（信号与信息处理专业论文）智能交通系统中车辆提取与计数算法研究.pdf

摘要 伴随着经济的快速发展车辆迅速增多，交通压力日益增大，如何改善交通 状况成为各国的重要问题。智能交通系统在这种背景下得以迅速发展，各国都投入 很大的精力研究。基于视频的智能交通系统由于其自身的众多优点，成为现在研究 的热点。车辆的提取技术是基于视频的智能交通系统的基础，它在交通监视和控 制中占有很重要的地位，直接影响到后续工作的难易程度和准确度。本文针对日 前车辆提取中存在的几个难点问题分别进行了研究。 l ，本文采用基于r g b 空间的背景抑制方法来提取运动区域。通过本文提出的 基于t 分布的背景重建算法恢复出一帧不包含运动物体的背景图像，在进 行车辆提取的同时对背景进行更新，使得背景图像能准确反映外界环境的 变化，为准确提取运动车辆提供了保障。实验结果表明：相比其它算法本 文的算法可以提取更完整的运动区域。并且本文考虑到环境光线发生突变 的情况，为了在这种情况下正确提取运动车辆，二值化差图像时采用的阈 值加上了灰度的平均变化。 2 提取的车辆区域包含阴影，会使车辆区域变大，距离较近的车辆会被阴影 粘连到一起。本文研究了阴影去除的两种方法，分别是基于h s v 空间的阴 影去除方法和蓝波段信息阴影去除算法。 3 ，车辆发生遮挡和粘连的情况下，准确的提取每一辆车也是一大难点。本文 尝试用两种方法去处理这个问题。一种是利用在l a b 空间聚类的方法，此 方法可以确定出区域中车辆数目，但是无法分割开每一辆车；另外对于一 种常见的遮挡情况( 本文定义为左右遮挡) ，我们给出了判断是否遮挡的 依据，并通过分析发生遮挡的区域的形状区分割开其中的每一辆车，部分 解决了遮挡问题。 在完成上述操作后，本文统计当前帧图像中的瞬时车辆数日，与单位时间内 通过的车辆数目相比，能反映实时的交通状况，为交通控制提供依据。 关键词：智能交通系统；车辆目标检测；背景重建；阴影检测；车辆计数 a b s t r a c t w i t ht h eq u i c ki n c r e a s eo fe c o n o m y , t h ea m o u n to fv e h i c l eb e c o m e sl a r g e ra n dl a r g e r h o wt om a k ei m p r o v e m e n to nt h es t a t u so ft r a 硼cb e c o m e st h ef o c u st h a tt l l c i n t e r n a t i o n a lg o v e r n m e n t sa n dt h ed e p a r t m e n t sp a ya t t e n t i o nt o a sar e s u l t 1 1 1 c t e c h n o l o g yo fi t sd e v e l o p e dq u i c k l y e v e r yc o u n t r yh a sd e v o t e dg r e a te n e r g yt os t u d y i t o na c c o u n to ft h ev i r t u eo fi t sb a s e do nv i d e o ，i tb e c o m e st h eh o t s p o to fs t u d y i n g t h et e c h n o l o g yo fv e h i c l ed e t e c t i n gi st h ef o u n d a t i o no fi t sb a s e do nv i d e o i tp l a y sa g r e a tr o l eo nt r a f f i cs u r v e i l l a n c ea n dc o n t r o l l i n g ，a n dh a sg r e a ti m p a c to nw o r ka f t e r t h e md i r e c t l y t h i st h e s i ss t u d i e ss e v e r a ld i f f i c u l tp r o b l e m si nt h ep r o c e s so fe x t r a c t i n g m o v i n go b j e c t 1 t h i st h e s i sa d o p t st h eb a c k g r o u n ds u p p r e s s i o nb a s e dr g bc o l o rt oa b s t r a c tv e h i c l e a r e a w ca c q u i r et h ep i c t u r eo fb a c k g r o u n db yb a c k g r o u n dr e c o n s t m c t i n nb a s e do nt d i s t r i b u t e ，t h e nu p d a t et h eb a c k g r o u n da tt h