视频交通流检测及车辆识别系统的设计.docx

《视频交通流检测及车辆识别系统的设计.docx》由会员分享，可在线阅读，更多相关《视频交通流检测及车辆识别系统的设计.docx（30页珍藏版）》请在三一文库上搜索。

1、视频交通流检测及车辆识别系统的设计摘要本文论述了视频交通流检测和车辆识别系统的设计思想，以及实现时使用的 基本算法。并提出了提高检测实时性的具体措施。在道路交通管理中，为了获得 车辆的运动数据，早期经常采用的是感应线圈等硬件测量的方法。而如果采用摄 像头拍摄的道路视频，再用计算机软件处理的方法，则可以极大的增加方便性和 灵活性。本文运动目标检测与跟踪研究如何让计算机从视频图像序列中获得物体 运动数据。运动目标检测与跟踪分为背景提取、运动点团提取、运动点团位置提取、运 动物体跟踪这几个步骤，本文对每一个步骤的各种算法做了实验分析比较研究， 并提出了改进算法。在背景提取步骤提出了改进的基于均值的背

2、景提取算法以及 减少图像像素的兴趣区提取算法。在运动点团提取的阴影处理步骤提出了改进的 基于RGB空间的阴影处理算法。在运动点团位置提取步骤提出了改进的线段编码 算法。在运动物体跟踪步骤提出了基于预测的运动跟踪算法。实验与分析说明本 文提出的算法优于原算法。本文还通过实验分析比较了基于灰度图像序列的运动目标检测与跟踪、基于 边缘图像序列的运动目标检测与跟踪，它们都没有基于彩色图像序列的运动目标 检测与跟踪效果好。最后，本文得到了一整套运动目标检测与跟踪的方法，它们的健壮性和实时 性都符合实际运用的要求。关键词：背景提取、阴影处理、运动目标检测、运动跟踪、彩色图像1引言随着我国经济建设的蓬勃发展

3、，城市的人口和机动车拥有量也在急剧增长，交 通流量日益加大，交通拥挤堵塞现象日趋严重，交通事故时有发生。交通问题已经 成为城市管理工作中的重大社会问题，阻碍和制约着城市经济建设的发展。因此， 深入研究解决城市交通问题有着极为重要的现实意义。要解决城市交通问题，就 必须准确掌握交通信息。目前国内常见的交通流检测方法有人工监测、地埋感应 线圈、超声波探测器、视频监测 4类。其中，视频监测方法比其他方法更具优越 性。视频交通流检测及车辆识别系统是一种利用图象处理技术实现对交通目标检 测和识别的计算机处理系统。通过对道路交通状况信息与交通目标的各种行为（如违章超速，停车，超车等等）的实时检测，实现自动

4、统计交通路段上行驶的机动 车的数量、计算行驶车辆的速度以及识别划分行驶车辆的类别等各种有关交通参 数，达到监测道路交通状况信息的作用。同时，将检测和识别到的交通信息存储 起来,为分析和交通管理提供依据，因此它也是一个交通信息的管理系统。2视频交通流检测和车辆识别系统概述视频交通流量检测及车辆识别系统是一个集图象处理系统和信息管理系统为 一体的综合系统。计算机图象处理主要由图象输入，图象存储和刷新显示，图象输出和计算机接口等几大部分组成，这些部分的总体构成方案及各部分的性能优差 直接影响处理系统的质量。图象处理的目标是代替人去处理和理解图象，因此实时性,灵活性,精确性是对系统的主要要求。2.1系

5、统构成通过摄象机将道路交通流图像捕捉下来，再将这些捕捉到的序列图像送入计算 机进行图象处理、图象分析和图象理解，从而得到交通流数据和交通状况等交通 信息，这是系统的基本工作流程。图1系统构成图2.2系统工作原理(1)通过系统初始化，对系统中的参数进行设定，如每秒采集图象的帧数，图象二 值化的门限值(阈值)等等。由图像采集系统将摄像机摄取的路段上行驶车辆的 视频图象按序列连续捕捉下来并数字化，存入内存或帧缓存中。将这些采集到的序列数字图像进行预处理(滤波除噪，图象锐化，对比度增强)对预处理后的图像进行图象分割，并对分割后的目标图象进行特征提取(图象 描述)。(4) 用提取的特征进行分类识别。通过

