多数据融合的车辆检测算法的研究Word格式.docx
《多数据融合的车辆检测算法的研究Word格式.docx》由会员分享，可在线阅读，更多相关《多数据融合的车辆检测算法的研究Word格式.docx（47页珍藏版）》请在冰豆网上搜索。
1.1图像的数字化表示2
1.1.1采样2
1.1.2量化3
1.2颜色模型分析4
1.2.1RGB颜色空间4
1.2.2HSV颜色模型5
1.2.3YUV颜色模型6
第2章图像处理的方法8
2.1光流法8
2.2帧差法9
2.3背景减除法10
第三章Matlab基本知识及其图像处理12
3.1Matlab12
3.1.1Matlab语言简介12
3.1.2Matlab中图像类型13
3.2图像类型转换14
第四章多数据融合车辆检测方法及Matlab仿真16
4.1车辆检测方法及函数16
4.1.1基于纹理的车辆检测法16
4.1.2基于颜色空间的车辆检测18
4.1.3函数详解19
4.2多数据融合仿真图像20
4.2.1基于纹理算法仿真20
4.2.2基于RGB颜色空间算法的仿真22
4.2.3YUV颜色空间仿真23
第五章实验结果分析26
5.1各种颜色总结表26
5.2各种颜色车辆融合结果26
结论28
谢辞29
参考文献30
附 录32
外文资料翻译36
前 言
近年来人们的购车热朝导致了车辆数目的不断攀升，这标志着人民生活水平提高的同时，也给交通带来了更严峻的问题。
人为因素引起的交通事故也逐渐进入人们的视野越来越受到人们的关注，所以世界各国都积极地开发辅助驾驶系统，而车辆检测系统是辅助驾驶系统的一个重要组成部分。
近年来国内外的学者们对于如何将车辆从视频中准确清晰的检测出来做了不懈的深入研究，从而提出了有效的车辆方法和算法。
总的来说车辆检测的方法有很多种，但其本质就是利用车辆特征从背景中将车辆分割出来。
常用的方法有基于对称性的检测，基于色彩空间的检测，基于车辆阴影的检测，基于车辆拐角匹配的检测，基于垂直水平边缘的检测，基于纹理的检测[1]。
其中，阴影检测法能检测到基本上“所有的”车辆，但是这种方法在提供一个可能存在车辆的区域的同时，也经常会产生影响车辆检测的虚影。
著名科学家T.K.tenKate[2]就提出了这样一种方法，利用车辆的阴影通过全图搜索的方法找出车辆的感兴趣区域，然后用熵约束和对称性特征束剔除非车辆区域，得到了比较好的效果。
其算法所用到的对称性算于是基于图像能量的思想．算法比较复杂，而且要消耗大量时间。
车辆检测中，准确率和效率都是非常重要。
综合多种特征对车辆进行检测可以有效提高检测的准确性，但同时也会降低车辆检测的效率以前车辆检测中，很多研究者只是用单一一种方法进行检测，本文主要运用基于色彩空间法和基于纹理的方法的融合进行车辆检测，经过实验证明该方法能够适应一定环境下的车辆检测。
是一种具有较低漏检率的车辆检测方法。
第1章数字图像的基础知识
1.1图像的数字化表示
为了能够在计算机中处理所需图像，我们需要将模拟的连续可调的图像信息转变为印前图文信息系统可接受和处理的数字图像，然后才能进行计算和分析。
将模拟图像转变成数字图像的转换过程称为图像数字化，过程可简单地分为：
采样和量化两个步骤。
1.1.1采样
采样是指将空间连续变化的图像进行离散化，即用空间上部分点的灰度值来表示整个图像，或者将图像在空间上的离散化，这些离散点称为样点（或像素）[3]。
一幅图像就是由像素点组成，采样后的图像就是由采样所得的有限个像素点所组成集合。
例如一个1440*900分辨率的图像，就是由1440*900=1296000像素点组成。
如图1-1所示。