es a m et i m ew h e na b s t r a c tv e h i c l e ，a sa r e s u l t ，t h eb a c k g r o u n dw ea c q u i r ec a nr e f l e c tt h ec h a n g eo fe n v i r o n m e n t ，e n s u n n g v e h i c l e a b s t r a c t i n ga c c u r a t e l y r e s u l t ss h o w t h a t t h i sm e t h o dc a ne x t r a c tm o r e i n t e g r a t e da r e ac o n t r a s tt oo t h e rm e t h o d b e s i d e s ，t h i st h e s i st a k e sa c c o u n to ft h ec a s e t h a tt h eg r a y - l e v e lo fe n v i r o n m e n tc h a n g e sr a p i d l y ，a n dw ea d dt h ev a l u eo fc h a n g et o t h et h r e s h o l di no r d e rt oe x t r a c tt h ea c c u r a t ev e h i c l ea r e a s 2 t h eb r e ae x t r a c t e dc o n t a i n ss h a d o w ，i tm a k e st h ea r e ao fv e h i c l eb e c o m e s1 a r g e r , a n dt h ev e h i c l e sn e a rw i l lb ec o n n e c t e dt o g e t h e r , 而i st h e s i ss t u d i e st w om e t h o d so f s h a d o wd e t e c t ，o n ei ss h a d o wd e t e c t i n gb a s e do nh s vc o l o rm o d e la n dt h eo t h e ri s s h a d o wd e t e c tb a s e do nt h ei n f o r m a t i o no fb l u eb a n di n f o r m a t i o n 3 e x t r a c t i n ge v e r yv e h i c l ea c c u r a t e l yi sad i f f i c u l tp r o b l e mi nt h ee a s eo fo c c l u s i o n a n dc o n g l u t i n a t i o n ，t h i st h e s i sa t t e m p t st w om e t h o d st os o l v ei t ，o n ei sf u z z yk - m e a n s c l u s t e r i n g ，t h i sm e t h o dc a l lg i v et h en u m b e ro fv e h i c l e si nt h ea r e aw h i c he x i s t s o c c l u s i o na n dc o n g l u t i n a t i o n ，b u tc a l l ts e p a r a t ed i f f e r e n tv e h i c l e s ；a n dt h eo t h e rm e t h o d ， t h i st h e s i sg i v e st h ep r i n c i p l eo fd e t e r m i n i n gt h ea r e ae x i s t i n go c c l u s i o nt o w a r do n ec a s e o fo c c l u s i o na n dc o n g l u t i n a t i o n u s u a l l y ( d e f i n e dl e f t - t i e ) to c c l u s i o n ) ，s e p a r a t i n g d i f f e r e n tv e h i c l e sb ya n a l y z i n gt h es h a p eo ft h ea r e a t h i sm e t h o dh a ss o l v e dt h e o c c l u s i o np r o b l e m p a r t l y a f t e rt h ea b o v eo p e r a t i o n s ，t h i st h e s i sg i v e st h ei n s t a n t a n e o u