車輛排隊長度檢測技術研究畢業(yè)論文

1、<p>　　本科生畢業(yè)論文（設計）</p><p>　　題 目 車輛排隊長度檢測技術研究 </p><p>　　學 院 軟件學院</p><p>　　專 業(yè) 軟件工程</p><p>　　學生姓名 </p><p

2、>　　學 號 0943111084 年級 2009</p><p>　　指導教師 </p><p><b>　　教務處制表</b></p><p>　　二 Ο 一 三 年 五 月 十 日</p><p>　　車輛排隊長度檢測技術研究</p><p>&

3、lt;b>　　軟件工程</b></p><p>　　學生 張彭 指導老師 羅以寧</p><p>　　[摘要] 智能交通系統(tǒng)是將先進的計算機處理技術、信息處理技術、數(shù)據(jù)傳輸技術、傳感技術以及電子控制技術等先進技術集成運用于交通管理而建立的的一種大范圍的、準確、實時、高效的綜合交通運輸管理系統(tǒng)。而檢測系統(tǒng)是ITS中的關鍵組成部分，負責對道路交通流量進行智能化采集，

4、通過檢測交通道路上車輛排隊的長度可以使交通運輸變得更加合理，可以有效地減少車輛的停車次數(shù)和速度變化頻率，更加有效的利用交通道路，減少堵車的發(fā)生，有利于推動經(jīng)濟的快速發(fā)展。</p><p>　　本文主要研究了車輛排隊長度檢測的相關算法。在圖像預處理中研究了圖像的灰度化處理，圖像濾波和圖像二值化處理等。在背景生成研究中探討了高斯背景建模，幀差法背景建模和中值法背景建模。最后利用背景差法實現(xiàn)了車輛排隊長度檢測，為了減小

5、環(huán)境因素的干擾，對陰影消除進行了探討。</p><p>　　[主題詞] 車輛排隊長度檢測；車輛檢測；背景建模；陰影消除</p><p>　　Research on detection technology of vehice queue length </p><p>　　Software Engineering</p><p>　　Stu

6、dent： Zhang Peng Adviser: Luo Yi-ning</p><p>　　[Abstract] Intelligent transportation system is an effective way to solve the problems of traffic jam, environmental pollution in modern city. The inte

7、lligent transportation system combines with electronic sensor technology,image processing, data communication technology, electronic controltechnology, information processing technology and so on. Its purpose is to set u

8、p a directing ground traffic system, fulfilling the exact, valid system in modern society. The identification of the license pla</p><p>　　This paper mainly studied the algorithm of vehicle queue length detec

9、tion. In the image preprocessing of gray-scale image processing, image filtering and image processing two values. In the background modeling algorithm of median background model, Gauss background model and frame differen

10、ce background model. The final difference method based on the vehicle queue length detection using background, in order to reduce the interference of environmental factors, discussed the elimination of shadow.</p>

11、<p>　　[Key Words] vehicle queue length detection；vehicle detection；background modeling；shadow elimination</p><p><b>　　目 錄</b></p><p><b>　　1. 緒論1</b></p>&

12、lt;p>　　1.1 研究背景1</p><p>　　1.2 論文主要工作2</p><p>　　1.3 論文組織與結構2</p><p>　　2. 背景知識介紹4</p><p>　　2.1 圖像處理簡介4</p><p>　　2.2 基于視頻的車輛檢測原理4</p><p&g

13、t;　　2.3 本章小結5</p><p>　　3. 車輛檢測算法研究6</p><p>　　3.1 圖像預處理6</p><p>　　3.2 背景建模算法研究9</p><p>　　3.2.1 中值背景模型9</p><p>　　3.2.2 高斯背景模型9</p><p>　　3.

14、2.3 幀差背景模型10</p><p>　　3.3 陰影消除算法研究12</p><p>　　3.3.1 車輛陰影特性12</p><p>　　3.3.2 陰影消除算法13</p><p>　　3.4 車輛排隊長度檢測算法研究14</p><p>　　3.5 本章小結15</p><p

15、>　　4. 實驗結果及分析16</p><p>　　4.1 圖像預處理實驗結果及分析16</p><p>　　4.1.1 圖像灰度化實驗結果及分析16</p><p>　　4.1.2 圖像二值化實驗結果及分析17</p><p>　　4.2 背景建模實驗結果及分析18</p><p>　　4.2.1中值

16、建模實驗結果及分析18</p><p>　　4.2.2幀差法建模實驗結果及分析18</p><p>　　4.3 陰影消除實驗結果和分析19</p><p>　　4.4 車輛排隊檢測實驗結果和分析20</p><p>　　4.5 本章小結21</p><p>　　5. 相關工作22</p>&l

17、t;p>　　5.1 國外研究狀況22</p><p>　　5.2 國內(nèi)研究狀況22</p><p>　　5.3 本章小結23</p><p><b>　　6. 小結24</b></p><p>　　6.1 工作總結24</p><p>　　6.2 心得體會24</p>

18、<p>　　6.3 進一步的工作24</p><p><b>　　參考文獻26</b></p><p><b>　　聲 明27</b></p><p><b>　　致 謝28</b></p><p>　　附 錄....................

19、..............................................................................................................................................29</p><p><b>　　1. 緒論</b></p><p>　　由于世界經(jīng)濟

20、的高速發(fā)展，交通運輸在國民經(jīng)濟中所占的地位變得越來越重要，同時機動車的使用率也在急劇增加。因此現(xiàn)在交通面臨著許多問題：交通環(huán)境的惡化、交通事故的增加、道路的堵塞等等。因此需要一種有效而實用的交通管理系統(tǒng)來處理這些問題，而老式的交通管理系統(tǒng)因為效率低下等原因，已經(jīng)無法適應交通發(fā)達的現(xiàn)代社會。所以智能交通系統(tǒng)（ITS）是當今世界道路交通的發(fā)展趨勢。</p><p><b>　　1.1 研究背景</b

21、></p><p>　　智能交通系統(tǒng)是目前全世界各個國家都在進行研究和開發(fā)的交通領域前沿研究課題和熱點。對于智能交通系統(tǒng)目前還有沒有一個明確的定義，但是可以歸納定義為：ITS是將先進的信息處理技術、計算機技術、傳感技術、數(shù)據(jù)通信傳輸技術以及電子控制技術等合理地運用于交通管理，從而組建的一個大范圍的、高效的、實時的、準確的交通綜合管理系統(tǒng)。智能交通系統(tǒng)的目的是使路、車、人密切配合，和諧的統(tǒng)一起來，從而減少車輛