左面图像就是经过离散化处理后的显示图像，右面的是关于灰度值的取值范围及图像表示。
图1-1离散化处理图像
采样通常的做法有两种静态和动态[4]。
静态：
先沿垂直方向采样，再沿水平方向采样；
运动：
先在时间轴上采样，再沿垂直方向采样，最后沿水平方向采样。
当然采样后的图像质量还要采样间隔的因素决定，间隔大小的选取依据原图像中包含的细微浓淡变化来决定。
1.1.2量化
模拟图像经过采样后，仍离散化为时间和空间上的像素。
但该像素仍为连续像素（即灰度值）。
把采样后所得的各像素的灰度值从模拟量转化到离散量的过程称为图像灰度的量化[5]，图1-2说明了量化过程。
图1-2量化过程
若连续灰度值用z表示，将一定范围内的灰度值都量化为整数q，q称为像素的灰度值。
一般量化后每个像素的量度值用二进进制的位数（bit）表示。
将黑——灰——白连续变化的灰度值量化为0~255共256级灰度值，灰度值范围为0~255，表示亮度从深到浅，对应的颜色为从黑到白[6]。
连续灰度值的量化为灰度级的方法有两种：
等间隔量化和非等间隔量化。
等间隔量化即简单的把采样值的灰度范围等间地量化分割并进行量化；
非等间隔量化是依据一副图像具体的灰度值分布的概率密度函数，按总的量化误差最小的原则进行量化。
量化图像的梯级数目随图像的内容及处理的目的的差别不同。
如：
处理文字和图形时，各个相素只需有“0”与“1”两个值，即1bit的信息，这种用1bit信息表示的图亦称为二值图像[7]。
1.2颜色模型分析
Matlab中，我们总是直接或间接应用RGB数据表示我们所用的颜色空间，但是除了RGB之外还有其他的颜色空间模型，主要还有HSV模型和YUV模型，这就构成了所喂的颜色空间。
颜色模型是一个可见的二维颜色空间的光子集，它包括某个颜色域的所有颜色。
颜色模型的用途是在某个颜色域内方便的指定颜色由于每一个颜色域都是可见光的子集，所以任何一个颜色模型都无法包含所有的可见光。
在大多数的彩色图形显示设备一般都是使用红、绿、蓝三原色为基色。
在不同的应用领域中，颜色空间模型代表的意义不尽相同，但在计算机领域中，常常作为视频检测的工具和依据，其中最常用到的就是RGB颜色空间模型，因为该颜色空间的基色红、蓝、绿是大多数数字图像的基本组成。
不过RGB空间也有自己的一些缺点，例如进行各个分量的数据量存储时需要给其分配足够大的存储空间，而且计算量比较大，所以在视频处理系统中，一般会考虑采用其他颜色空间。
1.2.1RGB颜色空间
RGB是由R（红）、G（绿）、B（蓝）3个分量组成，是主要用于显示和保存彩色图像最常用的颜色空间，通过红、蓝、绿三基色相融合产生其他各种颜色。
三维空间的三个轴分别与之对应，原点对应黑色、离远点最远的顶点对应于白色，其他颜色坐落于三维空间其他位置上。
由红、绿、蓝三种基色组成的彩色立方体如图1-3所示。
RGB色彩空间模型为图像中每一个像素的RGB分量分配一个0~255范围内的强度值。
RGB图像只使用三种颜色，就可以使它们按照不同的比例混合，在屏幕上重现16777216种颜色[8]。
在RGB空间模型下，每种RGB成分都可使用从0（黑色）到255（白色）的值。
例如，亮红色使用R值255、G值0和B值0。
当所有三种成分值相等时，产生灰色阴影。
当所有成分的值均为255时，结果是纯白色；
当该值为0时，结果为黑色；
当取0~255之间的数值时颜色均介于黑色与白色之间。
RGB颜色空间模型如图1-3所示[9]：
图1-3RGB颜色空间模型
虽然我们平时所看到的大部分视频收集中应用的基本上都是RGB颜色空间模型。
但是RGB颜色空间是色彩空间的范畴，不完全符合我们的视觉感应，并且将RGB应用于视频中时所需存储空间较大，计算过程复杂，无用信息较多，而且一般得不到预期的结果。
