（信号与信息处理专业论文）基于dsp的车流量统计方法的研究.pdf

基于d s p 的车流量统计方法的研究 摘要 智能交通系统( i t s ) 是目前世界各国交通运输领域竞相研究和开发的热 点，而车流量统计是智能交通系统的主要研究领域，也是智能监控系统的一个 热点研究方向，车流量统计主要基于车辆检测技术，目前车辆检测技术主要是 在特定约束条件或某种应用背景下提出的，还有很多问题有待解决。 本文在深入研究前人的基础上，对车流量统计背景更新、运动目标分割、 运动目标检测、遮挡检测、阴影抑制等方面进行了研究，主要的工作和创新如 下： ( 1 ) 背景更新阶段。本文主要采用背景减法提取运动车辆，为了提高 车流量统计精度，采用背景差法和帧差法提取背景掩码m a s k ，利用m a s k 来更 新背景，从而获得准确的背景图像。 ( 2 ) 图像分割阶段。本文提出了基于连通域的两轮扫描法，该方法能够在 复杂环境下有效分割各个连通域，准确提取各个运动车辆的特征信息( 大小、 位置、矩特征、轮廓等) 。 ( 3 ) 遮挡检测阶段。传统视频检测车流量统计利用车辆跟踪解决遮挡问题， 算法复杂且容易受到外界干扰影响，本文针对常见的车辆遮挡情况，建立若干 车辆遮挡模型，利用分层轮廓匹配法将运动目标与车辆遮挡模型进行轮廓匹配 识别出遮挡车辆。 ( 4 ) 阴影检测阶段。本文考虑到实时性和实际情况，利用y u v 的色差分 量u 、v 和h s v 空间的色度以及饱和度分量存在一定联系的性质，提出基于 y u v 彩色空间检测并去除出运动目标的阴影像素。 ( 5 ) 本文在背景更新、图像分割、遮挡检测、阴影检测等模块的基础上， 构建了一个基于d s p 的车流量统计系统，并对部分程序结合d s p 特点进行了优 化，对通过摄像头获取的图像进行实时处理，获得车流量信息。 关键字：连通域，两轮扫描法，车辆遮挡模型，分层轮廓匹配，y u v 彩色空间 t h ea l g o r i t h mo ft r a f f i cf l o ws t a t i s t i c sb a s e do n d s p a bs t r a c t i n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s ( i t s ) r e s e a r c ha n dd e v e l o p m e n to fe v e r yc o u n t r y ， i sah o ti nt h ef i e l do ft r a n s p o r t a t i o n a n dt r a f i l ef l o ws t a t i s t i c si st h em a i n r e s e a r c hf i e l do fi n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m sa n di n t e l l i g e n tm o n i t o r i n g s y s t e m t r a f f i cf l o ws t a t i s t i c si sb a s e do nv e h i c l ed e t e c t i o nt e c h n o l o g y n o w v e h i c l ed e t e c t i o nt e c h n o l o g yi sm a i n l yp r o p o s e di np a r t i c u l a rc o n s t r a i n to ri na a p p l i c a t i o nb a c k g r o u n d ，t h e r ea r em a n yi s s u e st ob er e s o l v e d t h em a i nc o n t e n to ft h i sp a p e ri sr e s e a r c hb a c k g r o u n du p d a t i n g ，m o v i n go b je c t s e g m e n t a t i o n ，m o v i n gt a r g e td e t e c t i o n ，b l o c kd e t e c t i o n ，s h a d o ws u p p r e s s i o na n d o t h e ra s p e c t si nt r a f f i cf l o ws t a t i s t i c s t h em a i nw o r ka n di n n o v a t i o na r ea s f o l l o w s ( 1 ) ba c k g r o u n du p d a t ep h a s e t h i sp a p e ru s i n gt h eb a c k g r o u n ds u b t r a c t i o nt o a b s t r a c tm o