f (i,j 1)+ f (i+1, j 1) f (i+1, j 1)+ 2f (i,j + D+ f (i + 1, j + 1) d f ( + L j - D+ 2 f ( +1, j)+ f ( +1, j + 1) f C1, j 1)+ 2 f G L j)+ f C1, j + 1)用模板(卷積核)來(lái)表示即：1 0 -1d = 20-2尤1 0-1-1-2-1d =000y121當(dāng)陰影出現(xiàn)在車輛的兩側(cè)采用垂直邊緣檢測(cè)算子，如果陰影出現(xiàn)在車 輛的上下，使用水平邊緣檢測(cè)算子。但是該方法是將當(dāng)前序列圖進(jìn)行邊緣 檢測(cè)，然后再對(duì)背景圖

15、像進(jìn)行邊緣檢測(cè)，最后將邊緣檢測(cè)后的圖像差分得 到去除陰影的灰度圖像。2.2灰度圖像的二值化2.2.1灰度圖像的二值化概述圖像的二值化處理是將圖像簡(jiǎn)單的分成背景和目標(biāo)物體，最常用的方 法就是選取一個(gè)閾值e，用。將圖像分成兩大部分，大于e區(qū)域（通常為 目標(biāo)物體）和小于。的區(qū)域（通常為背景），若輸入圖像為f（x，Y），輸出圖 像為g（x，Y），貝0 TOC o 1-5 h z （）j1, f n y）2。.& 貝fG, y）v。如果物體灰度分布在幾個(gè)不相鄰的區(qū)間內(nèi)，二值化可表示為：（）1,如果/G, y貝/、gy %,其他其中中是組成物體各灰度值的集合。這種方法稱為閾值分割法，閾值 分割的方法有很多

16、，如迭代閾值分割的方法、最大類間方差法、最大熵閾 值分割、循環(huán)分割等。在這里我選取了最大類間方差法。2.2.2最大類間方差法Otsu在1979年提出的最大類間方差法(有時(shí)也稱之為Otsu方法)一直 被認(rèn)為是域值自動(dòng)化選取方法的最優(yōu)方法之一，它是一種自動(dòng)的非參數(shù)無(wú) 監(jiān)督的域值選擇法，它是基于類問(wèn)方差為最大的測(cè)度準(zhǔn)則，最佳的域值在 該測(cè)度函數(shù)取最大時(shí)得到的。該方法計(jì)算簡(jiǎn)單，自適應(yīng)性強(qiáng)，在一定條件 下不受圖像對(duì)比度與亮度變化的影響，因而在一些實(shí)時(shí)圖像處理系統(tǒng)中得 到了廣泛的應(yīng)用。下面是最大類間方差法的基本思想：對(duì)于灰度級(jí)為0255的MXN 一幅圖像，記f(x，y)為圖像點(diǎn)(i，j)處的 灰度值，則：

17、第一步：計(jì)算圖像的直方圖統(tǒng)計(jì)結(jié)果，得到灰度值為k的頻率PHS(k)為：第二步：計(jì)算圖像的灰度均值u :Tu =羌 K PHK (k)(9)K=0第三步：計(jì)算灰度類均值乒(s)和類直方圖之和o(s)：代)=& PHK (K) (10) a (S )=pHS (k ) (11)k=0k=0第四步：計(jì)算類分離指標(biāo)b :B最后，求出bB。達(dá)到最大的值S，則最佳閾值T=S。在實(shí)際場(chǎng)景中。每一幀的情況都不是為所能夠預(yù)料的，所以一個(gè)固定的域值也將不能解決 實(shí)際的問(wèn)題。最大類間方差法能夠自動(dòng)選取域值，它是通過(guò)尋找一個(gè)最大 方差值，來(lái)分割圖像成兩部分。因?yàn)榉讲钍菆D像灰度分布均勻性的一種度 量，方差值越大，說(shuō)明構(gòu)