22、的停車次數(shù)和速度變化頻率，更加有效的利用交通道路，減少堵車的發(fā)生，有利于推動經(jīng)濟的快速發(fā)展。</p><p>　　車輛檢測系統(tǒng)作為ITS的一個基本組成部分，在其中發(fā)揮著非常重要的作用，它負責提供詳細的交通信息數(shù)據(jù)，從而使智能交通系統(tǒng)得到精準的數(shù)據(jù)來進行處理。對于車輛檢測，目前存在著數(shù)種檢測方法。其中比較普及的車輛檢測方法有超聲波檢測、環(huán)形檢測和視頻檢測等。</p><p>　　超聲波檢測由

23、發(fā)射天線和聲波接收器組成。超聲波發(fā)射器對目標區(qū)域發(fā)射超聲波，當有車輛通過檢測區(qū)域時，此時接收器會在不同時間接收到回波，根據(jù)接收回撥的不同時間確定車輛是否通過檢測區(qū)域。</p><p>　　環(huán)形檢測是交通檢測系統(tǒng)中常用的一種檢測方式。它的原理是通過一個環(huán)形線圈充當感應器與電子單元構成一個電子系統(tǒng)，當車輛通過或停在線上時，由于車輛大部分部件由金屬制成，會在線圈內(nèi)部產(chǎn)生渦流從而使電感量變化，從而獲得一個信號輸出，檢測到

24、通過或停在線圈上的車輛。環(huán)形檢測的優(yōu)點是成本低廉，安裝方便。缺點是受環(huán)境影響比較大，在安裝和維護時需要挖開路面阻礙交通，而且感應線圈本身容易損壞。</p><p>　　視頻檢測技術是將計算機圖像處理技術引入到老式的圖像監(jiān)控系統(tǒng)中，利用先進的計算機技術從檢測系統(tǒng)獲得的視頻信息中提取出有用的交通信息，而且還能向交通系統(tǒng)管理中心及時提供實時的交通錄像。</p><p>　　基于視頻的檢測技術的核

25、心內(nèi)容是利用錄制的視頻，將運動目標從連續(xù)的圖像序列中提取出來，然后識別提取出的運動目標并且進行跟蹤，然后解釋該運動目標的動作?；谝曨l圖像的運動目標分析的內(nèi)容涉及人工智能、模式識別、計算機視覺等多個先進科技領域，而且以數(shù)字圖像處理為基礎。目前對視頻圖像運動目標分析系統(tǒng)的研發(fā)不但在通用上有很高的的要求，在實時性和可移植性上也面臨著不少難題?；谝曨l的車輛檢測系統(tǒng)相比以上傳統(tǒng)方法具有以下優(yōu)點：</p><p>　　視

26、頻檢測系統(tǒng)所需要的攝像頭等設備易于安裝，維護方便，費用低，安裝維護時不需要封閉車道，也不需要挖掘路面，因而不會影響正常的交通運行。</p><p>　　視頻檢測系統(tǒng)可以提供比較大的監(jiān)控范圍，一個的攝像頭就可以監(jiān)控車上百米以內(nèi)的車輛信息。而且與其它的傳感裝置相比，視頻傳感器能夠提供例如車輛牌照、車輛型號、車輛行駛路線以及車輛顏色等直觀而詳細的車輛信息。</p><p>　　視頻檢測系統(tǒng)能夠?qū)?/p>

27、交通現(xiàn)場錄像傳輸給交通管理機構，從而使交管部門的調(diào)控更加有效，并且可以提供交通事故的現(xiàn)場錄像。</p><p>　　視頻檢測系統(tǒng)是通過攝像頭來進行交通信息的采集，它對于交通道路幾乎沒有影響，而且視頻檢測系統(tǒng)也不會相互沖突。</p><p>　　基于上述的優(yōu)點，基于視頻圖像的車輛檢測系統(tǒng)對于智能交通系統(tǒng)的發(fā)展具有很好的推動作用，可以引導交通運輸系統(tǒng)向合理的模式轉變，可以減少車輛的速度變化頻率

28、和停車次數(shù)，從而提升路網(wǎng)的利用率，使道路更加順暢，具有很好的經(jīng)濟效益和社會效益。</p><p>　　1.2 論文主要工作</p><p>　　本課題的主要研究對象是攝像頭所拍攝的運動車輛視頻場景。研究內(nèi)容是視頻序列中車輛排隊長度的檢測。當檢測到有車輛停在斑馬線旁邊的白色直線后面時，開始檢測車輛排隊長度。主要內(nèi)容包括圖像預處理技術研究，視頻場景背景提取，視頻陰影消除技術研究，車輛排隊長度檢

29、測。</p><p>　　1.3 論文組織與結構</p><p><b>　　本文組織結構如下：</b></p><p>　　第一部分：緒論，對智能交通系統(tǒng)進行了一個整體概述，分析了智能交通系統(tǒng)的必然性和重要性；然后介紹了本文的主要工作；</p><p>　　第二部分：背景知識介紹，主要介紹了一些與視頻車輛排隊檢測相關的

30、數(shù)字圖像處理基礎知識以及基于視頻的車輛檢測原理；</p><p>　　第三部分：車輛檢測算法研究，詳細介紹了圖像預處理技術、視頻場景背景提取、視頻陰影消除技術以及車輛排隊長度檢測的算法。</p><p>　　第四部分：實驗結果及分析，對第三章中提出的圖像預處理技術、視頻場景背景提取、視頻陰影消除技術以及車輛排隊長度檢測的算法進行了實驗分析；</p><p>　　第五

31、部分：介紹了國內(nèi)外相關技術的研究狀況；</p><p>　　第六部分：小結，對本文全部工作進行總結及展望。</p><p><b>　　2. 背景知識介紹</b></p><p>　　2.1 圖像處理簡介</p><p>　　因為在人類的所有感覺中視覺占有非常重要的地位，所以人類對于生活中的大部分信息都是通過視覺來接受的

32、。根據(jù)統(tǒng)計，在人類日常接受的所有信息中，視覺信息占到了70%以上。所謂“百聞不如一見”就是這個道理，在很多生活場景下，通過圖像傳遞的信息比其它方式都要更加真實和豐富。</p><p>　　“數(shù)字圖像”則是將傳統(tǒng)的照片或者錄像模擬信號經(jīng)過處理及數(shù)字化后生成的。對圖像進行數(shù)字化的原因在于方便計算機運算和儲存。像素是圖像的基本單位，每一張圖像都由許多像素構成。像素的亮度用灰度值來表示，灰度值被劃分為256階，最亮為25

33、5，最暗為0。一張圖像經(jīng)過數(shù)字化成為很多小方塊所組成的圖像元素，每一個小方塊中都標有一個坐標。行值從左往右從0一直增大，列值從上到下逐漸增大。</p><p>　　數(shù)字圖像處理是指采用相應的處理技術對圖像進行有目的的處理和分析。數(shù)字圖像處理包含的內(nèi)容也很多，但是原理和使用的基本方法是一樣的。這個學科常用的處理方法包括圖像變換、圖像的增強和復原、圖像分割、圖像編碼壓縮和圖像分類等。</p><p

