智能交通系统车辆识别

分类号密级UDC学位论文智能交通系统中的车辆检测作者姓名：****指导教师：****教授申请学位级别：本科学科类别：****学学科专业名称：智能交通系统中的车辆检测论文提交日期：2014年*月*日论文答辩日期：2014年*月*日学位授予日期：答辩委员会主席：评阅人：**大学2014年*月AThesisfortheDegreeofMasterinControlTheoryandControlEngineeringVehicledetectioninintelligenttransportationsystemcatalystby*******Supervisor：Professor*******University*2014智能交通系统中的车辆检测3独创声明本人声明所呈交的学位论文是在导师的指导下完成的。论文中取得的研究成果除加以标注和致谢的地方外，不包含其他人已经发表或撰写过的研究成果，也不包括本人为获得其他学位而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示诚挚的谢意。学位论文作者签名：签字日期：学位论文版权使用授权书本学位论文作者和指导教师完全了解***大学有关保留、使用学位论文的规定：即学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人同意***大学可以将学位论文的全部或部分内容编入有关数据库进行检索、交流。（如作者和导师同意网上交流，请在下方签名：否则视为不同意）学位论文作者签名：导师签名：签字日期：签字日期：智能交通系统中的车辆检测4第一章绪论1.1课题研究的背景交通流量检测系统作为智能交通系统(ITS)的重要组成部分，在ITS中发挥着重要的作用。而基于计算机视觉的交通流量检测系统又是交通流量检测系统中的研究重点。它是通过对实时交通序列图像分析得到所需的流量信息。为了更好的了解计算机视觉的交通流量检测系统的意义和发展趋势，我们应该对该技术的使用背景进行了解。1.1.1lTS(InteIIigentTransportationSystem)简介随着世界经济与技术的发展，交通运输已经成为经济生活的重要方面，并对保证社会经济体系的正常运转发挥着越来越大的作用。然而，由于我国经济的快速发展以及机动车持有量的激增和其它运输工具的快速增长，使现有基础设施所能提供的交通供给能力与我国现实和潜在的巨大交通需求相比仍然严重短缺，交通拥挤仍然很严重，运输效率较低，城市交通堵塞和大气污染加剧，严重影响了我国城市经济的发展和人民的生活。因此，在继续加快交通基础设施建设的同时，充分发挥现有基础设施的潜力，提高运输效率，保障交通安全，缓解交通拥挤，提高服务质量，减少环境污染将是我国交通领域今后面临的基本任务。智能运输系统(ITS)顺应经济全球化、信息化的趋势，对于提高交通运输效率和效益，保证安全，促进可持续发展具有十分显著的作用，已经引起世界许多国家的广泛重视。对解决我国交通运输领域所面临的问题，适应新形势的要求，提高交通基础设施建设水平，促进交通运输产业及带动相关产业的发展具有重要意义，我国政府已提出将ITS作为中国未来交通运输领域发展的一个重要方向，也是推进国民经济信息化的一项重要任智能交通系统中的车辆检测5务。近年来，我国在ITS方面开展了大量的研究与应用工作，为我国ITS的发展奠定了一定基础。目前我国ITS核心技术的研究主要集中在计算机视觉技术、交通仿真技术、四川大学硕士学位论文智能交通系统中的汽车流量检测研究GPS／GIS定位导航技术、交通流等理论方面。其中计算机视觉技术又是研究的热点。基于视频的交通流量采集系统可以分为两类：一类是没有采用计算机视觉的系统，它本身不能识别车辆，仅仅检测指定区域内运动着的象素群，而并不理解它代表现实世界中的什么物体。