6、相应的算法进行计算，得到车辆的计数、车 辆速度,并将获得的数据存入数据库。(5) 将图象分割和特征提取得到的特征与模型库里建立好的车辆模型进行模式匹 配，识别出车辆的类型，将识别出的结果存入数据库。(6) 对数据库里的数据进行统计分析输出有关报表或图片。在道路视频图像序列中获得车辆的速度，可以使用简单的方法，就是在图像 中的道路位置设置虚拟检测线，模拟感应线圈，根据虚拟检测线上的像素颜色的 变化得到经过虚拟检测线的车辆的速度，同时也可以对经过虚拟检测线的车辆计 数3。这种方法有很大的局限性。首先，它需要人工标定虚拟检测线，摄像头一 旦换位置，就需要重新设定一次虚拟检测线，很不方便；其次，它只能

7、检测通过 虚拟检测线的车辆，而对图像其他区域的车辆一无所知，图像的大量信息丢失掉 了。因此，本文不采取虚拟检测线的方法，而以运动物体(车辆)为目标，跟踪 每个运动物体在视频图像序列中的位置，进而得到每个物体的运动速度和运动物体总数。运动目标检测与跟踪的流程有三个层次，如图一 4。每个层次再细分，可以 得到图二的几个步骤。图一运动目标检测与跟踪的层次物体运动跟踪车型车牌识别道路事件检测摄像头标定物体真实速度获取 LJ图二运动目标检测和跟踪的步骤系统的输入是彩色视频图像序列。检测运动物体需要无运动物体的背景图像, 而视频图像序列中的每帧图像一般都有运动物体，因此需要提取背景。背景图像 提取出来后，

8、将每一帧图像与背景图像作差，然后二值化，得到前景像素构成的 运动点团图像，这就是背景差法。背景提取有很多种算法，第三章将详述与比较各种背景提取算法，并提出一 种改进的算法，实验证明改进的算法有更好的效果。除了直接将视频图像序列做 处理外，还可以先将视频图像序列转换成灰度图像序列，然后在灰度图像序列上 做运动目标检测和跟踪；或者，因为前景、背景分离的最重要的信息是边缘信息， 可先将视频图像序列转换成边缘图像序列，然后在边缘图像序列上做运动目标检 测和跟踪5。第三章也讲述了彩色图像转变成灰度图像的方法以及提取彩色图像 的边缘图像的方法。第四章讲述并比较了每一帧图像与背景图像作差的不同方法。由于阴影

9、的存 在，背景差法会把阴影作为运动物体的一部分，而阴影会把不同的运动物体连成 一片，影响之后的处理，因此需要对阴影做特别处理。第四章讲述和比较了阴影 处理的不同方法，并提出一种改进的算法，实验分析其优于其他算法。第四章也 指出了基于灰度图像的运动点团提取无法解决阴影的问题，因此基于灰度图像的 运动目标检测与跟踪方法没有基于彩色图像的方法好。提取运动前景像素除了上 面所述背景差法外，还可以采用相邻两帧图像作差的帧间差法6，第四章接着讲述帧间差法，并将其与背景差法比较。图像会随时间而变化，得到前景和背景像 素后，就可以对背景图像做更新，第四章最后讲述背景更新的策略。并不是图像的每一个像素都会出现运

10、动物体，关注区是图像中可能会出现运 动物体的部分。在背景提取的时候可以同时获取关注区，之后的处理就集中在关 注区中，这是减少图像像素数，减少处理时间的好方法。第五章讲述了关注区的 提取方法和利用关注区数据计算道路繁忙度的方法。前面讲述的处理方法都是基于图像像素的，属于图一中的图像像素层，这一 层处理的结果是运动点团二值图像，1代表运动前景像素，0代表背景像素。接下 来到了运动点团层处理。第六章讲述运动点团层的处理。首先是对运动点团二值图像做数学形态学处理，去除微小的噪声物体。然后 提取运动点团的位置和大小。提取运动点团的位置和大小有多种算法，第六章比 较了不同的算法，并且提出了改进算法，改进算

11、法更适合运动目标检测和跟踪。 第六章还讲述了运动点团层的运动跟踪，并指出了其存在的几个问题，为解决这 些问题，必须在运动点团层上增加运动物体层（见图一），从而引出了第七章。另 外，在运动跟踪时，我们是先确定一帧图像中所有运动点团的位置，然后和前一 帧图像中的运动点团位置关系判断是否为同一运动物体。还有一种运动跟踪的方 法7:在当前运动点团邻域搜索匹配下一帧中的运动点团，这种方法不需要提取 运动点团的位置和大小，可以称之为基于像素的运动跟踪，然而图像的像素数量 是很大的，这种像素点搜索匹配的方法所需的时间远远多于我们的方法，因此我 们没有采用这种像素点搜索匹配的方法。第七章讲述运动物体层的运动跟

