基于圖像處理的運(yùn)動(dòng)車輛檢測(cè)【開題報(bào)告】

1、<p><b>　　畢業(yè)設(shè)計(jì)開題報(bào)告</b></p><p><b>　　計(jì)算機(jī)科學(xué)與技術(shù)</b></p><p>　　基于圖像處理的運(yùn)動(dòng)車輛檢測(cè) </p><p>　　一、說(shuō)明選題的依據(jù)和意義</p><p>　　隨著社會(huì)經(jīng)濟(jì)的的不斷發(fā)展，大小城市的車輛伴隨著越來(lái)也多，而其帶來(lái)的一

2、些交通事故的頻發(fā)，車輛的堵塞，噪音污染等問(wèn)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(duì)道路車輛進(jìn)行實(shí)時(shí)的檢測(cè)，以便在發(fā)生交通異常情況下第一時(shí)間采取行動(dòng)。</p><p>　　因此智能交通系統(tǒng)在現(xiàn)今越來(lái)越普及，此系統(tǒng)中交通參數(shù)的獲取是關(guān)鍵內(nèi)容，然后對(duì)一系列獲取的參數(shù)進(jìn)行篩選、處理、計(jì)算，最后得到相關(guān)結(jié)果。道路車

3、輛情況的檢測(cè)，其可以為交通運(yùn)輸?shù)墓芾硖峁┍匾男畔ⅰ?lt;/p><p>　　傳統(tǒng)的交通檢測(cè)有超聲波檢測(cè)，紅外線檢測(cè)，環(huán)形感應(yīng)圈檢測(cè)。超聲波檢測(cè)精度不高，容易受車輛遮擋和行人的影響，檢測(cè)的距離短（一般不超過(guò)10m)；紅外線檢測(cè)受車輛本身熱源的影響，抗噪聲的能力不強(qiáng)．檢測(cè)精度不高；環(huán)形感應(yīng)器檢測(cè)精度高，但要求設(shè)置于路面土木結(jié)構(gòu)中，對(duì)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(jì)算機(jī)技術(shù)、圖像處理、人工智能

4、等技術(shù)的不斷發(fā)展，數(shù)字圖像檢測(cè)在如今的交通流檢測(cè)中應(yīng)用越來(lái)也廣泛。</p><p>　　二、研究的基本內(nèi)容，擬解決的主要問(wèn)題：</p><p>　　1．了解與掌握相關(guān)圖像處理技術(shù)的基本知識(shí)與方法；</p><p>　　數(shù)字圖像在計(jì)算機(jī)上以位圖（bitmap）的形式存在的。位圖是一個(gè)矩形點(diǎn)陣，上面的每一個(gè)點(diǎn)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(gè)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(gè)稱為灰度值（gray level）的數(shù)字所標(biāo)識(shí)。</p><p>　　數(shù)字圖像是通過(guò)什么樣的機(jī)制在計(jì)算機(jī)屏幕上顯示出來(lái)的呢？在計(jì)算機(jī)中設(shè)有專用于存儲(chǔ)圖形（圖像）信息的幀緩沖存儲(chǔ)器。計(jì)算機(jī)時(shí)時(shí)監(jiān)視著這個(gè)存儲(chǔ)器，如果該存儲(chǔ)器內(nèi)被填充圖像數(shù)據(jù)，該數(shù)據(jù)就會(huì)自動(dòng)地由光柵掃描方式映射到屏幕上來(lái)，形成圖像。幀緩存存儲(chǔ)器

6、中的每一位對(duì)應(yīng)于屏幕上的一個(gè)點(diǎn)，當(dāng)一個(gè)位的數(shù)據(jù)被置為1時(shí)，屏幕上的對(duì)應(yīng)位置上就會(huì)出現(xiàn)一個(gè)亮點(diǎn)，而當(dāng)位的數(shù)據(jù)為0時(shí)，屏幕上的對(duì)應(yīng)位置就是一個(gè)暗點(diǎn)。計(jì)算機(jī)啟動(dòng)時(shí)，幀緩存所有的位上都被置為0，只有當(dāng)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(jì)算機(jī)中，為顯示一幅二值圖像（每個(gè)像素占用1 bit）需要有640×480位的幀緩存容量，這個(gè)容量被稱為一個(gè)位平面。 </p&g