18、成圖像的兩部分差別越大，當(dāng)部分目標(biāo)錯(cuò)分為背 景或部分背景錯(cuò)分為目標(biāo)都會(huì)導(dǎo)致兩部分差別變小，因此使類間方差最大 的分割意味著錯(cuò)分概率最小，這也是最大類間方差法的真正含義。2.2.3實(shí)驗(yàn)結(jié)果圖2.1背景圖圖2.2目標(biāo)圖圖2.3灰度圖像圖2.4 二值圖2.3二值化圖像的形態(tài)濾波二值化圖像后目標(biāo)圖像存在的一個(gè)較突出的問(wèn)題就是某些地方具有 不連續(xù)性，從而使本來(lái)屬于同一個(gè)目標(biāo)的物體被劃分為不同的部分，而導(dǎo) 致錯(cuò)誤的分割。由于形態(tài)學(xué)中在鄰域區(qū)域合并方面效果明顯，因此采用形 態(tài)結(jié)構(gòu)元素對(duì)目標(biāo)圖像進(jìn)行運(yùn)算，而數(shù)學(xué)形態(tài)學(xué)的算法具有天然的并行實(shí) 現(xiàn)的結(jié)構(gòu)，所以這種運(yùn)算可以用硬件并行快速完成。形態(tài)學(xué)一般指生物學(xué)中研究

19、動(dòng)物和植物結(jié)構(gòu)的一個(gè)分支。后來(lái)數(shù)學(xué)形 態(tài)學(xué)被用來(lái)表示以形態(tài)為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具。它的基本思想 是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像對(duì)象中的對(duì)應(yīng)形態(tài)以達(dá) 到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)是一種非線性濾波方法。Minkowski結(jié)構(gòu)和差運(yùn)算，即形 態(tài)和差（膨脹和腐蝕）是數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)。數(shù)學(xué)形態(tài)學(xué)可以用來(lái)解決抑制 噪聲、特征提取、邊緣檢測(cè)、圖像分割、形態(tài)識(shí)別、紋理分析、圖像恢復(fù) 與重建、圖像壓縮等圖像處理問(wèn)題。數(shù)學(xué)形態(tài)學(xué)首先處理二值圖像。數(shù)學(xué) 形態(tài)學(xué)將二值圖像看成是集合。并用結(jié)構(gòu)元素來(lái)探查。結(jié)構(gòu)元素是一個(gè)可 以在圖像上平移、且尺寸比圖像小的集合?；镜臄?shù)學(xué)形態(tài)學(xué)運(yùn)算是將結(jié) 構(gòu)元

20、素在圖像范圍內(nèi)平移，同時(shí)進(jìn)行交、并等基本的集合運(yùn)算。2.3.1形態(tài)算子數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有4個(gè)：膨脹、腐蝕、開(kāi)啟和閉合。數(shù)學(xué)形態(tài) 學(xué)中二值圖像的形態(tài)變換是一種針對(duì)集合的處理過(guò)程，其形態(tài)算子的實(shí)質(zhì) 是表達(dá)物體或形狀的集合與結(jié)構(gòu)元素間的相互作用，結(jié)構(gòu)元素的形狀就決 定了這種運(yùn)算所提取的信號(hào)的形狀信息。形態(tài)學(xué)圖像處理是在圖像中移動(dòng) 一個(gè)結(jié)構(gòu)元素，然后將結(jié)構(gòu)元素與下面的二值圖像進(jìn)行交、并等集合運(yùn)算。 基本的形態(tài)運(yùn)算是膨脹和腐蝕。在形態(tài)學(xué)中，結(jié)構(gòu)元素是最重要和最基本 的概念。結(jié)構(gòu)元素在形態(tài)變換中的作用相當(dāng)于信號(hào)處理中的“濾波窗口”。 結(jié)構(gòu)元素一般是指nXn的正方形，我們把方形中值為1的象素稱為結(jié)構(gòu)元素

21、核。如下圖的3X3的結(jié)構(gòu)元素中，打黑點(diǎn)的就是核。圖2.5結(jié)構(gòu)元素核結(jié)構(gòu)元素可以有不同形狀，可以是一個(gè)點(diǎn)，一對(duì)有向線段，一個(gè)小圓， 一個(gè)正多邊形等。如下圖是最常見(jiàn)的結(jié)構(gòu)元素。大點(diǎn)表示結(jié)構(gòu)元素中的點(diǎn)， 小點(diǎn)表示坐標(biāo)刻度線。在通常的情況下，形態(tài)學(xué)圖像處理以在圖像中移動(dòng) 一個(gè)結(jié)構(gòu)元素并進(jìn)行一種類似于卷積操作的方式進(jìn)行。結(jié)構(gòu)元素可以具有 任意的大小，也可以包含任意的0與1的組合。在圖像的每個(gè)象素位置，結(jié) 構(gòu)元素核與二值圖像之間進(jìn)行一種特定的邏輯運(yùn)算。邏輯運(yùn)算的二進(jìn)制結(jié) 果存在輸出圖像中對(duì)應(yīng)于該象素的位置上。產(chǎn)生的結(jié)果取決于結(jié)構(gòu)元素的 大小、內(nèi)容以及邏輯運(yùn)算性質(zhì)。圖2.6常見(jiàn)的結(jié)構(gòu)元素2.3.2圖像的腐蝕