其代表有TRIP交通图像处理系统，基于虚拟采样点、检测线组、检测线圈的车流量检测系统。其中，Autoscope是一个较为成功的商业系统，具有实时检测交通参数的能力，是国际上交通信息采集中具有竞争力的视频检测系统之一。以上几种方法优点是处理速度快，检测的识别率较高。但是，他存在着的缺点更为严重。在采用检测线隧的系统中由于硬件必须埋于地下对交通道路的破坏是十分严重的，而且其使用寿命较短经济成本高。Autoscope系统同样存在着一些缺陷，在检测系统中没有考虑光照模型、道路模型对流量检测的影响。由于现代公路设计都采用多车道设计方式，附近车道的遮挡及阴影将影响当前车道的检测。交通信息采集的可靠性和准确性较低。第二类是基于模型的计算机视觉系统。基于视觉的运动目标区域检测及目标跟踪不仅具有很强的科学研究价值，还具有很强的实用价值，其成本低使用周期长，检测的准确率高，国内外正对此做大量的研究工作。1．2基于视频的运动目标检测与跟踪方法的概述及比较运动目标检测与跟踪处于整个计算机视觉系统的最底层，是各种后续高级处理如目标分类、行为理解等的基础。运动目标检测系指从视频流中实时提取目标，一般是确定目标所在区域和颜色特征等。目标检测的结果智能交通系统中的车辆检测6是一种“静态”目标——前景目标，由一些静态特征所描述。运动目标跟踪则指对目标进行连续的跟踪以确定其运动轨迹。受跟踪的目标是一种“动态”目标——运动目标，与前景目标相比，描述它的特征中多了动态特征(如运动参数等)。这两方面是相辅相成，缺一不可的。图像运动目标参数的检测分为两种方法：特征识别法和基于运动的识别法。特征识别包括两个主要步骤：一是从相继两幅或多幅不同时刻的图像中抽取特征(如角特征点、特征线等)，建立对应；二是依据这些特征之间的对应来计算物体的结构(形状、位置等)和运动。其优点是可以获取三维运动信息，对目标运动速度无限制。主要难点在于确定和提取特征。基于运动的识别法与前者有很大不同，它把运动作为目标的首要特征，一般采用的方法有提取光流场，帧间差分，减背景等。利用光流场来进行运动区域检测是一种常用的检测技术。光流场是二维速度瞬时场，它是景物中可见点的三维速度矢量在成像平面上的投影，表示了景物表面点在图像中位置的瞬时变化。由于三维空间中目标运动会导致该位置的光强变化，利用这种强烈变化进行运动检测的技术称为光流场估计技术。背景差分的区域检测是在摄像头固定的情况下提出的，这样视频图像序列中背景是固定的，利用背景差分就可以确定运动区域，实现方法简单。第二章序列图像的预处理得到实对视频场景的背景后，将当前帧与背景图像进行差分得到含有运动目标信息的图像。但是此时获得的图像中不仅含有运动目标还含有很多噪声以及不需要的运动目标如行人和自行车等，所以需要进行一定的处理才能对其进行后续操作。下面先讨论去除运动目标自身的阴影噪声。2.1运动目标的阴影智能交通系统中的车辆检测7阴影可划分为两类：自身阴影和投射阴影。自身阴影是由于物体本身没有被光源直接照射到而形成的；投射阴影是由于物体阻挡光线后在背景上形成。这里的阴影指的是距离物体足够远的光源(像太阳光)而导致的在物体周围产生的阴影即投射阴影，当后续的运动目标识别时，阴影通常会被看成是物体的一部分，从而直接影响了运动目标的特征提取导致跟踪的失败。2.1.1阴影去除算法研究由于本文研究的运动目标(车辆)基本上是规则的矩形图形，光照在这些目标周围产生的阴影一般集中在其上下左右四个方向。所以算法的关键是从这四个方向上去除阴影噪声。根据特定的场景以及不同的时间段阴影在各方向出现的概率，然后根据统计概率在不同的时间段采用不同的方向去除运动目标的阴影。一般来说，运动目标(车辆)的边缘比较多，在频域上来说就是高频信号比较多；而阴影的边缘比较少，在频域上低频信号比较多。所以，结合以上两个特性从边缘检测着手去除阴影。