34、>　　2.2 基于視頻的車輛檢測原理</p><p>　　從交通檢測系統(tǒng)開始出現(xiàn)到目前為止，從事這一領域研究的專家學者們研究出了大量卓有成效的車輛檢測系統(tǒng)。車輛檢測系統(tǒng)主要方法有微觀檢測法和宏觀檢測法兩種。其中宏觀檢測法檢測的內(nèi)容更加詳細，會對整張目標圖像進行檢測；而微觀檢測法則只檢測目標圖像中的部分內(nèi)容。</p><p>　　宏觀檢測法需檢測整幅圖像的全部區(qū)域，使用這種檢測方法可以

35、檢測出目標圖像中的全部車輛信息。車輛的大部分信息都可以檢測出來，例如車輛的行駛路線等。但是采用這種檢測法來進行檢測會有很多缺點。第一，由于需要對整幅圖像進行檢測，則必然導致處理的運算量非常大，占用系統(tǒng)資源大，因而這種檢測法在車輛檢測這種實時性要求高的系統(tǒng)中使用時必然會造成嚴重的延時；第二，對整幅圖像進行檢測會是目標物體分割地不明顯，而且采用此法很難對靜止物體進行有效地檢測；第三，因為目標場景中會包含很多像花壇、路邊建筑物、紅綠燈和樹木等

36、會對檢測造成很大干擾的非目標物體，在這種情況下采用這種檢測法進行檢測誤差會很大。</p><p>　　微觀檢測法主要檢測圖像中的感興趣區(qū)域，包括窗口檢測法和線性檢測法等。線性檢測法的基本原理是在圖像的某個固定位置設置一條檢測線，通過統(tǒng)計檢測線圖像特征的變化如色彩突變、灰度跳變來判斷是否有車輛通過。因為這種線式檢測方的運算量小、占系統(tǒng)資源少，所以實時性不錯，但是外界環(huán)境因素容易干擾這種檢測法。窗口檢測法的原理是在圖

37、像的某個特定區(qū)域設置一個較小的矩形檢測框，利用統(tǒng)計矩形檢測框內(nèi)圖像特征的變化來確定是否有車輛通過，這種方法的檢測區(qū)域比線性檢測法的檢測區(qū)域要大一些。</p><p>　　現(xiàn)在使用最多的檢測法是區(qū)域檢測法，這種方法結合了以上兩種檢測法各自的優(yōu)點。它的檢測原理則是通過在圖像設置若干處感興趣區(qū)域（ROI），通過檢測這些區(qū)域內(nèi)的圖像特征從而實現(xiàn)判斷有無車輛通過的目的，區(qū)域檢測法通常有背景差法、幀差法以及綜合法等幾種，但無

38、論是哪種車輛檢測方法，基本的車輛檢測流程都相似，如圖2-1所示。</p><p>　　圖2-1 車輛檢測的基本流程</p><p>　　背景差分法的原理是首先人工選取或通過一定的算法得到一張沒有前景車輛的背景圖像，再將之后的視頻序列都通過與背景圖像進行減運算得到差值圖像，然后通過閾值化分割獲得二值圖像，從而實現(xiàn)檢測車輛的目的。在這個方法中，背景是需要實時更新的，以保證準確性。</

39、p><p>　　幀差法的原理則是通過當前幀的圖像與上一幀的圖像進行減運算得到差值圖像，由于車輛是運動的，因此從差值圖像中可以得到車輛運動軌跡的殘差，然后通過圖像分割方式得到需要的檢測區(qū)域，常見的幀差法有兩幀幀差法和三幀幀差法。 </p><p><b>　　2.3 本章小結</b></p><p>　　本章主要介紹了一些與視頻車輛排隊檢測相

40、關的數(shù)字圖像處理基礎知識以及基于視頻的車輛檢測原理，為下文的算法研究做好背景鋪墊。</p><p>　　3. 車輛檢測算法研究</p><p><b>　　3.1 圖像預處理</b></p><p>　　車輛檢測所需處理的圖像大多是通過彩色攝像機在自然環(huán)境下采集而來的，在攝像機進行采集、運輸和記錄的過程中，由于采集環(huán)境的原因，經(jīng)常會受到各種噪聲

41、的干擾，包括外界光照條件的變化、陰影的影響，還有攝像頭成像誤差、系統(tǒng)電路失真、光路擾動等引起的噪聲。總體而言，攝像機所拍攝得到的圖像一般都會是噪聲圖像。而用來進行車輛檢測所需要的圖像最好是背景干凈的、輪廓明顯的清晰圖像。所以在使用圖像處理進行車輛檢測時，應該先使用一些算法來減弱噪聲的干擾，然后再進行邊緣檢測、圖像分割、特征提取等處理。</p><p>　　圖像常見的預處理方式有：圖像灰度化、圖像二值化、圖像濾波等

42、。</p><p>　　3.1.1 圖像灰度化</p><p>　　由于彩色圖像的信息量非常龐大，大大增加了計算機的運算量，為了降低系統(tǒng)處理時間一般都會對圖像進行降維處理，把彩色圖像轉換為灰度圖，以達到減少運算量和存儲量以及提高處理速度的目的。</p><p>　　圖像的灰度化處理就是將彩色圖像中的彩色信息刪除，只保留亮度信息。灰度圖的在計算機中的表示方法是把亮度值

43、分成0-255共256個級別，其中255最亮（顯示時是純白），0最暗（顯示時是黑），在RGB模型中讓R=G=B，則顏色（R,G,B）就表示為灰度色。灰度化過程就是讓圖像中的RGB三個值相等，而圖像從未處理前的彩色圖像降到灰度化圖像后一定會失去一部分原來的圖像信息。</p><p>　　常用的圖像灰度化方法有三種：</p><p>　　最大值法：比較圖像中某點的R、G、B的亮度值從而得出其中

44、的最大值，將這個最大值作為這點在灰度圖中的灰度值。這種方法處理得到的灰度圖色彩亮度高。表達式見公式3.1。</p><p><b>　?。?.1） </b></p><p>　　平均值法：將圖像中某點的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，將這個平均值作為這點在灰度圖中的灰度值。這種方法處理得到的灰度圖色彩比較柔和。表達式見公式3.2。<

45、;/p><p>　　（3.2） </p><p>　　加權平均法：這種方法根據(jù)顏色的明暗度和相關指標，以及人眼對不同色彩敏感程度的不一樣，人眼敏感度從高到低順序依次是綠、紅、藍。根據(jù)這個特點分別對R、G、B，三個色彩向量賦予不同權值并求乘積和。利用這種方法得到的灰度圖比較符合人眼的視覺效果。查閱相關資料可以得知最合理的灰度圖像的權值是0.30,0.59,0.11，這樣加權平均公式為公式