12、踪。首先，介绍了卡尔曼滤波器，其可以用 于运动跟踪4，但其存在一些问题，由卡尔曼滤波器启发，本文提出了一种基于 预测的运动跟踪方法，其实质是一种简化的卡尔曼滤波器，很好的解决了卡尔曼 滤波器存在的问题。我们做了很多实验验证了此算法的健壮性。这一章还比较了 基于边缘图像的运动跟踪与基于原始的彩色图像的运动跟踪的效果，指出了基于 边缘图像的运动跟踪差于基于原始彩色图像的运动跟踪的原因。图二中虚线框的步骤，是物体运动跟踪之后可以继续进行的后续步骤，本文 把精力集中放在运动目标检测和跟踪的研究上，没有对这些后续步骤做更多研究， 在这里做简单说明：运动物体真实速度获取的目的是把运动跟踪得到的物体在图 像

13、二维坐标下的速度转换成真实空间三维坐标下的速度，其涉及到摄像头标定； 车型车牌识别、道路事件检测是将运动跟踪得到的车辆和道路数据作进一步的处 理，以得到诸如车型、车牌、车辆是否闯红灯、车辆是否超速等等，其涉及到很 多研究方向，如模式识别等。我们研究运动目标检测和跟踪使用道路交通作为实验场景。我们对多组实验 数据进行实验，每组实验数据是一段彩色的视频图像序列，所有实验视频数据的 分辨率都归一到720 352像素。下文所说的“实验数据一”是交通管理部门摄制 的15秒道路视频，图三是其中的一帧；“实验数据二”是我们用数码相机到天桥 上摄制的23秒道路视频，图四是其中的一帧。图三实验数据一的一帧图像图

14、四实验数据二的一帧图像3背景提取背景提取是在视频图像序列中提取出背景。背景就是场景中静止不动的景物 因为摄像机不动，因此图像中的每个像素点都有一个对应的背景值，在一段时间 内这个值比较固定。背景提取的目标就是根据视频图像序列，找出图像中每一点 的背景值。这是下一步运动点团提取的基础。在运动点团提取中，背景提取这一 步提取出来的背景图像将作为参考图像，每一帧图像都要与背景图像作差，把背 景去除，以得到运动点团前景。因此，这一步提取出的背景图像的好坏将直接影 响到之后每一帧的运动点团提取的质量。背景会随着时间的变化而发生变化，例 如光照变化导致背景亮度、色度变化；运动物体停止运动成为背景的一部分；

15、又 如背景的一部分运动起来成为运动前景等。因此背景需要不断更新，而背景的更 新一般需要运动前景的信息，所以背景的更新将在第四章讲述。本章讲述背景初 始化的方法，即在没有运动前景的任何信息的情况下提取背景图像，输入是视频 图像序列，每帧图像都包括运动物体和静止景物，输出是只含静止景物的背景图 像。第3.1节讲述原始彩色图像的背景提取，处理对象是彩色图像序列；第 3.2 节讲述灰度图像的背景提取一一先把彩色图像序列转换成灰度图像序列，再对灰 度图像序列提取背景；第 3.3节讲述边缘图像的背景提取一一先对彩色图像提取 边缘，再对边缘图像序列提取背景，这是考虑到为将运动前景和静止背景分离， 边缘信息起

16、到的重要作用。3.1彩色图像的背景提取原始彩色图像的背景提取，基本思想是，图像中的某个像素按时间抽样，其 作为背景像素的时间比作为运动前景的时间长，即其作为背景的概率比作为前景 的概率大，而且背景和前景在颜色上和亮度上都有很大不同。这是因为，对于固 定场景，运动物体在运动，其转瞬即逝，大多数时间我们看到的都是静止背景， 因此图像上某个像素点作为前景的时间相对作为背景的时间短得多；而且，运动 物体和静止背景在色彩上有明显区别，人能轻易分辨出前景物体，即使在一张静 止图像上。不论何种方法，都是基于这个思想。下面分别讲述不同方法。各个方 法的实验对比分析在第3.1.5节。3.1.1基于均值的彩色图像

17、背景提取这是背景提取的最简单的方法。因为视频中的某个像素对时间采样，背景出 现的次数比前景多，因此，将一定的时间段中的视频序列采样，比如2.5帧/秒，对每一个像素，将这一段时间中的所有图像帧取平均，那么这个平均值会接近背 景，背景出现的次数比前景越多，则这个平均值就越接近背景。前面已经说过，运动前景是转瞬即逝的。就以这个平均值作为这个像素的背景值。同时，求取平均值还可以在一定程度上抑制噪声。具体算法如下：1) 在某时间段采样得到 N个图像帧F,i=1,2N;N 迟 Fi(x,y)2) 对每一个像素点(x,y)，背景B(x, y)二乩N设图像的总像素数为M对每一个像素都要遍历N个图像帧，因此这个

