车辆排队长度检测技术研究.docx

车辆排队长度检测技术研究.docx

《车辆排队长度检测技术研究.docx》由会员分享，可在线阅读，更多相关《车辆排队长度检测技术研究.docx（41页珍藏版）》请在冰豆网上搜索。

车辆排队长度检测技术研究

本科生毕业论文（设计）

题目车辆排队长度检测技术研究

学院软件学院

专业软件工程

学生姓名

学号0943111084年级2009

指导教师

教务处制表

二Ο一三年五月十日

车辆排队长度检测技术研究

软件工程

学生张彭指导老师罗以宁

[摘要]智能交通系统是将先进的计算机处理技术、信息处理技术、数据传输技术、传感技术以及电子控制技术等先进技术集成运用于交通管理而建立的的一种大范围的、准确、实时、高效的综合交通运输管理系统。

而检测系统是ITS中的关键组成部分，负责对道路交通流量进行智能化采集，通过检测交通道路上车辆排队的长度可以使交通运输变得更加合理，可以有效地减少车辆的停车次数和速度变化频率，更加有效的利用交通道路，减少堵车的发生，有利于推动经济的快速发展。

本文主要研究了车辆排队长度检测的相关算法。

在图像预处理中研究了图像的灰度化处理，图像滤波和图像二值化处理等。

在背景生成研究中探讨了高斯背景建模，帧差法背景建模和中值法背景建模。

最后利用背景差法实现了车辆排队长度检测，为了减小环境因素的干扰，对阴影消除进行了探讨。

[主题词]车辆排队长度检测；车辆检测；背景建模；阴影消除

Researchondetectiontechnologyofvehicequeuelength

SoftwareEngineering

Student：

ZhangPengAdviser:

LuoYi-ning

[Abstract]Intelligenttransportationsystemisaneffectivewaytosolvetheproblemsoftrafficjam,environmentalpollutioninmoderncity.Theintelligenttransportationsystemcombineswithelectronicsensortechnology,imageprocessing,datacommunicationtechnology,electroniccontroltechnology,informationprocessingtechnologyandsoon.Itspurposeistosetupadirectinggroundtrafficsystem,fulfillingtheexact,validsysteminmodernsociety.Theidentificationofthelicenseplateandthemeasureofvehiclequeuelengthareessentialpartsofintelligenttransportationsystem.Theidentificationofthelicenseplateandthemeasureofvehiclequeuelengthapplicantsmanytechnologies,suchassynthesizecomputervisiontechnology,theimageprocessing,andthepatternrecognitionandsoon.

Thispapermainlystudiedthealgorithmofvehiclequeuelengthdetection.Intheimagepreprocessingofgray-scaleimageprocessing,imagefilteringandimageprocessingtwovalues.Inthebackgroundmodelingalgorithmofmedianbackgroundmodel,Gaussbackgroundmodelandframedifferencebackgroundmodel.Thefinaldifferencemethodbasedonthevehiclequeuelengthdetectionusingbackground,inordertoreducetheinterferenceofenvironmentalfactors,discussedtheeliminationofshadow.

[KeyWords]vehiclequeuelengthdetection；vehicledetection；backgroundmodeling；shadowelimination

附录..................................................................................................................................................................29

1.绪论

由于世界经济的高速发展，交通运输在国民经济中所占的地位变得越来越重要，同时机动车的使用率也在急剧增加。

因此现在交通面临着许多问题：

交通环境的恶化、交通事故的增加、道路的堵塞等等。

因此需要一种有效而实用的交通管理系统来处理这些问题，而老式的交通管理系统因为效率低下等原因，已经无法适应交通发达的现代社会。

所以智能交通系统（ITS）是当今世界道路交通的发展趋势

。

1.1研究背景

智能交通系统是目前全世界各个国家都在进行研究和开发的交通领域前沿研究课题和热点。

对于智能交通系统目前还有没有一个明确的定义，但是可以归纳定义为：

ITS是将先进的信息处理技术、计算机技术、传感技术、数据通信传输技术以及电子控制技术等合理地运用于交通管理，从而组建的一个大范围的、高效的、实时的、准确的交通综合管理系统