46、3.3。</p><p><b>　　(3.3)</b></p><p>　　基于圖像的合理性，本文采用了加權平均法灰度化處理汽車原始圖像。</p><p>　　3.1.2 圖像二值化</p><p>　　圖像的二值化在完成圖像的灰度化后進行的，先設定一個臨界灰度閾值，然后把大于這個臨界灰度值的像素灰度設為灰度最大值25

47、5（顯示為純白），把小于臨界灰度值的像素灰度設為灰度極小值0（顯示為純黑）。把圖像進行二值化處理可以減小圖像的數(shù)據(jù)量，是下一步處理更加方便。圖像二值化主要分為局部閾值二值化和全局閾值二值化兩種。</p><p>　　(1)全局閾值二值化：先預先設定一個閾值T，然后將待處理點和T進行比較，大于T的為1否則為0。這種方法缺點是不能很好的表現(xiàn)細節(jié)，而且當圖像由黑白色彩交錯頻繁的復雜情況時容易失效，表達式見公式3.4。&

48、lt;/p><p><b>　　(3.4)</b></p><p>　　局部閾值二值化：這種算法是將圖像按照預先設定的方法將圖像分成許多個小窗口，而小窗口大小的選取需要依據(jù)實際圖像來進行。然后每一個小窗口在按照設定的某個閾值T進行二值化處理。局部閾值二值化的缺點是在某些窗口不能很好的保留表現(xiàn)圖像細節(jié)，而且窗口的大小選擇也是一個難題。</p><p>

49、;　　本文根據(jù)車輛檢測所需情況選用全局閾值二值化來進行二值化處理。 </p><p>　　3.1.3 圖像濾波</p><p>　　圖像濾波是在盡可能保留圖像的特征細節(jié)的基礎上對圖像進行抑制噪聲的處理，也就是消除非相關數(shù)據(jù)保留有用的數(shù)據(jù)。圖像濾波主要以下幾種：均值濾波法、加權平均濾波法，中值濾波法。</p><p>　　均值濾波法：均值濾波主要使用鄰域平均法來進行濾

50、波處理。它的方法是把待處理圖像的每個像素值用其鄰域的像素值的平均值來代替，對待處理圖像中的的某個像素點（i，j）選定一個模板，該模板由待處理像素附近的一些像素組成，然后先求出模板中像素的像素值之和，再求出平均值，最后將待處理像素點的像素值設為這個平均值，這種方法的詳細算法如下：</p><p>　　假設f(i,j)是需要進行濾波處理的圖像，而實用鄰域平均法處理過的圖像為g(i,j)，則：</p>&

51、lt;p><b>　?。?.5） </b></p><p>　　公式3.5中M表示選取的鄰域中附近像素的坐標，而N表示選取的鄰域中包含的像素的數(shù)量。</p><p>　　領域平均法的模板是：，中間的點表示該像素是中心元素。</p><p>　　在實際的運用當中，可以根據(jù)需要的不同來選擇使用不同大小的模板尺寸，如3×3,5&#

52、215;5,7×7等。模板尺寸越大，噪聲會消弱得越明顯，但同時圖像的對比度也會下降更多。利用均值濾波來進行圖像平滑往往需要以降低圖像清晰度為代價，另外，均值濾波只能將雜點無限放大讓其不易察覺，但不能真實地消除雜點。</p><p>　　加權平均濾波法：加權平均濾波法是對平均濾波方法的改進，這種方法人為對于同一尺寸的模板，可以對不同位置的像素值采用不同的數(shù)值，離像素中心點近的系數(shù)應該較大，遠離中心像素的位

53、置系數(shù)應該小一些。這樣可以使圖像更加平滑，但又不會使邊緣和細節(jié)有明顯的模糊。</p><p>　　常用的一種加權平均濾波法是利用選取模板的中心和系數(shù)的距離的倒數(shù)來設定模板內(nèi)部的值，常用的模板有，；還有一種方法則是利用高斯模板來確定系數(shù)權值，模板為，加權平均法也被稱為歸一化卷積，表示兩幅圖像之間的卷積，一幅是需要處理的圖像，另一幅是有加權值的圖像。</p><p>　　中值濾波法：中值濾波法

54、是建立在排序統(tǒng)計理論基礎上的，一種可以有效減弱噪聲對待處理圖像干擾的信號處理技術。它也是一種領域運算，和卷積類似，但是計算的不是加權求和，是將數(shù)字圖像或者數(shù)字序列中的一點的值用該點的一個鄰域中各點值的中值來代替，讓與周圍像素灰度值的差比較大的像素取與周圍的像素值接近的值，從而可以消除孤立的噪聲點。采用這種方法可以有效地減弱高頻分量，但是會影響到低頻分量。因為高頻分量在圖像中對應區(qū)域的邊緣灰度值會有比較大的變化，使用這種濾波能夠?qū)⑦@些分量

55、從圖像中濾除，從而使圖像變得更加平滑。設定模板為W，模板大小為X×Y，而圖像在點的灰度值用表示,采用中值濾波法進行處理的輸出結果為：</p><p><b>　?。?.6）</b></p><p>　　本文根據(jù)車輛檢測所需情況選用加權平均濾波法來進行圖像濾波處理。</p><p>　　3.2 背景建模算法研究</p>&

56、lt;p>　　在檢測系統(tǒng)的實際應用當中，不會有靜止不變的背景。場景變化有很多，比如新的干擾物的增加、光線的變化、場景中的物體被移出等，這些都對背景建模帶來了不便。場景當中的物體干擾包括：運動物的陰影影響、攝像頭在風中抖動或在大貨車路過時形成的共振，還有背景中有物體的突然閃過等。光線對背景建模的影響也不可忽略，以上這些因素都應該考慮到背景建模中，下面介紹幾種常用的背景建模方法。</p><p>　　3.2.1

57、 中值背景模型</p><p>　　中值背景建模思想是：在連續(xù)圖像中，圖像中每個點都會有一個像素序列值，在這個序列中對這些像素點值進行排序，最終選擇中間的值來作為背景像素點。Herrero-Jaraba 等人提出了中值背景建模的方法，中值背景模型的優(yōu)點是算法復雜度低，建模速度快。</p><p><b>　　中值法計算公式為：</b></p><p

58、><b>　　（3.7）</b></p><p>　　公式3.7中表示背景模型中像素點在k時刻的灰度值，表示圖像的三維數(shù)組。</p><p>　　中值背景模型的運算比較簡單，而且能夠達到實時的效果，但是中值背景模型適用的條件比較苛刻，比較適合應用在一般車輛較少的路段中，因為車輛少、干擾少，背景建模比較準確，而在市區(qū)道路比較擁堵的情況下，特別是等紅綠燈的路口時，車