22、與膨脹假設(shè)一個(gè)二值圖像函數(shù)為A（x，y），結(jié)構(gòu)元素為B（x，y），定義腐蝕為： E = A B = x, yl B c A（13）也就是說(shuō)，由結(jié)構(gòu)單元B對(duì)圖像A腐蝕所產(chǎn)生的二值圖像E是這樣的點(diǎn) （x，y）的集合：如果將B的原點(diǎn)位移到點(diǎn)（x，y）而得到8，那么8將完 全包含于A中。在計(jì)算機(jī)實(shí)現(xiàn)時(shí)，先使原點(diǎn)（O, O）包含在結(jié)構(gòu)元素B中，將 B平移后放在圖像函數(shù)A內(nèi)某個(gè)位置上，使B上各點(diǎn)都與A中相應(yīng)點(diǎn)重合。這 時(shí)，B中原點(diǎn)所在的新位置便是腐蝕結(jié)果E中的一點(diǎn)。將B遍歷全圖像中所 有可能位置后，B的原點(diǎn)移動(dòng)的軌跡便構(gòu)成了腐蝕結(jié)果。膨脹的定義如下: D = A B = x, y l B D A w （1

23、4）也就是說(shuō)，結(jié)構(gòu)單血對(duì)圖像A膨脹產(chǎn)生的二值圖像D是由這樣的點(diǎn)（X， Y）組成的集合：如果B的原點(diǎn)位移到（X，Y），那么它與A的交集非空。在計(jì) 算機(jī)實(shí)現(xiàn)時(shí)，令圖像原點(diǎn)（0，0）和目標(biāo)區(qū)域A中某點(diǎn)重合，將結(jié)構(gòu)元素的 原點(diǎn)也移到該點(diǎn)，然后檢驗(yàn)結(jié)哿元素B中各點(diǎn)（即結(jié)構(gòu)元素的核）所在的當(dāng) 前位置，如果位于該位置屬于A區(qū)域的點(diǎn)的灰度為0，則把它改為1；否則 不變。把原點(diǎn)在區(qū)域B中遍歷完，得到的結(jié)果便是膨脹結(jié)果。2.3.3圖像的開(kāi)啟和閉合圖像的開(kāi)啟和閉合運(yùn)算是在腐蝕和膨脹兩個(gè)基本運(yùn)算的基礎(chǔ)上提出 來(lái)的。對(duì)I圖像A及結(jié)構(gòu)元素B，用AoB表示A對(duì)B的開(kāi)運(yùn)算，用A B表示A 對(duì)B的閉運(yùn)算，則它們的定義為：A o

24、 B =（A B ） B（15）A B =（A B） B（16）其中，A B可視為對(duì)腐蝕圖像AB用膨脹來(lái)進(jìn)行恢復(fù)。而A B可 看作是對(duì)膨脹圖像AB用腐蝕來(lái)進(jìn)行恢復(fù)。不過(guò)這一恢復(fù)不是信息無(wú)損 的，即它們通常不等于原始圖像A。在圖像處理的過(guò)程中，可以利用開(kāi)、 閉運(yùn)算來(lái)去除噪聲，恢復(fù)圖像。通過(guò)開(kāi)運(yùn)算可以消除離散點(diǎn)和毛刺。也就 是對(duì)二值圖像進(jìn)行平滑，通過(guò)閉運(yùn)算將兩個(gè)鄰近的目標(biāo)連接起來(lái)，便于下步分割出完整的圖像。本文使用了開(kāi)運(yùn)算來(lái)消除離散點(diǎn)和毛刺。圖2.7 形態(tài)濾波后的圖像圖片橫向填充圖2.8圖片縱向填充圖2.9第三章運(yùn)動(dòng)目標(biāo)的識(shí)別及其特征提取3.1概述通過(guò)圖像的預(yù)處理，當(dāng)前幀中的目標(biāo)可能已經(jīng)成為一個(gè)連