18、算法的 时间复杂度是O(MN。实验数据一 2.5帧/秒采样10秒得到的背景如图五，实验数据二 2.5帧/秒采 样10秒得到的背景如图六。从图中我们可以看到前景的痕迹，特别在车辆较密的 车道。此方法和其他方法的实验对比分析见第3.1.5节。图五实验数据一基于均值的背景图像图六实验数据二基于均值的背景图像3.1.2改进的基于均值的彩色图像背景提取在第3.1.1节我们只是简单的使用了平均值求取背景。在求平均值之前，如 果能去除不大可能是背景的像素，那么求出来的平均值会更加接近背景。然而， 这个时候前景还没不知道，用什么方法可以简单有效的得到不大可能是背景的像 素呢？根据背景出现的次数比前景多，且前景

19、颜色和背景不同，可以知道，对于 某个像素点，其对时间的采样点在彩色RGB空间中会以背景点为中心点聚集在一起，而前景点会离中心点比较远。可以认为，像素颜色矢量的一个分量离中心点 的距离超过这个分量的标准差的点不大可能是背景，即使是背景，也叠加了比较一 ；1 n大的噪声。标准差计算公式为 S.c= IZ |Xi.c-X0.c|2，c=r,g,b 表示矢量的 n -1 y红、绿、蓝三种颜色分量，Xo是样本的平均值。因此，可以对基于均值的彩色图像 背景提取算法做改进：在求平均值之后求标准差，然后把与均值大于标准差的采 样点去除，最后再求余下的点的平均值，把此值作为背景值。改进的算法如下：2)对每一个像

20、素点(x,y):N无 Fi (x, y)a)求中心点F0(x,y) =4-NJ 1 N2b) 求标准差 S.c(x,y)：'二 |Fi.c(x,y)-F0.c(x,y)| , c=r,g,b ;V N -1 ic) 求集合Fi(x, y) /cFj.c(x,y) F°.c(x,y)兰 S.c(x,y);c = r,g,b;i=1,2.N中所有元素的平均值，这个值就是所求背景B(x,y)。设图像的总像素数为 M则对每一个像素都要遍历3次N个图像帧一一求中心 点一次，求标准差一次，最后再求均值一次，因此这个算法的时间复杂度是 0(3MN)=0(MN)比原来的单纯求平均值的算法费时

21、。实验数据一 2.5帧/秒采样10秒得到的背景如图七；实验数据二 2.5帧/秒采 样10秒得到的背景如图八。可以看到，此方法得到的背景图像比单纯求平均值的 算法好，单纯求平均值的方法得到的背景图像留有不少运动前景的痕迹，而此改 进算法得到的背景图像中运动前景痕迹就少多了。此方法和其他方法的实验对比 分析见第3.1.5节。图七实验数据一改进的基于均值的背景图像图八实验数据二改进的基于均值的背景图像3.1.3基于中值滤波的彩色背景图像提取中值滤波器能有效的去除图像的噪声。它的一般算法为8:遍历图像的每一个像素，将它和与它相邻的八个像素的灰度排序，取排在中间的像素的灰度值作为输出图像的这个像素的灰度

22、。因为噪声点的灰度与非噪声点差别大，而且图像有空间局部性，也就是说， 对于没有被噪声污染的图像，里面的每一个像素和它相邻的像素的灰度差别不大。 我们将这个像素和它相邻的像素排序，噪声点将被排到两边，排在中间的像素就 是没被噪声污染的像素，把它作为滤波结果。这就是中值滤波器能有效去除图像 噪声的原因。上面说的是灰度图像的中值滤波，如何将其扩展到彩色图像呢？彩色图像一 般使用RGB空间表示，每个像素点是一三维矢量，各个分量分别代表红、绿、蓝 三个颜色的灰度。可以分别将这三种颜色的灰度图做中值滤波，然后合成。然而 这种方法将导致滤波后一个像素的三个分量来自不同的像素点，合成后的颜色不 可避免的被扭曲