59、輛會出現(xiàn)停下等紅綠燈，這時會使得背景模型不夠準確。當車輛不運動的時候，中值背景法會將車身做為背景圖像的一部分，這樣的背景模型是不準確的，后續(xù)的檢測算法無法檢測出運動目標。中值背景建模采用的方法是每N 幀圖像進行一次背景建模，如果當前背景圖像不再準確時，就需要創(chuàng)建新的背景圖像，這種方法在實時的智能交通系統(tǒng)中不一定能滿足需要，對于背景突變的情況適用性不足，比如突然降雨，道路變濕等情況都不能及時的更新背景，使后續(xù)檢測結果不夠準確。</p

60、><p>　　3.2.2 高斯背景模型</p><p>　　高斯背景模型方法是目標檢測的一種常用方法。高斯背景模型又分為單模態(tài)模型和多模態(tài)模型兩種。單模態(tài)模型是使用高等數(shù)學中的單分布來對背景圖像進行描述，而多模態(tài)模型則是使用多個分布來對圖像進行描述。單模態(tài)和多模態(tài)適用的場景不同，在簡單的場景中，比如空曠的道路、蔚藍的天空、平靜的水面等，這些場景使用單模態(tài)模型可以很好的描述。然而，在一些其它的

61、復雜應用場景當中，如空中的飛機、搖擺的氣球、穿梭的行人等，像素點的值不能夠用單模態(tài)來完全表示，應用多模態(tài)模型來建立背景。</p><p>　　混合高斯分布模型在處理復雜場景時體現(xiàn)出它的優(yōu)勢，可以增加更多的分布來描述背景圖像，因而這樣建立的背景圖像更精確，對于環(huán)境突變以及復雜場景，都可以利用增加分布特征的方法來描述背景圖像。很多科研人員在混合高斯模型的基礎上提出了自己的新算法，比如采用改進的多高斯分布模型來建立背景

62、。首先,采用多高斯分布模型的方法建立背景，然后根據(jù)更新背景參數(shù)來進行背景更新，最后再進行像素點判定是否為背景點。還有些背景建立利用三個高斯分布加權和來進行，這三個分布由背景、前景和陰影構成。在智能交通系統(tǒng)中，經(jīng)常檢測的區(qū)域是市區(qū)擁堵的道路，特別是要檢測紅綠燈下停下來的車輛，因此上面提到的僅用三個高斯分布來描述背景像素點是不夠的，Grimson提出的背景模型的建立提出了改進，采用了K個高斯分布的模型加權和，這樣建立出的背景更準確一些，但算

63、法復雜度隨著K的增加而增加。 </p><p>　　混合高斯模型可以很好的建立背景，但同時也有一些缺陷，K的取值將很大程度上決定背景建模的好壞，算法的復雜度也隨著K的增加而急劇增大，運算量的增加將使系統(tǒng)不能很好的滿足實時性的要求；但是K值如果縮小，建立出來的背景又不夠準確，相對單高斯背景建模的優(yōu)勢體現(xiàn)不出，因此K值大小的選取至關重要。 </p><p>　　3.2.3 幀差背景模型<

64、/p><p>　　本文選用幀差法建立背景模型，基于幀差法建立背景的流程圖如圖3-1所示。</p><p>　　圖3-1 基于幀差法的背景建模流程圖</p><p>　　使用幀差法來建立背景的主要內(nèi)容是利用相鄰的兩幀圖像來進行差運算從而得到差值圖像，然后設定一個閾值T，如果差值圖像的某個點像素值大于閾值T，則判定背景點上該區(qū)域有車輛經(jīng)過，此時背景圖像上點對應位置不變；反之

65、如果某個點像素值小于閾值T，則認為此時沒有運動目標經(jīng)過該點，將當前幀上的像素值作為背景圖像上的像素值。已經(jīng)確定的背景圖像點將不參與下次的迭代運算，這樣背景圖像被慢慢補全，經(jīng)過一定次數(shù)的迭代后，背景圖像最終會被建成。</p><p>　　幀差法建立背景主要包括以下幾個步驟：</p><p>　　將第一幀圖像選為背景圖像；</p><p>　　在二值化中選取合適的二值化

66、閾值進行二值化運算；</p><p><b>　　背景逐漸更新</b></p><p><b>　?。?.8）</b></p><p>　　表示背景在該點的灰度值，表示前景圖像在該點的灰度值，為更新速率。</p><p>　?。?）判斷背景建模是否已經(jīng)建好，理想狀態(tài)是將背景一直建立下去，這樣建立的背

67、景會越來越好，但是背景建模完畢后才能進行后續(xù)操作，因此可以選取適當?shù)牡撝?，?jīng)過一定的迭代次數(shù)后，背景建模建立完畢。</p><p>　　3.3 陰影消除算法研究</p><p>　　存在光照的地方就會存在陰影，在進行車輛檢測的過程中，陰影問題也是需要考慮的。在利用圖像進行車輛檢測時，陰影同背景的差異性很大，采用背景差法，很容易會將陰影當做前景檢測出來。因為目標車輛的陰影和車輛本身的有很

68、多相似之處，所以在進行車輛檢測時陰影經(jīng)常被認為是車輛的一部分。如果不能將陰影很好的去除，就會給后續(xù)的車輛檢測等帶來很大的干擾。陰影的存在對車輛檢測的影響很大，首先，干擾最大的是可能使多個車輛目標相互粘連，誤判為一個整體目標；其次，陰影還可能把另一個目標覆蓋，造成其它車輛目標的丟失。因此在進行車輛檢測時必須要有一套實時有效的陰影檢測算法，陰影消除是智能交通運動車輛檢測系統(tǒng)中非常重要的一個環(huán)節(jié)。</p><p>　　

69、3.3.1 車輛陰影特性</p><p>　　因為光線是沿著直線傳播的，當物體遮擋住了日光等光線的傳播時就會產(chǎn)生陰影。陰影分為自身陰影和投射陰影兩類。自身陰影是指由于物體本身的遮擋而讓光線照射不到它的某些面而形成的陰影，而投射陰影是指由于物體遮擋光線而使場景中的一些區(qū)域受不到光源照射而形成的陰影。</p><p>　　陰影檢測的方法主要分為基于特征的方法和基于陰影模型的方法兩種?；谔卣鞯?/p>

70、檢測方法是通過采用圖像的顏色、色調(diào)、灰度或亮度等信息來進行判斷，而基于模型的方法是通過建立陰影統(tǒng)計模型來判斷圖像內(nèi)的像素點是否是陰影區(qū)域。采用模型的方法因為陰影模型的建立比較困難、耗時較大，所以一般的實時的陰影檢測算法都是使用基于特征的方法來實現(xiàn)的。在不同色彩空間內(nèi)，車輛和背景與陰影具有不同的特性，可以根據(jù)其中差異較大的特性來區(qū)分出陰影和車輛。</p><p>　　在RGB空間中，陰影被其覆蓋像素的RGB分量都會