sn u m b e ro fv e h i c l e s ， t h i sn u m b e rc a nr e f l e c tr e a l t i m et r a f f i cs t a t u sc o m p a r e dw i t ht h en u m b e ro fv e h i c l e s p a s s e di nu n i tt i m e ，i tc a l lg u i d et r a f f i cc o n t r o l l i n g k e yw o r d s ：i n t e l l i g e n tt h m cs y s t e m ：v e h i c l ed e t e c t i o n ；b a c l 【g r o u n d r e c o n s t r u c t i o n ；s h a d o wd e t e c t i o n ；v e h i d ec o u n t 大连海事大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：本论文是在导师的指导下，独立进行研究工作所取得的成果，撰写成博士i 硕士学位论文_ 釉瞄垂 未磁障单知蟛幻驭挈缝拳甥睦妇5 鼋 雾一。除论文中已经注明引用的 i j = 容外，对论文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。本论文中 不包含任何未加明确注明的其他个人或集体已经公开发表或未公开发表的成果。 本声明的法律责任由本人承担。 论文作者签名：铱液卯彩年，月幻日 学位论文版权使用授权书 本学位论文作者及指导教师完全了解“大连海事大学研究生学位论文提交、版权使用管 理办法”，同意大连海事大学保留并向国家有关部门或机构送交学位论文的复印件和电子版， 允许论文被查阅和借阅。本人授权大连海事大学可以将本学位论文的全部或部分内容编入有 芙数据库进行检索，也可采用影印、缩印或扫描等复制手段保存和汇编学位论文。 保密口在年解密后适用本授权书。 本学位论文属于：保密口 不保密口( 请在以上方框内打“”) 做储虢绦泼矽签考御 日期：如d 睁和妒 第1 章绪论 1 1 课题背景及意义【1 i 本论文研究的i ；i 题是国家科技攻关计划子课题“基于图像处理技术的城市交 通调度管理”( 课题号：2 0 0 4 b a i l i b 0 1 ) 的一部分。 基于视频的车辆检测和计数算法对于交通安全和交通控制具有非常重要的理 论意义和实用价值，是基于视频智能交通系统的基础。 随着经济的快速发展，车辆的数目急剧增长，使得交通状况日益恶化，这几 乎是困扰所有大城市的问题。为解决交通拥挤，避免交通事故，为道路建设提供 数据，2 0 世纪8 0 年代末9 0 年代初，智能交通系统( i t s ，i n t e l l i g e n tt r a f f i c s y s t e m ) 应运而生，i t s 通过对道路交通信息进行实时监测，了解道路交通的运行 状况，根据交通流的动态变化，迅速做出交通控制，减轻道路拥挤程度，减少车 辆行车延误o i ，减低了交通事故发生的概率，使得交通设施充分利用，从而达到智 能交通系统的目的。 车辆的检测技术是智能交通系统的基础，常用的方法有线圈检测、微波检测 器、超声波检测器、视频检测等。 环形检测器目前在交通检测系统中应用最为广泛。它的原理是通过一个电感 器件即环形线圈与电子单元构成一个调谐电子系统，当车辆通过或停在线圈上时， 改变了线圈的电感量，激发电路产生一个输出，从而检测到通过或停在线圈上的 车辆。它的优点是成本较低，安装方便。缺点是受环境影响比较大，而且线圈本 身容易损坏，在更换安装和维护时要开挖路面，影响交通，这种检测方式对于交 通流的数据提取也十分有限。 微波检测器由发射天线和发射接收器组成。发射器对检测区域发射微波，当 车辆通过时，由于多普勒效应反射波会以不同的频率返回，通过检测反射波的频 率来检测车辆是否通过。 超声波检测器也是运用反射原理，发射器从顶部发出超声波，当有车辆通过 时，接收器接收到回波的时闻是不一样的，据此可以判断是否有车通过。 车辆的视频检测技术相比以上检测技术有如下优点【3 】： 1 ，安装维护方便，摄像机架设在路边，安装维护不需要封闭道路，挖掘路 面，不会影响正常交通。 2 ， 检测范围大，摄像机的图像区域可以同时检测多个车道，而且可以检测 多个交通参数。 3 ， 可以对交通现场录像，供以后查询。 基于上述的优越性，基于视频图像的车辆检测技术对于智能交通系统的发展 有巨大的推动作用，对于日常生活和国家的经济发展都有很大的实际意义州，所以 基于视频的车辆检测技术成为研究的热点。 1 2 研究现状 智能交通系统是目前世界交通运输领域的前沿研究课题，发达国家提出并执 行了一系列研究计划，其核心是针对日益严重的交通需求和环境保护压力，采用 通信技术、计算机技术、控制技术、信息处理技术等对传统交通运输系统进行深 入的改造，以提高系统资源的使用效率、系统安全性，减少资源的消耗和环境污 染。基于类似原因，我国对智能交通系统的发展也抱有极大的热情。