25、成一體的區(qū) 域。在人類的視覺(jué)上這些是很明顯的目標(biāo)區(qū)域，但是對(duì)于計(jì)算機(jī)來(lái)說(shuō)，它 不可能“看見(jiàn)”這些區(qū)域更無(wú)法知道這些區(qū)域的特征信息。所以我們用合 理的數(shù)據(jù)結(jié)構(gòu)來(lái)描述這些區(qū)域，讓計(jì)算機(jī)知道這些區(qū)域中含有運(yùn)動(dòng)目標(biāo)， 并最終分割出運(yùn)動(dòng)目標(biāo)。這里首先要提到一個(gè)重要的概念一區(qū)域分割：區(qū)域分割是把圖像分割 成特征相同互相不重疊區(qū)域的處理方法。區(qū)域是象素的連通集，也就是與 所討論的象素相鄰或接觸象素的集臺(tái)。所謂連通，是指在一個(gè)連通集中的 任意兩個(gè)象素之間。存在一條完全由這個(gè)集合的元素構(gòu)成的連通路徑。連 通路徑是一條可在相鄰象素問(wèn)移動(dòng)的路徑。根據(jù)象素的四鄰域或八鄰域點(diǎn) 的數(shù)值，相應(yīng)的連通路徑有四連通和八連通。四

26、連通依據(jù)與其相鄰的上下左右四個(gè)象素確定連通；八連通則再加上對(duì)角相鄰的四個(gè)點(diǎn)共八個(gè)象素點(diǎn) 來(lái)確定連通。通常八連通的結(jié)果與人的感覺(jué)更接近。本文所要進(jìn)行區(qū)域分割的圖像是已經(jīng)經(jīng)過(guò)二值化的圖像。目前普遍使 用的二值圖像區(qū)域分割方法有區(qū)域生長(zhǎng)、標(biāo)簽處理、線段編碼三種。由于 區(qū)域生長(zhǎng)法的初始“生長(zhǎng)點(diǎn)”不好選取而造成耗時(shí)比較大，而標(biāo)簽法計(jì)算 量很大，因此本文選取了線段編碼的方法對(duì)二值圖像進(jìn)行區(qū)域分割。本文 在對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行分割的同時(shí)，并行進(jìn)行著對(duì)目標(biāo)區(qū)域的特征提取。而此 選擇的特征是為后續(xù)的運(yùn)動(dòng)目標(biāo)跟蹤作為依據(jù)。運(yùn)動(dòng)目標(biāo)的特征一般可以 分為幾何特征（形心、周長(zhǎng)、面積等）、目標(biāo)顏色、外形輪廓線等。由于選 擇不同

27、的特征將影響跟蹤算法的設(shè)計(jì)、性能及計(jì)算開(kāi)銷。綜上所述本文的 算法是在線段編碼的基礎(chǔ)上，在目標(biāo)識(shí)別的過(guò)程中同時(shí)進(jìn)行幾何特征和顏 色特征的提取。3.2運(yùn)動(dòng)目標(biāo)的識(shí)別線號(hào)1003.2.1線段編碼方法101102103104105106107圖3.1物體線段示意圖線段編碼是用來(lái)存貯被抽取物體的一種逐行處理技術(shù)。該技術(shù)從相鄰 行間的相關(guān)性與連通性出發(fā)，給出一種基于行處理技術(shù)的幾何參數(shù)掃描算 法，其基本原理可由圖3.1所示，對(duì)于二值圖像區(qū)域，程序從頂部開(kāi)始逐 行掃描線段，分析目標(biāo)區(qū)域。在圖中，標(biāo)記為1一1的區(qū)域是第100行圖像 上由若干個(gè)連續(xù)象索形成的線段。同時(shí)假設(shè)ll段是程序所遇到的第一個(gè) 目標(biāo)（編號(hào)為

28、1的目標(biāo)）的第一條線段。在對(duì)目標(biāo)101行進(jìn)行掃描時(shí)，程序遇 到兩端線段：12和21。由于此時(shí)很難斷定這兩條線段是否屬于同一目 標(biāo)，因此程序暫時(shí)假定101行圖像上的第二段為第二個(gè)目標(biāo)。對(duì)于1一2段， 由于它緊接在1一1段的下面，因此程序認(rèn)為這兩段都是標(biāo)稱為目標(biāo)1的一 部分。同樣的處理過(guò)程掃描到102行，但到103行時(shí)，圖像僅僅發(fā)現(xiàn)一個(gè)區(qū)段 14,并且它同時(shí)位于標(biāo)號(hào)為目標(biāo)1和目標(biāo)2的下面，此時(shí)程序才發(fā)現(xiàn)到原 來(lái)目標(biāo)1和目標(biāo)2實(shí)際上是同一個(gè)目標(biāo)，因此將目標(biāo)2合并到目標(biāo)1上來(lái)，下 面的掃描只對(duì)目標(biāo)1進(jìn)行編號(hào)。進(jìn)行到第105行時(shí)，程序又發(fā)現(xiàn)兩個(gè)區(qū)段16和17，但由于它們都 位于線段15的下面，顯然屬于目

