《【精选】图像识别车辆自动记录系统简介》由会员分享，可在线阅读，更多相关《【精选】图像识别车辆自动记录系统简介（25页珍藏版）》请在金锄头文库上搜索。
1、1图像识别车辆自动记录系统简介1 引言车流检测系统用于检测公路车流量，车型等交通数据，是控制公路的车流出入，确保道路安全畅通的重要手段，也为公路养护，为管理者决策提供有效的数字依据。常用的交通流检测方法有人工检测，地埋感应线圈，超声波探测器，视频检测等。其中，视频检测方法比其它方法更具优越性。图像识别车辆自动记录系统属于非接触式的检测方法，也称为图片处理或人工视觉，是一种结合视频图像和电脑化模式识别的技术，在路上安装摄象机，通过视频摄象机和计算机模仿人的眼睛的功能为实际应用提供工作平台。它通过软件在显示视频图像的车道上设置虚拟车道检测器，每个虚拟车道检测器代表一个区域，每当车辆通过任何一个检测
2、器时，就会产生一个检测信号，再通过软件数字化处理计算得到交通数据，如车辆记数，车型分类等。该系统的优点：由于是在显示器视频图像的车道设置虚拟检测器，因而维护是无需封闭车道，无需开挖，也不会因为道路重铺或拓宽车道而影响车流量的检测。该系统可以监测具有四个车道的公路，无须人工守侯操作，每天自动连续工作，该系统对经过所监测公路的车辆进行流量统计，其中计数精度大于 93%，车型分类精度大于 70%。2 技术简介2.1 系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像处理，图像分析和图像理解，从而得到交通流数据，2这是系统的基本工作流程。2.2 系统工作原理(1)
3、通过系统初始化，对系统中的参数进行设定，如每秒采集图像的帧数，图像二值化的门限值（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像按序列连续捕捉下来并数字化，存入内存或帧缓存中。 (2) 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） 。(3) 对预处理后的图像进行图像分割，并对分割后的目标图像进行特征提取（图像描述）。 (4) 用提取的特征进行分类识别。通过相应的算法进行计算，得到车辆的 计数,并将获得的数据存入数据库。 (5) 将图像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
4、数据库里的数据进行统计分析输出有关报表或图片。 2.3 关键技术详细介绍32.3.1 对系统进行初始化整个硬件系统搭建好后，就要进行初始化，主要包括：2.3.1.1 对图像采集卡初始化设置采集图像的分辨率，图像的亮度，对比度，这些主要是通过软件对图像捕获装置进行操作。如果交通流量太大，比如每天的流量超过 5 万辆车，这时图像分辨率采用 224*168 比较合适，如果每天的车流量少于 1万辆车，这时图像分辨率采用 384*288 比较合适，上面数据是经验值。图像的亮度与对比度的设置方法由所选采集卡种类而定。2.3.1.2设置虚拟线圈的大小和个数一般每个车道设置 2 个虚拟线圈，现在是对 4 个车
5、道进行监控，故共设置了 8 个虚拟线圈，虚拟线圈的大小根据经验选择，虚拟线圈的尺寸大小选择的原则是如果选择的太小，容易使一些车压不到虚拟线圈而漏检，如果尺寸太大容易将 2 辆车当做一辆车而漏检.2.3.2 图像预处理由于我们采用彩色图像，所以先将其转变成灰度图，然后进行滤波除噪，主要采用中值滤波算法降低噪音。因为中值滤波具有抑制图像噪音并保持轮廓清晰的特点，然后进行对比度增强，对比度增强算法采用直方图均衡化，以后我们就对经过预处理的图象结合彩色图像进行图象理解。2.3.3 车辆检测在安装摄象机时，调整摄象机的角度使得拍摄的图像里尽量最多的拍摄道路而道路外的景物尽量少。在摄象机固定好后拍摄一幅没