根据我国的 国情、技术基础及发展阶段，发展智能交通系统需要突出如下原则吲： 1 ， 中国城市正面临机动化的关键时刻，应确立可持续发展的战略指导思想， 建立良性发展的交通系统基础。 2 ， 为尽快实现产业化，中国智能交通系统发展应该首先在较为成熟的技术 基础上，通过技术集成，形成新的系统概念和系统功能。 3 ， 智能交通系统的建设，应该有利于提高交通企业和管理部门的管理水平， 向管理要效益，要资源。 近几年来，i t s 在中国有了长足的发展1 9 9 9 年，由科技部牵头，联合建设部、 交通部、公安部等十多个相关部委，组织成立了全国智能交通系统( i t s ) 协调小组， 为推动交通系统的智能化发展提供了组织机制保障：2 0 0 0 年完成了中国i t s 体系 框架研究和标准规范的制定。其中标准规范的制定从一定程度上确定了系统构成、 功能模块以及模块之间的通信协议和接口，建立了能够与国际接轨的i t s 标准体 2 系，作为“十五科技计划的重大专项项目予以实施，并将以示范工程为引导， 加快技术开发与产业化，促进相关技术的全面发展。四川省车辆自动识别管理系 统( a v i m ) 宜宾示范工程、广州市智能交通管理系统建设就是典型的体现嘲。 对于i t s 应用的各种情况，视频检测还有很多不足，运动检测的难点主要有 以下三点1 7 1 ： 1 ， 运动物体的正确检测和分割 2 ， 自动适应环境的变化，去除噪声及阴影的影响 3 ，物体之间的遮挡与重叠 以上难点揭示了研究的方向，要求提出更加鲁棒和结果更加准确的视频检测算法。 目前对于运动物体检测，已有很多方法，常用的方法有：相邻帧差法，三帧 差法，背景抑制法，光流法。对于去除噪声有均值滤波，中值滤波等算法。阴影 去除有统计方法和确定算法。物体之间的遮挡与重叠是另一难点，基于视频的智 能交通系统现在对此研究不多，其中刘光耀等假定车辆的模型及高度，然后根据 重投影速度，重建车辆的三维信息，最后根据遮挡规则判断是否遮挡。 先进的交通控制是智能交通的基础，本文提取的车辆数目给交通控制提供依 据，现有的基于视频指导交通控制的算法，有利用车辆的排队长度i ”】1 1 4 t ”i ，这种 只能在车辆密集排列的时候，对于比较稀疏的情况则不适用，例如当监视区域只 有头部和尾部有车，统计的排队长度是整个监视区域的长度，另外一种情况，在 监视区域头部有密集排列的多辆车，但是提取的排队长度小于上一种情况。 需要强调的是本文中的车辆计数统计的是交通场景中瞬时的车辆数目，而现 有的大部分计数算法1 0 1 【1 l 】统计的是某一时间段内通过某一路口的车辆数目。通 过某一路口的车辆数目的大小可以反映出道路交通流在数量方面的特性，但是当 某段时间道路某断面的交通流量为零时，却有两种可能：一是道路上没有车辆行 驶，另一种可能是道路上有车辆，其车速为零，即交通堵塞。这时，交通流量就 难以表示交通流的实际情况。在日常生活和交通管理的实践中就会发现【1 2 1 ：当道路 上车辆增多、车流密度由小变大时，驾驶员被迫降低车速，单位时间内通过道路 某一点的车辆数减少；而车流密度由大变小时，又允许驾驶员以较大的车速行驶， 单位时间通过道路某一点的车辆数又可能增加。而统计交通场景中车辆的瞬时数 目，可以克服上述困难。 1 3 本文的主要工作 本文研究了车辆提取过程中的各种技术。针对其中存在的几个难点问题分别 进行了研究，晟后通过计数算法统计当前帧图像中的瞬时车辆数目。主要有以下 几点： 1 ，研究了阻往的背景重建算法，针对以往算法的不足，本文提出了一种基 于t 分布的动态背景重建算法，可以利用数十帧图像重建一幅不包含运 动车辆的初始背景。 2 ， 对比现有的运动物体提取算法，最终选择了基于r g b 空间的背景抑制算 法。估计出图像r g b 三个通道的噪声方差，二值化差图像时r g b 每个通 道的闽值设为各自通道噪声方差的三倍。 3 ， 研究了两种去阴影的算法，分别是基于h s v 空间的去阴影方法和蓝波段 信息去阴影方法。 4 ， 最后对车辆发生遮挡和粘连的情况进行了研究，提出了两种方法尝试处 理该问题。一种是通过l a b 颜色空闻聚类来确定遮挡区域车辆数目，另 一种是通过分析遮挡区域形状区分每一辆车。 1 4 论文内容安排 本文主要对运动车辆提取所涉及到的理论进行了研究，最后对于有遮挡情况 的车辆计数进行了研究。在章节安排上主要分为以下几章： 第二章主要介绍了在以后处理中需要用到的理论基础，包括颜色空间的介绍， 中值滤波算法，形态学操作，区域描述，模糊聚类方法。 第三章介绍了基于t 分布的运动检测算法，并在此基础上提出了用多帧图像 恢复初始背景，并介绍了背景更新算法，最后给出实验结果。 第四章介绍了车辆提取和计数过程中的各种技术。首先对比了几种基于视频 的车辆检测算法，最后采用了基于r 6 b 空间的背景抑制算法。通过对差图像三个 通道上的噪声进行估计确定闽值：然后介绍了阴影的原理和检测框架，对于基于 坤值时间通过道路某一点的车辆数又可能增加。而统计交通场景中车辆的瞬时数 目，可以克服上述困难。 1 3 本文的主要工作 本文研究了车辆提取过程中的各种技术，针对其中存在的几个难点问题分别 进行了研究，晟后通过计数算法统计当前帧图像中的瞬时车辆数目。