基于圖像處理的運動車輛檢測【開題報告】

1、<p><b>　　畢業(yè)設計開題報告</b></p><p><b>　　計算機科學與技術</b></p><p>　　基于圖像處理的運動車輛檢測 </p><p>　　一、說明選題的依據(jù)和意義</p><p>　　隨著社會經(jīng)濟的的不斷發(fā)展，大小城市的車輛伴隨著越來也多，而其帶來的一

2、些交通事故的頻發(fā)，車輛的堵塞，噪音污染等問題也值得我們?nèi)ド钊胙芯亢徒鉀Q。</p><p>　　為了提高道路的通行能力，合理分配道路的交通流，減少交通事故的發(fā)生，必須有對道路車輛進行實時的檢測，以便在發(fā)生交通異常情況下第一時間采取行動。</p><p>　　因此智能交通系統(tǒng)在現(xiàn)今越來越普及，此系統(tǒng)中交通參數(shù)的獲取是關鍵內(nèi)容，然后對一系列獲取的參數(shù)進行篩選、處理、計算，最后得到相關結果。道路車

3、輛情況的檢測，其可以為交通運輸?shù)墓芾硖峁┍匾男畔ⅰ?lt;/p><p>　　傳統(tǒng)的交通檢測有超聲波檢測，紅外線檢測，環(huán)形感應圈檢測。超聲波檢測精度不高，容易受車輛遮擋和行人的影響，檢測的距離短（一般不超過10m)；紅外線檢測受車輛本身熱源的影響，抗噪聲的能力不強．檢測精度不高；環(huán)形感應器檢測精度高，但要求設置于路面土木結構中，對路面有損壞，施工和安裝不便，而且安裝的數(shù)量多。因此現(xiàn)在隨著計算機技術、圖像處理、人工智能

4、等技術的不斷發(fā)展，數(shù)字圖像檢測在如今的交通流檢測中應用越來也廣泛。</p><p>　　二、研究的基本內(nèi)容，擬解決的主要問題：</p><p>　　1．了解與掌握相關圖像處理技術的基本知識與方法；</p><p>　　數(shù)字圖像在計算機上以位圖（bitmap）的形式存在的。位圖是一個矩形點陣，上面的每一個點稱之為像素（pixel）。像素是數(shù)字圖像中的基本單位。一幅m&

5、#215;n大小的圖像，是由m×n個明暗不等的像素組成的。在數(shù)字圖像中各像素所具有的明暗程序是由一個稱為灰度值（gray level）的數(shù)字所標識。</p><p>　　數(shù)字圖像是通過什么樣的機制在計算機屏幕上顯示出來的呢？在計算機中設有專用于存儲圖形（圖像）信息的幀緩沖存儲器。計算機時時監(jiān)視著這個存儲器，如果該存儲器內(nèi)被填充圖像數(shù)據(jù)，該數(shù)據(jù)就會自動地由光柵掃描方式映射到屏幕上來，形成圖像。幀緩存存儲器

6、中的每一位對應于屏幕上的一個點，當一個位的數(shù)據(jù)被置為1時，屏幕上的對應位置上就會出現(xiàn)一個亮點，而當位的數(shù)據(jù)為0時，屏幕上的對應位置就是一個暗點。計算機啟動時，幀緩存所有的位上都被置為0，只有當輸入圖像或圖形數(shù)據(jù)后，幀緩存中的某些位才置換為1。在顯示器的分辨率為640×480的計算機中，為顯示一幅二值圖像（每個像素占用1 bit）需要有640×480位的幀緩存容量，這個容量被稱為一個位平面。 </p&g

7、t;<p>　　2．設計并編程實現(xiàn)運動物體檢測算法。設計時需考慮環(huán)境光照變化、陰影變化等影響運動車輛檢測準確性的實際因素；</p><p>　　在道路上檢測運動車輛的常用方法一般有以下四種：光流法，幀間差分法，背景減法和運動能量法。不過每個方法都各有優(yōu)劣點，光流法有很好的精度，但計算量比較大；幀間差分法在背景變化的情況下可以很好地檢測到運動物體，但容易漏檢運動速度較慢的車輛并且常常會將一輛車分成幾個

8、部分造成多檢；背景減法是在固定背景情況下常用的方法，檢測效果取決于背景更新算法，當背景更新可靠性高時，效果好，其具有計算量小可靠性高的特點。</p><p>　　然而在車輛檢測中必須考慮到環(huán)境光照變化，陰影變化等一系列背景變化是提取目標車輛，因此如何在建立和實時更新背景模以適應背景模型變化的一大難點。</p><p>　　擬采用對陰影與背景之間像素點亮度的比較實現(xiàn)圖像陰影的消除。然后，將經(jīng)

