车辆排队长度检测技术研究.doc

《车辆排队长度检测技术研究.doc》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.doc（43页珍藏版）》请在三一文库上搜索。

1、四川大学本科毕业论文 基于J2ME技术的手机移动网络游戏(银月血影)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 张彭学 号 0943111084 年级 2009指导教师 罗以宁教务处制表二 一 三 年 五 月 十 日 四川大学本科毕业论文车辆排队长度检测技术研究 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

2、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Research on detection technology of v

3、ehice queue length Software EngineeringStudent： Zhang Peng Adviser: Luo Yi-ningAbstract Intelligent transportation system is an effective way to solve the problems of traffic jam, environmental pollution in modern city. The intelligent transportation system combines with electronic sensor technology

4、,image processing, data communication technology, electronic controltechnology, information processing technology and so on. Its purpose is to set up a directing ground traffic system, fulfilling the exact, valid system in modern society. The identification of the license plate and the measure of ve

5、hicle queue length are essential parts of intelligent transportation system. The identification of the license plate and the measure of vehicle queue length applicants many technologies, such as synthesize computer visiontechnology, the image processing, and the pattern recognition and so on. This p

6、aper mainly studied the algorithm of vehicle queue length detection. 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 difference background mod

7、el. 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. Key Words vehicle queue length detection；vehicle detection；background modeling；shadow elimination目 录1. 绪论11

8、.1 研究背景11.2 论文主要工作21.3 论文组织与结构22. 背景知识介绍4 2.1 图像处理简介42.2 基于视频的车辆检测原理4 2.3 本章小结53. 车辆检测算法研究63.1 图像预处理63.2 背景建模算法研究9 3.2.1 中值背景模型9 3.2.2 高斯背景模型9 3.2.3 帧差背景模型103.3 阴影消除算法研究12 3.3.1 车辆阴影特性12 3.3.2 阴影消除算法133.4 车辆排队长度检测算法研究143.5 本章小结154. 实验结果及分析164.1 图像预处理实验结果及分析16 4.1.1 图像灰度化实验结果及分析16 4.1.2 图像二值化实验结果及分析1

9、74.2 背景建模实验结果及分析18 4.2.1中值建模实验结果及分析18 4.2.2帧差法建模实验结果及分析184.3 阴影消除实验结果和分析194.4 车辆排队检测实验结果和分析204.5 本章小结215. 相关工作225.1 国外研究状况225.2 国内研究状况225.3 本章小结236. 小结246.1 工作总结246.2 心得体会246.3 进一步的工作24参考文献26声 明27致 谢28附 录.291. 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

10、。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

11、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

12、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。

13、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

14、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

15、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

16、、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

17、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

18、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、

19、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

20、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

21、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

22、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

23、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

24、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

25、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

26、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

27、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33,55,77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

28、） 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

29、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XY，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

30、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

31、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

32、，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

33、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

34、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的增加而急剧增大，运算量的增加将使系统不能很好的满足实时性的要求；但是K值如果缩小，建立出来的背景又不够准确，相对单高斯背景建模的优势体现不出，因此K值大小的选取至关重要。 3.2.3 帧差背景模型本文选用帧差法建立背景模型，基于帧差法建立背景的流程图如图3-1所示。 图3-1 基于帧

35、差法的背景建模流程图使用帧差法来建立背景的主要内容是利用相邻的两帧图像来进行差运算从而得到差值图像，然后设定一个阈值T，如果差值图像的某个点像素值大于阈值T，则判定背景点上该区域有车辆经过，此时背景图像上点对应位置不变；反之如果某个点像素值小于阈值T，则认为此时没有运动目标经过该点，将当前帧上的像素值作为背景图像上的像素值。已经确定的背景图像点将不参与下次的迭代运算，这样背景图像被慢慢补全，经过一定次数的迭代后，背景图像最终会被建成。帧差法建立背景主要包括以下几个步骤：（1） 将第一帧图像选为背景图像；（2） 在二值化中选取合适的二值化阈值进行二值化运算；（3） 背景逐渐更新 （3.8） 表示

36、背景在该点的灰度值，表示前景图像在该点的灰度值，为更新速率。 （4）判断背景建模是否已经建好，理想状态是将背景一直建立下去，这样建立的背景会越来越好，但是背景建模完毕后才能进行后续操作，因此可以选取适当的迭代阈值，经过一定的迭代次数后，背景建模建立完毕。3.3 阴影消除算法研究存在光照的地方就会存在阴影，在进行车辆检测的过程中，阴影问题也是需要考虑的。在利用图像进行车辆检测时，阴影同背景的差异性很大，采用背景差法，很容易会将阴影当做前景检测出来。因为目标车辆的阴影和车辆本身的有很多相似之处，所以在进行车辆检测时阴影经常被认为是车辆的一部分。如果不能将阴影很好的去除，就会给后续的车辆检测等带来很

37、大的干扰。阴影的存在对车辆检测的影响很大，首先，干扰最大的是可能使多个车辆目标相互粘连，误判为一个整体目标；其次，阴影还可能把另一个目标覆盖，造成其它车辆目标的丢失。因此在进行车辆检测时必须要有一套实时有效的阴影检测算法，阴影消除是智能交通运动车辆检测系统中非常重要的一个环节。3.3.1 车辆阴影特性 因为光线是沿着直线传播的，当物体遮挡住了日光等光线的传播时就会产生阴影。阴影分为自身阴影和投射阴影两类。自身阴影是指由于物体本身的遮挡而让光线照射不到它的某些面而形成的阴影，而投射阴影是指由于物体遮挡光线而使场景中的一些区域受不到光源照射而形成的阴影。 阴影检测的方法主要分为基于特征的方法和基于