= 三要有以下 几点： 1 ，研究了咀往的背景重建算法，针对以往算法的不足，本文提出了一种基 于t 分布的动态背景重建算法，可以利用数十帧图像重建一幅不包含运 动车辆的初始背景。 2 ， 对比现有的运动物体提取算法，最终选择了基于r 6 b 空间的背景抑制算 法。估计出图像r g b 三个通道的噪声方差，二值化差图像时r o b 每个通 道的闺值设为各自通道噪声方差的三倍。 3 ，研究了两种去阴影的算法，分别是基于i i s v 空间的去阴影方法和蓝波段 信息去阴影方法。 4 ， 最后对车辆发生遮挡和粘连的情况进行了研究，提出了两种方法尝试处 理该问题。一种是通过l a b 颜色空问聚类来确定遮挡区域车辆数目另 一种是通过分析遮挡区域形状区分每一辆车。 1 4 论文内容安排 本文主要对运动车辆提取所涉及到的理论进行了研究，最后对于有遮挡情况 的车辆计数进行了研究。在章节安排上主要分为以下几章： 第二章主要介绍了在以后处理中需要用到的理论基础。包括颜色空涮的介绍， 中值滤波算法，形态学操作，区域描述，模糊聚类方法。 第三章介绍了基于t 分布的运动检测算法，并在此基础上提出了用多帧图像 恢复初始背景，并介绍了背景更新算法，最后给出实验结果。 第四章夼绍了车辆提取和计数过程中的各种技术。首先对比了几种基于视频 的车辆检测算法，最后采用了基于r g b 空间的背景抑制算法。通过对差图像三个 通道上的噪声进行估计确定阈值；然后介绍了阴影的原理和检测框架，对于基于 通道上的噪声进行估计确定阈值；然后介绍了阴影的原理和检测框架，对于基于 4 h s v 空间的阴影去除和蓝波段信息阴影去除进行了研究；之后对于检测出来的区域 加矩形框，对于矩形框重叠的情况，通过分析矩形框信息判断是否需要融合，对于 需要融合的更新矩形框信息；最后对于每一个独立的区域分别通过颜色聚类和形 状分析两种方法分析是否发生遮挡，对于发生遮挡的区域确定车辆数目 第五章给出了整个算法的流程，说明了论文中存在的问题和不足，并对以后的 工作给出建议 第2 章基础理论 2 1 彩色空间 光的电磁辐射刺激我们的视觉系统，对这种刺激的反映所产生的感觉就是颜 色。更确切的说，颜色是人眼视网膜中4 0 0 n m - 7 0 0 n m 波长电磁波谱的视觉区域上 对光的感知结果。一种颜色能由一个3 分量的向量来指定，所有颜色的集合形成 了一个向量空间，称之为彩色空间或颜色模型。根据研究目的和面向对象的不同， 彩色空间可以用不同的彩色模型去表征和描述，下面分别介绍在本文出现的三种 彩色空间：r g b 模型，h s v 模型和l a b 模型。 21 1r g b 模型【“1 在r g b 模型中，每种颜色出现在红，绿，蓝的原色光谱分量中，这个模型基 于笛卡儿坐标系统，所考虑的彩色子空间是如图2 1 所示的立方体。红，绿，蓝 位于三个角上，青，深红和黄位于另外三个角上，黑色在原点处，白色位于离原 点最远的角上。在该模型中，灰度等级沿着这两点的连线分布。在r g b 模型中， 不同的颜色处在立方体上或内部，并可用从原点分布的向量来定义。为方便起见， 假定所有的颜色值都归一化，则图2 1 所示的立方体就是一个单位立方体，即所 有r ，g ，b 值都在i o ，1 1 内取值。在r g b 彩色模型中，所表示的图像由三个图像 分量组成，每一个分量图像都是其原色图像，在r g b 空间，用以表示每一象素的 比特数叫做象素深度，其中每一幅红、绿、蓝图像都是一幅8 比特图像，在这种 条件下，每一个r g b 彩色象素称为有2 4 比特深度。 在r o b 颜色空间上，彩色图像的三个分量不仅代表色彩和亮度，而且还存在 着很大的相关性。 图2 1r g b 颜色模型 f i g 2 1r g bc o l o rm o d e l 212h s v 模型l ”i r g b 彩色模型对硬件实现很理想，另外，r g b 彩色模型与人眼很强的感觉红， 绿，蓝三原色的事实能够很好的匹配，遗憾的是它不能很好的适应实际上人解释 的颜色。例如，它没有设计用组成其颜色的每一颜色的百分比给出一辆汽车的颜 色。此外，我们不认为彩色图像是由3 幅原色图像合成的。 当人观察一幅彩色物体时，用色调、色饱和度和亮度描述它，色调是描述纯 色的属性( 纯黄色，橘黄或红色) ，饱和度给出一种纯色被自光稀释的程度的度量。 亮度是一个主观的描述予，实际上它是不可能测量的，它体现了无色的亮度概念， 并且是描述彩色感觉的关键参数。我们知道强度( 灰度) 是单色图像最有用的描 述子，这一量是可测量的并且容易解释。h s v 模型( h u e 、s a t u r a t i o n 、v a l u e ) 在 彩色图像中从携带的彩色信息( 色调和饱和度) 中消去强度分量的影响，h s v 模 型对于开发基于彩色描述的图像处理方法是一个理想的工具，这种彩色描述对人 柬说是自然的、直观的。 从r g b 到h s v 的转换可表示为： 一。c 。s 一1 ：i ： ! ：i j ；j j i ： h j 口 f ， g2 占 【2 一8 f g 口 smax(r,g,b)-min(r,g,b) m a x ( r + g + 曰、 v 。