基于图像处理的智能交通系统文档格式.docx

基于图像处理的智能交通系统文档格式.docx

《基于图像处理的智能交通系统文档格式.docx》由会员分享，可在线阅读，更多相关《基于图像处理的智能交通系统文档格式.docx（15页珍藏版）》请在冰豆网上搜索。

摘要

在道路交通管理中，为了获得车辆的运动数据，早期经常采用的是感应线圈等硬件测量的方法。

而如果采用摄像头拍摄的道路视频，再用计算机软件处理的方法，则可以极大的增加方便性和灵活性。

本文运动目标检测与跟踪研究如何让计算机从视频图像序列中获得物体运动数据。

运动目标检测与跟踪分为背景提取、运动点团提取、运动点团位置提取、运动物体跟踪这几个步骤，本文对每一个步骤的各种算法做了实验分析比较研究，并提出了改进算法。

在背景提取步骤提出了改进的基于均值的背景提取算法以及减少图像像素的兴趣区提取算法。

在运动点团提取的阴影处理步骤提出了改进的基于RGB空间的阴影处理算法。

在运动点团位置提取步骤提出了改进的线段编码算法。

在运动物体跟踪步骤提出了基于预测的运动跟踪算法。

实验与分析说明本文提出的算法优于原算法。

本文还通过实验分析比较了基于灰度图像序列的运动目标检测与跟踪、基于边缘图像序列的运动目标检测与跟踪，它们都没有基于彩色图像序列的运动目标检测与跟踪效果好。

最后，本文得到了一整套运动目标检测与跟踪的方法，它们的健壮性和实时性都符合实际运用的要求。

关键字：

背景提取、阴影处理、运动目标检测、运动跟踪、彩色图像、灰度图像、彩色边缘检测

第一章引言

随着计算机硬件技术的迅猛发展,高速处理芯片和高速大容量存储器芯片的出现与普及,使得从图像序列中检测出运动信息、识别与跟踪运动目标和估计三维运动及结构参数成为计算机视觉领域中一个非常活跃的分支,由于其在国民经济和军事领域的许多方面有广泛的应用,对它的研究受到各国的普遍关注.

对于动态图像的分析以及最后识别运动目标,目前主要通过两个途径来实现.一种途径是模仿人眼成像及识别物体的机理,让计算机从获得的二维连续图像序列中提炼出运动目标,并从中重构出三维物体的可视部分以达到识别物体的目的.虽然在这一方面的研究取得了一些进展,但是由于其它方面的研究滞后以及计算机的固有缺陷（例如,计算机系统普遍地采用二维逻辑,而人眼成像及识别物体不仅仅是二维的）,使得通过这一途径完全还原及识别运动目标的研究进展缓慢.另一途径是图像法识别运动目标.图像法识别运动参数的基本原理是将物体用成像头（红外或可见光等）摄入后形成的图像信号序列送入计算机,经过对图像的预处理、特征提取、目标识别后,在连续图像序列中进行特征点匹配,进而解出目标物体的运动参数,实现对目标物体的搜索、识别和跟踪.一旦完成对目标及其运动参数的识别,就可以由伺服机构完成下一步的决策和处理.图像法识别是从输入图像和目标物体两个方面入手,通过对输入图像序列的处理,使其与目标样本库中的图像进行匹配,以达到识别目标的目的.该方法也存在着缺陷,比如,样本库可能非常大,不利于实时跟踪和处理.本文主要对图像法识别物体运动参数的过程及其存在的问题进行讨论.

1图像预处理

目前,图像预处理技术已经有比较成熟的方法可以采用.图像预处理主要是对图像进行噪声滤除,图像锐化,对比度增强和边缘检测.