23、。可以采取另外一种方法。考虑到噪声点的颜色与非噪声点差别 大，在滤波时的排序中排到两边，可以将彩色图像转换成灰度图像，在转换后的 灰度图像中噪声点和非噪声点也会有较大的差别，排序后，取排在中间的像素对应的原始彩色图像的像素矢量作为滤波结果。这样滤波结果的每一个像素都是原 始彩色图像中真实存在的像素，避免了同一个像素的三个颜色分量来源于不同的 像素导致的颜色扭曲。彩色图像转换成灰度图像的方法详见第321节。将中值滤波扩展到彩色图像的算法如下：将彩色图像转换成灰度图像，遍历灰度图像的每一个像素，将它和与它相邻的八个像素的灰度排序，取排在中间的像素对应的原始彩色图像的像素矢量作为输出图像的这 个像素

24、。中值滤波是对单幅图像在空间采样点上的滤波，不能直接用于背景提取。对 于背景提取，我们需要将此算法扩展。视频中的某个像素对时间采样，背景出现 的次数比前景多，可以认为前景是“噪声”，这样我们就可以对一个像素在时间上 采样得到的样本进行滤波一一对它们排序，噪声将排在两边，即前景排在两边， 排在中部的是背景，取排在中间的像素作为背景结果9。我们处理的是彩色图像序列，因此如前所述，将彩色图像转换成灰度图像，然后在滤波的排序后，选择 排在中间的像素对应的原始彩色图像的像素矢量作为滤波结果。具体算法如下：1) 在某时间段采样得到 N个图像帧F,i=1,2N;2) 对每一个像素点(x,y):a) 将彩色像

25、素矢量 F(x,y)转换成灰度 G(x,y) ，i=1,2N;b) 将集合Gi(x,y)|i=1,2N中的元素排序；c) 设排在中间的是Gk(x,y)，则像素矢量Fk(x,y)作为滤波结果。对n个元素排序的时间复杂度是 O(nlogn)或者0(n2)，取决于算法，其不是线 性的，随着n的增大迅速增大。设图像的像素数是 M对每个像素都要对采样的N 个样本进行排序，因此此算法的时间复杂度是 O(MNlogN或者O(MN)，是比较耗时 的算法。实验数据一 2.5帧/秒采样10秒得到的背景如图九，实验数据二2.5帧/秒采样10秒得到的背景如图十。此方法和其他方法的实验对比分析见第3.1.5节图九实验数

26、据一基于中值滤波的背景图像图十实验数据一基于中值滤波的背景图像3.1.4基于共同区域的彩色图像背景提取在一个像素的所有随时间采样的样本中，在求均值之前，如果能去除不大可 能是背景的样本，那么求出来的平均值会更加接近背景。关键问题是在不知道前 景的情况下，如何决定哪些样本不大可能是背景。第3.1.2节讲了一种基于标准差的方法：认为离中心点距离大于标准差的点不大可能是背景点。有没有不用计 算标准差的方法呢？考虑前后相隔一定时间的两图像帧，因为前景在运动，其转瞬即逝，因此同一个像素在有一定时间间隔的两帧中如果差别不大，贝U它很大可 能是背景一一前景在这段时间中必然运动变化了；如果这个像素在这两图像帧

27、中 差别很大，则至少有一帧中的这个像素不是背景。称在有一定时间间隔的两图像 帧中差别不大的像素点的集合为共同区域，认为共同区域就是背景区域。在一定 的时间段中，采样得到若干有一定时间间隔的图像对，每个图像对找共同区域， 然后对共同区域求平均值得到最后的背景图像10。这时还要考虑某些像素不在任何背景区域中的情况一一如果前景运动变化过于频繁，某像素在任何图像对中 都有很大差别，这种情况将出现。这时，这个像素的背景值采用所有采样图像帧 求均值的方法得到。像素在图像对中的差别用像素矢量（彩色图像，像素是RGB空间的矢量）的欧氏距离来量度，如果其大于一阈值，则认为差别大，否则认为差别小。这个阈 值可以和

28、第四章运动点团前景提取的二值化阈值相同，因为它们的内涵都是前景 和背景差别的量度。这个阈值如何确定将在第四章详细讲述。另外，考虑阈值的 极端情况，如果这个阈值很小，任何像素在图像对中的差别都大于这个阈值，贝U 找不到任何共同区域，这时每一个像素的背景都是单纯用所有采样图像帧的平均 值得到；如果这个阈值很大，任何像素在图像对中的差别都小于这个阈值，则每 个图像对中的所有像素都是共同区域，这时每一个像素的背景也是由所有采样图 像帧的均值得到。在这两种极端情况下，这个方法都蜕变成第 3.1.1节的基于均 值的图像背景提取算法，所以基于均值的图像背景提取算法是基于共同区域的图 像背景提取算法的特殊情况