m a ，x ( r , g , b ) ( 2 1 ) ( 2 ( 2 4 ) 其中r 、g 和b 分别是r g b 彩色空间的红、绿和蓝颜色分量；h 、s 和v 分别是 h s v 彩色空间的色调、饱和度和亮度颜色分量。图2 2 是一个圆锥体，表示了h s v 彩色模型 0 0 。 图2 2h s v 颧色模型 f i g 2 2h s v c o l o rm o d e l 2 1 3l a b 模型 l + a b 色彩模型f 1 7 1 1 ”1 是在1 9 3 1 年国际照明委员会( c i e ) 制定的颜色度量 国际标准的基础上建立的。1 9 7 6 年，这种模型被重新修订并命名为c i el a 5 b 。 l a b 颜色设计为与设备无关；不管使用什么设各( 如显示器、打印机、计 算机或扫描仪) 创建或输出图像，这种颜色模型产生的颜色都保持一致。我们从 视觉上可以容易的区分不同的颜色，红、绿、紫、黄。l a b 颜色空间能定量的表示 出这些视觉差别。 l a b 颜色由心理明度分量( l ) 和两个色度分量组成：这两个分量即a 分 量( 从绿到红) 和b 分量( 从蓝到黄) 。 c i e l a b 空间是c i e x y z 空间的一种非线性变换空间，其计算公式如下： l - 1 1 6 ( y l y o y ”y y o 0 0 1 ( 2 5 ) a - 5 0 0 ( x ，z 。) “3 一o ，y o r ”】( 2 6 ) b 2 0 0 ( y y 0y ”一( z z 。y ”】 ( 2 7 ) 式中：x ，y ，z 为样品色的三刺激值。z ，】，。，z 。为c i e 标准照明体的三 刺激值。 2 2 中值滤波 中值滤波是一种减少边缘模糊的非线性平滑方法，它的思想是用邻域中灰度 的中值代替图像当前点的灰度值。 221 中值滤波算法 算法步骤如下： 1 ，选取一定大小的窗口，遍历图像中的每一点，使其作为窗1 3 的中心点， 取出所有位于窗口内的点对应的象素值。 2 ，按照大小排列这些扶度值。 3 ，取出中间值赋给当前点。 22 2 中值滤波特性【州 1 ， 对某些输入信号中值滤波的不变性 对某些特定的输入信号，如在窗口内单调递增或者单调递减序列，则中 值滤波输出信号仍保持输入信号不变。对于二维中值滤波较复杂，它不 但于输入信号有关，而且还于窗1 3 的形状有关，一般来说，与窗口对顶 角连线垂直的边缘线保持不变性，利用这个特点，中值滤波既能去除图 像中的噪声，又能保持图像中一些物体的边缘。 2 ，去噪性能 中值滤波是非线性运算，它的输出与输入噪声的密度分布有关，而均值 滤波的输出与输入分布无关；对随机噪声的抑制能力来看，中值滤波性 能较均值滤波差些，但对脉冲干扰来说，特别脉冲宽度小于m 2 ( m 为窗 1 3 长度1 ，相距较远的窄脉冲干扰，中值滤波很有效。 3 ，频谱特性 由于中值滤波是非线性变换，因此，输入和输出之间在频率上不存在一 一对应的关系。中值滤波频谱特性起伏不大，其均值较平坦，可以认为 信号经中值滤波后频谱基本不变。 2 3 形态学操作1 1 6 i 形态学的基本思想是使用具有一定形态的结构元来度量和提取图像中的对应 彤状，从而达到对图像进行分析和识别的目的。形态学操作可以简化图像数据， 保持图像的基本形状特征，同时去掉图像中与研究目的无关的部分。使用形态学 操作可以完成消除噪声，细化，骨架化，填充和分割等常用图像处理任务。 形态学的基本运算有四种：膨胀，腐蚀，开运算和闭运算。基于这些基本运 算还可以推导和组合成各种形态学运算。 给出一个图像集合和一个结构元素集合， 二值形态学中的运算对象是集合，通常 利用结构元对图像进行操作，假设a 是 图像集合，b 是结构元，形态学将使用b 对a 进行操作。结构元是一个用来定义 形态操作中所用到的邻域的形状和大小的矩阵，该矩阵由0 和l 组成，可以有任 意的大小和维数，数值1 代表邻域内的象素，形态学是对数值为1 的区域进行的 运算。 23 1 腐蚀和膨胀 膨胀的运算符为“0 ”，图像集合a 用结构元b 来膨胀记作爿o b ，其定义为： 爿o b x i 【( 曰) ，j n n g )( 2 8 ) 其中，曰表示b 的映像，即与b 关于原点对称的集合。上式表明用b 对a 进行膨 胀的过程是这样的：首先对b 做关于原点的映像，再将其映像平移x ，当a 与b 映 象的交集不为空集时b 的原点就是膨胀能够结合的象素。也就是说用b 来膨胀 a 得到的集合是b 的位移与a 至少有一个非零元素相交时b 的原点的位霄集合。 腐蚀的运算符是“e ”，a 用b 来腐蚀记做一e 嚣，其定义为： 一e 口- 扛i ) ，一( 2 9 ) a 用b 来腐蚀的结果是所有满足将b 平移x 后，b 仍全部包含在a 的x 集合 中，从直观上看就是b 经过平移后全部包含在a 中的原点组成的集合。 2 3 2 开运算和闭运算 使用同一个结构元素对图像先进行腐蚀然后再进行膨胀的运算称为开运算， 先进行膨胀然后再进行腐蚀的运算称为闭运算，这两种运算也是形态学中的重要 运算。 开运算的运算符为“。”，a 用b 来开运算记为a 。b ，其定义如下： 爿。丑i ( 一廿占) o 口佗1 0 1 闭运算的运算符为“。”，a 用b 来闭运算记为a b ，其定义如下： 爿且- ( 爿。