71、減小，其中R通道下降得最多，其次是G通道，B通道下降的值最小，而且由于散射光源的作用，陰影的像素中B通道的的比率會增加。在陰影區(qū)域中，與背景圖像相比，前景圖像中的陰影部分只有背景亮度減弱，顏色變化比較小，RGB會成比例地衰減。</p><p>　　在HSV空間（色相，飽和度，明度）中,當前車輛陰影和其位置所對應的背景的HSV空間像素值，V分量會減小，并且會發(fā)生較大的變化，而H分量和S分量的變化不會很大，而且車輛的

72、暗影部分中的V值也會降低，下降幅度會大于車輛的形成的陰影，可以通過判斷像素點位置中的V分量來確定該位置是車輛還陰影是部分。</p><p>　　3.3.2 陰影消除算法</p><p>　　對于固定的場景來說，在背景確定的情況下，圖像某個位置是陰影與是背景的灰度值是成線性關系的，所以在基于灰度空間的陰影檢測環(huán)境下，有的學者提出可以采用歸一化互相關函數(shù)來分析陰影，從而實現(xiàn)消除陰影的目的。文獻

73、通過下式進行陰影判斷：</p><p><b>　?。?.9）</b></p><p><b>　?。?.10）</b></p><p><b>　　（3.11）</b></p><p><b>　?。?.12）</b></p><p&

74、gt;<b>　?。?.13）</b></p><p>　　其中T表示一個(2N+1)×(2N+1)大小的模板，B(i,j)表示背景點在像素點（ij）位置的值。如果其中某一點滿足：</p><p><b>　　（3.14）</b></p><p>　　其中表示一個確定的閾值，則認為該像素點是陰影點。</p&

75、gt;<p>　　從上述的式子可知道，歸一化互相關函數(shù)涉及到大量的平方和開方運算，運算匹配速度會比較慢，在這個基礎上，文獻提出了一種快速歸一化互相關函數(shù)的陰影檢測算法，這個方法通過三個加總表來對快速歸一化算法進行改進，從而使計算時不含開方運算，計算復雜度也不依賴于模板的大小。但是基于實際的實時車輛檢測的角度來看，這種算法存在一些缺陷：第一，無論是采用FNCC算法還是NCC算法，算法復雜度都會很高，而在正常的采集速率下的處理

76、速度能給予陰影檢測的處理時間一般不太長；第二，這種算法有一個閾值的選取問題，一般情況下的值是接近于1的，一般會取0.97～0.99，其中細小的偏差都有可能造成陰影檢測的誤判。所以這種算法不太適合于實時檢測。下面主要介紹在RGB空間實現(xiàn)的陰影消除算法。</p><p>　　交通監(jiān)控系統(tǒng)采集的視頻圖像由于會受太陽光和反射光的影響，藍色會發(fā)生散射，所以某一像素點的藍色分量在為陰影和背景時的變化會比較小，而綠色分量和紅色

77、分量會按照比例發(fā)生衰減。但是就藍色通道來而已，雖然藍色通道的值也會發(fā)生衰減，但是衰減的不顯著，因此在消除陰影時，應該考慮圖像的R、G通道來進行判斷，所以算法要采用檢測R、G通道來對陰影進行消除。</p><p>　　算法先利用B通道求出Otsu閾值，再進行二值化閾值分割，從而獲得目標車輛的明亮部分，然后通過對像素點的紅色通道和綠色通道的衰減程度來確定該點是否位于車輛的背光部分。再結合未處理前的二值化圖像將之前處理

78、得到的明亮部分的車輛圖像和后來得到的車輛暗影部分進行或操作，得到濾除陰影后的完整圖像。其檢測流程如下：</p><p>　　對當前幀圖像I與通過背景更新算法獲得背景圖像B求得差圖像S；</p><p>　　對差圖像進行 Otsu 閾值分割，獲得二值化圖像 IB；</p><p>　?。?）對車輛前景區(qū)域的原圖像進行藍色通道 Otsu 閾值分割，從而獲得獲取車輛的明亮

79、部分IL；</p><p><b>　?。?.15）</b></p><p>　　公式3.15中Threshold表示求得的B通道的Otsu閾值 </p><p>　?。?）對源圖像和背景圖像中的R，G分量進行比例判斷，得到車輛的暗影部分IG；</p><p><b>　?。?.16）</b>

80、</p><p>　　公式3.16中為比例閾值，；</p><p>　?。?）將圖像IL與IG進行或操作得到結果圖像。</p><p>　　3.4 車輛排隊長度檢測算法研究</p><p>　　在智能交通系統(tǒng)中，通過處理交通道路上攝像頭獲得的交通道路視頻可以為交通管理部門提供很多重要的交通信息，如某一路段車輛堵塞嚴重以及車輛行駛速度超出道路限

81、速等。而車輛排隊長度是進行交通管理時非常需要的一項信息，因此車輛排隊長度檢測是智能交通系統(tǒng)的重要內(nèi)容。</p><p>　　因為光流法和幀差法無法對排隊的車輛長度進行有效檢測，本文使用背景差法來進行。背景差法的基本流程是：先將背景圖像與待檢測圖像進行減運算從而得到得到差值圖像，再利用閾值化分割法將目標車輛從背景中提取出來。計算</p><p><b>　?。?.17）</b

82、></p><p>　　公式3.17中表示的是當前待處理圖像，表示的是背景圖像，表示的是通過減運算得到的差值圖像，則車輛檢測可以表示為：</p><p><b>　　（3.18）</b></p><p>　　其中 = 1表示對應像素是車輛區(qū)域，而 = 0時表示該區(qū)域是背景區(qū)域。</p><p>　　基于背景差法的車

83、輛檢測的準確性依賴于背景圖像的可靠性，因此需要對背景進行更新，上文中介紹了背景提取及更新的方法。</p><p>　　利用背景差法成功提取出車輛目標后，需要進行車輛存在檢測確定車輛排隊長度起始位置。本文采用下面的方法來確定車輛隊列起始位置：</p><p>　　(1)對采用背景差法得到的圖像中的像素逐行進行掃描，設置= 0表示這一行中是車輛區(qū)域的像素個數(shù)，因為=1表示像素（i,j)是車輛區(qū)

84、域，所以掃描到=1則= +1;</p><p>　　(2)由于背景差法得到的圖像可能會受到其它因素的干擾，使得圖像中存在一些=1但卻不是車輛區(qū)域的像素。因此設定閾值T，當>T時認為第i行存在車倆；</p><p>　　(3)根據(jù)實際情況設定排隊車輛間距為S，利用>T來對進行判斷，如果第x行第一個滿足>T則認為x行為車輛隊列開始位置，再從x行開始檢測，如果第y行、y+1行、