所以在视频检测中一般都采用多种色彩空间相融合的方法，或者采用纹理、色彩融合的方法。
这样能较高效率的视频处理方法。
1.2.2HSV颜色模型
RGB图像是常见的数字图像表示，基于HSV颜色空间的表示在图像分割、特征提取等领域都有重要的应用。
该模型是面向用户的，是一种复合主观感觉的色彩模型。
HSV模型中，H即色调（Hue），表示颜色的种类，取值范围为[01]，相应的颜色从红、黄、绿、蓝绿、蓝、紫到黑变化，且它的由绕V轴的旋转角决定，每一种颜色和它的补色之间相差180度。
S即为饱和度（Saturation）,它的取值范围也是[01],相应的颜色从未饱和（灰度）向完全饱和（无白色元素）变化。
V即亮度（Value），其取值范围同样是[01],相应的颜色逐渐变亮[10]。
对于我们来说，HSV比RGB更接近我们的视觉反应，能够更好的反映出图像的灰度信息和色彩信息，特别对极明或极暗的物体尤为明显。
HSV图像如图1-4所示：
图1-4HSV图像
1.2.3YUV颜色模型
YUV颜色模型是视频图像和数字图像中常用的色彩模型。
YUV即YCrCb，主要用于优化彩色视频信号的传输与RGB视频信号传输相比，它最大的优点在于只需占用极少的频宽，其中“Y”表示明亮度，也就是灰阶值；
而“U”和“V”表示的则是色度（Chrominance或Chroma），作用是描述影像色彩及饱和度，用于指定像素的颜色。
。
“亮度”是透过RGB输入信号来建立的，方法是将RGB信号的特定部分叠加到一起。
“色度”则定义了颜色的两个方面─色调与饱和度，分别用Cr和Cb来表示。
其中，Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。
而Cb反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。
采用YUV色彩空间的重要性是它的亮度信号Y和色度信号U、V是分离的。
如果只有Y信号分量而没有U、V分量，那么这样表示的图像就是黑白灰度图像。
彩色电视采用YUV空间正是为了用亮度信号Y解决彩色电视机与黑白电视机的兼容问题，使黑白电视机也能接收彩色电视信号[11]。
虽然YUV颜色空间很有用处，但是我们平时的视频大部分都是基于RGB颜色空间进行采集的所以我们必要进行转换，将YUV图像转换成RGB图像。
转换公式如下所示[12]:
Y=0.299R+0.587G+O.114B
U=0.565（B-Y）（1-1）
V=0.713（R-Y）
由上面公式可知，从YUV到RGB是线性变换，从而可知从RGB到YUV亦是线性变换，我们可以通过类似的变换，可以得到下面的变换公式：
Y=0.299R+O.587G+O.ll4B
U=-0.147R-0.289G+0.437B（1-2）
V=0.615R-0.515G-0.100
通过上述两组公式我们可以看出公式1-1明显要比公式1-2在计算速度上有优势，在图像转换效率上有了更大的改善。
在Matlab中可以使用简单的命令（rgb2ycbcr（））实现RGB颜色空间到YUV颜色空间的转换，转换后的效果如图1-5、1-6所示：
图1-5RPG图像图1-6YUV图像
第2章图像处理的方法
车辆监控视频中对于车辆的检测简单的说来就是用一定方法提取出人们所关心的区域，并且加以处理，视频中的车辆大多数是处于不断运动中的。
智能视频监控系统中后续的目跟踪就是这些运动区域能否准确的被提取出来，同时也是车辆识别，分析算法的关键所在。
一般来讲，运动车辆的区域提取的方法有很多种，主要有光流法[13]、帧差法[14]、背景减除法[15]等三种。