v i n gv e h i c l e s ，i no r d e rt oi m p r o v et h et r a f f i cf l o ws t a t i s t i c sa c c u r a c y u s i n gt h eb a c k g r o u n ds u b t r a c t i o nm e t h o da n df r a m e d i f f e r e n c em e t h o dt oa b s t r a c t b a c k g r o u n dm a s k ，u s em a s kt ou p d a t et h eb a c k g r o u n d ，o b t a i na c c u r a t eb a c k g r o u n d i m a g e ( 2 ) i m a g e ss e g m e n tp h a s e t h i sp a p e rp u r p o s eam e t h o do ft w o - s c a n n i n gb a s e d o nc o n n e c t e dd o m a i nt h i sm e t h o dc a ne f f e c t i v e l ys e p a r a t ec o n n e c t e dd o m a i n a c c u r a t e l yi nc o m p l e xe n v i r o n m e n t s e x t r a c tt h ec h a r a c t e r i s t i ci n f o r m a t i o no ft h e m o v i n gv e h i c l e s ( s i z e ，l o c a t i o n ，m o m e n tf e a t u r e s ，c o n t o u r s ，e t c ) ( 3 ) b l o c kd e t e c t i o np h a s e t r a d i t i o n a lv i d e od e t e c t i o nt r a f f i cf l o ws t a t i s t i c su s e v e h i c l et r a c k i n gt os o l v eb l o c kp r o b l e m ，t h ea l g o r i t h mi s c o m p l e xa n de a s i l y i n t e r f e r e db yo u t s i d e t h i sp a p e rs e tu ps o m eb l o c km o d e lo fv e h i c l e h i e r a r c h i c a l m a t c h i n gc o n t o u r so ft h ev e h i c l e sa n dm o d e l so nb l o c kv e h i c l et oi d e n t i f yb l o c k v e h i c l e s ( 4 ) s h a d o wd e t e c tp h a s e t a k ei n t oa c c o u n tt h er e a l t i m ea n dt h ea c t u a ls i t u a t i o n u t i l i z et h ec o n n e c t i o no fu 、vc o l o rc o m p o n e n to fy u va n dc o l o ra n ds a t u r a t i o n c o m p o n e n t ，p r o p o s eu t i l i z ey u v c o l o rs p a c ed e t e c ta n ds u p p r e s st h es h a d ep i x e l ( 5 ) t h i sp a p e ri sb a s e do nb a c k g r o u n du p d a t i n g ，i m a g es e g m e n t a t i o n ，b l o c k d e t e c t i o n ，s h a d o wd e t e c t i o nm o d u l es oo n b u i l tat r a f f i cf l o ws t a t i s t i c ss y s t e m b a s e do nd s p ，o p t i m i z et h ep r o g r a mi nr e l a t i o nw i t hd s pf e a t u r e s w er e a l t i m e p r o c e s s i n gt h ei m a g ef r o mc a m e r at oo b t a i nt r a f i l