《基于视频的车辆检测技术和阴影消除方法.doc》由会员分享，可在线阅读，更多相关《基于视频的车辆检测技术和阴影消除方法.doc（4页珍藏版）》请在三一文库上搜索。
1、基于视频的车辆检测技术和阴影消除方法0 引 言 基于视频的车辆检测技术是在传统电视监视系统基础上发展起来的，以车辆检测技术、摄像机和计算机图像处理技术为基础，来大范围地对车辆施行检测和识别的新兴技术。与传统检测技术相比，它具有处理速度快、安装维护便捷且费用低、监视范围广、可获得各种交通参数等诸多优点。随着图像处理技术和微电子技术的发展，视频检测技术在交通运输系统中的发展潜力巨大。 在典型的交通自动监控系统中，用一个静态的摄像机实时监控固定区域，通过对车辆目标的提取、分类和跟踪等操作，进一步提取交通参数。所以，从视频流中实时分割车辆目标是交通自动监控系统的一个基本环节。提取车辆目标的流程主要包含
2、运用算法将前景车辆从拍摄的图像中提取出来，并对其进行阴影检测，去除阴影。该文依照此流程选取合适的前景提取算法背景差分法，实时进行背景更新，对前景中产生的阴影进行分析，并提出合理有效的阴影去除方法。l 基于视频的车辆检测 背景差分法是车辆运动检测系统中的一种常用算法。该算法通过实时维护一个背景模型，将当前帧消除背景影响即可获得前景图像。而路面、树木、建筑物等一直处于静止状态，因此被当作背景通过差分被去除。经过处理后的图像理论上只包括运动目标，直接进行二值化，提取目标即可，但实际上这时由于摄像机的抖动以及路面光线变化、风吹草动、车辆目标本身的阴影和其他因素对检测结果的影响是很大的，往往造成很大的误
3、差，甚至错误。在提取前景后针对不同的阴影，去除之以获得真实的车辆目标。11 背景建模 将开始的n帧图像用于背景建模(采用n=200)。对相邻一定间隔的两帧图像作差值，获得差值图像A。即有：式中：N为A相应位置的差值，得到二值化的帧差掩模图像N；“1”为对应变化的像素；“O”为对应没有变化的像素。 在帧差掩模序列中，对于长时间没有变化的像素点，即帧差掩模图像序列在一段时间内该像素点都保持为“O”，则认为此像素点对应于背景像素，将原始图像中该点像素值拷贝到理想背景图像中，同时设置此理想背景像素点的状态为“背景像素”。此过程完成后，可能有的理想背景像素点的状态还未转换成“背景像素”，即未被重建，则在
4、后续过程中继续执行上述步骤，对已重建的背景像素点，转而进行背景更新。12 背景更新 在获得背景图像后，随着时间的推移，场景内会有很多变化，其中比较明显的是光照亮度的变化和背景物体的移动，这就需要对背景图像不断地进行更新。文中采用一种当前图像和背景图像加权的方式进行更新。更新方法为：记当前图像中像素值为I(x，y)，背景图像中像素值为I*(x，y)，对应的帧差掩模图像N(x，y)=0，则I(x，y)为背景像素，I(x，y)与I*(x，y)按照式(2)进行加权：式中：为更新系数，关系着更新速度，而更新速度要求背景能够捕捉亮度的变化，同时又不能让瞬间的变化长时间存在。假设取=O1，当图像亮度大面积变
5、化时，整个背景像素的均值将发生较大幅度的改变，所以当均值改变大于一定范围时，为了能够更快地更新背景，取=02。 若|I(x，y)一I*(x，y)|大于阈值或N(x，y)=1，则I(x，y)为前景像素；如果I(x，y)连续长时间作为前景像素，则需要重建此像素点的背景，重新按照背景重建步骤恢复背景。13 运动目标提取在获得重建的背景之后，可以根据当前图像和背景图像的差值求得运动目标。为了减少计算量和干扰，可以预先设定感兴趣区域，以后的处理只是在感兴趣区域进行。设视频序列图像为I(x，y)，当前的背景图像为I*(x，y)，背景差图像D(x，y)=|I(x，y)一I*(x，y)|。利用阈值来计算车辆图