2.1光流法
基于光流可以实现在军事航天、交通监管、信息科学、气象、医学等多个领域的重要应用。
例如利用光流场可以非常有效的对图像目标进行检测和分割，这对地对空导弹火控系统的精确制导等。
光流法检测运动物体的基本原理是：
给图像中的每一个像素点赋予一个速度矢量，这就形成了一个图像运动场，在运动的一个特定时刻，图像上的点与三维物体上的点一一对应，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。
如果图像中没有运动物体，则光流矢量在整个图像区域是连续变化的。
当图像中有运动物体时，目标和图像背景存在相对运动，运动物体所形成的速度矢量必然和邻域背景速度矢量不同，从而检测出运动物体及位置。
一般情况下，光流由相机运动、场景中目标运动或两者的共同运动产生。
光流计算方法大致可分为三类：
基于匹配的、频域的和梯度的方法。
这里不再赘述。
光流法在使用时有他的优点，当然缺点也是很明显的。
下面简述一下光流法都有哪些优缺点。
优点：
1.它同时拥有运动物体的运动信息和有关景物三维结构的丰富信息，能够在不知道场景的任何信息的情况下，检测出运动对象;
2.适合用于摄影机运动的物体的检测的情况;
3.有利于运动物体背景与前景的分离分析。
缺点：
1.计算耗时，实时性和实用性都较差;
2.有时即使没有发生运动，在外部照明发生变化时，也可以观测到光流;
3.在缺乏足够的灰度等级变化的区域，实际运动也往往观测不到;
4.估算二维运动场是不确定的，需要附加的假设模型来模拟二维运动场的结构；
5.在准确分割时，光流法还需要利用颜色、灰度、边缘等空域特征来提高分割精度。
目前来看光流法的出现，给人们带来了许多方便；
为了更好的应用该方法，人们还需要进一步解决一些问题。
主要有光流场计算的不适定问题的方法、光流场计算的快速算法、光流场计算基本公式的不连续性、直线和曲线的光流场计算技术等问题。
2.2帧差法
帧差法是最为常用的运动目标检测和分割方法之一，基本原理就是在图像序列相邻两帧或三帧间采用基于像素的时间差分通过闭值化来提取出图像中的运动区域。
首先，将相邻帧图像对应像素值相减得到差分图像，然后对差分图像二值化，在环境亮度变化不大的情况下，如果对应像素值变化小于事先确定的阂值时，认为此处为背景像素；
如果图像区域的像素值变化很大，则认为这是由于图像中运动物体引起的，将这些区域标记为前景像素，利用标记的像素区域可以确定运动目标在图像中的位置。
这样就轻易的检测出了所需要提取的车辆区域。
检测公式数学表述如下:
（2-1）
其中，IPImage（i,j）为当前输入图像帧上坐标为（i,j）的检测结果，用二值图表示，1代表前景运动目标，0代表背景，
分别表示视频图像中第t和t-1时刻帧中坐标为（i,j）点的像素值，Threshold是相应的判断阂值，当所得的像素差值大于该设定阂值时认为在视频图像中第t时刻帧中坐标位置为（i,j）力的像素点属于前景运动区域集中一点，否则，认为该像素点属于背景集中的一点。
与光流法相比，帧差法也有相应的优缺点，下面我们将其优缺点叙述如下。
1.实时性好、背景不累积、且更新速度快、算法简单、计算量小；
2.对光线等场景变化不太敏感，能够适应各种动态环境，稳定性较好；
该方法是通过帧与帧之间的差分来检测物体的，对于背景的依赖较小。
1.不能提取出对象的完整区域，只能提取出边界；
同时依赖于选择的帧间时间间隔。
对快速运动的物体，需要选择较小的时间间隔，如果选择不合适，当物体在前后两帧中没有重叠时，会被检测为两个分开的物体；