29、標(biāo)1。掃描到106行時(shí)，在線段18和l 一 9下面沒(méi)有發(fā)現(xiàn)任何線段，因此完成了目標(biāo)1的分割。如此掃描其它的連 通域，則可以快速完成整個(gè)圖像場(chǎng)景目標(biāo)的區(qū)域分割。3.3運(yùn)動(dòng)目標(biāo)特征的描述通過(guò)線段編碼從圖像中分割出運(yùn)動(dòng)目標(biāo)的同時(shí)，可以獲得這些目標(biāo)區(qū) 域的幾何特征以及顏色特征。本文選用的幾何特征是目標(biāo)面積、形心；顏 色特征是各個(gè)目標(biāo)的象素R、G、B分量，下面予以逐一描述。在衡量目標(biāo)區(qū)域大小時(shí)，目標(biāo)區(qū)域面積參數(shù)S（）可以作為一種度量尺 度，對(duì)于區(qū)域R*,y），S（）定義為該區(qū)域中象素?cái)?shù)目，即(17)S(R (x, y)= f (x, y)i(x, y )eR. (x, y )式中f(x，y)為點(diǎn)(x，y

30、)處灰度值，在區(qū)域R(x, y)內(nèi)，f(x，y)的值i為255,或則為0。，形心參數(shù)目標(biāo)形心參數(shù)R *)在目標(biāo)跟蹤技術(shù)中具有重要用途與圖像的矩有密切的關(guān)系，參數(shù)(0 y)定義為:(18)x = M (R (x, y )/ M (R (x, y ) y= M10 (R (x, y)/ M (R (x, y)001 i00其中矩Mq定義為(19)M(R (x, y)= f (x, y)xpyq(x, y )eR. (x, y )通過(guò)測(cè)試發(fā)現(xiàn)這種方法計(jì)算量比較大，耗時(shí)多不利于工程上實(shí)現(xiàn)。本 系統(tǒng)檢測(cè)的運(yùn)動(dòng)目標(biāo)是具有規(guī)則外形的車輛，所以本文利用運(yùn)動(dòng)目標(biāo)的最小外接矩的中心來(lái)近似形心。區(qū)域R (x, y)

31、的最小外接矩形坐標(biāo)被定義為i兩個(gè)坐標(biāo)點(diǎn)min minmin min)和(x , y )。其中(x , y )代表矩形的左上角坐標(biāo)點(diǎn)，max maxmin minmax max)代表矩形右下角坐標(biāo)點(diǎn)，各個(gè)值的具體求解公式為：x= min fx, y)(x, y)e R (x, y) TOC o 1-5 h z min xiy= min fx, y)(x, y)e R (x, y) HYPERLINK l bookmark101 o Current Document minyix= min ix, y)(x, y)e R (x, y)(20) HYPERLINK l bookmark104 o C

32、urrent Document maxx1y = min%, y)(x, y)e R (x, y)maxiy就的近似表達(dá)式為rmax + J2Gmax + 2(21)通過(guò)線段編碼分割出運(yùn)動(dòng)目標(biāo)，記錄該運(yùn)動(dòng)目標(biāo)的各個(gè)點(diǎn)位置。然后在差 分前原圖中找到運(yùn)動(dòng)目標(biāo)對(duì)應(yīng)點(diǎn)R、G、B的值。顏色特征可以為后續(xù)跟蹤 提供更多的匹配依據(jù)。3.4運(yùn)動(dòng)目標(biāo)識(shí)別及特征提取算法的實(shí)現(xiàn)算法具體實(shí)現(xiàn)步驟：第一步：從圖像首行開(kāi)始掃描，直到遇到該行中象素不為0的點(diǎn)。將 此行中象素連續(xù)為255的段記下它的起點(diǎn)、終點(diǎn)的坐標(biāo)以及該段所屬區(qū)域 的編號(hào)。假設(shè)初始時(shí)有n段，Area個(gè)區(qū)域（n=Area），同時(shí)n段中的第i段屬 于第i個(gè)區(qū)域，