ef l o wi n f o r m a t i o n k e y w o r d s ：c o n n e c t e dd o m a i n ，t h em e t h o do ft w os c a n n i n g ，t h em o d e lo fb l o c k v e h i c l e ，h i e r a r c h i c a lc o n t o u r sm a t c h i n g ，y u vc o l o rs p a c e 插图清单 图2 1 实时背景图像的计算流程图1 2 图2 2 投影法区域分割示意图1 4 图2 3 逐行扫描法中相邻线段间关系示意图1 4 图2 4 连通域两轮扫描法示例1 5 图2 5 扫描结果比较1 6 图2 6 两轮扫描法对原始图像进行分割1 7 图3 2 运动目标轮廓信息二叉树2 6 图3 3 轮廓匹配解决遮挡问题处理结果2 8 图3 4 各种车辆形状示例2 9 图3 5 光照模型3 0 图3 6r g b 彩色空间3 1 图3 7h s v 颜色空间模型3 2 图3 8 基于光照无关图的阴影检测算法效果图3 5 图3 9 基于b o o s t i n g 判别模型的阴影检测算法流程图3 5 图3 1 0 阴影检测算法流程图3 6 图3 1 1 本文阴影抑制算法处理结果及比较3 8 图4 1 硬件系统框图4 1 图4 2c c s 开发环境主界面4 3 表格清单 表3 1图3 4 车辆与图3 1 车辆遮挡模型轮廓匹配结果2 9 表4 1 本文方法车流量检测以及对比结果4 0 独创性声明 或撰写过的研究成果，也不包含为获得 金目里王些太堂或其他教育机构的学位或证书 擀鲜柯鳐厢 年4 脚日 学位论文版权使用授权书 本学位论文作者完全了解 金胆王些太堂 有关保留、使用学位论文的规定，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，允许论文被查阅或借阅。本人 授权 金目巴互些太堂可以将学位论文的全部或部分论文内容编入有关数据库进行检 索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文者签名：鲜柯 签字日期：2 0 1 0 年4 月 学位论文作者毕业后去向： 工作单位： 通讯地址： 导师躲齐美彬欷彤 签字日期：2 0 1 0 年4 月2 4 日 电话： 邮编： 日鳐孔 致谢 两年半的硕士研究生生活即将划上句号，在这几年的学习和生活中，老师、 同学、亲人、朋友们给予我的关心和帮助将永远珍藏在我心灵最深处。 首先要感谢我的导师齐美彬教授和蒋建国教授。在我攻读硕士学位期间， 他们严谨的治学态度，广博的专业知识，对事业孜孜不倦的追求精神和平易近 人的处世作风给我留下深深的印象，也必将会让我受益终生。他们不仅是学术 出色的导师，同时也是指引我前进的长者，为我将来的发展提供了极大的帮助 和指导。在此谨向恩师致以最真挚的谢意! 感谢实验室的吴从中老师、詹曙老师、李小红老师、夏娜老师，感谢他们 三年来对我的关心和帮助；感谢尹翔、安宝磊、刘洋、张前进、张乐、郝世杰、 李相涛、施志萍、郭艳蓉、卢晓红、常红等师兄师姐在学校过程中的指引和帮 助；感谢杨立宾、钱浩伟、李敦、李本斋、岳雷飞、胡有刚、刘亮、唐媚等同 学，两年来我们相互交流，取长补短，共同进步；感谢陈家银、李明、杨强、 王宝等师弟师妹们，正是生活在这样一个团结友爱互助的集体里，我能够乐观 地面对生活，面对每一天的学习和工作。难以忘记在d s p 实验室学习的日日夜 夜，感谢各位同窗的协助和帮助，诚挚的祝福他们在未来的生活和学习中一切 顺利! 此外，在课题研究、论文工作，以及研究生学习期间，我还得到了其他许 多老师和同学的关心和帮助，在此一并表示谢意。 最后，要衷心的感谢我的父母和所有家人。他一直给我精神上得鼓励、物 质上得支持、学习上得帮助和督促。他们的关怀和支持，是我不断前进的最大 动力。 作者：鲜柯 2 0 1 0 年4 月 第一章绪论 机器视觉与计算机视觉已从模式识别的一个研究领域发展为一个独立的学 科。它的发展是从上世纪5 0 年代统计模式识别开始的，当时工作主要集中在二 维图形的分析和识别这两部分上，如航空图片的解释和分析、光学字符识别等。 6 0 年代r o b e r t s 通过计算机程序从数字图像中提取出楔形体、立方体等多面体 的三维结构，并对物体形状和空间关系进行描述。7 0 年代，才出现了一些视觉 应用系统。直到最近十几年才在诸如智能监控系统、机器人视觉导航、医学辅 助诊断、工业机器人视觉系统、地图绘制、智能人机接口等领域得到广泛发展。 智能视觉监控是计算机视觉领域一个新兴的研究方向，它与传统意义上的 监控系统的区别在于其智能性。智能视觉监控系统能在不需要人干预的情况下。 自动分析监控场景中的变化并进行定位、跟踪和识别，并在此基础上分析和判 断有关目标的行为，从而做到既能完成日常管理又能在异常情况下及时作出反 应l lj ，而智能交通系统( i t s ) 正是在这一背景下提出的。 