9、過陰影消除的圖像進行灰度處理，由彩色差分圖像轉化為灰度圖像進行處理，將灰度圖像二值化，由于車輛的灰度差別較大，圖像中需提取的目標與其背景在灰度特性上的差異，把圖像視為具有不同灰度級的背景和目標兩類區(qū)域，系統(tǒng)采用自適應閾值化分割方法，它是種自動的非參數(shù)無監(jiān)督的閾值選擇法，基于類間方差最大的測度準則，當該測度函數(shù)取最大時得到最佳閾值，利用此值對圖像進行分割，就得到相應的二值圖像，可以提高系統(tǒng)的穩(wěn)定性。差分閾值處理過程中，有時由于車身顏色跟路

10、面顏色非常接近，造成車輛目標圖像斷裂而不連續(xù)，因而需將誤把車窗當作陰影消除而造成車輛分裂的部分填充起來。</p><p>　　三、研究步驟、方法及措施：</p><p><b>　　1.圖像的采集</b></p><p>　　在需檢測的道路上方設置CMOS傳感攝像頭獲取交通場景和車輛圖像，同時圖像存入微處理器內(nèi)存或直接處理，比如存儲一張原始圖像

11、為352x288的RGB圖，圖像采集率為每秒20幀。</p><p><b>　　2.圖像的預處理</b></p><p><b>　　2.1灰度統(tǒng)計 </b></p><p>　　針對道路交通的采集圖像?？梢宰x取圖像中每個像素點的灰度信息，一般車輛特征主要是由顏色與背景不同的像素構成，所以在預處理中，首先割除不必要的區(qū)域

12、，以減少處理的信息量，提高效率。</p><p>　　通過對車輛特點的分析：一般均為小型轎車或大型BUS，長方形狀態(tài)，顏色像素較周圍有很大差別。因此，我們先定義有效取景區(qū)域像素．在車輛必經(jīng)之處設置一條虛擬線。設圖像寬為：nWidth；高為nHeight。統(tǒng)計各列上的像素的灰度值總和：</p><p>　　其中：nVCount(j) 表示第j列上像素點的個數(shù);</p><

13、;p>　　BPixel(i，j)=1表示該像素上顏色變化較大;</p><p>　　BPixel(i,j)=0表示該像素上顏色變化較小;</p><p>　　i表示該像素點所在的行，且0<=i<=nHeight;</p><p>　　j表示該像素點所在的列，且0<=j<=nWidth;</p><p>　　這樣就

14、得到了車輛所在的有效區(qū)域內(nèi)的像素值，可以有效地切除掉無關的像素區(qū)域。</p><p><b>　　2.2圖像二值化</b></p><p>　　設輸入圖像幀序列為f(x，y，t)，參照背景圖像或背景圖像幀序列為fo(x，y，t)，可由無車輛通過檢測區(qū)時的純路面圖像獲得。</p><p>　　差分圖像可以表示為d(x，y)=|f(x，y，t)一f

15、o(x，y，t)|。將d(x，y)二值化，于是產(chǎn)生一幅二值化圖像d’(x，y)。</p><p>　　參照圖像幀為不含車輛的場景圖像，如果輸入圖像不含車輛，則和參照圖像相同，此時圖像幀差為0；相反如果輸入圖像包含車輛，則和參照圖像不同，此時圖像幀差不為0。 </p><p>　　由此可見，要從復雜的景物中分割出目標并將其形狀完整的提取出來，閾值的選取是二值化的關鍵，也就是問值分割技術的關鍵

16、。如果閾值選取過低，則過多的目標點被誤歸為背景；閾值選取得過高，則會出現(xiàn)相反的情況。</p><p>　　由此可以將汽車的具體模型提取出來，然后根據(jù)單位時間內(nèi)通過的車輛模型來計算交通流量。</p><p><b>　　2.3圖像幀差</b></p><p>　　圖像幀差基本原理是將檢測區(qū)里的經(jīng)過灰度變換的圖像與背景圖像進行差分。當沒有車輛進入檢

17、測區(qū)域時，檢測區(qū)域的圖像接近于背景圖像，差分值小于設定的門限；當有車輛進入檢測區(qū)域時，檢測區(qū)域的圖像就會發(fā)生變化，與背景的差分結果將大于設定的門限。</p><p>　　具體實現(xiàn)過程：在檢測區(qū)域內(nèi)，對經(jīng)過灰度變換等預處理后的圖像與背景圖像進行幀差運算，從輸入圖像中排除背景，提取得到前景目標。幀差及二值化示意，如下圖所示</p><p>　　為進一步減少計算量，背景幀差僅在3條虛擬檢測線上進

