基于视频的车辆检测算法研究 前沿论文

基于视频的车辆检测算法研究 前沿 论文 政研论文下载论文大学下载论文大学下载关于长拳的论文浙大论文封面下载 基于视频的车辆检测算法研究 张远雄，陈永泰 (武汉理工大学信息工程学院，武汉 430070) 5 摘要:基于视频的车辆检测技术是车辆行驶安全辅助驾驶预警系统的重要组成部分。目前的 车辆检测技术主要有:背景差分法、帧间差分法以及光流法等。本文提出的基于车底阴影特 征的车辆检测技术是不同于这些常用方法的实用技术。本文先对输入图像进行灰度化变换、 噪声滤除以及边缘检测等预处理操作，然后根据这些结果，进行对比分析，根据分析结果， 在划定的感兴趣区域内找到目标。实验结果表明，本算法能达到较高的识别率，从而提高了 10 检测系统的可靠性。 关键词:感兴趣区域;车底阴影;阈值 中图分类号:TP37 The vehicle detection algorithm research based on video 15 Zhang Yuanxiong, Chen Yongtai (Information engineering college, Wuhan University of technology, WuHan 430070) Abstract: Video-based vehicle detection technology is an important part of the vehicle driver safety assistance warning systems. Current vehicle detection technologies are: background subtraction, inter-frame difference and optical flow method. In this paper, based on characteristics 20 of the vehicle underneath the shadow detection technique is a practical technique different from the commonly used techniques. The article focuses on the input image to grayscale conversion, edge detection, noise filtering and preprocessing operation, and then based on these results, comparative analysis, based on the analysis, in a designated area to find the target. Experimental results show that the algorithm can achieve higher recognition rate, thereby enhance the reliability 25 of the detection system. Keywords:Region of interest; vehicle shadows; threshold 0 引言 随着社会的进步和经济的快速发展，我国的机动车数量迅猛增加，但是交通法规普及教 30 育、交通基础设施和智能化交通管理系统的建设相对滞后，从而导致了车人路的矛盾日益突 出，这对交通管理尤其是大城市的交通管理提出了新的挑战。根据交通部的统计，驾驶员超 速行驶、占道行驶、无证驾驶、酒后驾驶、疲劳驾驶是造成交通死亡事故的主要原因。为了 使日益严重的交通问题得到解决，交通管理部门每年都投入了大量的人力和物力，建立了各 [1]种交通信号控制、交通指挥中心、交通电视监控系统。虽然它们对保障道路畅通和维护交 35 通秩序起到了重要作用，然而这些系统都相互独立并且自动化程度不高，不能使交通压力得 [2]到最大限度的缓解。