7、t;<p>　　2．設(shè)計(jì)并編程實(shí)現(xiàn)運(yùn)動(dòng)物體檢測(cè)算法。設(shè)計(jì)時(shí)需考慮環(huán)境光照變化、陰影變化等影響運(yùn)動(dòng)車輛檢測(cè)準(zhǔn)確性的實(shí)際因素；</p><p>　　在道路上檢測(cè)運(yùn)動(dòng)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(yùn)動(dòng)能量法。不過(guò)每個(gè)方法都各有優(yōu)劣點(diǎn)，光流法有很好的精度，但計(jì)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(cè)到運(yùn)動(dòng)物體，但容易漏檢運(yùn)動(dòng)速度較慢的車輛并且常常會(huì)將一輛車分成幾個(gè)

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(cè)效果取決于背景更新算法，當(dāng)背景更新可靠性高時(shí)，效果好，其具有計(jì)算量小可靠性高的特點(diǎn)。</p><p>　　然而在車輛檢測(cè)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(biāo)車輛，因此如何在建立和實(shí)時(shí)更新背景模以適應(yīng)背景模型變化的一大難點(diǎn)。</p><p>　　擬采用對(duì)陰影與背景之間像素點(diǎn)亮度的比較實(shí)現(xiàn)圖像陰影的消除。然后，將經(jīng)

9、過(guò)陰影消除的圖像進(jìn)行灰度處理，由彩色差分圖像轉(zhuǎn)化為灰度圖像進(jìn)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(biāo)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(jí)的背景和目標(biāo)兩類區(qū)域，系統(tǒng)采用自適應(yīng)閾值化分割方法，它是種自動(dòng)的非參數(shù)無(wú)監(jiān)督的閾值選擇法，基于類間方差最大的測(cè)度準(zhǔn)則，當(dāng)該測(cè)度函數(shù)取最大時(shí)得到最佳閾值，利用此值對(duì)圖像進(jìn)行分割，就得到相應(yīng)的二值圖像，可以提高系統(tǒng)的穩(wěn)定性。差分閾值處理過(guò)程中，有時(shí)由于車身顏色跟路

10、面顏色非常接近，造成車輛目標(biāo)圖像斷裂而不連續(xù)，因而需將誤把車窗當(dāng)作陰影消除而造成車輛分裂的部分填充起來(lái)。</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(cè)的道路上方設(shè)置CMOS傳感攝像頭獲取交通場(chǎng)景和車輛圖像，同時(shí)圖像存入微處理器內(nèi)存或直接處理，比如存儲(chǔ)一張?jiān)紙D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(yù)處理</b></p><p><b>　　2.1灰度統(tǒng)計(jì) </b></p><p>　　針對(duì)道路交通的采集圖像?？梢宰x取圖像中每個(gè)像素點(diǎn)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(gòu)成，所以在預(yù)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(guò)對(duì)車輛特點(diǎn)的分析：一般均為小型轎車或大型BUS，長(zhǎng)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(shè)置一條虛擬線。設(shè)圖像寬為：nWidth；高為nHeight。統(tǒng)計(jì)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(diǎn)的個(gè)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(diǎn)所在的行，且0<=i<=nHeight;</p><p>　　j表示該像素點(diǎn)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(wú)關(guān)的像素區(qū)域。</p><p><b>　　2.2圖像二值化</b></p><p>　　設(shè)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(wú)車輛通過(guò)檢測(cè)區(qū)時(shí)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?qǐng)D像幀為不含車輛的場(chǎng)景圖像，如果輸入圖像不含車輛，則和參照?qǐng)D像相同，此時(shí)圖像幀差為0；相反如果輸入圖像包含車輛，則和參照?qǐng)D像不同，此時(shí)圖像幀差不為0。 </p><p>　　由此可見，要從復(fù)雜的景物中分割出目標(biāo)并將其形狀完整的提取出來(lái)，閾值的選取是二值化的關(guān)鍵，也就是問(wèn)值分割技術(shù)的關(guān)鍵

16、。如果閾值選取過(guò)低，則過(guò)多的目標(biāo)點(diǎn)被誤歸為背景；閾值選取得過(guò)高，則會(huì)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(lái)，然后根據(jù)單位時(shí)間內(nèi)通過(guò)的車輛模型來(lái)計(jì)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(cè)區(qū)里的經(jīng)過(guò)灰度變換的圖像與背景圖像進(jìn)行差分。當(dāng)沒有車輛進(jìn)入檢