。

智能交通系统的目的是使路、车、人密切配合，和谐的统一起来，从而减少车辆的停车次数和速度变化频率，更加有效的利用交通道路，减少堵车的发生，有利于推动经济的快速发展。

车辆检测系统作为ITS的一个基本组成部分，在其中发挥着非常重要的作用，它负责提供详细的交通信息数据，从而使智能交通系统得到精准的数据来进行处理。

对于车辆检测，目前存在着数种检测方法。

其中比较普及的车辆检测方法有超声波检测、环形检测和视频检测等。

超声波检测由发射天线和声波接收器组成。

超声波发射器对目标区域发射超声波，当有车辆通过检测区域时，此时接收器会在不同时间接收到回波，根据接收回拨的不同时间确定车辆是否通过检测区域。

环形检测是交通检测系统中常用的一种检测方式。

它的原理是通过一个环形线圈充当感应器与电子单元构成一个电子系统，当车辆通过或停在线上时，由于车辆大部分部件由金属制成，会在线圈内部产生涡流从而使电感量变化，从而获得一个信号输出，检测到通过或停在线圈上的车辆。

环形检测的优点是成本低廉，安装方便。

缺点是受环境影响比较大，在安装和维护时需要挖开路面阻碍交通，而且感应线圈本身容易损坏。

视频检测技术是将计算机图像处理技术引入到老式的图像监控系统中，利用先进的计算机技术从检测系统获得的视频信息中提取出有用的交通信息，而且还能向交通系统管理中心及时提供实时的交通录像

。

基于视频的检测技术的核心内容是利用录制的视频，将运动目标从连续的图像序列中提取出来，然后识别提取出的运动目标并且进行跟踪，然后解释该运动目标的动作。

基于视频图像的运动目标分析的内容涉及人工智能、模式识别、计算机视觉等多个先进科技领域，而且以数字图像处理为基础

。

目前对视频图像运动目标分析系统的研发不但在通用上有很高的的要求，在实时性和可移植性上也面临着不少难题。

基于视频的车辆检测系统相比以上传统方法具有以下优点：

（1）视频检测系统所需要的摄像头等设备易于安装，维护方便，费用低，安装维护时不需要封闭车道，也不需要挖掘路面，因而不会影响正常的交通运行。

（2）视频检测系统可以提供比较大的监控范围，一个的摄像头就可以监控车上百米以内的车辆信息。

而且与其它的传感装置相比，视频传感器能够提供例如车辆牌照、车辆型号、车辆行驶路线以及车辆颜色等直观而详细的车辆信息。

（3）视频检测系统能够将交通现场录像传输给交通管理机构，从而使交管部门的调控更加有效，并且可以提供交通事故的现场录像。

（4）视频检测系统是通过摄像头来进行交通信息的采集，它对于交通道路几乎没有影响，而且视频检测系统也不会相互冲突。

基于上述的优点，基于视频图像的车辆检测系统对于智能交通系统的发展具有很好的推动作用，可以引导交通运输系统向合理的模式转变，可以减少车辆的速度变化频率和停车次数，从而提升路网的利用率，使道路更加顺畅，具有很好的经济效益和社会效益。