29、。详细算法如下：1）在某时间段采样得到 N个图像帧F,i=1,2N;2）对每一个像素点（x,y）:a）集合 A=;b）对每一个图像对 F（x,y）和 F+N/2（x,y） ，i=1,2 N/2如果 |Fi（x,y） F/2（x, y）| <Ta，则将 F（x,y）和 F+n/2 （x,y）加入集合 A，其中 Ta 是阈 值；c）计算集合A中所有元素的均值作为像素点（x,y）的背景值。设图像的总像素数为M则对每一个像素都要遍历2次N个图像帧一一产生集合A的点一次，求平均值一次，因此这个算法的时间复杂度是0(2MN)=0(MN)实验数据一 2.5帧/秒采样10秒得到的背景如图一；实验数据二

30、2.5帧/秒 采样10秒得到的背景如图十二。从图中可以看到，提取出的背景并不平滑，这是 因为每个像素计算均值的集合的大小不一样所致。此算法每个像素计算均值的集 合(即上述集合A)的大小的变化范围要比改进的基于均值的方法大得多，这导致 了其提取出的背景图像在这几种方法中最不平滑。此方法和其他方法的实验对比 分析见第3.1.5节。图十一实验数据一基于共同区域的背景图像图十二实验数据二基于共同区域的背景图像3.1.5彩色图像背景提取的实验分析实验采用10秒道路交通视频数据，在上面做均匀采样，例如采样率是1帧/秒（1f/s ），就是每秒取1帧，总共在10秒中均匀取10帧；采样率5帧/秒（5f/s），

31、就是每秒取5帧，总共在10秒中均匀取50帧。实验在赛扬1.0GCPU 384兆内存 的计算机上进行。表一是前述四种方法在不同采样率下处理完毕实际所需的时间， 只包括处理时间，不包括图像序列读取和背景图像输出的时间。不同采样率意味 着处理的总图像数不同，采样率与时间（这里 10秒）之积就是总图像数。采样率 越高，处理的时间越长，见表一。采样率（f/s）122.556.2512.525基于均值（S）0.750.931.101.722.163.827.13改进的基于均值（s）1.562.973.506.448.2817.7234.37基于中值滤波（S）0.571.101.283.284.6914.9

32、047.85基于共同区域（s）0.570.840.971.531.693.256.03表一不同方法提取背景实际所需处理时间我们可以由表一作出不同算法处理时间与采样率的关系图。基于均值的背景 提取方法的时间与采样率关系图见图十三；改进的基于均值的背景提取方法的时 间与采样率关系图见图十四；基于中值滤波的背景提取方法的时间与采样率关系 图见图十五；基于共同区域的背景提取方法的时间与采样率关系图见图十六。基于均值的彩色图像背景提取时间与采样率关系图采样率(f/s)图十三基于均值的彩色图像背景提取时间与采样率关系图改进的基于均值的彩色图像背景提取时间与采样率关系图采样率(f/s)图十四改进的基于均值的

33、彩色图像背景提取时间与采样率关系图基于中值滤波的彩色图像背景提取时间与采样率关系图图十五基于中值滤波的彩色图像背景提取时间与采样率关系图基于共同区域的彩色图像背景提取时间与采样率关系图间图十六基于共同区域的彩色图像背景提取时间与采样率关系图从表一和图十三至图十六可以看到，背景提取所需时间随采样率的增加而增 加；除了基于中值滤波的背景提取方法外，其他方法处理时间随采样率增加线性 增加；而基于中值滤波的背景提取方法，处理时间随采样率增加显著增长；基于 均值的背景提取方法和基于共同区域的背景提取方法所需时间差别不大；改进的 基于均值的背景提取方法比基于均值和基于共同区域的方法需要时间多。这个和 前面

34、每种方法的时间复杂度分析是一致的。为了比较不同算法求得的背景图像的效果，需要获得标准背景作为比较标准。 标准背景采用同一场景尽可能多的图像帧使用第3.1.2节的改进的基于均值的背景提取算法取得。这是因为此算法根据标准差先将不大可能是背景的像素去除了， 比单纯用平均值准确，同时在一定程度上抑制了噪声，并且由于使用了尽可能多 的图像，比只使用10秒的图像有更多信息。实验数据一所有 376帧图像得到的标准图像见图十七；实验数据二所有 576帧图像得到的标准图像见图十八图十七实验数据一的标准背景图像图十八实验数据二的标准背景图像确定了标准图像后，考虑比较标准。越接近标准图像的背景图像越好。如何比较两幅