1.1　

噪声滤除运动目标识别的任务就是把物体的轮廓从背景中分离出来,根据特征值与目标样本库中的图像进行匹配运算,以达到识别目标的目的.由于拍摄环境和设备质量等多种因素,使数字化后的图像不可避免的带有各种噪声,为了减少噪声对物体轮廓提取的影响,噪声滤除是图像预处理中的第一步.如果这种噪声发生模型预先知道,针对这种噪声模型设计滤波（一般为频率区域内的滤波）,就能够有效地消除噪声,这样的处理叫做图像复原.但是,通常噪声发生的机理往往是未知的,而且即使知道了产生机理,有时也不能对此有效地进行数学上的模型化.在这样的场合,可采用根据噪声所具有的一般性质进行噪声消除的平滑性.由于图像的噪声常常表现为一些孤立的像素点,其像素灰度和周围点有显著差别,灰度的陡性变化比较大,所以可以用邻域平均、中值滤波、高斯低通滤波等方法来抑制噪声.对于邻域平均法,如果把求灰度平均值的邻域取得太大,或者反复进行若干次操作,则会使图像模糊,图像的质量也会随之降低.中值滤波不仅能有效滤除图像中的孤立噪声点,与邻域平均法相比还能有效保护边界信息.图像中有一些非常有价值的像素点也表现出与噪声相似的特性.比如图像中物体轮廓的边缘点,如果处理不好就会造成物体边缘模糊,不利于物体和背景的分离,对最终的目标识别带来新的干扰.

1.2

图像锐化噪声消除之后,图像可能变得边缘模糊,为了改善图像质量,使图像具有的信息让人易于观看,就要对图像进行锐化处理.图像锐化一般采用增强高的空间频率成份的办法.这是由于图像的模糊,是高的空间频率成分比低的空间频率成分弱这一原因造成的.

1.3　

对比度增强对比度增强是指对图像的对比度等进行强调和尖锐化,以便于显示、观察和进一步的分析与处理.对比度增强将不增加图像数据中的相关信息,但它将增加所选择特征的动态范围,从而使这些特征检测和识别更加容易.常用的增强对比度的方法有:

线性灰度变换,非线性灰度变换,直方图均衡,灰度的规定化.根据灰度变换使对比度增强的目的在于最后做出令人们易于观看的图像,但在灰度绝对值具有意义的图像的二值图像中,信息将被歪曲,有时反而会收到相反的效果.

1.4　

边缘检测图像的边缘可以被定义为在局部区域内图像特性的差别,它表现为图像上的不连续性（如表现在图像上灰度级的突变,纹理结构的突变以及彩色的变化等）.图像的边缘信息无论是对人类或对机器视觉来说都是非常重要的.边缘具有能勾画出区域的形状,能被局部定义及其能传递大部分图像信息等许多优点.因此,边缘检测可以看作是处理许多复杂问题的关键.常用的边缘检测算子有:

Ｓｏｂｅｌ算子、高斯拉普拉斯算子（ＬＯＧ）、Ｃａｎｎｙ算子、Ｐｒｅｗｉｔｔ算子、Ｒｏｂｅｒｔｓ算子等.Ｓｏｂｅｌ算子是一种加权平均算子,对靠近中心的点进行加权,以突出边缘.Ｓｏｂｅｌ算子计算量较大,对于图像的最后一行和最后一列的像素无法进行差分运算,于是采用了前一行和前一列的梯度值去代替的补救方法.虽然Ｓｏｂｅｌ算子的提取效果较好,但在提取过程中不难发现,阈值Ｔ的确定是一个非常繁琐但同时也是非常关键的环节.Ｌａｐｌａｃｉａｎ算子是用高阶差分算子检测边缘.ＬＯＧ算子在图像进行差分运算之前,先对图像进行平滑处理,以减少噪声,因此缓解了一般差分对噪声响应很敏感的问题.Ｒｏｂｅｒｔｓ算子和Ｐｒｅｗｉｔｔ算子很相似.由于图像的最后一行和最后一列的像素无法进行差分运算,于是采用了前一行和前一列的梯度值去替代的补救方法.Ｒｏｂｅｒｔｓ梯度算子对噪声很敏感,故很少采用这种方法检测稠密点区域的边缘.