1.2论文主要工作

本课题的主要研究对象是摄像头所拍摄的运动车辆视频场景。

研究内容是视频序列中车辆排队长度的检测。

当检测到有车辆停在斑马线旁边的白色直线后面时，开始检测车辆排队长度。

主要内容包括图像预处理技术研究，视频场景背景提取，视频阴影消除技术研究，车辆排队长度检测。

1.3论文组织与结构

本文组织结构如下：

第一部分：

绪论，对智能交通系统进行了一个整体概述，分析了智能交通系统的必然性和重要性；然后介绍了本文的主要工作；

第二部分：

背景知识介绍，主要介绍了一些与视频车辆排队检测相关的数字图像处理基础知识以及基于视频的车辆检测原理；

第三部分：

车辆检测算法研究，详细介绍了图像预处理技术、视频场景背景提取、视频阴影消除技术以及车辆排队长度检测的算法。

第四部分：

实验结果及分析，对第三章中提出的图像预处理技术、视频场景背景提取、视频阴影消除技术以及车辆排队长度检测的算法进行了实验分析；

第五部分：

介绍了国内外相关技术的研究状况；

第六部分：

小结，对本文全部工作进行总结及展望。

2.背景知识介绍

2.1图像处理简介

因为在人类的所有感觉中视觉占有非常重要的地位，所以人类对于生活中的大部分信息都是通过视觉来接受的。

根据统计，在人类日常接受的所有信息中，视觉信息占到了70%以上。

所谓“百闻不如一见”就是这个道理，在很多生活场景下，通过图像传递的信息比其它方式都要更加真实和丰富。

“数字图像”则是将传统的照片或者录像模拟信号经过处理及数字化后生成的。

对图像进行数字化的原因在于方便计算机运算和储存。

像素是图像的基本单位，每一张图像都由许多像素构成。

像素的亮度用灰度值来表示，灰度值被划分为256阶，最亮为255，最暗为0。

一张图像经过数字化成为很多小方块所组成的图像元素，每一个小方块中都标有一个坐标。

行值从左往右从0一直增大，列值从上到下逐渐增大

。

数字图像处理是指采用相应的处理技术对图像进行有目的的处理和分析。

数字图像处理包含的内容也很多，但是原理和使用的基本方法是一样的。

这个学科常用的处理方法包括图像变换、图像的增强和复原、图像分割、图像编码压缩和图像分类等。

2.2基于视频的车辆检测原理

从交通检测系统开始出现到目前为止，从事这一领域研究的专家学者们研究出了大量卓有成效的车辆检测系统。

车辆检测系统主要方法有微观检测法和宏观检测法两种。

其中宏观检测法检测的内容更加详细，会对整张目标图像进行检测；而微观检测法则只检测目标图像中的部分内容。

宏观检测法需检测整幅图像的全部区域，使用这种检测方法可以检测出目标图像中的全部车辆信息。

车辆的大部分信息都可以检测出来，例如车辆的行驶路线等。

但是采用这种检测法来进行检测会有很多缺点。

第一，由于需要对整幅图像进行检测，则必然导致处理的运算量非常大，占用系统资源大，因而这种检测法在车辆检测这种实时性要求高的系统中使用时必然会造成严重的延时；第二，对整幅图像进行检测会是目标物体分割地不明显，而且采用此法很难对静止物体进行有效地检测；第三，因为目标场景中会包含很多像花坛、路边建筑物、红绿灯和树木等会对检测造成很大干扰的非目标物体，在这种情况下采用这种检测法进行检测误差会很大。

微观检测法主要检测图像中的感兴趣区域，包括窗口检测法和线性检测法等。

线性检测法的基本原理是在图像的某个固定位置设置一条检测线，通过统计检测线图像特征的变化如色彩突变、灰度跳变来判断是否有车辆通过。

因为这种线式检测方的运算量小、占系统资源少，所以实时性不错，但是外界环境因素容易干扰这种检测法。

窗口检测法的原理是在图像的某个特定区域设置一个较小的矩形检测框，利用统计矩形检测框内图像特征的变化来确定是否有车辆通过，这种方法的检测区域比线性检测法的检测区域要大一些

。

现在使用最多的检测法是区域检测法，这种方法结合了以上两种检测法各自的优点。

它的检测原理则是通过在图像设置若干处感兴趣区域（ROI），通过检测这些区域内的图像特征从而实现判断有无车辆通过的目的，区域检测法通常有背景差法、帧差法以及综合法等几种，但无论是哪种车辆检测方法，基本的车辆检测流程都相似，如图2-1所示。