35、图像是否接近？我们使用峰值信噪比 PSNR来衡量图像的接近程度。峰值 信噪比的计算公式如下:PSNR = 10 log1025521 _M-z |Fi(i) F2(i) M其中，对数中分子的255表示像素灰度最大的差值，在 256级灰度中，这个 最大差值是255 (255-0=255);对数中分母的M是图像的像素总数，Fi(i)、F2(i) 表示两幅图像中的某个像素，整个分母表示两幅图像的所有对应像素的差的平方 的平均值，如果是彩色图像，“对应像素的差的平方”用对应像素矢量的分量的差 的平方和除以3计算。可以看到，当两幅图像越接近，对数中的分母就越小，峰值信噪比就越大； 当两幅图像差别越大，对

36、数中的分母就越大，峰值信噪比就越小。极端情况，当 两幅图像一样时，峰值信噪比为无穷大；两幅图像差别最大时，峰值信噪比为0c我们就以峰值信噪比衡量两幅图像的相近程度，峰值信噪比越大，图像越接近。实验数据一不同方法在不同采样率下得到的背景的图像与标准背景图像比较的 PSNRS表二。采样率(f/s)122.556.2512.525基于均值34.8337.0537.2537.4237.4037.6537.62改进的基于均值36.2640.6540.7540.8240.8241.4141.36基于中值滤波35.1937.5337.7137.8037.6137.8337.76基于共同区域34.5838.1

37、038.3339.0539.1439.9540.01表二实验数据一不同方法得到的背景与标准背景图像比较的PSNR比较同一采样率下不同方法的 PSNR不能说明问题，因为同一采样率下不同方 法需要的实际处理时间不相同。 在处理时间一定的情况下，PSNR越大的方法越好。 因此，结合表二和表一，得到不同方法的 PSNRS处理时间变化关系图。实验数据 一不同方法的PSNF随处理时间变化关系图如图十九。各提取背景算法PSN与时间关系图44.0042.0040.0038.0036.0034.0032.0030.000.00 10.0020.0030.00时间(s)40.0050.00图十九实验数据一不同提取

38、背景的算法 PSNF与处理时间关系图将图十九中横坐标0，10区间部分作局部放大，得到图二十。各提取背景算法PSN与时间关系图44.0042.0040.0038.0036.0034.0032.0030.000.002.004.006.008.0010.00时间(s)图二十实验数据一不同提取背景的算法PSNF与处理时间关系图(局部)实验数据二不同方法在不同采样率下得到的背景的图像与标准背景图像比较的PSNRS表三。采样率(f/s)122.556.2512.525基于均值24.0524.6324.7624.8824.8824.9524.94改进的基于均值27.7729.1329.4329.8329.

39、8629.9730.01基于中值滤波26.3928.2828.7229.2329.2429.4029.47基于共同区域25.1026.2526.4927.0727.1428.0228.16表三实验数据二不同方法得到的背景与标准背景图像比较的PSNR实验数据二不同方法的PSNF随处理时间变化关系图，如图二十32.0024.000.0031.0030.0040.0029.0028.0027.0026.0025.0010.0020.0030.00时间(s)50.00图二十一实验数据二不同提取背景的算法 PSNF与处理时间关系图将图二一中横坐标0，10区间部分作局部放大，得到图二十二。各提取背景算法P

40、SN与时间关系图32.0031.0030.0029.0028.0027.0026.0025.0024.002.004.006.008.000.0010.00时间（s）图二十二实验数据二不同提取背景的算法 PSNF与处理时间关系图（局部）从图二十和图二十二这两组实验数据的结果中，我们可以得到以下结论：1、并不是采样率越高（处理时间越长），PSNF就越高。不同的方法在4秒之后，尽管采样率不同，但psnrB都基本不变了。这是因为不同的图像帧区别只在 于运动前景不同，背景是相同的，因此不同图像帧之间存在着信息冗余，增加采 样率，只会增加处理时间，不会增加 PSNR也即不会提高背景提取的质量。也就 是说

41、，在背景提取的时候，我们不需要很高的采样率即可得到不错的背景图像。2、基于均值的算法是效果最差的算法，因为其只是简单的平均，没有做更多 的处理。3、共同区域法需要更高的采样率才能得到好效果。这是因为要找到更多的共 同区域，就需要更高的采样率。从提取出来的背景图像的人眼视觉效果来说，基 于共同区域的算法的背景图像最不平滑。4、基于中值滤波的背景提取算法，只是取排序中位于中间的元素作输出，舍 弃掉了其他元素，没有充分利用其他元素的信息，并且排序比较耗时，因此基于 中值滤波的背景提取算法不是很好的算法。5、效果最好的算法是改进的基于均值的背景提取算法。综上所述，对于10秒的视频图像序列，采用每秒2帧