1 1 课题的背景与意义 1 1 1 智能交通系统( i t s ) 概述 随着社会经济迅速发展，对交通的需求日益增加，城市交通拥堵与事故频 发，交通环境日益恶化，发达国家与发展中国家都受到不断恶化的交通问题的 困扰。传统的解决交通问题的方法是修建或扩建道路，提高道路网络的承载能 力，然而随着人口增长，可供修建道路的空间也越来越少，而且扩大道路网络 的速度远远低于对交通需求的增长速度。同时，交通系统是一个复杂的综合性 系统，单纯从车辆或者道路的角度来考虑都将很难解决交通问题，在这种背景 下，把车辆和道路统一系统的解决交通问题的思想就油然而生，这就是智能交 通系统( i t s ) l z 。 智能交通系统( i t s ) 目前受到世界各国重视并投入大量人力物力进行研究 开发，涉及到计算机处理、电子通信、信号处理以及图像处理等领域，i t s 将 这些技术与交通运输管理有机结合，建立一种整体有效的智能交通运输管理系 统。在整个系统中，动态交通信息的获取是一个关键，交通信息有很多种，比 如车流量、车辆类型，车辆速度等信息，而本文主要在车流量统计上进行相关 研究，并取得一定的成果。 i t s 强调的是系统性、实时性、信息交流的交互性以及服务的广泛性。它 是由若干子系统所组成的，通过系统集成将道路、驾驶员和车辆有机地结合在 一起。i t s 系统组成大致分为先进交通管理系统a t m s ( a d v a n c e dt r a f f i c m a n a g e m e n ts y s t e m ) 、先进交通信息系统a t i s ( a d v a n c e dt r a f f i ci n f o r m a t i o n s y s t e m ) 、先进车辆控制系统a v c s ( a d v a n c e dv e h i c l ec o n t r o ls y s t e m ) 、先进 车辆收费系统a e t c s ( a d v a n c e de l e c t r o n i ct o l lc o l l e c t i o ns y s t e m ) 、紧急事件管 理和救援系统e a m s s ( e m e r g e n t a f f a i rm a n a g e m e n ta n ds u c c o rs y s t e m ) 【2 j 。在 这些系统中交通流信息的获取是一个核心，交通流信息包括多个方面，比如车 型、车速、车流量、车流密度以及道路占有率等等。 i t s 对道路运行进行实时监控，以获取交通运输信息，并进行实时跟踪分 析，对各种分析结果采取不同措施解决交通问题，比如交通疏导、车辆分流、 实时发布各路段交通状态等手段，以达到减轻或避免道路堵塞、提高道路流通 速度、降低车辆交通事故的目的，使得各个交通设施最优化，实现交通运输管 理系统的智能化和高效化，并大大提高道路交通的流通速度和安全性，因此， 智能交通系统的研究对于城市的道路建设、城市规划、经济发展、人居环境的 优化有着重要的意义。 1 1 2 视频车辆检测在i t s 的应用和意义 获取交通信息的主要方式是车辆检测，车辆检测是智能交通系统( i t s ) 的一个重要研究领域，是进行道路交通管理的基石。它用于检测道路车流量、 车型、车速、占有率等交通数据，是控制公路的车流进出，保证道路安全畅通 的重要手段。同时它也为交通管理统计分析相关数据，为管理者、决策者提供 有效的数字依据。目前交通检测广泛应用于道路资源配置、交通疏导、道路建 设评估等领域。 目前i t s 交通数据的获取方式有很多种，这些方法包括基于红外线检测、 基于感应线圈检测以及基于视频图像处理检测等手段，随着图像处理技术的发 展，基于视频的图像处理检测方法逐渐大量运用在车辆检测领域，该方法利用 计算机和图像处理进行智能交通管理，通过摄像头实时获取道路交通视频序列， 通过数据处理设备分析视频序列，实现对道路车辆检测、跟踪、锁定、识别等 操作，并通过监控终端或网络等手段向数据库或管理者反馈交通信息并进行相 关处理，使得智能交通系统既能对交通运输进行日常监控，又能对突发或紧急 状况及时进行处理，基于视频的车辆检测方法有很多优势，如道路检测区域广、 操作简单、适应各种天气情况，处理方法灵活、能够提取各种交通信息，开发 前景广等，正由于视频图像车辆检测的诸多优点，该方法受到世界各国重视并 进行大规模研究开发应用，成为一个新兴的研究热点领域。 1 2 视频车辆检测系统的国内外研究状况 上世纪7 0 年代，美国j p t 首先进行车辆检测的新兴技术探索研究，并指 出基于机器视觉等智能技术将替代传统检测方法成为新型的检测手段。几年后， 美国明尼达大学的研究开发人员经过数年研究，成功研制出当时世界上首个能 够实用到现实环境并且基于视频图像处理的智能车辆检测系统，该系统在多个 2 假想场景进行验证测试，实验结果表明良好，从事实上证明了视频图像处理检 测车辆是可能的，同期该领域的研究开发也在其他发达国家进行大规模开展， 也取得一定的成绩。 在接下来的几十年利用视频图像处理的车辆检测技术获得快速发展并取 得大量成果。