18、行</p><p><b>　　2.4 邊緣檢測</b></p><p>　　圖像邊緣是圖像基本特征之一，它蘊含了圖像豐富的內(nèi)在信息，并廣泛應用于圖像分割、圖像分類、圖像匹配等各種圖像處理中。邊緣是指圖像灰度發(fā)生空間突變或者在梯度方向上發(fā)生突變的像素的集合。圖像中景物的物理特性常常是引起圖像邊緣的原因，如物體的陰影、幾何特性以及反射系數(shù)，它廣泛存在于物體與背景之間，物

19、體與物體之間，區(qū)域與區(qū)域之間。圖像邊緣和圖像內(nèi)容的物理特性之間存在著直接的練習，因此圖像的邊緣包含了圖像大部分信息。</p><p>　　圖像邊緣檢測大幅度地減少了數(shù)據(jù)量，并且剔除了可以認為不相關的信息，保留了圖像重要的結構屬性。通過邊緣檢測可以很好的區(qū)分道路上車輛與陰影，為車輛計數(shù)的準確性提供技術支持。這里我們通過計算圖像中像素的梯度值來確定圖像的邊緣點。</p><p>　　常見的邊緣

20、檢測有Roberts邊緣檢測算子、Sobel邊緣檢測算子、Prewitt邊緣檢測算子、Krisch邊緣檢測、高斯-拉普拉斯算子。本設計中我選擇使用Sobel邊緣檢測算子</p><p>　　在這種檢測算子中我們要引入卷積這一概念，所謂卷積可以看做是加權求和的過程。卷積卷積時使用的權用一個很小的矩陣來表示，矩陣的大小是奇數(shù)，并與使用的區(qū)域大小相同。這種權矩陣叫做卷積核，區(qū)域中的每一個像素分別于卷積核中的每個元素相乘

21、，所有乘積之和即區(qū)域中心像素的新值。</p><p>　　卷積核中各元素叫卷積系數(shù)，它的大小、方向、排序次序決定了卷積的圖像處理效果。大多數(shù)常用的卷積核都是3X3的，卷積核的行、列都是奇數(shù)。進行卷積時會遇到一些問題，比如圖像的邊界問題。當在圖像上逐個移動卷積核時，只要卷積核移動到了圖像邊界，就會遇到計算上的問題。這時在原圖像上不能完整找到與卷積核中卷積系數(shù)相對應的9個圖像像素?？梢酝ㄟ^忽略圖像邊界數(shù)據(jù)或者在圖像四

22、周復制圖像的邊界數(shù)據(jù)解決此問題。</p><p><b>　　四、參考文獻</b></p><p>　　孫洪淋,廖繼旺. 基于Sobel算子的圖像邊緣檢測及實現(xiàn)[J].人工智能識別技術,2004,15(2):87-94.</p><p>　　劉利頻．交通車輛的圖像檢測算法研究 [D]．廣州華南理工大學交通學院，2005．</p>

23、<p>　　3. 汪勤，黃山，張洪斌，楊權，張建軍，基于視頻圖像處理的交通事件檢測系統(tǒng)，計算機應用，28(7):1886-1889，2008</p><p>　　4. 何江遠，唐明浩，基于數(shù)字圖像處理的交通檢測，數(shù)采與監(jiān)測，97-98，2007</p><p>　　5. 秦鐘，基于梯度方向恒定性的運動車輛陰影檢測，華南理工大學學報(自然科學版)，36(10):43-46，2008

24、</p><p>　　6. Sun Z H，Bebis G，Miller R．On—road vehicle detection using Gabor iflters and support vector machines[J]．Digitla Signal Processing，2002，2：1 019—1 022</p><p>　　7. Stauffer C，Grimson W E

25、 L．Adaptive background mixture models for real—time tracking[c] Computer Vision and Pattern Recogn ition，IEEE，Colorado：Fort Collins，1999：246—252．</p><p>　　8. 方帥，薛方正，徐心和，基于背景建模的動態(tài)目標檢測算法的研究與仿真[J]，系統(tǒng)仿真學報，2005，

26、1(1):159-161</p><p>　　9. 汪亞明，黃文清，動態(tài)圖像系列中運動目標檢測[J]，計算機測量與控制，2003，11(8):564-565</p><p>　　10.余勝生，肖德貴，周敬利，自適應背景抽取算法[J]，小型微計算機系統(tǒng),2003,24(7):1331-1334</p><p>　　11.郁梅，蔣剛毅，郁博康。只能交通系統(tǒng)中的計算機視覺

27、技術應用。計算機工程與應用，2001，10：101-103；</p><p>　　12.Collins Retal. A system for video surveillance and monitoring.VSAM final report. Carmegie Mellon University,Technical Report CMU-R1-TR-00-12,2000:1-25;</p>&