而对慢速运动的物体，应该选择较大的时间差，如果时间选择不适当，当物体在前后两帧中几乎完全重叠时，则检测不到物体。
2.该方法对环境噪声较为敏感，阈值的选择也相当关键，如果阈值选择的过低，则就可能不足以抑制图像中的噪声，如果阈值过高则可能会忽略了图像中有用的变化；
3.对于比较大的、颜色一致的运动目标，有可能在目标内部产生空洞，无法完整地提取运动目标。
该缺点就造成了帧差法对颜色的要求比较严格。
颜色不合适时就检测不出需要的运动车辆的区域；
4.对于摄像机存在运动的视频监控场合不适合使用该方法。
以上优缺点决定了帧差法的应用性和适应性。
2.3背景减除法
减背景法是一种有效的运动目标检测算法，应用背景减除法必须要有背景图像并且背景图像要随着光照和外部环境的变化而实时更新，因此背景减除法关键是背景建模及其更新；
其基本思想是背景的参数模型来近似背景图像的像素值，将当前帧与背景模型进行差分比较实现对运动目标区域的检测，其中区别较大的像素区域被认为是运动区域，而区别较小的像素区域则被认为是背景区域。
背景建模做好之后，即可用当前输入视频图像与该模型对应的背景图像相减来得到监控场景中运动区域的相关信息。
假设IPback（i,j）和IPImage（i,j）分别为已建好的背景模型对应的像素点和输入视频图像序列中的当前图像帧中坐标为（i,j）的像素点，经过背景减除法得到的检测结果用二值图像IPResult（i,j）来表示，若为1则表示相应的像素属于运动区域集，为0则表示对应的像素为背景集。
该方法的基本思想用数学公式表达如下:
（2-2）
从上述公式可以看出，帧差法可以认为是背景减除法的一个特例。
帧差法是前后两帧图像背景相差得到运动区域的，我们可以把其中一帧图像当作像素背景集来计算即可。
应用背景减除法处理视频图像时，主要步骤是建立背景模型、更新背景模型、背景差分和后处理等。
背景减除法的优缺点如下所示；
1.适合运用于较复杂的运动区域的提取与计算；
2.计算速度比较快速。
1.光照等一些外部条件对其影响较大；
2.该法背景构造更新比较困难；
应用场合受到限制，主要用于摄像机固定，场景不变的情况。
第三章Matlab基本知识及其图像处理
3.1Matlab
3.1.1Matlab语言简介
Matlab除具备卓越的数值计算能力外，它还提供了专业水平的符号计算，文字处理，可视化建模仿真和实时控制等功能。
Matlab的基本数据单位是矩阵，它的指令表达式与数学,工程中常用的形式十分相似,故用Matlab来解算问题要比用C,FORTRAN等语言完相同的事情简捷得多。
Matlab已经逐渐成为科学研究和产品开发必不可少的工具[16]。
Matlab产品族可用来进行：
1.数据分析
2.数值和符号计算
3.工程与科学绘图
4.控制系统设计
5.数字图像信号处理
6.财务工程
7.建模、仿真、原型开发
8.应用开发
9.图形用户界面设计
Matlab产品族被广泛的应用于包括信号与图像处理、控制系统设计、通信、系统仿真等诸多领域。
它的一大特性就是有众多的面向具体应用的工具箱和仿真块，包含了完整的函数集用来对信号图像处理、控制系统设计、神经网络等特殊应用进行分析和设计。
Matlab语言有不同于其他高级语言的特点，它被称为第四代计算机语言。
正如第三代计算机语言如FORTRAN与C语言一样使人们摆脱了人们对计算机硬件的操作一样，Matlab语言使人们从繁琐的程序代码中解放出来。
它的丰富的函数使开发者无需重复编程，只需简单地调用和使用即可。
Matlab语言的最大特点是简单和直接。
Matlab语言的主要特点有：
1.编程效率高
2.用户使用方便
3.移植性好，开放性好
4
升级会员 