到了上世纪9 0 年代，美国加州理工大学将视频图像车辆检测运用 在高速公路并进行试验，其试验结果中将当时存在的主要检测手段都进行测试、 分析、比较和分类。几年后，美国休斯顿飞机公司进一步评测了当时存在的几 种检测技术，其中包括视频图像检测技术。测评报告最后表示视频图像处理车 辆检测技术在几十年的探索发展中，已经具备了投入实际应用的条件和潜力。 到了19 9 4 年，美国m d o t 为f h w a 进行了更完善、详细的测试，其测试结果 表明视频检测系统的硬件和软件系统的精度、安全性和可靠性已经达到了实际 应用的要求。同时随着计算机、电子和图像处理技术的发展，视频车辆检测技 术得到更广泛的研发和推广，f h w a 通过视频图像车辆检测采集各种交通信息 供后续处理分析，如车流量、车速等信息。 日本紧跟美国步伐，开始智能交通框架的基础研究，警察厅提出了以此框 架为基础的新交通管理系统u t m s 2 1 的方案，方案包括了先进交通控制系统、 交通信息服务系统、公交优先控制系统、车辆运行管理系统、动态线路有道系 统、降低交通公害系统、安全驾驶支持系统、救援情报支持系统等。作为先进 交通控制系统的核心，正在着手开发研究最优交通线路指示系统，明确提出了 检测传感器参数、交通信息获取、交通管理标准等方面的指标【3 】。 在我国，城市智能交通已逐步得到社会各界的广泛关注，并已成为交通领 域的研究热点，社会各界对通过智能交通系统建设、缓解日益严重的交通问题 寄予了厚望。各级政府和社会各界大力投入人力物力进行智能交通系统的研究 开发，并开始应用到交通管理系统各个领域，鉴于城市智能交通系统涉及到城 市管理多个部门职能，只有各相关部门协调配合、共同行动起来，在必要的机 制和技术手段下充分实现部门间的信息共享，城市职能交通才可能顺利建设和 发展。因此需要政府牵头，整合各个部门协助配合，相互实现各个部门的密切 配合，以此共同建设智能交通系统，提供来良好的基础和资源。随着我国最近 几十年的快速发展，计算机电子技术得到快速的发展，国内大量的研究机构、 高校和企业开始进行智能交通系统的研究开发并取得一些成绩。目前，具有代 表性的有哈尔滨工业大学的v t d 2 0 0 0 系列视频交通动态信息采集系统，亚洲视 觉公司的路段交通信息系统，以及深圳市神州交通系统有限公司的v i d e o t r a c e 智能视频交通信息采集系统。这些系统大都实现了采集车辆交通信息的基本功 能，并得到一定程度的应用，但由于我国关于智能交通系统的研发起步较晚， 大部分研发还处于起跑阶段，很多成果的稳定性和可靠性有待实践考验。 1 3 车辆检测算法以及一些难点问题 1 3 1 视频车辆检测算法概述 在智能交通系统的各个子系统中，车辆目标的正确识别是整个系统实现的 首要环节，也是非常重要的基础部分，关系到整个系统的性能。只有准确、快 速的识别出运动车辆，才能有效实现车辆特征信息的获取、车辆目标锁定、智 能监控、行为分析等操作处理，基于视频图像的车辆检测主要通过视频图像中 分割运动区域，并排除干扰识别出运动车辆，达到车辆检测的目的，最终实现 智能交通管理。本节将主要介绍下面几种车辆检测方法。 ( 1 ) 光流法 光流场最初由h o r n 与s c h u n c k 4 】于上世纪8 0 年代提出，光流来源于流体 力学，与光强度在视频图像中的变化息息相关，光流场在图像处理中一般用于 图像分割，利用视频图像序列各像素点亮度变化信息来获取光流场实现图像分 割的目的。 设f 时刻( x ，y ) 处的图像灰度为e ( x ，y ，r ) ，借助于数学手段，视频图像序列 f ( x ，y ，f ) 可展开为： e ( x + d x ，y + 咖，f + a t ) = e ( x ，y ，) + e 出+ e 。砂+ 巨衍+ o ( 0 2 )( 1 1 ) 其中e 对x 即水平方向用巨表示，e 对y 即垂直方向用e 。表示，而e 对时间 t 的偏微分用巨表示，我们假设： e ( x + d x ，y + 砂，f + 衍) = e ( x ，y ，f ) ( 1 2 ) 忽略高阶项，联合式( 1 1 ) 和( 1 2 ) ，则有： e 手+ e ，了a y + 互：0 ( 1 3 ) 光流速度场( “，1 ，) 被定义为： 咖鲁) ( 1 4 ， 代入式1 3 ，即得到光流约束式： e “+ e ，1 ，+ 巨= 0( 1 5 ) 然后利用光流速度梯度的幅值平方( 罢) 2 + ( 考) 2 和( 罢) 2 + ( 多) 2 进行光滑 约束，因此光流的估计转化为式1 6 ： e 2 ( x ，j ，) = ( e 甜+ q 1 ，+ e ) 2 + 兄( + 彬+ + ) ( 1 6 按照文献【4 】中所介绍的处理手段，式1 6 等价于求解下列方程： “肘1 = 云”一e ie 云”+ b 矿+ el ( 兄+ e + 髟) ( 1 7 ) v n + 1 = ；”一髟l 巨云”+ b 矿+ 巨i ( 2 + 霹+ 霹) ( 1 8 ) 4 光流法运算复杂且容易受到外界干扰，实时视频处理一般不采用光流法， 转而采用其他高效的方法对目标进行视频处理 ( 2 ) 帧差法 帧差法一般对相邻两帧图像做相减运算从而分割出运动目标，主要原理是 通过相邻图像相减，去除相邻两帧灰度相同的像素点区域，保留灰度发生变化 的像素点区域，因此使用帧差法的前提是处理连续图像序列，相邻两帧图像间 隔足够短使得相邻两帧图像背景基本不随外界环境所影响，然后进一步利用阈 值进行二值化处理，去除噪音，提取出运动目标，如式1 9 ： d k ( x , y ) = 1 ，矿y 0 ，d ) - 砌f 绷k - , ( w l 州 ( 1 9 ) 阈值丁的选取对运动目标的分割效果联系密切，若阈值丁选取不合适，会 极大降低运动目标分割效果，阈值丁过大可能只能提取部分目标，找出运动目 标不完整，而阈值丁过小可能检测出噪声，影响后续处理，因此文献 5 将运行 像素判断准则修改为： m 朋a x 。l f k ( x , y ) 一肌圳 m 瓦1 ( 磊月y ) 一肌x , y ) l ( 1 1 0 ) 旯为加权值，m 为检测区域彳内的像素点个数，后面的添加项 兄寺i a ( x ，y ) - f k 一。( x ，y ) i 用以衡量检测区域a 由于光线等自然因素发生使得 整个区域像素值的变化程度，修正阈值t 的大小，以准确的分割出运动目标。 文献 5 】的方法并未区分运动目标大小，这样有可能将小的噪声区域误判为 运动目标，影响检测精度和和分割质量，文献【6 】作了一下改进： v c a c x , j ，) 一以一，( x ，y ) i 一( 丁+ 争i 五( x ，y ) - a 一。( x ，y ) | ) ) p m ( 1 1 1 ) 其中，p ( 。，1 ) u ( x ) = 1 0 ，1 , x x 0 0 。当某目标像素点数量超过了某一设定的阈 值则认为该目标为运动目标，反之为噪声，其中p m 能够根据目标大小进行修 改。 当观测场景检测运动目标比较大时，文献 6 的添加项将运动目标对整体图 像的影响认为是自然因素造成，导致检测效果降低。而文献 7 】仅仅考虑背景部 分的变化对整体检测图像区域的影响，只将背景部分产生的变化引入添加项， 利用阈值t 判断该区域是否参与阈值更新。运动区域判决条件如下： ( 磊。u ( y m 拈y h + 南( 到胁川哌- ( x , y ) 1 i ( 圳) 伊虬 ( 1 1 2 ) 其中0 、u ( 功含义同上，i ( x ，力为： m 川= 怯袋笔 ( 1 1 3 ) 当目标运动速度比较快时，相邻2 帧帧差法会产生误差，它所得到的运动 目标大于该目标实际大小，这种情况可利用三帧帧差法解决，即： d k ( x , y ) ：t l , i f l f k ( x , y ) 一五一t ( x ，y 裂 i r 、i 以+ ( x ，y ) 一五( 墨y ) l 丁 ( 1 1 4 ) l u ，o t 力e r s 帧差法对于自然环境特别是光线的变化不敏感，抗干扰能力较强，运算量 小，可用于实时检测系统，但帧差法不能检测出静止目标，检测区域中运动车 辆速度过快或过慢都可能导致检测失败，而背景差法则能解决此问题。 ( 3 ) 背景差法 背景差法【8 ，9 】的思想与帧差法比较相似，区别在于背景差法是将当前帧图 像与背景帧图像做差从而分割出运动目标，不再是相邻帧图像做差，背景差法 不随车辆速度快慢的影响，甚至可以检测出静止目标，而且运算量相对较小， 满足视频检测的实时性要求，克服了帧差法中的目标空洞现象，正是由于背景 差法的诸多优点，本文主要采用背景差法进行运动车辆的分割处理，然而背景 差法检测效果好坏很大程度上取决于背景帧能否真实的代表当前背景，因此背 景差算法性能的一个关键步骤将是背景如何进行有效的更新，本文将在下一章 详细介绍这一部分内容。 关于车辆检测技术，国内外很多专家学者也进行相关领域的研究，如 b a r o t t i 与l o m b a r d i 等人【lo j 将背景差法与帧差法相结合，提出一种多模型自动 切换与融合的方法，该方法可以根据目标检测以及跟踪结果自动选择采用背景 差法还是帧间差法进行车辆检测。s t a u f f e r 与g r i m s o n 【li j 将每一个像素建模为混 合高斯模型，通过模型概率实现车辆检测。l e e 与k i m 等人i l2 】进一步将贝叶斯 分类器与混合高斯模型相结合，实现运动目标的提取。檀甲甲与张建秋【l3 】利用 对比度失真和亮度失真参数作为道路车流量检测的依据实现车流量统计。 1 3 2 视频车辆检测算法的一些难点问题 阴影检测一直是车辆检测中的难点问题，通常在检测过程中会存在运动阴 影，它在运动目标的分割和跟踪中会引起严重的问题。他可能会引起图像中物 体的合并，物体形状的失真，甚至物体的消失( 这是由于阴影投射覆盖了另一 个物体) 。因此，阴影检测极为重要。 另外，遮挡是也是车辆检测中的常见情况，运动车辆可能被背景中的静止 物体遮挡，也可能运动车辆之间相互遮挡，遮挡的程度不尽相同，如部分遮挡， 6 严重遮挡和全部遮挡等，遮挡造成了运动目标信息的不稳定甚至丢失，干扰运 动目标分割以及分析，严重影响车流量统计算法的性能，如何有效的解决遮挡 问题，是车流量检测的难点之一。 