我们知道，即使人们感觉很简单的景物中也包含着大量的细节，它们在图像中都表现为强度的非连续性，找出所有这些细节并不是获得景物的可行方法。另外图像强度的非连续性来源于不同的物理现象：表面反射和纹理不同边缘是指图像局部亮度变化最显著的部分。边缘主要存在于目标与目标、目标与背景、区域与区域之间，是图像分割、纹理特征提取等图像分析的重要基础。图像分析与理解的第一步常常是边缘检测。因此边缘检测十分重要，己经成为机器视觉的重要研究领域。图像中的边缘通常与图像亮度或图像亮度的一阶导数的不连续性有关。图像亮度的不连续性可分为：阶跃不连续，即图像亮度在不连续处的两边象素灰度值有着显著的差异：线条不连续，即图像亮度突然从一个值变化到另外一个值，保持一个较小的行程后又返回到原来的值。智能交通系统中的车辆检测8梯度：边缘检测是检测图像局部显著变化的基本运算。梯度是函数变化的一种量度，而一幅图像可以看作是图像强度连续函数的取样点阵列，因此图像灰度值的显著变化可以通过梯度的离散逼近函数来检测。yfxfyxGyxGG,(1)对于数字图像，式中的导数可用差分来近似。最简单的梯度近似表达式为：jjfjifGjifjifGyx,1,,1,(2)边缘检测算法：现在有很多边缘检测算子，直flRoberts算子、Sobel算予、Prewitt算子、Kirsch算子等。由于本系统实时性要求高，所以必须选取计算简单、速度快、边缘定位精确的算子。基于以上几点考虑本文选取了Sobel算子。Sobel边缘检测算子是利用梯度与差分原理组成的边缘检测器。其梯度幅度的数学描述为：22yxdde(3)其中1,1,121,11,1,121,11,11,21,11,11,21,1jifjifjifjifjifjifdjifjifjifjifjifjifdyx用模板(卷积核)来表示即：智能交通系统中的车辆检测91-012-021-01xd(4)1210001-2-1-yd(5)当阴影出现在车辆的两侧采用垂直边缘检测算子，如果阴影出现在车辆的上下，使用水平边缘检测算子。但是该方法是将当前序列图进行边缘检测，然后再对背景图像进行边缘检测，最后将边缘检测后的图像差分得到去除阴影的灰度图像。2.2灰度图像的二值化2.2.1灰度图像的二值化概述图像的二值化处理是将图像简单的分成背景和目标物体，最常用的方法就是选取一个阈值θ，用θ将图像分成两大部分，大于θ区域(通常为目标物体)和小于θ的区域(通常为背景)，若输入图像为f(x，Y)，输出图像为g(x，Y)，则yxfyxfyxg,,0,,1,(6)如果物体灰度分布在几个不相邻的区间内，二值化可表示为：0,,1,,其他如果yxfyxg(7)其中中是组成物体各灰度值的集合。这种方法称为阈值分割法，阈值分割的方法有很多，如迭代阈值分割的方法、最大类间方差法、最大熵阈值分割、循环分割等。在这里我选取了最大类间方差法。2.2.2最大类间方差法智能交通系统中的车辆检测10Otsu在1979年提出的最大类间方差法(有时也称之为Otsu方法)一直被认为是域值自动化选取方法的最优方法之一，它是一种自动的非参数无监督的域值选择法，它是基于类问方差为最大的测度准则，最佳的域值在该测度函数取最大时得到的。该方法计算简单，自适应性强，在一定条件下不受图像对比度与亮度变化的影响，因而在一些实时图像处理系统中得到了广泛的应用。下面是最大类间方差法的基本思想：对于灰度级为0～255的MXN一幅图像，记f(x，y)为图像点(i，j)处的灰度值，则：第一步：计算图像的直方图统计结果，得到灰度值为k的频率PHS(k)为：kjifNMPHK,11(8)第二步：计算图像的灰度均值Tu：2550KTkPHKKu(9)第三步：计算灰度类均值乒s和类直方图之和s：skKPHKks0(10)skkPHSS0(11)第四步：计算类分离指标B：