图2-1车辆检测的基本流程

背景差分法的原理是首先人工选取或通过一定的算法得到一张没有前景车辆的背景图像，再将之后的视频序列都通过与背景图像进行减运算得到差值图像，然后通过阈值化分割获得二值图像，从而实现检测车辆的目的。

在这个方法中，背景是需要实时更新的，以保证准确性。

帧差法的原理则是通过当前帧的图像与上一帧的图像进行减运算得到差值图像，由于车辆是运动的，因此从差值图像中可以得到车辆运动轨迹的残差，然后通过图像分割方式得到需要的检测区域，常见的帧差法有两帧帧差法和三帧帧差法。

2.3本章小结

本章主要介绍了一些与视频车辆排队检测相关的数字图像处理基础知识以及基于视频的车辆检测原理，为下文的算法研究做好背景铺垫。

3.车辆检测算法研究

3.1图像预处理

车辆检测所需处理的图像大多是通过彩色摄像机在自然环境下采集而来的，在摄像机进行采集、运输和记录的过程中，由于采集环境的原因，经常会受到各种噪声的干扰，包括外界光照条件的变化、阴影的影响，还有摄像头成像误差、系统电路失真、光路扰动等引起的噪声。

总体而言，摄像机所拍摄得到的图像一般都会是噪声图像。

而用来进行车辆检测所需要的图像最好是背景干净的、轮廓明显的清晰图像。

所以在使用图像处理进行车辆检测时，应该先使用一些算法来减弱噪声的干扰，然后再进行边缘检测、图像分割、特征提取等处理。

图像常见的预处理方式有：

图像灰度化、图像二值化、图像滤波等。

3.1.1图像灰度化

由于彩色图像的信息量非常庞大，大大增加了计算机的运算量，为了降低系统处理时间一般都会对图像进行降维处理，把彩色图像转换为灰度图，以达到减少运算量和存储量以及提高处理速度的目的

。

图像的灰度化处理就是将彩色图像中的彩色信息删除，只保留亮度信息。

灰度图的在计算机中的表示方法是把亮度值分成0-255共256个级别，其中255最亮（显示时是纯白），0最暗（显示时是黑），在RGB模型中让R=G=B，则颜色（R,G,B）就表示为灰度色。

灰度化过程就是让图像中的RGB三个值相等，而图像从未处理前的彩色图像降到灰度化图像后一定会失去一部分原来的图像信息。

常用的图像灰度化方法有三种：

（1）最大值法：

比较图像中某点的R、G、B的亮度值从而得出其中的最大值，将这个最大值作为这点在灰度图中的灰度值。

这种方法处理得到的灰度图色彩亮度高。

表达式见公式3.1。

（3.1）

（2）平均值法：

将图像中某点的R、G、B的亮度值相加得到亮度值之和，然后除以3得到亮度平均值，将这个平均值作为这点在灰度图中的灰度值。

这种方法处理得到的灰度图色彩比较柔和。

表达式见公式3.2。

（3.2）

（3）加权平均法：

这种方法根据颜色的明暗度和相关指标，以及人眼对不同色彩敏感程度的不一样，人眼敏感度从高到低顺序依次是绿、红、蓝。

根据这个特点分别对R、G、B，三个色彩向量赋予不同权值并求乘积和。

利用这种方法得到的灰度图比较符合人眼的视觉效果。

查阅相关资料

可以得知最合理的灰度图像的权值是0.30,0.59,0.11，这样加权平均公式为公式3.3。

（3.3）

基于图像的合理性，本文采用了加权平均法灰度化处理汽车原始图像。

3.1.2图像二值化

图像的二值化在完成图像的灰度化后进行的，先设定一个临界灰度阈值，然后把大于这个临界灰度值的像素灰度设为灰度最大值255（显示为纯白），把小于临界灰度值的像素灰度设为灰度极小值0（显示为纯黑）。