口) 廿占 f 2 1 1 ) 开运算和闭运算不受原点位置的影响，无论原点是否包含在结构元中，开运 算和闭运算的结果都是一定的。 23 3 填充操作 填充操作是一种根据象素边界求取象素区域的操作，也是形态学的一种常用 操作。实现填充操作主要经过三个步骤：首先要指定填充操作的连通性；然后指 定二进制图像填充的起始点；最后进行二进制图像和灰度图像区域的填充。填充 操作常常用来填充一幅图像的“洞”。 2 4 区域描述【1 6 i 241 区域面积 区域的面积是区域的一个基本特征，对于区域r 来说，设正方形象素的边长 为单位长，则其面积a 的计算公式如下： “。娶( 2 1 2 ) 可见计算区域面积就是对属于区域的象素计数，利用对象素计数的方法来求 区域面积，不仅简单，而且也是对原始模拟区域面积的无偏性和一致性的最好估 计。 2 4 2 边界长度 边界的长度是一种简单的边界全局属性，它是边界所包围区域的轮廓的周长。 我们考虑区域由内部点加边界点构成的情况。区域r 的边界b 是由r 的所有边界 点按4 - 方向或8 - 方向连接组成的，区域的其他点成为区域的内部点。 243 区域重心 区域重心是一种全局描述符，区域重心的坐标是根据所有属于区域的点计算 出来的： 如土(，娶(213a ) ( ，j 白 7 y - i 1 。：娶 ( 2 - 1 4 ) i “岩 2 _ 1 4 ) 尽管区域各点的坐标总是整数，但区域重心的坐标常不为整数，在区域本身 的尺寸与各区域问的距离相对很小时，可将区域用位于其重心坐标的质点来近似 表不。 2 4 4 区域灰度 描述分割区域的目的是为了描述原目标的特性，包括反映目标灰度，颜色等 的特性，目标的灰度特性要结合原始灰度图和分割图来得到，常用的区域灰度特 征有目标灰度( 或各种颜色分量) 的最大值、最小值、平均值、方差以及高阶矩 等统计量。 245 形状参数 形状参数f 是根据区域的周长和区域的面积计算出来的： f 旦 r215)4m 4 、 占代表区域的面积，a 代表区域的周长，对数字图像来说，如果边界长度是按4 连通计算的，则对于正八边形区域f 取最小值；如果边界长度是按8 琏同计算的， 则对正菱形区域f 取最小值。 形状参数在一定程度上描述了区域的紧凑性，它没有量纲，对尺度的变化不 敏感。除掉由于离散区域带来的误差，它对旋转也不敏感。 2 5 模糊聚类方法1 2 0 2 5 1 模糊c 均值算法 扛；，i 一1 , 2 ，月) 是n 个样本组成的样本集合，c 为预定的类别数目， m ，l = l 2 c 每个聚类的中心，“，( x ，) 是第1 个样本对于第j 类的隶属度函数。用隶 属度函数定义的聚类损失函数可以为： ，。善善【肛川x i 】6 甜 ( 2 1 6 ) 其中，b l 是一个可以控制聚类结果的模糊程度的函数。 在不同的隶属度定义方法下最小化上式的损失函数，就得到不同的模糊聚类 方法a 其中最有代表性的是模糊c 均值方法，它要求一个样本对于各个聚类的隶 属度之和为1 ，即： 善吣) 1 1 ， ( 2 1 7 ) 在2 1 7 式条件下求2 1 6 式的最小值，令- ，对m 。和, u i 0 ) 的偏导数为0 ，可得 必要条件： 妻，) y 咒 z “，瓴。) ， 忡小器霈吨| 1 2 t j - 1 , 2 ，r ( 2 1 8 ) f - 1 ，2 ，一冉 j 1 ，2 ，。c ( 2 1 9 ) 用迭代方法求解式f 2 1 8 ) 和( 2 1 9 ) 就是模糊c 均值算法。算法步骤如下： 1 ，设定聚类数目c 和参数b 。初始化各个聚类中心m ；。 2 ， 重复下面的运算，赢到各个样本的隶属度值稳定： 用当前的聚类中心根据( 2 1 9 ) 计算隶属度函数； 用当前的隶属度函数按式( 2 18 ) 计算各类聚类中心； 当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值 从而完成了模糊聚类划分。 第3 章背景重建与更新 采用背景抑制法能够提取比较完整的特征集合来表征运动目标，而目标检测 的准确性则取决于准确的背景，即重建的背景能够反映实际的背景变化。根据所 建立背景模型的不同，所要确定的量也不同，背景模型可以分为两类，即：统计 背景模型和确定背景模型。统计的方法是把背景建模为一个统计变量，需要确定 的是模型的各项参数，确定的方法就是把背景的每一象素的灰度值确定出来。背 景的重建可以分为两部分：一、初始背景的确立；二、背景的更新。下面分别介 绍已有的背景重建算法和本文提出的背景重建算法。 3 1 背景重建算法综述 3 1 1 统计背景模型 对于缓慢变化的背景，如果对应点是背景点的话，像素灰度值的变化满足正 态分布，由于物体运动引起的帧间灰度值变化则不满足正态分布。张丽【2 l 】对参考 帧中的每一个象素建立高斯模型，即每一个象素点的三个颜色分量( 色度( h ) 、色 彩( s ) 、灰度( v ) ) 都认为服从均值为p 标准方差为口2 的高斯分布，且每一点的 分布是独立的， 。击e 一警卿，慧山川8 d 而第k 帧图像的每一个分量分别用均值以和标准方差以表示。 刚开始建立 模型时，由于每一点的分布是未知的，因此初始化时可用第1 帧该像素点的值作为均 值u ，而将标准方差设为0 。