85、y+2行……y+S行都不滿足>T，則認為第y行為車輛隊列末端位置；</p><p>　　(4)根據(jù)上一步得到的車輛隊列起始坐標x和末端坐標y在原圖中作出標記。</p><p>　　綜上所述，本文進行車輛排隊長度檢測流程如圖3-2所示。</p><p>　　圖3-2車輛排隊長度檢測流程</p><p><b>　　3.5 本章小

86、結</b></p><p>　　本章主要分析探討了圖像預處理技術、視頻場景背景提取、視頻陰影消除技術以及車輛排隊長度檢測的算法及其實現(xiàn)。</p><p>　　4. 實驗結果及分析</p><p>　　本章將對前面第三章提出的一些算法進行測試，然后再根據(jù)實驗結果來分析算法的是否成功實現(xiàn)了相應的目的。</p>

87、<p>　　4.1 圖像預處理實驗結果及分析</p><p>　　4.1.1 圖像灰度化實驗結果及分析</p><p>　　圖4-1顯示了未處理前的原圖。</p><p>　　圖4-1 原圖 </p><p>　　圖4-2顯示了灰度化處理后的圖像。</p><p>　　圖4-2 灰度化處理后的圖片

88、</p><p>　　通過對比圖4-1、圖4-2，可以發(fā)現(xiàn)灰度化處理已經(jīng)成功將原來的彩色圖像成功轉化為只有黑白兩色的圖片。</p><p>　　4.1.2 圖像二值化實驗結果及分析</p><p>　　圖4-3顯示了未處理前的圖像。</p><p>　　圖4-3 未處理前圖像 </p><p>　　圖4-4顯示

89、了二值化處理后的圖像。</p><p>　　圖4-4 二值化后的圖像</p><p>　　通過圖4-3、圖4-4的對比，可以發(fā)現(xiàn)經(jīng)過二值化處理成功將原圖處理為信息量更加少，輪廓更加明顯，處理起來更加容易的圖像。</p><p>　　4.2 背景建模實驗結果及分析</p><p>　　4.2.1中值建模實驗結果及分析</p>&

90、lt;p>　　圖4-5、圖4-6顯示了圖像源。 </p><p>　　圖4-5 第1幀圖片</p><p>　　圖4-6 第17幀圖片</p><p>　　圖4-7顯示了第500幀時中值法建立的背景。</p><p>　　圖4-7 500幀時中值法建立的背景</p><p>　　由圖4-5、圖4

91、-6、圖4-7可以看出，當運動目標較多時，中值法具有缺陷，背景很容易“變臟”，建立的背景不夠準確。</p><p>　　4.2.2幀差法建模實驗結果及分析</p><p>　　圖4-8顯示了第500幀時基于幀差法建立的背景。</p><p>　　圖4-8 500幀時幀差法建立的背景</p><p>　　由圖4-5、圖4-6、圖4-8可以看出，

92、使用幀差法建立的背景比較準確。</p><p>　　4.3 陰影消除實驗結果和分析</p><p>　　圖4-9顯示了其中一幀有陰影的圖像：。</p><p>　　圖4-9 某一幀有陰影的圖像</p><p>　　圖4-10顯示了未消除陰影的圖像。</p><p>　　圖4-10 未消除的圖像</p>

93、<p>　　圖4-11顯示了消除陰影的圖像。 </p><p>　　圖4-11 消除陰影的圖像</p><p>　　由圖4-9、圖4-10、圖4-11可以看出，消除陰影基本達到了目的，為以后的處理做好了鋪墊。</p><p>　　4.4 車輛排隊檢測實驗結果和分析</p><p>　　圖4-12顯示了背景圖。</p>

94、<p>　　圖4-12 背景圖</p><p>　　圖4-13顯示了待檢測圖片。</p><p>　　圖4-13 待檢測圖片</p><p>　　圖4-14顯示了背景差法處理后得到的圖片。</p><p>　　圖4-14 背景差法處理后的圖片</p><p>　　圖4-15顯示了標記了車隊首尾的圖片。&

95、lt;/p><p>　　圖4-15標記了車隊首尾的圖片</p><p>　　通過分析圖4-12、圖4-13、圖4-14可知，通過背景差法提取出了車輛目標，但是圖像包含一些干擾因素，通過檢測圖4-14獲得車隊首尾坐標，然后在原圖像中顯示出來如圖4-15。</p><p><b>　　4.5 本章小結</b></p><p>　

96、　本章主要是對第三章研究的圖像預處理技術、視頻場景背景提取、視頻陰影消除技術以及車輛排隊長度檢測等算法進行實驗分析。</p><p><b>　　相關工作</b></p><p>　　5.1 國外研究狀況</p><p>　　國外科研人員做了大量的關于智能交通系統(tǒng)的研究,其中包括車輛牌照識別、車輛速度檢測和車輛跟蹤等,從交通視頻中獲取這些交通信

97、息涉及到了計算機處理技術、電子控制技術、數(shù)據(jù)通信傳輸?shù)阮I域。將這些技術運用到實際的交通信息監(jiān)測中有許多需要克服的困難,但是世界各國的科研人員不畏艱險在智能交通系統(tǒng)相關學術領域進行了大量工作,而且也取得了很多優(yōu)秀的研究成果。</p><p>　　Rafael.M.Inigo等人員提出了線段圖像幀差法來進行車輛檢測：順著道路方向以某一固定的間隔設置30條線段,采用對每一條線上標示車輛是否出現(xiàn)來的方法來對車輛進行計數(shù),

98、通過在多幀圖像上檢測所在30條線段的狀態(tài),可以實現(xiàn)跟蹤車輛移動情況的目的,這個方法應用在加州技術學院實驗室開發(fā)的大面積檢測系統(tǒng)(WADS)中,車輛數(shù)統(tǒng)計的誤差僅為5%一10%,在良好天氣條件下,速度檢測的精度可以達到雷達檢測的98%。</p><p>　　Brian Carlson和Panos G Miehalopoulos提出了對交通流參數(shù)進行實時檢測的方法。明尼蘇達州立大學自主研發(fā)的Autoscope系統(tǒng)中采

99、用了這種方法,這個系統(tǒng)利用圖像處理技術來對車輛進行檢測,從而獲得是否有車輛通過和車輛的速度等的實時交通信息。該方法在道路圖像中設置虛擬傳感器,每個虛擬傳感器只對道路圖像中的一個小窗口進行操作，通過幀差法和在潮濕道路上檢測反射和陰影的方法來確定傳感器的狀態(tài),利用監(jiān)視一個或多個傳感器的狀態(tài)可以計算出車輛長度、速度、數(shù)量和車道占有率。</p><p>　　NEWCAST大學的Bell MGH，Rourte A提出了用多