第二章设计任务和设计要求

2.1设计任务

给定一段交通监控视频，请结合本课程学习内容实现以下功能：

1、运动目标（车辆）检测

检测出所有给定场景下出现的车辆，不同车辆用不同颜色的外接矩形标示。

2、运动目标跟踪

第i帧第（i+1）帧

车辆检测之后，确立相邻帧之间车辆的对应关系。

3、运动目标的检索

将某帧图像中的某个车辆作为查询图像，返回该车辆所出现的所有帧号。

查询图像：

返回结果：

45464748495051

4、给定时间段内的车流量

给定某个时间段（或该时间段对应的帧号），求取通过的车辆个数。

2.2设计要求

编写程序代码，要做到简单而功能齐全，然后将各任务程序整合为一个系统，编译出交互界面。

第三章各个模块实现的原理和现象

3.1运动目标的检测

3.1.1基本思想

要找出一个目标之前，必须对检测图像分割出目标即车辆，为了目标的完好，还需进行必要的处理如开运算或闭运算。

为了使图像的噪声降到最低值，还有必要对图像进行中值滤波处理。

然后根据实际图像设定一个阀值，遍历整个图像，以兴趣值大于该阀值点为候选点，阀值的选择应以候选点中包括需要的特征点，而又不包含过多的非特征点。

再选一个一定大小的窗口，以该窗口遍历灰度图像，在此过程中取窗口中兴趣值最大的候选点作为特征点。

以及对目标标明计数，并找出目标的边界，然后用不同颜色的线连接起边界的四个点，即对目标外接矩形框，从而实现了目标的检测。

3.1.2程序流程图

3.1.3具体的程序见附录一

3.1.4图像处理后的结果

图图像的检测

3.2运动目标跟踪

3.2.1基本思想

使用子特征（如物体上可辨别的点或线）来初始化跟踪任务，其跟踪过程包括特征提取和特征匹配两个过程，该跟踪方法不是将运动区域作为作为整体来跟踪，而是跟踪具有不变性质的特点。

Polana与Nelson的文章中将每个车辆用一个矩形封闭框封闭起来，矩形框的质心被选择作为跟踪的特征。

在跟踪过程中若两车出现相互遮挡时，只要质心的速度能被区分开来也可以成功的跟踪。

该方法的优点是实现简单，即场景中存在部分遮挡，只要跟踪物体的一些特征点仍可以顺利跟踪。

这种算法的难点是对某个运动目标如何确定其具有代表性的特征。

3.2.2程序流程图

3.2.3具体程序代码见附录一

3.2.4图像处理后的结果

运动目标跟踪

3.3运动目标的检索

3.3.1基本思想

视频流图像内容检索根据捕获到的图像对实际物体和场景做出有意义的判定,并对其行为进行理解与描述,实现“视觉智能”。

本文针对图像颜色分布特征,提出对图像进行子块分割和合理的区域划分方法来对不同子块和区域分别进行颜色特征提取,并给出利用离散余弦变换和奇异值分解进行颜色特征提取和降维操作算法。

提出自相似特征编码方法,将编码空间由灰度空间扩展到彩色空间,充分体现了图像的颜色自相似特征。

采用中心扩散算法,能够在保证一定程度匹配误差的基础上有效缩短计算时间,增强算法的可行性,通过对自相似特征编码进行奇异值分解的方法提取特征向量来实现图像检索。

3.3.2程序流程图

3.3.3具体程序代码见附录二

3.3.4图像处理后的结果

图检索图像

图：

检索结果

第四章交互界面GUI设计

4.1GUI控件设计

　　　结合所要实现的功能，相应的添加按钮和图像显示窗口。

界面设计如下图

图GUI图形界面

4.2交互界面程序编写

读入图像：

functionreadFrame_Callback（hObject,eventdata,handles）

[filename,pathname]=uigetfile（...

{'

*.bmp;

*.jpg;

*.png;

*.jpeg'

'

ImageFiles（*.bmp,*.jpg,*.png,*.jpeg）'

},...