把图像进行二值化处理可以减小图像的数据量，是下一步处理更加方便。

图像二值化主要分为局部阈值二值化和全局阈值二值化两种。

（1）全局阈值二值化：

先预先设定一个阈值T，然后将待处理点和T进行比较，大于T的为1否则为0。

这种方法缺点是不能很好的表现细节，而且当图像由黑白色彩交错频繁的复杂情况时容易失效，表达式见公式3.4。

（3.4）

（2）局部阈值二值化：

这种算法是将图像按照预先设定的方法将图像分成许多个小窗口，而小窗口大小的选取需要依据实际图像来进行。

然后每一个小窗口在按照设定的某个阈值T进行二值化处理。

局部阈值二值化的缺点是在某些窗口不能很好的保留表现图像细节，而且窗口的大小选择也是一个难题。

本文根据车辆检测所需情况选用全局阈值二值化来进行二值化处理。

3.1.3图像滤波

图像滤波是在尽可能保留图像的特征细节的基础上对图像进行抑制噪声的处理，也就是消除非相关数据保留有用的数据。

图像滤波主要以下几种：

均值滤波法、加权平均滤波法，中值滤波法。

（1）均值滤波法：

均值滤波主要使用邻域平均法来进行滤波处理。

它的方法是把待处理图像的每个像素值用其邻域的像素值的平均值来代替，对待处理图像中的的某个像素点（i，j）选定一个模板，该模板由待处理像素附近的一些像素组成，然后先求出模板中像素的像素值之和，再求出平均值，最后将待处理像素点的像素值设为这个平均值，这种方法的详细算法如下：

假设f（i,j）是需要进行滤波处理的图像，而实用邻域平均法处理过的图像为g（i,j），则：

（3.5）

公式3.5中M表示选取的邻域中附近像素的坐标，而N表示选取的邻域中包含的像素的数量。

领域平均法的模板是：

，中间的点表示该像素是中心元素。

在实际的运用当中，可以根据需要的不同来选择使用不同大小的模板尺寸，如3×3,5×5,7×7等。

模板尺寸越大，噪声会消弱得越明显，但同时图像的对比度也会下降更多。

利用均值滤波来进行图像平滑往往需要以降低图像清晰度为代价，另外，均值滤波只能将杂点无限放大让其不易察觉，但不能真实地消除杂点。

（2）加权平均滤波法：

加权平均滤波法是对平均滤波方法的改进，这种方法人为对于同一尺寸的模板，可以对不同位置的像素值采用不同的数值，离像素中心点近的系数应该较大，远离中心像素的位置系数应该小一些。

这样可以使图像更加平滑，但又不会使边缘和细节有明显的模糊。

常用的一种加权平均滤波法是利用选取模板的中心和系数的距离的倒数来设定模板内部的值，常用的模板有

，

；还有一种方法则是利用高斯模板来确定系数权值，模板为

，加权平均法也被称为归一化卷积，表示两幅图像之间的卷积，一幅是需要处理的图像，另一幅是有加权值的图像。

（3）中值滤波法：

中值滤波法是建立在排序统计理论基础上的，一种可以有效减弱噪声对待处理图像干扰的信号处理技术。

它也是一种领域运算，和卷积类似，但是计算的不是加权求和，是将数字图像或者数字序列中的一点的值用该点的一个邻域中各点值的中值来代替，让与周围像素灰度值的差比较大的像素取与周围的像素值接近的值，从而可以消除孤立的噪声点。