42、的采样率，使用改进的 基于均值的背景提取算法，不到 4秒就可以得到优秀的背景图像。而背景提取对 实时性本来要求就不高，不需要像物体运动跟踪那样对所有输入帧都进行处理， 这种方法完全能达到应用的要求。4视频交通流检测及车辆识别系统的设计与实现4.1软件功能概述(1) 能够对监视区域内的路段上通过车辆的数目进行标实时计数。(2) 能够对监视区域内的运动车辆进行实时速度测量。(3) 能够对监视区域内的运动车辆进行车辆类型识别。(4) 能够将检测和识别获得的交通数据存入数据库。(5) 能对数据库的数据进行统计输出。(6) 对系统测量到的车辆数目和每辆车的速度能实时处理并显示。（7）能够对车辆的长度，车

43、辆的车头间距，车辆排队长度等交通流数据进行统计。4.2功能模块设计视频交通流检测及车辆识别系统是由：系统初始化模块；图象采集模块；图象 预处理模块；图象分割模块；特征提取模块；流量统计模块；类型识别模块；数 据管理模块；系统维护模块组成。下面列出主要功能模块。4.2.1系统初始化模块为系统设定初值，包括设定图象输入参数（采集图像的分辨率，图象采集卡视 频端口的制式、亮度、对比度，每秒采集的帧数等）、检测区域的大小和个数、速 度检测标线以及象素间距与实际路长的比例系数、各种车辆类型的特征量、图像 二值化及检测区域内特征点的阈值等，并建立识别的匹配摸板。4.2.2图象采集模块将摄像机传输来的视频图

44、象按初始化设置的要求捕捉下来并将其数字化，然后 存储到内存里。采集图像的数字化是通过安装在计算机上的视频捕捉卡来实现的， 而图象捕捉控制是由软件来完成。捕捉软件可以按每秒125帧（PAL制线）或1 30帧（N制）来捕捉图像并存贮在帧缓存或计算机内存里以备预处理系统调用。4.2.3图象预处理对采集到的图像进行滤波除噪，主要采用中值滤波算法降低噪声。因为中值滤波具有抑制图像噪音并保持轮廓清晰的特点。对滤波去噪后的图象进行锐化，锐化算法采用二阶差分法。再对锐化后的图象进行对比度增强，对比度增强算法采用直 方图均衡化。经过预处理的图象，可视化效果得到改善，利于进行图象分割。4.2.4图象分割模块将预处

45、理后的图象，进行目标与背景分离，也就是把车的图象与背景分离开来, 以便于对车辆目标的处理，提咼运算速度。分割可以有很多算法。图象二值化算法 简单,速度快,符合图象处理系统实时性特点，所以采用图象二值化分割。这种方式 的分割，主要问题是如何确定阈值（灰度门限）。根据实际情况，可以采用自适应 门限法来确定阈值。425特征提取模块（特征描述）对分割出来的目标特征进行描述。描述主要是对目标图象的灰度，边界，面积 等属性进行测量，使目标的特征量化，从而便于图象分类（或图象识别）。为加快交通流检测的速度，把检测目标的面积作为特征提取出来 ，作为判断是否有车辆通 过的依据，同时通过对面积的特征匹配来确定车辆

46、的类型。计算区域面积的公式：八 E 15结束语我们实现的视频交通流检测及车辆识别系统已在西安市交通流量的检测中应 用，效果良好。利用电视视频技术、计算机图象处理技术、模式识别技术及通信 技术等多项技术为一体的计算机视频监测技术对交通进行监测和控制是一个具有 广阔应用前景的研究方向。它的目标就是用计算机视觉技术，通过分析摄象机拍 摄的交通图象序列来对车辆、行人等交通目标的运动进行检测、定位、识别和跟 踪，并对检测、跟踪和识别的交通运动目标的交通行为进行分析和判断，从而既 完成各种交通流数椐的采集，又进行与交通管理有关的各种日常管理和控制，形 成一个全方位立体化的数字交通监控网，真正实现交通管理智能化。因此，开展 视频交通监测技术的研究，对于提高我国视频监测技术水平，促进我国城市道路 建设，改变我国交通以人管理为主的被动局面，实现城市交通管理智能化都具有十分重要的现实意义 参考文献1容观澳编著：计算机图象处理，清华大学出版社，2000年2月2 章毓晋编著：图象处理和分析，清华大学出版社，20