38、阴影模型的方法两种。基于特征的检测方法是通过采用图像的颜色、色调、灰度或亮度等信息来进行判断，而基于模型的方法是通过建立阴影统计模型来判断图像内的像素点是否是阴影区域。采用模型的方法因为阴影模型的建立比较困难、耗时较大，所以一般的实时的阴影检测算法都是使用基于特征的方法来实现的。在不同色彩空间内，车辆和背景与阴影具有不同的特性，可以根据其中差异较大的特性来区分出阴影和车辆。 在RGB空间中，阴影被其覆盖像素的RGB分量都会减小，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，阴影的像素中B通道的的比率会增加。在阴影区域中，与背景图像相比，前景图像中的阴影部分只有

39、背景亮度减弱，颜色变化比较小，RGB会成比例地衰减。在HSV空间（色相，饱和度，明度）中,当前车辆阴影和其位置所对应的背景的HSV空间像素值，V分量会减小，并且会发生较大的变化，而H分量和S分量的变化不会很大，而且车辆的暗影部分中的V值也会降低，下降幅度会大于车辆的形成的阴影，可以通过判断像素点位置中的V分量来确定该位置是车辆还阴影是部分。3.3.2 阴影消除算法对于固定的场景来说，在背景确定的情况下，图像某个位置是阴影与是背景的灰度值是成线性关系的，所以在基于灰度空间的阴影检测环境下，有的学者提出可以采用归一化互相关函数来分析阴影，从而实现消除阴影的目的。文献通过下式进行阴影判断： （3.9

40、） （3.10） （3.11） （3.12） （3.13） 其中T表示一个(2N+1)(2N+1)大小的模板，B(i,j)表示背景点在像素点（ij）位置的值。如果其中某一点满足： （3.14）其中表示一个确定的阈值，则认为该像素点是阴影点。 从上述的式子可知道，归一化互相关函数涉及到大量的平方和开方运算，运算匹配速度会比较慢，在这个基础上，文献提出了一种快速归一化互相关函数的阴影检测算法，这个方法通过三个加总表来对快速归一化算法进行改进，从而使计算时不含开方运算，计算复杂度也不依赖于模板的大小。但是基于实际的实时车辆检测的角度来看，这种算法存在一些缺陷：第一，无论是采用FNCC算法还是NCC算

41、法，算法复杂度都会很高，而在正常的采集速率下的处理速度能给予阴影检测的处理时间一般不太长；第二，这种算法有一个阈值的选取问题，一般情况下的值是接近于1的，一般会取0.970.99，其中细小的偏差都有可能造成阴影检测的误判。所以这种算法不太适合于实时检测。下面主要介绍在RGB空间实现的阴影消除算法。 交通监控系统采集的视频图像由于会受太阳光和反射光的影响，蓝色会发生散射，所以某一像素点的蓝色分量在为阴影和背景时的变化会比较小，而绿色分量和红色分量会按照比例发生衰减。但是就蓝色通道来而已，虽然蓝色通道的值也会发生衰减，但是衰减的不显著，因此在消除阴影时，应该考虑图像的R、G通道来进行判断，所以算法

42、要采用检测R、G通道来对阴影进行消除。算法先利用B通道求出Otsu阈值，再进行二值化阈值分割，从而获得目标车辆的明亮部分，然后通过对像素点的红色通道和绿色通道的衰减程度来确定该点是否位于车辆的背光部分。再结合未处理前的二值化图像将之前处理得到的明亮部分的车辆图像和后来得到的车辆暗影部分进行或操作，得到滤除阴影后的完整图像。其检测流程如下：（1） 对当前帧图像I与通过背景更新算法获得背景图像B求得差图像S；（2） 对差图像进行 Otsu 阈值分割，获得二值化图像 IB；（3）对车辆前景区域的原图像进行蓝色通道 Otsu 阈值分割，从而获得获取车辆的明亮部分IL； （3.15） 公式3.15中Th

43、reshold表示求得的B通道的Otsu阈值 （4）对源图像和背景图像中的R，G分量进行比例判断，得到车辆的暗影部分IG； （3.16） 公式3.16中为比例阈值，；（5）将图像IL与IG进行或操作得到结果图像。 3.4 车辆排队长度检测算法研究在智能交通系统中，通过处理交通道路上摄像头获得的交通道路视频可以为交通管理部门提供很多重要的交通信息，如某一路段车辆堵塞严重以及车辆行驶速度超出道路限速等。而车辆排队长度是进行交通管理时非常需要的一项信息，因此车辆排队长度检测是智能交通系统的重要内容。因为光流法和帧差法无法对排队的车辆长度进行有效检测，本文使用背景差法来进行。背景差法的基本流程是：先将背景图像与待检测图像进行减运算从而得到得到差值图像，再利用阈值化分割法将目标车辆从背景中提取出来。计算 （3.17）公式3.17中表示的是当前待处理图像，表示的是背景图像，表示的是通过减运算得到的差值图像，则车辆检测可以表示为： （3.18）其中 = 1表示对应像素是车辆区域，而 = 0时表示该区域是背景区域。基于背景差法的车辆检测的准确性依赖于背景图像的可靠性，因此需要对背景进行更新，上文中介绍了背景提取及更新的方法。 利用背景差法成功