然后再根据如下策略进行更新：判为运动点的象素， 其对应的背景点保持原来的参数值不变；被判断为背景点的依据公式( 3 2 ) 进行更 新。 - - o - a ) u + x 一- - m a x 眈。，( 1 一咖2 + 口o 一2 ) “是模型的学习率，口。是噪声的阈值。 ( 3 2 ) 直接把一帧包含运动物体的图像作为初始背景进行运动物体检测和背景更 1 4 新，势必造成运动点被误判为背景点，从而降低了运动检测的准确性。 31 ，2 确定背景模型 在文献 1 9 1 q 6 初始背景采用n 帧图像的均值，即初始背景由公式( 3 3 ) 确定： b 。( w ) 。言荟i k 其中n 是经验值，b 0 0 ，y ) 是初始背景在点o ，y ) 的跃度值，+ ( 。，y ) 是输入的 第 帧图像在点0 ，y ) 的叛度值。背景的更新根据点o ，y ) 是前景点还是背景点采取 小同的处理，更新策略满足公式( 3 4 ) ： i f0 ，y ) f o r e g r o u n d b 。0 ，y ) 一b ，0 ，y )( 3 4 ) i f0 ，y ) 硭 f o r e g r o u n d 口，+ 。 ，y ) - 啦0 ，y ) + ( 1 一a ) t ，+ 。o ，y ) e o ，y ) 是背景图像在t 时刻点0 ，y ) 处的灰度值，b 。0 ，y ) 是背景图像在 t + 缸时刻点扛，y ) 处的灰度值，a 是模型的学习率。 但是初始背景确定时，n 无论取值多大。背景中都会留有运动车辆的痕迹， 降低了以后车辆检测的准确度。下面的背景图像是用连续的1 0 0 帧图像求平均得 到的，我们可以看到背景图像中留有运动车辆的痕迹，用以求平均的图片越少，这种 现象越明显。 图3 1 多帧平均得到的背景图像 f i g 3 1b a c k g r o u n dr e c e i v e db ya v e r a g eo fs e v e r a lp i c t u r e s 文献”2 中初始背景是任选一帧作为初始背景，然后利用下面的规则更新背景 b fim e d i a n ( 1 。， j ( ) ，e 1 ) 0 - 5 ) 这种用简单的中值来更新背景，对于一些细小的背景变化，如风的影响，树 叶的晃动没有考虑。 32 基于t 分布的动态背景重建 本文提出的背景算法属于确定背景模型，我们利用多帧图像逐渐恢复出一帧 完整的背景图像。本文假设摄像机是不动的即使存在摄像机的运动，经过全局 运动的补偿，也可以认为是静止的。 32 1 基于t 分布的变化检测 对于相邻帧来说外界环境几乎不发生变化，所以可以认为象素值的变化是由 对象运动或噪声引起，相邻帧的背景区域的象素如果没有噪声的影响，可以认为 是没有变化的。噪声来源于摄像机，我们把摄像机的噪声建模为加性高斯噪声， 设其方差为o r 2 ，第i 帧图像可以表示为： ，o ，y ，f ) ，0 ，y ，i ) + 0 ，y ，f )( 3 6 ) 其中f ( x ，y ，耽，0 ，y ，f ) n o ，y ，f ) 分别表示第i 帧图像的观测值，实际值和噪 声。根据上式，相邻帧差为； 村o ，y , i ) 。f ( x ，“，f ) 一，0 ，y ，f 一1 ) 1 + n ( x ，y ，i ) 一n ( x ，y ，i 一1 ) 。 d i f ( x ，y ，f ) 表示在0 ，y ) 点处帧差值，令： d ( x ，y ，f ) n ( x ，y ，i ) 一n 0 ，y ，i 一1 ) 0 8 ) n “，y ，f ) ，n 0 ，y ，i 1 ) 分别是相邻两帧的噪声，概率密度相同且相互独立的随机 变量，由于我们把摄像机的噪声建模为加性高斯噪声，由概率论的知识，d ( x ，y ，i ) 也满足正态分布，均值为0 ，方差是摄像机噪声方差的两倍。 下面利用假设检验的知识来检测图像中的每个象素点是否发生变化，由于 噪声的影响，通过单个象素检测往往容易出错，在以待检测点象素为中心的邻域 内对象素点进行检测的可靠性要高，设第1 帧以点( x ，y ) 为中心的窗口w ，大小 为n n ，由于帧差图像中噪声是独立的，则背景区域象素不为0 的帧差值是由噪 声引起的。对于背景点，帧差的均值为o ，可以进行如下假设：h 。：p - 0 , h 。：肛- 0 但是摄像机的噪声未知，我们要对满足正态分布的随机变量的均值进行检验， 所以采用t 分布，构造随机变量t ： f 叠堕：尘( 3 9 ) s ( x ，y ，i ) q 其中： 厶( 训m 。砉。蚤p ( x + l , y + m , i ) ( 3 1 0 ) 咄y ，f ) 。j 志善至p ，y 一 f ) 一l ，f ) ) 2 ( 3 1 1 ) 显著水平为e t ( 一般a 的取值为1 0 “1 0 4 ) 则拒绝域如下： z t ( 2 一1 ) ( 3 1 2 ) 在拒绝域的象素是非背景点，其余点为背景点。这样在每一帧图像中就可以把 背景点和非背景点准确的分开。 3 22 始背景的建立和背景的更新 我们对采集到的r g b 图像的三个颜色分量分别进行t 分布变化检测，根据三个 分量的判断结果来最终决定当前点是否是背景点，规则是：只有