6、像像素模板图像： 式中：为一个较小的阈值，模板图像M(x，y)中的为1的点表示车辆图像区域，为0的点表示背景图像区域。单纯地利用灰度值差异来求取的车辆信息并不完整：若阈值选取过大，会使得车辆某些部分被认为是背景，使得车辆图像残缺，获得车辆的信息不准确，甚至是阴影部分的信息还没有消除，而车辆部分的信息却已经大部分消除(见图3)；若阈值选取过小，由于光照的原因形成的阴影会和车辆连接在一起，变成车辆的一部分(见图4)，但是这种方法可以很好地保留车辆的完整信息，只要可以把阴影部分的干扰消除，就可以达到很好的效果。因此，精确地去掉阴影在车辆信息的提取过程中起着关键的作用。2 阴影检测及消除 运动车辆和路
7、面物体在光照作用下不可避免地产生阴影。静止物的阴影可通过背景差分去除，但由于镜头的抖动、静止物体的再活动等，阴影部分不可能完全去除而产生噪声(以下简称为外阴影)；目标车辆自身阴影及目标之间的投影(以下简称为内阴影)。本文采用基于粗糙集阴影边缘点分类的方法，较好地实现了阴影边缘的检测。21 阴影边缘点的分类 假设阴影区域和非阴影区域存在着一个过渡带，即认为边缘是有宽度的。 (1)外阴影与内阴影的灰度相差较大通过大量图像发现：外阴影的平均灰度要比内阴影的平均灰度低，在同一浅色背景下表现为对比度大些。此时对求得的集合A1，A2(A1表示剔除噪声后，所有像素中梯度大的像素组成的集合；A2表示剔除噪声后
8、，所有像素的最大邻域差值大的像素组成的集合。A1，A2即为需要的像素集合)。分别求K(x，y)，H(x，y)，K(x，y)为像素点的梯度，H(x，y)为邻域函数。在A1中，AK(x，y)B的值对应的像素点集为集合N。K(x，y)B的值对应的像素点集为M集合；在A2中，合理选取参数得CH(x，y)D对应的点集合为R，H(x，y)D对应的点集合为S，使得M与R，N与S尽可能相等。由此，可以初步得出N(=S)为外阴影边缘点，M(=R)为内阴影边缘点。 (2)外阴影与内阴影的灰度相差不大这样求得的K(x，y)或H(x，y)不能分为两个较明显的区间，此时仅求H(x，y)即可。22 部分假边缘点的处理 如
9、果外阴影和内阴影分布不均匀，即外阴影内部某些点的K(x，y)，H(x，y)恰好属于内阴影边缘点的，会产生误判。此时应在内阴影的M(R)中去掉这些点，方法如下：对内阴影边缘点集M(R)逐一进行统计，使该点向四周移动，若都能碰到属于外阴影边缘高梯度点(梯度大于或等于B的点)或高最大邻域灰度差的点(最大邻域灰度差大于或等于D的点)，则该点是外阴影的内部点，将其从内阴影边缘点集M(R)中去掉。这样，剩下的点均为真正的边缘点了。23 边缘细化和连续 因假设边缘是有宽度的，为更精确地检测边缘，需对边缘进行细化。具体方法是如果两个边缘点的梯度方向相同，且相互位于法线上，保留最大邻域差。这样可得到较高定位精度
10、的细化边缘离散点。 为将离散点连成线，需建立三叉树，依次检查M和N中每个像素点，根据不同方向，判断前趋点和后继点。对每一个边缘点确定了前趋点和后继点之后，即可从边线的起点出发，依次得到直线上的每个像素点，从而获得连续的阴影边缘，进而消除阴影。3 结 语 近年来，随着计算机、图像处理、人工智能、模式识别、视频传输等技术的不断发展，基于视频的车辆检测技术得到了越来越广泛的应用。 本文在最常见的背景差分法的基础上，通过选取小阈值，获得含阴影部分的前景目标，利用基于粗糙集分类方法求得阴影边缘点，从而消除阴影。在此过程中，使用了一种云除假边缘点的方法，利用最大邻域灰度差及边缘梯度，既得到了真正的边缘点又去除了噪声，然后对边缘点进行了细化和连续，得到了单宽度的阴影边缘。该算法简单，易操作，精确度高，可用于实际应用中。