33、第i段所屬區(qū)域編號(hào)是i。記下每個(gè)區(qū)域幾何參數(shù)信息以及 在當(dāng)前幀的原圖中取各象素點(diǎn)的R、G、B三色值。第二步：對(duì)接下來(lái)的行繼續(xù)掃描，假設(shè)這段統(tǒng)計(jì)出來(lái)段。第三步：如果新段中的第一段的縱坐標(biāo)與舊段中的第一段縱坐標(biāo)相減 大于1，則新段是新區(qū)域中的段。第i（i=1、2m）個(gè)新段屬于區(qū)域Area+i，第i個(gè)新段的所屬區(qū)域的編號(hào)=Area+i，區(qū)域數(shù)變?yōu)锳rea=Area+m， 更新當(dāng)前區(qū)域的幾何參數(shù)及顏色信息。跳轉(zhuǎn)到第六步。第四步：對(duì)m個(gè)新段中的第i（i=1、2m）段與n個(gè)舊段分別比較。只要第i個(gè)新段與第j個(gè)舊段屬于同一區(qū)域。將第i個(gè)新段區(qū)域號(hào)賦值為第j 個(gè)舊段的區(qū)域號(hào)，并把第i個(gè)新段合并到第j個(gè)舊段的區(qū)

34、域中去。第五步：如果第i個(gè)新段與13個(gè)舊段都不屬于同一區(qū)域。則新段的區(qū) 域號(hào)變?yōu)锳rea+1 :同時(shí)區(qū)域編號(hào)變?yōu)锳rea+l。并把此段放在Area+1的區(qū)域 中。第六步：如果全部行都掃完，結(jié)束統(tǒng)計(jì)區(qū)域個(gè)數(shù)及每個(gè)區(qū)域的幾何參 數(shù)和顏色信息，否則跳轉(zhuǎn)到第二步。第四章總結(jié)本文介紹了一種利用計(jì)算機(jī)視覺(jué)來(lái)檢測(cè)智能交通系統(tǒng)中車輛流量參 數(shù)的技術(shù)，通過(guò)背景與當(dāng)前幀的圖像的差分，獲得運(yùn)動(dòng)車輛的流量信息。然而，利用視頻來(lái)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行分析畢竟還是一個(gè)比較新的領(lǐng)域， 運(yùn)用視覺(jué)處理技術(shù)進(jìn)行交通路況參數(shù)的檢測(cè)也是近年的事情，所以基于視 頻圖像處理技術(shù)的的智能交通檢測(cè)系統(tǒng)仍然面臨諸多圖像處理技術(shù)的難 點(diǎn)，到目前為止，基

35、于視頻的交通流量檢測(cè)系統(tǒng)在國(guó)內(nèi)還沒(méi)有系統(tǒng)的產(chǎn)業(yè) 化，基本上都是處于實(shí)驗(yàn)階段，這也正說(shuō)明了其處理的難度。但是，我們 必須要看到這種技術(shù)發(fā)展前景是廣闊的同時(shí)我們還有許多工作要做。本論文是在導(dǎo)師*教授的精心指導(dǎo)下完成的。在本科學(xué)習(xí)期間，耳 濡目染于導(dǎo)師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、誨人不倦的師者風(fēng)范、無(wú)私奉獻(xiàn) 的高尚品格和精益求精的工作作風(fēng)，這些都使我終生受益。在論文完 成之際，對(duì)導(dǎo)師在學(xué)業(yè)上的教誨和支持表示衷心的感謝和無(wú)限的敬意！同時(shí)感謝*教授、*老師和*老師給予我的指導(dǎo)和幫助以及為我 提供的良好實(shí)驗(yàn)環(huán)境，在此表示深深的謝意！在本科階段的學(xué)習(xí)、工作和生活得到了師兄、師姐以及同學(xué)們的關(guān)心 和幫助，衷心感謝*博士、*博士、*碩士、*碩士等在課題研究工作 中和生活中給予我的幫助。感謝我的父母在我漫長(zhǎng)的求學(xué)生涯中給予我的關(guān)心、支持和鼓勵(lì)，沒(méi) 有他們我將無(wú)法完成自己的學(xué)業(yè)。最后，向那些所有曾給予我?guī)椭P(guān)心我、支持我的人表示最誠(chéng)摯的謝意程序：i=imread(llll.png);j=imread(2222.png);i1=rgb2gray(i);j1=rgb2gray(j);i2=medfilt2(i1,2,2);%二維中值濾波j2=medfilt