因此，怎样使用科学智能的方法，更好地使公路的运载能力得到提高 环境和社会的危害，并且对各个分离的系统使用高新技术手段 同时又能最大限度地减少其对 将其有机地整合在一起，使整个交通管理系统的自动化水平得到提高，实现交通管理的智能 化以达到提高道路利用率，提供方便高效、安全快捷的道路交通的目的，成为交通领域研究 40 的一个重要的课题。 作者简介:张远雄，(1984-)，性别男，主要研究方向为嵌入式系统与智能控制 通信联系人:陈永泰，(1952-)，性别男，职称副教授，主要研究方向为现代通信网络理论与技术. E-mail: www.chenyongtai@126.com 1 基于视频的车辆检测原理 单目摄像头获取的图像为 24 位彩色图像，为了提高算法的运算速度，需要对图像进行 [3]初步处理，即将其转换为 8 位的灰度图像。由于在摄像头获取图像的时候，难免会受到一 些意外的干扰，从而使获取的图像数据附加进了一些噪声，这对图像的分析和计算产生一定 45 的干扰，影响分析结果。这时就需要在进一步处理前对图像进行噪声滤除处理。在对灰度图 像进行滤波处理后，为了得到车辆的轮廓，需要对图像进行边缘检测然后结合车底的阴影特 征就可以确定车辆的坐标，从而完成对车辆的检测。车辆检测算法框图如图 1 所示。 图像的灰度化 图像的滤波处 图像的边缘检 车辆坐标的确 标记出车辆 图一 车辆检测法框图 50 Fig. 1 Vehicle assay diagram 2 视频图像预处理 [4]在实际应用中，通过摄像机(CCD)所获取的图像一般来说是不完美的。因为在摄像 机拍摄图像的过程中，难免会受到各种干扰(如光照、噪声、摄像机抖动以及量化噪声等) 55 而使图像的清晰度不够，对图像的分析与处理造成困难。因此，有必要对摄像机所获取的图 像进行预处理，这样就有利于对图像中的感兴趣目标进行测量和分析。 2.1 图像的灰度化处理 用摄像机拍摄到的图像为 24 位真彩色图像，彩色图像可以为检测算法提供更多的信息， 但由于彩色图像含有三个通道，其计算复杂度一般都比较大，这对 CPU 的处理能力提出了 60 较高的要求。并且本文中车辆检测算法可以不采用彩色的信息就能达到检测结果，所以将彩 色图像转换为灰度图像。 本文的实验中所用的图像颜色模型为 RGB 模型，图像中的任何颜色都是通过红(Red)、 蓝(Green)、绿(Blue)三种基本颜色按照不同的比例混合得到的，所以红、蓝、绿被称为三原 色。本文实验中所用的图像可用基于位置坐标的三维函数来表示: (2-1) 65 f ( x, y, z)={fred ( x, y, z)+fgreem( x, y, z)+fblue ( x, y, z)} 其中 f 表示空间坐标为x, y, z位置点的颜色，分别表示该位置点的红，绿，蓝三种原 () 色的颜色分量值。 为了加快图像的处理速度，需要把彩色图像转化为黑白图像，即灰度化处理。通常情况下彩色图像每个像素用 3 个字节表示，其中每个字节对应着 R(红)，G(绿)，B(蓝) 70 分量的亮度，转换后的黑白图像的一个像素可用一个字节表示该点的灰度值，其转换关系为: (2-2) Gray(i, j) , 0.11R(i, j) ， 0.59G(i, j) ， 0.3B(i, j) 2.2 图像的噪声滤除处理 由于用单目摄像机来拍摄图像，会受到多方面因素的影响，如摄像头的电子噪声、光线 强度的变化、出现雨雪等天气变化因素等，常常含有噪声。并且在上文中提到的灰度化处理 75 并不能很好地去掉这些噪声。所以很有必要对灰度图像进行滤波处理。 通过线性或非线性 滤波器的模糊处理可以减小噪声。根据应用领域的不同，滤波算法可 分为空间域滤波和频率域滤波。其中频域滤波需要进行正反两次正交变换，所需的计算量很 [5]大，实验表明这种方法不能很好地满足系统实时性要求。因此，本文采用空间域平滑滤波 器中的 3×3 邻域均值滤波器。 80 设 f (i, j) 为输入的包含有噪声的图像，经过 3×3 邻域平均处理后为 g (i, j) ，其数学表 达式为: j) S 其中(i, (2-3) g (i, j ) , f (i, j) M 式中 S 为所取的邻域中个邻近像素的坐标， M 为邻域中包含的邻近像素个数。