'

Pickanimage'

）;

Path=[pathnamefilename];

I=imread（Path）;

axes（handles.axes1）;

imshow（I）;

handles.Fistfigure=I;

guidata（hObject,handles）;

　获取图像：

functionCaptureCar_Callback（hObject,eventdata,handles）

StartPos=get（handles.axes1,'

position'

[X,Y]=MousePickup;

Xmin=min（floor（X））;

Xmax=max（floor（X））;

Ymin=min（floor（Y））;

Ymax=max（floor（Y））;

Rect

（1）=floor（（Ymin+Ymax）/2）;

Rect

（2）=floor（（Xmin+Xmax）/2）;

handles.Rect=Rect;

清屏：

functionpushbutton1_Callback（hObject,eventdata,handles）

clc;

closeFigure1;

closeFigure2;

closeFigure3;

closeFigure4;

视频跟踪：

carData=main（）;

handles.carData=carData;

检索：

functionIntrieval_Callback（hObject,eventdata,handles）%¼

ì

Ë

÷

RectNew=handles.Rect;

carDataNew=handles.carData;

F=handles.Fistfigure;

F=rgb2gray（F）;

fori=1:

length（carDataNew）

if~（F-rgb2gray（carDataNew（i）.RGBfigure））

D=carDataNew（i）.figure;

N=D（RectNew

（1）,RectNew

（2））;

end

end

ifN~=0

x=0;

figure,

forX=1:

[r,c]=find（carDataNew（X）.figure==N）;

r=min（c（:

））;

ifr>

x=x+1;

I=carDataNew（X）.RGBfigure;

str=num2str（X）;

subplot（5,6,x）;

title（str）;

holdon,

plotCar（carDataNew（X）.figure,N,0）;

holdoff,

else

disp（'

Ã

»

Ó

Ð

Õ

Ò

µ

½

退出：

functionexit_Callback（hObject,eventdata,handles）

close;

第五章结论

通过前面的算法叙述和实验分析讨论，我们最终可以得到以下结论。

首先，运动目标检测和跟踪是基于彩色图像序列、灰度图像序列还是边缘图像序列的问题。

在运动点团提取时，彩色图像序列并没有比灰度图像有更多的信息，但是灰度图像序列无法处理阴影。

边缘图像序列无需处理阴影，然而其仅保留了物体边缘的信息，物体内部为空，加剧了物体分裂的情况。

因此，采用彩色图像序列做运动目标检测和跟踪，无需在处理之前将其转换成灰度图像或者边缘图像。

其次，根据实验比较分析，我们得到了一整套运动目标检测和跟踪的最佳的算法和参数：

背景提取采用改进的基于均值的背景提取算法；

背景提取同时提取兴趣区；

运动点团提取采用欧氏距离背景差法；

阴影处理使用改进的基于RGB空间的阴影处理算法；

运动点团位置提取采用改进的线段编码算法；

运动跟踪采用基于预测的运动跟踪算法。

整套方法有很好的健壮性，但在车辆太密的时候效果不是很理想，可以在这方面继续加以研究改进，例如可以在运动跟踪步骤里结合模式识别技术以提高在车辆太密时的跟踪效果。

接下来可以继续研究运动目标检测和跟踪的后续处理步骤，例如摄像头标定、车型识别、车牌识别、道路事件检测等等，所有这些共同构成智能交通系统，这是一个很有应用前景的研究领域。

另外，本文研究的是单一摄像头且摄像头固定的情况，多摄像头和摄像头随运动物体运动情况下的运动目标检测和跟踪都是可进一步研究的方向。

参考文献（三号宋体加粗）

[1]章毓晋.图像处理和分析教程.北京：

人民邮电出版社，2009

[2]姚敏.数字图像处理.北京：

机械工业出版社，2005

[3]李朝晖.数字图像处理及应用（含1CD）.北京：

[4]何东健，耿楠，张义宽.数字图像处理..西安：

西安电子科技大学出版社，2004

[5]贾永红.数字图像处理.武汉：

武汉大学出版社，2004

[6]夏良正.数字图像处理（第2版）.南京：

东南大学出版社，2005

课程设计成绩评定表

专业：

班级：

学号：

姓名：

课题名称

方案、结论与改可进之处

指导教师评语

建议成绩：

指导教师：

课程小组评定

评定成绩：

课程负责人：

时间：

2010年月日