本文将在后续章节详细介绍视频车辆检测算法的阴影和遮挡问题，并提出 自己的解决方案。 1 4 本文主要研究内容及安排 经过前面的介绍可知，车辆检测作为计算视觉领域的经典问题之一，已经 有很多的解决方法，已取得了较大的进展，获得较好的实验结果，然而还未达 到满足各种实用化应用的要求。本论文将针对如下几个主要方面进行研究，最 终目标是提出一套完整、鲁棒、高效的算法，在t m s 3 2 0 d m 6 4 3 7 平台建立起 车流量统计系统。 第一章绪论 绪论是本文相关技术的综述，对选题背景和车流量统计技术的研究意义进 行了概述，然后在对大量文献进行分析论证的基础上，综合论述了车流量统计 技术国内外的研究现状、研究难点、和发展趋势。 第二章背景更新及运动目标分割 车流量统计算法的基础即车辆检测技术，本章是全文的基础，主要讨论车 辆检测问题，如何将运动车辆从每一帧图像中准确提取出来。本文主要采用背 景减法提取出运动车辆，因此本章主要围绕背景更新和运动目标分割两个问题 进行讨论，介绍这两个问题的常见处理方法，并提出自己的解决方案一一利用 背景差法和帧差法提取背景掩码m a s k ，利用m a s k 来更新背景，然后采用基于 连通域的两轮扫描法准确分割各个运动目标，获得各个运动目标的特征信息， 为后续处理做准备。 第三章遮挡与运动阴影的检测 遮挡与阴影问题一直是影响车流量统计算法性能的主要因素之一，也是车 辆检测与跟踪算法的难点，本章专门对这两个问题进行研究讨论，首先研究遮 挡问题，分析遮挡产生的原因，介绍一些常见的遮挡问题解决方法，传统的遮 挡处理一般利用跟踪算法来处理，本章考虑到实时性和干扰因素，放弃复杂的 跟踪算法，针对常见的车辆遮挡情况，建立若干车辆遮挡模型，将运动区域与 车辆遮挡模型进行轮廓匹配，根据匹配结果判断是否遮挡。接着研究运动阴影 问题，分析阴影的产生原理，介绍一些常见的颜色模型和阴影检测算法，最后 重点介绍本文采用的基于y u v 色彩空间的阴影检测算法。实验证明，本章算 法能有效解决遮挡和阴影干扰问题。 第四章基于检测线的车流量统计及d s p 实现 本章主要从系统角度上介绍整个车流量统计算法的软件和硬件系统。首先 7 整合前几章所提出的各个处理算法，介绍整个车流量统计算法处理过程并进行 性能分析。接着讨论本文车流量统计系统的硬件部分，本文车流量统计硬件系 统主要建立在t m s 3 2 0 d m 6 4 3 7 处理器的基础之上。在v i s u a lc + + 环境下编程实 现了跟踪的各个环节后，在t m s 3 2 0 d m 6 4 3 7 平台上，移植并优化了人脸跟踪 算法，构成了一个完整的车流量统计算法系统。 第五章总结与展望 总结本文的主要研究成果及展望未来需要做的工作。 第二章背景更新及运动目标分割 考虑到背景差法的诸多优点，上一章已进行相关介绍，因此本文选择背景 差法进行运动车辆分割，考虑到背景差法的算法性能优劣与背景帧图像更新密 切相关，因此如何进行背景更新将是本章讨论的重点之一，同时在背景差法的 基础上如何完整有效的分割出运动车辆供后续车流量统计处理，也是本章讨论 的重点之一。 本章分为两大部分，第一部分首先介绍一些常见的背景更新算法，如平均 值法，基于块特征的背景更新算法以及基于高斯模型的背景更新算法等，然后 本章重点介绍了基于背景掩码的背景更新算法，该方法主要利用背景差法和帧 差法提取m a s k ，利用m a s k 来更新背景。另一部分围绕如何在背景差法的基础 上有效分割运动目标上展开讨论，在比较分析常见分割方法优劣后最后提出自 己的解决方案，即基于连通域的两轮扫描法。 2 1 背景的更新 2 1 1 背景更新算法综述 ( 1 ) 平均值法 平均值法比较简单也容易理解，对一段连续视频图像序列相加求和再做平 均，得到的图像近似背景图像，平均值法的更新公式为： 1 ，一1 b ，( x ，y ) = = ，( x ，y ) + ! b ，一l ( x ，y )( 2 1 ) )j 其中召，( x ，y ) 表示第帧像素( x ，y ) 处的背景像素值，z j ( x ，y ) 则表示第川贞当 前像素( x ，y ) 的像素值，平均值法容易实现，算法简单，运算量小，比较适合实 时视频处理系统，但也存在方法单一，不能有效更新背景的缺点。 ( 2 ) 基于块特征的背景更新算法 h el i w e i 和z h a n gz h e n g y o u 提出基于块特征的背景更新算法【14 1 ，该方法 不同于传统处理方式，一般背景更新都是基于像素点进行逐行扫描并进行更新， 而该方法将图像划分为多个块，以块为单位进行比较、分析和更新处理，引入 特征相似度的概念，以此为依据判断当前目标块是否属于背景块即静止块。实 现背景更新的目的。 基于块特征的背景更新算法具体是将每一帧视频图像划分为小块处理，通 过式2 2 与式2 3 来作为目标块的特征参数，即块特征，这两个块特征参数主 要是由两个目标块的均值和方差组合而成，能够衡量两个目标块之间的差异程 度，具体如下： 9 ncc=嘉(，j一酗一_)n一i 一1 m d i s ：| - 躲o = 1 i _ v 口十 ( 2 2 ) ( 2 3 ) n c c 和m d i s 均为在两个相同大小的块之间计算得到。