17、測(cè)區(qū)域時(shí)，檢測(cè)區(qū)域的圖像接近于背景圖像，差分值小于設(shè)定的門限；當(dāng)有車輛進(jìn)入檢測(cè)區(qū)域時(shí)，檢測(cè)區(qū)域的圖像就會(huì)發(fā)生變化，與背景的差分結(jié)果將大于設(shè)定的門限。</p><p>　　具體實(shí)現(xiàn)過(guò)程：在檢測(cè)區(qū)域內(nèi)，對(duì)經(jīng)過(guò)灰度變換等預(yù)處理后的圖像與背景圖像進(jìn)行幀差運(yùn)算，從輸入圖像中排除背景，提取得到前景目標(biāo)。幀差及二值化示意，如下圖所示</p><p>　　為進(jìn)一步減少計(jì)算量，背景幀差僅在3條虛擬檢測(cè)線上進(jìn)

18、行</p><p><b>　　2.4 邊緣檢測(cè)</b></p><p>　　圖像邊緣是圖像基本特征之一，它蘊(yùn)含了圖像豐富的內(nèi)在信息，并廣泛應(yīng)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(xí)，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(cè)大幅度地減少了數(shù)據(jù)量，并且剔除了可以認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。通過(guò)邊緣檢測(cè)可以很好的區(qū)分道路上車輛與陰影，為車輛計(jì)數(shù)的準(zhǔn)確性提供技術(shù)支持。這里我們通過(guò)計(jì)算圖像中像素的梯度值來(lái)確定圖像的邊緣點(diǎn)。</p><p>　　常見的邊緣

20、檢測(cè)有Roberts邊緣檢測(cè)算子、Sobel邊緣檢測(cè)算子、Prewitt邊緣檢測(cè)算子、Krisch邊緣檢測(cè)、高斯-拉普拉斯算子。本設(shè)計(jì)中我選擇使用Sobel邊緣檢測(cè)算子</p><p>　　在這種檢測(cè)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(quán)求和的過(guò)程。卷積卷積時(shí)使用的權(quán)用一個(gè)很小的矩陣來(lái)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(quán)矩陣叫做卷積核，區(qū)域中的每一個(gè)像素分別于卷積核中的每個(gè)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(jìn)行卷積時(shí)會(huì)遇到一些問(wèn)題，比如圖像的邊界問(wèn)題。當(dāng)在圖像上逐個(gè)移動(dòng)卷積核時(shí)，只要卷積核移動(dòng)到了圖像邊界，就會(huì)遇到計(jì)算上的問(wèn)題。這時(shí)在原圖像上不能完整找到與卷積核中卷積系數(shù)相對(duì)應(yīng)的9個(gè)圖像像素?？梢酝ㄟ^(guò)忽略圖像邊界數(shù)據(jù)或者在圖像四

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

23、<p>　　3. 汪勤，黃山，張洪斌，楊權(quán)，張建軍，基于視頻圖像處理的交通事件檢測(cè)系統(tǒng)，計(jì)算機(jī)應(yīng)用，28(7):1886-1889，2008</p><p>　　4. 何江遠(yuǎn)，唐明浩，基于數(shù)字圖像處理的交通檢測(cè)，數(shù)采與監(jiān)測(cè)，97-98，2007</p><p>　　5. 秦鐘，基于梯度方向恒定性的運(yùn)動(dòng)車輛陰影檢測(cè)，華南理工大學(xué)學(xué)報(bào)(自然科學(xué)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(dòng)態(tài)目標(biāo)檢測(cè)算法的研究與仿真[J]，系統(tǒng)仿真學(xué)報(bào)，2005，

26、1(1):159-161</p><p>　　9. 汪亞明，黃文清，動(dòng)態(tài)圖像系列中運(yùn)動(dòng)目標(biāo)檢測(cè)[J]，計(jì)算機(jī)測(cè)量與控制，2003，11(8):564-565</p><p>　　10.余勝生，肖德貴，周敬利，自適應(yīng)背景抽取算法[J]，小型微計(jì)算機(jī)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(jì)算機(jī)視覺

27、技術(shù)應(yīng)用。計(jì)算機(jī)工程與應(yīng)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>&