（计算机软件与理论专业论文）多ccd相机实时动态检测机车超限.pdf

a b s t r a c t ab s t r a c t r a i l w a y , t h e a r t e ry o f t h e n a t i o n a l e c o n o my , i t s t r a n s p o rt s y s t e m a ff e c t s t h e s a f e t y o f s o c i a l p r o d u c t i o n , s o c i a l l i f e a n d s o c i a l s t a b i l it y d i r e c t l y . t h e t r a i n o u t - o f - g a u g e d e t e c t i n g s y s t e m , a s o n e o f t h e m o s t i m p o r t a n t e q u i p m e n t t o p r o t e c t t h e s a f e t y o f r a i l t r a n s p o rt , p l a y a n i m p o r t a n t r o l e i n p r e v e n t i n g t h e i r r e g u l a r l o a d i n g a n d a v o i d i n g a c c i d e n t s . i n t h i s p a p e r , w e s p e c i f i e s a p r e c i s e a n d e f fi c i e n t d e t e c t i n g s c h e me , t h i s s c h e m e , w h i c h i s c a l l e d a c t i v e - o b j e c t - c a s t , i s d e s i g n e d b y t a k i n g a d v a n t a g e o f t h e f e a t u r e s o f t h e i n c o m i n g i m a g e . a t t h e s a m e t i m e , w e d e s i g n e d a n o t h e r s c h e m e c a l l e d s o f t p r e d i c t t o f i l t e r t h e s h a d o w i m a g e s . t h e s e p r o g r a m s a l s o i n v o l v e d me i n t o a n i n - d e p t h s t u d y o f t h e re l e v a n t t h e o r e t i c a l k n o w l e d g e . t h e p a p e r p r e s e n t s t h e b a s i c k n o w l e d g e a b o u t t h e o u t - o f - g a u g e , s t a t e s t h e o u t - o f - g a u g e d e t e c t i n g s y s t e m a c h i e v e d , a n d a l s o s p e c i f i e s t h e a p p l i c a t i o n o f t h e a c t i v e - o b j e c t - c a s t i n t h e c o r e m e a s u r e m o d u l e . i mi t a t i n g t h e r e al p r o c e s s o f t h e d e t e c t i n g s y s t e m , w e d e s i gn a s o ft w a r e w i t h mf c , w h i c h i s c a l l e d b g d e t e c t o r . t h e s o f t w a r e c a n b e u s e d i n a l a b o r a t o ry e n v i r o n m e n t t o t e s t t h e al g o r it h m i n a s p e c t o f r e a l - t i m e a n d a c c u r a c