式2 1 和式2 2 中 的7 ，7 分别代表块1 和块2 的均值，z 分别代表块1 和块2 的第i 个像素 的值，n 代表块中像素的个数，盯和盯分别是块1 和块2 的标准差，块1 和块 2 代表相邻帧两个对应块，n c c 反映的是块与块之间的相关程度，md i s 则是 马氏距离，n c c 数值越大，说明两个块之间的相关性越高，md i s 数值越小， 代表两个之间的差异也越小。当满足下列条件时，可认为这两个块之间不存在 变化： n c c n c ct 且md i s md i st ( 2 4 ) n c c t 和md i st 分别是n c c ，md i s 对应的阈值。 将当前帧图像各个块与背景帧对应块比较，若通过前面方法判断为不存在 变化，则认为当前块为背景块，把它填充到背景图像对应块，从而实现背景更 新的目的。 ( 3 ) 基于高斯混合模型的背景更新算法 高斯模型基于概率对每个像素点进行建模【”】，具体思想认为背景图像各个 像素点像素值的变化是符合数学概率高斯分布，基于这一思想，该方法对每个 像素点分别建立高斯模型，并随着视频图像序列的不断处理实时更新完善各个 高斯模型，以最大限度描述各个像素点的实际特征状态，而背景像素点与前景 像素点的分离是通过与之前建立的背景高斯模型进行匹配比较来实现的。 首先需要对每一帧视频图像各个像素点建立高斯模型，比如t ( x ，y ) 的概 率模型为： 尸( ) = 刁( ，z , ，岛) ( 2 5 ) 其中刁与毛是高斯模型的期望和均方差，是高斯概率密度： 1 一! 生二丝! 1 7 7 ( ，占) = e 2 8 ( 2 6 ) 2 n q 占 当到下一帧视频图像到来后，使用新的像素值来对高斯模型进行一下更 新： 以“= ( 1 一口) 鸬+ 口+ i( 2 7 ) 1 = ( 1 一口) 一+ 口( + l - , u t + 1 ) 2 ( 2 8 ) 参数口可以调整高斯模型更新的速度，这可根据实际情况调整处理。 当背景高斯模型更新后，需要判断当前帧各个像素点是前景还是背景像素 点，这要求每个像素点与背景高斯模型匹配，具体方法利用式2 9 ，若该像素 点像素值满足式2 9 ，则判断该像素点为背景像素点，反之为前景像素点。 l o k l 一肛+ l i r o ；i ( 2 1 8 ) l u ，e l s e ； 肌砒疗一肌州圳： 1 i f l f , ( x , y 2 、一掣量力观；i ( 2 1 9 ) l u ，e l s e ； 式2 18 与式2 1 9 主要通过背景差法与帧差法分别获得o b j e c t m a s k 与 m o t i o n m a s k ，最后通过式2 2 0 获得m a s k ： m a s k = m o t i o n m a s k & o b j e c t m a s k( 2 2 0 ) 然后通过在m a s k 区域采样c b 和在非m a s k 采样只，我们可以获得实时背景 图像i b ( i n s t a n t a n e o u sb a c k g r o u n d ) 如式2 2 1 ： 啪，- 篡翁篙端 亿2 ， 最后背景图像被更新为c b 与阳的加权和： c b = 口i b + ( 1 一口) x c b( 22 2 ) 权值口本文设置为经验值0l ，圉21 为实时背景培计算的流程图。通过提 取背景掩码的方式最终实现背景更新。 醋21 实时背景图像的计算流程图 其中，在提取背景掩码m a s k 过程中，我们使用了闽值e 与t ，为了提高该 算法性能，我们使用基于灰度直方图的自适应阐值方法【】。 当我们获得目标帧图像( 经过式2 1 8 和式21 9 计算后的图像) 后，首先 需要获得该图的灰度直方图： 坐 n = q ，只o ，p i = 1 ，i = ( 1 ，2 2 5 5 ) ( 22 3 ) i = 1 其中i 为像素灰度值，本文所处理的图像灰度值处于【1 ，2 5 5 1 ，分为2 5 5 个等 级，n 为目标图像像素点总数，一为目标图像中像素灰度值为f 的个数，b 表示 灰度值i 在目标图像出现的概率通过这种方式建立了灰度直方图，然后计算 公式2 2 4 与22 5 得到自适应闺值k ( 具体证明请见文献 1 8 ) 。 咖，= 嬲 j r 2 。0 愁露( t ) l t 其中 所= 一( 工) = 碱，( t ) = e p ,，声( 女) = 帆。 j lf li = t 1 2 ( 22 4 ) ( 22 5 ) 2 2 运动目标分割 2 2 1 常见的运动目标分割算法 通过背景减法将视频图像中的运动区域与背景区域分离后，进一步进行二 值化处理、形态学滤波后，需要准确分割各个运动区域，以获取各个运动区域 的特征信息，如大小、位置、矩特征等数据，各个运动区域实质是独立的连通 域，因此分割运动区域转化为提取各个独立连通域，在图像处理中，连通