6、有车的图片，标注道路的边界，存入计算机中，以后在进行车辆检测时就处理道路的边4界内的图像，道路边界外非车辆的景物不处理，这样可以大大提高处理速度。上图红线为标注道路边界（只检测 2 车道的车辆） 。在这个系统里我们集成了两种运动车辆检测的算法，下面介绍了两种车辆检测的算法，每种算法都有其优越性和缺点，都会出现漏检车辆，把阴影当车辆现象，但在系统中把这两种算法综合起来，使得运动车辆检测的正确率大大提高。下面分别介绍这两种车辆检测算法2.3.3.1 第一种运动车辆检测算法人类一个基本的能力就是颜色不变性，人在变化的空间，变化的照明条件下看同一个对象的颜色是不变的。在一个场景中所观察的一点的颜色依赖
7、于很多因素，包括物体表面上该点的物理特性。在颜色视觉中，物体表面的重要物理特性是表面的光谱反射属性，它不随光线，场景组成或形状变化而变化，是个常数。被观察到的颜色是照度与表面的光谱反射的产物。因此我们设计了颜色模型，该模型把这两项分开，换句话说把亮度与色度分开。下图说明该颜色模型，在 RGB 三维颜色空间中，考察一象素点I ,让 Ei =ER(i),EG(i),EB(i)表示在背景图像中该像素点 RGB 值。线 OEi 通5过原点与点 Ei，该线被称为色度线。让 Ii=IR(i),IG(i),IB(i) 为当前帧该象素点的 RGB 值，我们要将 Ii 与 Ei 相减，也就是要计算出 Ii 偏离
8、 Ei 多少，通过亮度偏离与色度偏离来考察 Ii 与 Ei 差异。颜色模型2.3.3.1.1亮度偏差（a）其值是使下列式子最小化(a)=|I i-aEi|,a 表示该象素点的亮度相对于背景相应点的亮度值，a=1 表示当前帧给定点的象素亮度与背景图像该象素点亮度相同。a1 表示当前帧给定象素点比背景亮。2.3.3.1.2颜色图像特性在讨论基于上述颜色模型提取运动物体之前，我们需要理解受到真实摄象机影响的彩色图像的一些物理特性，摄象机将无限维光谱颜色空间通过红，蓝，绿过滤器转变成三维 RGB 颜色空间，在设计算法之前我们需要解释输出图象的一些特性。颜色变化：在实际中，由于摄象机的噪音和光源亮度变化
9、，经过一段时间，我们很少能观察到给定象素点的 RGB 颜色值是一样的。我们做了一实验，考察连续 100 帧，在这期间没有车辆通过，结果 R，G，B 的标准偏差各是61.860，1.857，1.971，摄象机对不同颜色敏感度不同，这样，为了平衡R， G，B 权值，像素值需要重新归一化。在这里我们通过标准偏差（S i）归一化像素颜色Si= R(i), G(i) B(i) , R(i), G(i) , B(i) 是由背景图像 N 帧计算出来的标准偏差。因为摄象机感光片有受限的动态感光范围，这就限制了颜色转变成由 R，G，B 三个正交轴形成的 RGB 颜色立方体。在 24 位图像中，颜色分布范围在立方
10、体范围0，0，0-255，255，255 ，在这个立方体外的颜色（大于 255 或小于 0）不能被表示，结果为了落在上面颜色立方体内，像素颜色被切。这就导致异常颜色分布，饱和的像素点（小于 0 或大于 255）分布都给峰值化，认为它们没有差异，因此我们应该考虑这点，如果某像素值的 Si 是零，我们应该给 Si 设置一个缺省的最小值。2.3.3.1.3背景减背景减的基本体系结构是让当前帧与背景相减，该算法基本步骤如下：。背景建模。选择阈值：选择的适当，探测率就升高。通过背景减将图像像素值分类。（1） 背景建模在背景训练过程中，参考背景图像和与归一化相关的参数通过一系列背景图像计算出来，背景通过以
11、像素为基元用统计方法进行建摸。一个像素点用表示，E i,是某像素 i 期望的颜色值，S i,是上面叙述某像素 i的颜色标准偏差，a i,是某像素 i 亮度偏差，b i是某像素 i 色度偏离.7某像素 i 期望的颜色值由下式给出Ei=R(i) ,G(i) ,B(i)R(i) ,G(i) ,B(i) 是 N 帧背景的第 I 个像素点的红，蓝，绿值的平均值，亮度偏差 ai与色度偏差 CDi 计算如下ai =min(IR(i)-ai R(i) )/ R(i) 2 +(Ig(i)-ai g(i) )/ g(i) 2 +(Ib(i)-ai b(i) )/ b(i) 2 = (IR(i)R(i) / 2R(