y , i t s r i c h i n t e r f a c e p a tt e rn m a k e s i t e a s y t o e x p a n d t h e p r o g r a m w i t h o t h e r m e a s u r e m e n t s , a n d e v a l u a t e t h e p r o s a n d c o n s o f e a c h . wi t h t h e e x p e r i m e n t al r e s u l t s , w e e v e n t u a l l y e m b e d d e d t h e a c t i v e - o b j e c t - c a s t t e c h n o l o g y i n t o t h e o u t - o f - g a u g e d e t e c t i n g s y s t e m , a n d s o ft w a r e s i n t e g r a t e d t e s t i n g p r o c e s s h a s b e e n d o n e . k e y wo r d s : o u t - o f - g a u g e d e t e c t i n g , a c t i v e - o b j e c t - c a s t , s o ft p r e d i c t , m e a s u r e 南 开 口 冤 学 学 位 论 文 电 子 版 授 权 使 用 协 1 义 请将此协议书装订于论文首页 ) f-, + 1 4 c uj * 704 % -?t v c r .， 系 本 人 “ 南开大学工作和学习期间创作完成的作品，并己通过论文答辩。 木人系木作品的唯一作者 ( 第一作者)，即著作权人。现本人同意将本作品收 录于 “ 南开大学博硕士学位论文全文数据库”。本人承诺:已 提交的学位论文电子 版与印刷版论文的内容一致，如因不同而引起学术声誉上的损失由 本人自负。 本人完全了解 南开大学图书馆关于保存、使用学位论文的管理办法。同意 南开大学图书馆在下 述范围内免费使用木人作品的电子版: 木作品 呈交当年，在校园网上提供论文日 录检索、文摘浏览以及论文全文部分 浏览服务 ( 论文前1 6 页)。 公开级学位论文全文电子版于提交1 年后， 在校园网上允 许读者浏览并下载全文。 注:本协议书对十 “ 非公开学位论文”在保密期限过后同样适用。 院系所名称: 作者签名: a 奔 2fj 学号 : 日 期 :)t o了 年 “6日 南开大学学位论文版权使用授权书 本人完全了解南开大学关于收集、保存、使用学位论文的规定， 同意如下各项内 容:按照学校要求提交学位论文的印 刷本和电 子版 本;学校有权 保存学位论文的印刷本和电子版， 并采用影印、 缩印、 扫描、 数字化或其它手段保存论文; 学校有权提供目 录检索以 及提供 本学位论文全文或者部分的阅览服务; 学校有权按有关 规定向国家有 关部门 或者机构送交论文的复印件和电 子版; 在不以赢利为目 的的前 提下，学校可以 适当复制论文的部分或全部内容 用于学术活动。 学 位 论 文 作 者 签 “ : 麟ij 间 年6 月乙日 经指导教 师同 意，本学位论文属于保密，在年解密后适用 本授权书。 指导教师签名:学位论文作者签名: 解密时间:年月日 各密级的最长保密年限及书写格式规定如下: 内部5 年 ( 最长5 年，可少于5 年) 秘密1 0 年 ( 最长1 0 年， 可少 于 1 0 年) 机密2 0 年 ( 最长2 0 年，可少于2 0年) 南开大学学位论文原创性声明 本人郑重声明: 所呈交的学位论文， 是本人在导师指导下， 进行 研究工作所取得的成果。 除文中己 经注明引用的内 容外， 本学位论文 的 研究成果不包含任何他人创作的、 己公开发表或者没有公开发表的 作品的内 容。 对本论文所涉及的研究工作做出 贡献的其他个人和集 体， 均己在文中以明 确方式标明。 本学位论文原创性声明的法律责任 由本人承担。 学 位 论 文 作 者 签 名 : il l li 叫 年 ” 日 第一章导论 第一章 导论 c c d摄相机的 使用结合图像识别技术目 前正应用于各个领域，特别是对单 幅图像进行分析处理，在当前的安全监控领域有很广泛的应用。本文针对一套 应用于铁路超限 检测的安全监控系统， 来讨论分析当前安全监控系统如何对静 态图像进行分析以 找到安全隐患，并提出了 一套自已 的图像处理分析方案。