采用这种方法可以有效地减弱高频分量，但是会影响到低频分量。

因为高频分量在图像中对应区域的边缘灰度值会有比较大的变化，使用这种滤波能够将这些分量从图像中滤除，从而使图像变得更加平滑。

设定模板为W，模板大小为X×Y，而图像在

点的灰度值用

表示,采用中值滤波法进行处理的输出结果为：

（3.6）

本文根据车辆检测所需情况选用加权平均滤波法来进行图像滤波处理。

3.2背景建模算法研究

在检测系统的实际应用当中，不会有静止不变的背景。

场景变化有很多，比如新的干扰物的增加、光线的变化、场景中的物体被移出等，这些都对背景建模带来了不便。

场景当中的物体干扰包括：

运动物的阴影影响、摄像头在风中抖动或在大货车路过时形成的共振，还有背景中有物体的突然闪过等。

光线对背景建模的影响也不可忽略，以上这些因素都应该考虑到背景建模中，下面介绍几种常用的背景建模方法。

3.2.1中值背景模型

中值背景建模思想是：

在连续图像中，图像中每个点都会有一个像素序列值，在这个序列中对这些像素点值进行排序，最终选择中间的值来作为背景像素点。

Herrero-Jaraba等人提出了中值背景建模的方法，中值背景模型的优点是算法复杂度低，建模速度快。

中值法计算公式为：

（3.7）

公式3.7中

表示背景模型中像素点

在k时刻的灰度值，

表示图像的三维数组。

中值背景模型

的运算比较简单，而且能够达到实时的效果，但是中值背景模型适用的条件比较苛刻，比较适合应用在一般车辆较少的路段中，因为车辆少、干扰少，背景建模比较准确，而在市区道路比较拥堵的情况下，特别是等红绿灯的路口时，车辆会出现停下等红绿灯，这时会使得背景模型不够准确

。

当车辆不运动的时候，中值背景法会将车身做为背景图像的一部分，这样的背景模型是不准确的，后续的检测算法无法检测出运动目标。

中值背景建模采用的方法是每N帧图像进行一次背景建模，如果当前背景图像不再准确时，就需要创建新的背景图像，这种方法在实时的智能交通系统中不一定能满足需要，对于背景突变的情况适用性不足，比如突然降雨，道路变湿等情况都不能及时的更新背景，使后续检测结果不够准确。

3.2.2高斯背景模型

高斯背景模型方法是目标检测的一种常用方法。

高斯背景模型又分为单模态模型和多模态模型两种。

单模态模型是使用高等数学中的单分布来对背景图像进行描述，而多模态模型则是使用多个分布来对图像进行描述。

单模态和多模态适用的场景不同，在简单的场景中，比如空旷的道路、蔚蓝的天空、平静的水面等，这些场景使用单模态模型可以很好的描述。

然而，在一些其它的复杂应用场景当中，如空中的飞机、摇摆的气球、穿梭的行人等，像素点的值不能够用单模态来完全表示，应用多模态模型来建立背景。

混合高斯分布模型在处理复杂场景时体现出它的优势，可以增加更多的分布来描述背景图像，因而这样建立的背景图像更精确，对于环境突变以及复杂场景，都可以利用增加分布特征的方法来描述背景图像。

很多科研人员在混合高斯模型的基础上提出了自己的新算法，比如采用改进的多高斯分布模型来建立背景。

首先,采用多高斯分布模型的方法建立背景，然后根据更新背景参数来进行背景更新，最后再进行像素点判定是否为背景点。

还有些背景建立利用三个高斯分布加权和来进行，这三个分布由背景、前景和阴影构成。

在智能交通系统中，经常检测的区域是市区拥堵的道路，特别是要检测红绿灯下停下来的车辆，因此上面提到的仅用三个高斯分布来描述背景像素点是不够的，Grimson提出的背景模型的建立提出了改进，采用了K个高斯分布的模型加权和，这样建立出的背景更准确一些，但算法复杂度随着K的增加而增加。

混合高斯模型可以很好的建立背景，但同时也有一些缺陷，K的取值将很大程度上决定背景建模的好坏，算法的复杂度也随着K