12、i) + IG(i)G(i) / 2G(i) + IB(i)B(i) / 2B(i) )/( R(i) / 2R(i) 2 +G(i) / 2G(i) )2 +B(i) / 2B(i) 2 CDi2 =(IR(i)-ai R(i) )/ R(i) 2 +(Ig(i)-ai g(i) )/ g(i) 2 +(Ib(i)-ai b(i) )/ b(i) 2 下面考虑对于训练背景图像位置与时间发生了改变，此时亮度与色度的偏离的变化，我们发现不同的像素产生不同的 a。 与 CD ，这些变化体现在背景建模的 ai 与 bi 中去，并当作归一化算子，为了数据分析，比较亮度与色度组件之间的变化，因此计算 a
13、Ei,与 Ei之间距离以及其 RMS，发现亮度变化比色度变化要大，这说明计算颜色模型和人类的视觉是一致的，即对亮度变化比较敏感，而对色度变化不敏感。ai 代表第 I 个像素亮度偏离的变化，计算如下式：ai =RMS（a i ）=( I=0(ai 1)2 /N)1/2bi 代表第 I 个像素的亮度偏离的变化，如下所示：bi = RMS（CD i）=( I=0(CDi)2 /N)1/2(2)像素分类8下面考察当前帧与背景图像的差异，这个差异被分解成亮度与色度组件。对某像素点 I 的亮度偏离 ai 与色度偏离 CD 进行阈值变换就可得到对象掩码， 指示该像素点的类型，把像素点分成如下 3 类：。原始
14、背景：此时亮度与色度类似与背景。阴影（S）：此时与背景有相似的色度，但比背景暗。这是基于这样思想，阴影是半透明的区域，它保留了背景的表面特征，纹理与颜色值。运动车辆（V）：此时色度和亮度都与背景相差很大。上面提到不同的像素点产生不同的 ai 与色度偏离(CD i)分布，对其进行归一化，如下：ai =ai 1/ai CDi =CDi / bi基于这样一种定义，一个像素点根据如下算法分成 3 类 B，S ，VM(i)=V: CDi CD ,否则M(i)=B: ai a 2M(i)=S: ai CD or ai a 2M(i)=S: ai =10 ，将现在的行付给bottomi，转入 2。(2)刚被
15、标注的白色像素点为起点，继续向右，如果遇到白点继续向右，遇到黑点停下，并将此时的列付给 right,把刚标注的白点继续向左，如果遇到白点继续向左，遇到黑点停下，并将此时的列付给 left，转入第 3 步(3)向上一行，如果从 left 到 right 没有白点，则转入 4，否则从 left 开始向左，如果遇到白点继续向左，遇到黑点停下，并将此时的列付给 left，从right 开始向右，如果遇到白点继续向右，遇到黑点停下，并将此时的列付给 right,然后重复 3。(4)此时的行付给 top,(top,bottom,left,right)四个参数确定下来的区域，如果该区域小于某一阀值，就认为该
16、区域是噪音，将该区域的白值都转成黑值，如果该区域大于某一阀值，就将该区域所有白点标注，就认为该区域为运动物体，可以根据(top,bottom,left,right)计算该运动物体的 Xi，然后重复 1，直到整幅图扫描结束。以上算法就把一幅图上的运动物体的特征向量存入计算机内存。检测车辆以上提取出来的运动物体包括车辆，阴影，树叶晃动。下面要做的是去掉阴影与树叶晃动，只留下运动的车辆。去除阴影算法根据时间可以大致推断出阴影的方向与形状，然后根据检测到运动物体长与宽的尺寸反常来推测此时是否有阴影，如果有才使用去阴影算法，15这样可节省计算时间。在建立系统时先寻找所有方向（前，后，左，右）阴影，如果阴影找到就将阴影方向连同时间记录下来，存入计算机中去，为去除阴影做准备。因此在寻找阴影的方向时，根据刚才的记录就知道了，无须所有方