在 f (i, j) 上行或者列对每一个像素取一定尺寸的邻域，并且用邻域中邻近像素的平均灰度来 85 替换该像素，在对所有像素处理完后就可获得 g (i, j) 。这里对于邻域的选取有不同的方式， 如图 2 所示。 0 1 01 1 11 2 1,, ,, ,,1 1 ,,, ,,, , ,,1 1 11 0 12 4 21 , ,, ,, ,5 8 16 ,,,0 1 0 1 1 11 2 1 ,,, 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 1 模板,模板, 图 2 卷积模板 Fig. 2 Convolution mask 90 如果 f (i, j) 是噪声点，它的邻近像素的灰度与它相比，会有较大的差别，一旦用 3×3 邻域均值滤波法，能明显地将噪声点压制下去，使邻域中的灰度值接近平均，从而起到滤除 噪声的作用。所以 3×3 邻域均值滤波法具有显著的消除噪声的效果。 2.3 图像运动目标的边缘检测 [6]图像的边缘对于图像识别和计算机分析来说是十分有用的。图像的边缘能很好地勾画 95 出目标物体，使观察者一目了然;图像的边缘蕴含了丰富的内在信息(如方向，阶跃性质， 形状等)，是图像识别中抽取图像特征的重要属性。从本质上说，图像边缘是图像局部特性 不连续性(如灰度突变，颜色突变等)的反映，它标志着一个区域的终结和另一个区域的开 始。 图像的边缘提取首先检出图像局部特性中的不连续性，然后将这些不连续的边缘像素连 成完整的边界。图像的边缘特性是沿边缘走向的像素灰度值变化平缓，而垂直于边缘方向的 100 像素灰度值变化剧烈。因此，提取图像的边缘算法就是检测出符合边缘特性的边缘像素的数 学算子。 图像的边缘检测算子检查每个像素的邻域并对灰度变化率进行量化，通常包括方向的确 定。使用的方法很多，其中大部分都是是基于方向导数模板求卷积的方法。 105 由于无法事先确定边缘轮廓的取向，因而在挑选用于轮廓增强的微分算子时，必须选择 那些不具备空间方向性的和具有旋转不变的线性微分算子。最常用的边缘检测算子包括:梯 度算子，Roberts 梯度算子，Sobel 算子，Prewitt 边缘检测算子，Krisch 边缘检测算子,Laplacian 算子等，其中 Roberts 采用的是对角方向相邻的两个像素之差。从图像处理的实际效果来看， 用 Roberts 梯度检测边缘较好。Sobel 算子有一定的噪声抑制能力，在检测阶跃边缘时得到 110 的边缘宽度至少为二像素，它不依赖于边缘方向的二阶微分算子，是一个标准量而不是向量， 具有旋转不变即各向同性的性质。在图像处理中经常被用来提取图像的边缘。因此本文采用 Sobel 边缘检测算子是先做成加权平均，再微分，然后求梯度，即 f (i 1, j ， 1) ， 2 f (i, j ， 1) ， f (i ， 1, j ， 1) ,G, i f (i 1, j 1) 2 f (i, j 1) f (i 1, j 1) (2-4) ,G , f (i 1, j 1) ， 2 f (i 1, j) ， f (i 1, j ， 1) j f (i ， 1, j 1) 2 f (i ， 1, j) f (i ， 1, j ， 1) G f (i, j), ,G， ,G , , ij Sobel 边缘检测算子由以下两个卷积核组成，图像中的每个像素都用这两个核做卷积， 115 其中一个核对垂直边缘影响最大，另外一个对水平边缘影响最大。边缘检测算子的中心与中 心像素相对应，进行卷积运算。两个卷积核的最大值作为该点的输出值。运算后就得到一幅 边缘幅度图像。在边缘检测中，Sobel 算子对于像素的位置的影响做了加权，加权平均边宽 ?2 像素，因此效果更好。 3 车辆检测 120 本文采用的算法的基本思想是以车辆的车底阴影为特征对象，当在感兴趣区域中检测到 车辆的车底阴影时，就可以认为检测到车辆。