100、窗口技術來對二值圖像中的車輛進行檢測。先利用灰度直方圖處理得到二值化圖像,然后在交通場景中創(chuàng)建上游和下游兩個窗口,這兩個窗口的實際位置可以由操作人員通過移動光標來確定,再利用統(tǒng)計車輛在兩個窗口內(nèi)的運動規(guī)律來對車輛的速度和車輛數(shù)量進行檢測。(TULIP)系統(tǒng)就采用了這種方法,車輛數(shù)量的檢測誤差為5%左右。</p><p>　　綜上所述，目前世界上的視頻車輛檢測技術主要是利用幀差法，邊緣檢測法和背景差法等來實現(xiàn)對車輛

101、的檢測。</p><p>　　5.2 國內(nèi)研究狀況</p><p>　　隨著智能交通系統(tǒng)的發(fā)展,用于車輛檢測的各種新技術也不斷被研發(fā)出來。最近幾年，國內(nèi)的車輛檢測技術在飛速發(fā)展，城市交通管理系統(tǒng)采用了很多先進技術。川大智勝軟件有限公司的地面智能交通管理系統(tǒng)在交通監(jiān)管方面取得了良好的效果,它是在圖像處理和人工智能的基礎上通過實時地分析視頻中的交通流情況,并提取交通狀況的主要信息，包括最高速度

102、，最低速度，平均速度和車流量等。國內(nèi)有很多科研機構長期進行視頻車輛檢測技術的研究，針對車輛檢測中的車輛識別，車輛計數(shù)和車速測量等交通信息的檢測作了大量的研發(fā)工作，并且提出了一些具有創(chuàng)意的新方法。</p><p>　　伴隨著智能技術的快速發(fā)展，在最新的一些車輛視頻檢測技術中采用了小波分析、模糊理論、人工神經(jīng)網(wǎng)和遺傳算法等智能技術，而且獲得了很好的效果。清華大學的吳裙文和張學工提出了一種基于主成分分析法和小波變化實現(xiàn)

103、的車輛靜態(tài)檢測方法。這種方法使用事先選好的車輛和背景來對樣本集進行訓練,對樣本利用小波變換進行特征提取，再用主成分分析將檢測圖像在進行分類，從而確定某區(qū)域內(nèi)是否有車輛存在。此方法應用效果良好,具有不錯的實際效益。</p><p>　　因為視頻車輛檢測中常用方法主要是邊緣檢測法、背景差法、幀差法等幾種,但是在使用這些方法解決實際問題時，經(jīng)常會碰到一些麻煩，所以國內(nèi)科研人員提出了一些改良后新的方法。例如基于視頻的車輛

104、檢測和跟蹤技術容易受到環(huán)境因素的干擾從而降低準確性,其中車輛間的相互遮擋和車輛的陰影是兩個主要的干擾因素。國內(nèi)學者提出了先使用背景差法對運動對象進行分割，再利用邊緣檢測法使檢測的準確性得到提高，按照一定規(guī)則對提取得到的目標區(qū)域進行處理從而有效地檢測車輛。這種方法可以有效解決車輛陰影和遮擋問題,從而得到更加準確的交通信息。</p><p>　　由于傳統(tǒng)的幀差法是根據(jù)車道設置固定窗口來進行運動車輛檢測的。怎么消除因為

105、旁邊車道的車輛覆蓋了被檢測車道檢測窗而引起的誤差,也是視頻車輛檢測技術需要解決的一個難題。張玲等針對這個問題提出了一種改進的幀差法,先檢測車道內(nèi)的車輛信息生成信息流,然后根據(jù)信息流的變化對車輛車速以及數(shù)量進行檢測。從而實現(xiàn)對測量窗口內(nèi)車輛的準確計數(shù)，使收集到的車道內(nèi)車輛信息更加準確。</p><p>　　綜上所述,在一些視頻車輛檢測中的所面臨的難點問題，國內(nèi)學者也相應地提出了一些不錯的解決方案。但是由于視頻車輛檢

106、測所處環(huán)境的復雜性,很難有一種方法適于用所有的情況，所以在視頻車輛檢測鄰域仍然需要進一步的研究。</p><p><b>　　5.3 本章小結</b></p><p>　　本章主要介紹了視頻車輛檢測相關技術在國內(nèi)外的研究狀況，國內(nèi)外學者在這個領域的工作都非常多，也都很有成效。</p><p><b>　　6. 小結</b>

107、</p><p><b>　　6.1 工作總結</b></p><p>　　智能交通系統(tǒng)是將先進的信息處理技術、計算機技術、傳感技術、數(shù)據(jù)通信傳輸技術以及電子控制技術等合理地運用于交通管理，從而組建的一個大范圍的、高效的、實時的、準確的交通綜合管理系統(tǒng)。它的目的是使路、車、人密切配合，和諧的統(tǒng)一起來，從而減少車輛的停車次數(shù)和速度變化頻率，更加有效的利用交通道路，減少堵

108、車的發(fā)生，有利于推動經(jīng)濟的快速發(fā)展。ITS正日益得到我國政府、大學、科研機構和各企業(yè)單位的重視。在我國，近年來不但有許多 ITS 的研究成果發(fā)表，而且不停車電子收費、車輛自動識別等ITS技術的應用也在蓬勃發(fā)展，可以說我國對智能交通系統(tǒng)的需求也是越來越迫切。在智能交通系統(tǒng)的實際應用上，基于計算機視覺的檢測方法擁有易于維護、費用較低、效果良好等諸多優(yōu)點。但因為應用于道路監(jiān)控的視頻檢測技術在國內(nèi)外起步都比較晚，很多技術理論并不完善，而且實際的

109、道路檢測環(huán)境各式各樣，錯綜復雜，因此這方面的理論研究還有巨大的潛力以待挖掘。</p><p>　　本文主要在圖像預處理技術、視頻場景背景提取、陰影消除技術以及車輛排隊長度檢測四個方面進行研究。其中圖像預處理技術主要分析了圖像灰度化，圖像二值化以及圖像濾波。在背景提取技術中主要研究了中值背景建模，高斯背景建模以及幀差背景建模。陰影消除技術主要研究了在RGB空間下的陰影消除。車輛排隊檢測主要研究了膨脹操作，腐蝕操作和

110、基于形態(tài)學的邊緣檢測。其中大部分算法都得到了實現(xiàn)，但是車輛排隊長度檢測并不完善，需要改善。</p><p><b>　　6.2 心得體會</b></p><p>　　我在做畢業(yè)設計的過程中得到了很多啟發(fā)：</p><p>　　第一，要詳細制定計劃，并嚴格按照計劃來執(zhí)行工作。在以前的學習過程中參與一些項目時，雖然也有制定計劃，但是經(jīng)常不按照計劃來