灰度值远小于路面的灰度值是车底阴影的一个 重要特点。因此可以利用这个特点来对车底阴影进行检测。只要找到合适的阈值，并且将灰 度图像阈值化，就可以获得车辆的阴影部分。 3.1 感兴趣区域选定 本文研究的车辆检测是车辆行驶安全辅助驾驶预警系统的重要组成部分，研究的对象为 125 安装在行驶的车辆上的摄像头所拍摄下来的图像，目的就是检测出现在前方的车辆。一般来 说对车辆行驶安全威胁最大的是前向(或者后向，本文只考虑前方车辆)的车辆(也就是当 前车道中的车辆)，而别的区域中的车辆相对来说不是主要威胁，本文先不作考虑，因为相 同车道内的车辆发生碰撞的概率要远远大于不同车道内车辆的碰撞，因此本文研究的是位于 本车前方的车辆的识别。选定的感兴趣区域如图 3 所示。 130 图 3 感兴趣区域 Fig. 3 Interested region 135 3.2 在感兴趣区域内检测车辆 对灰度化处理后的图像进一步进行处理，把感兴趣区域以外的所有不想关的信息直接滤 除掉，这时就可以在剩下的感兴趣区域内进行车辆检测，这样做不但可以减少处理的复杂度， 也因为处理的信息减少，从而可以节省大量的系统内存空间。 对边缘检测处理后的图像与灰度图像进行比较运算，从而得到只有感兴趣区域信息的边 140 缘检测处理结果，然后再对处理结果进行扫描统计运算，即如果没有遇到边缘信息，就认为 是路面信息，取得这些坐标后再对灰度图像中相应的坐标的灰度值进行统计运算，处理结果 就得到一个路面阈值，然后对灰度图像进一步处理，如果灰度图像中在感兴趣区域内小于阈 值的坐标就认为是车底的阴影。这样就可以完成车辆的车底阴影检测，从而达到车辆检测的 目的。具体方法如下: 步骤 1:对边缘检测处理后的图像，进行感兴趣区域以外的区域信息滤除处理。 145 步骤 2:扫描感兴趣区域，找出路面坐标。 步骤 3:根据公式(2-5)用路面坐标对灰度化处理后的灰度图像中的相应坐标进行灰 度统计，平均后得出一个路面阈值。 步骤 4:在灰度图像的感兴趣区域中，根据公式(2-6)扫描每个坐标，并对坐标中对 应的灰度值与路面阈值做比较，如果灰度图中的灰度值比路面阈值小，就认为这个坐标为彻 底阴影坐标，这样就完成了车辆的阴影检测，从而确定车辆的坐标。 150 T , hM k (2-5) k S 式中，S 为感兴趣区域的坐标集合，M 为感兴趣区域内所选用的坐标的总数，T 为路面 阈值。 155 路面信息if ( h,T )k { (2-6)车辆车底阴影信息 else 检测结果如图 4 所示。 图 4 车辆检测结果 Fig. 4 Vehicle detection results 160 4 结论 本文给出了一种基于视频的车辆检测算法，算法主要根据车辆的车底阴影特征作为检测 对象，在感兴趣区域内进行特征扫描匹配，对匹配结果进行分析，然后根据分析结果来确定 是否为目标车辆。这样做可以快速地检测出车辆，并且达到了较高的识别率，同时还大大地 165 节省了系统的内存空间，能很好地满足车辆行驶安全辅助驾驶预警系统的实时性要求。但是 本算法只适用于天气情况较好，光线比较充足的环境。因此在后续的工作中，将把雨天和雾 天的性能的提高作为研究重点，从而提高算法的适应能力。 [参考文献] (References) 170 [1] 高德芝，段建民，杨喜宁，郑榜贵.智能车前方目标车辆检测方法研究[A].计算机工程与设计，2010,31 (23). [2] 刘志强，宋世亮，汪澎，仲晶晶.基于视觉的车辆侧后方道路图像检测技术[A].计算机工程与设计，2010,31 (12). 175 [3] 任朝栋，张全法，李焕，荆宜青.快速消除车辆阴影的多阈值图像分割法[A].应用光学，2010,2(2). [4] 王鹏，黄凯奇.基于视频的夜间高速公路车辆事件检测[A].中国图像图形学报，2010,2(2). [5] 刘勃，周荷琴.昼夜转换场景中的车辆检测[A].信号处理，2006,6(3). [6] 唐佳林，李熙莹，罗东华，余永业，邓荣峰.一种基于帧差法的夜间车辆检测方法[A].计算机测量与控制， 2008,16(12).