此 外，由于应用于铁路超限检测的安全监控系统对图像处理速度及精度要求更为 严格，且对于铁路部门的安全生产而言影响重大，因此如何更快更准地获得图 像的分析结果也 成为 基于c c d 相机的 安全监控系统领域一个非常具有实用价值 的研究范畴。 第一节 论文背景的介绍与问题提出 研究背景 铁路是国民经济的大动脉， 铁路运输的安全，不仅关系到铁路部门本身的效 率和效益，而且直接影响到社会生产、社会生活和社会安定。目前我国铁路货 车车辆装载超限情况的检查，手段单一，设各简陋， 传统上主要依赖人工测量 与观察，对货物装载状态的测量只限于静态，即采用检查人员分别在每节车厢 左、右、上部进行检查，依靠人工目测和经验判断，并且必须是在列车停止运 行情况下进行，对检查人员的工作经验有较高的要求，整个检查过程需要耗费 很大的人力;对于运行状况下的动态检查更是无能为力;此外也存在着精度不 高、容易漏检等缺点。 铁路列车超限检测系统作为保障铁路运输安全的重要设备之一， 对于现场发 现并纠正列车超宽、 超高等超限 现象，避免事故发生，发挥着重要的作用。及 时将现场采集的数据进行集中处理，上报给车站、分局、路局和铁道部的运输 管 理部门，以便管理部门掌握列车 装载的 情况，分析各种不安全因素，及时采 取对策，有助于从制度上、根本上杜绝超载事故的发生，保证铁路运输的安全 畅 通 ， 。 该系统适用于分界口站和编组站，实现对货车的在线检测和装载状态的监 第一章 导论 视。 实现货物列车 特别是平车、 敞车运行过程中 货物装载状态的 有序控 制。采 用 c c d( 电荷祸合器件)固体 摄像机空间 摄影测量 和图 像测量技术与计算机技 术结合，实现对货车装载状态的监视和超限情况的动态测量。 2 问题提 出 当前大多数超限检测系统中，对于超限物的检测都是基于一个特定的背景 ( 黑白 条码的背景板) 。前期通过人工 标定的手段，确定 检测区 域及背景板的纹 理， 然后通过对纹理的扫描来计算采集图像中超限 物对黑白 条码的遮蔽 程度， 以此来计算超限值。 此方案的缺点在于，抗干扰能力差，对外界 自 然环境的变化过于敏感。在背 景条件良 好时，效果比 较理想， 可以 满足超限检测的 要求; 然而由于黑白 条码 背景板放置于室外，受人为及自 然因素 影响较大。 特别是对左、 右两侧的超限 检测而言， 背景布置于地面， 极容易 被污染或覆盖， 严重地影响了测量的准确 性。因此迫切地需要一种新的运动物体检测方案来减小测量结果对背景板的依 赖。 如何在无背景或抗干扰能力 较强的背景下更准确地实 现运动物体地检测， 是本系统设计的一个难点。 特别是室外的工作环境， 受到了自 然条件变化的影 响，如阴影变化、雨雪天气等都加大了运动物体检测的难度。同时由于铁路安 检的 性质， 决定了 其对检测精度的要求比较高。对于细小 物体 ( 如 8 m m铅丝 ) 而 言，特征很难提取，不恰当的预处理方案还会损失大量有用的信息，对测量结 果造成大的影响，也进一步加大了检测难度。 本系统的另一个难点在于动态阴影对超限检测造成的干扰。列车经过时， 大面积的动态阴影在图 像上留下的痕迹与运动物体 有很大的 相似度，造成了 大 量的 超限误报，极大地影 响了检 测系统的准确性。 我们需要一种预判机制来将 采集到的图像进行分类，提前感知到由大面积的动态阴影所造成的误报图像， 并进行过滤。这样一方面可以减轻测量模块的负担，另一方面也可以有效地减 少此类误报。 在本文讨论的系统中，还涉及到多个c c d相机实时地协同工作的问题，但 由于每个相机对应了机车各个不同的超限部位，因此不属于多目立体测量的研 究范畴。多相机实时测量的难点在如何制定采集与测量方案，以确保对于每一 第一章导论 节列车的每一个超限部位都可以被检测到，并且在有超限的情况下，可以将超 限图片保存下来，而且保存的过程不能对下一次的测量过程产生影响。 第二节 技术综述 1 . 2 . 1铁路超限监控系统的发展现状 铁路超限检测系统有多种实施方案，例如有基于红外线光电传感器在货车 超限上部检测中的应用， 其检测精度为2 0 m m， 尚不能完全满足电化局段对上部 超限检测的要求;基于激光技术研制的超高检测装置， 其精度虽然可以达到 3 m m，可以满足对上部超限检测的要求，但利用此装置若同时实现货车的超宽 检测和三级断面超限检测，则有很大的难度，且造价昂贵;此外还有基于雷达 测距，激光雷达测距等检测方案等。与上述这些方案相比，基于c c d相机的图 像分析处理技术方案在性价比方面显现 出了极大的优势，并且基于该方案的超 限检测系统在软件方面有很大的提升空间。 1 . 2 . 2 图像处理技术 本文中 所提出的 运动物体检测方案， 用到多项图像处 理技术 2 ， 如图 像压缩、 轮廓提取、边缘检测、频域滤波、分水岭算法等。随着计算机软硬件的不断发 展，图像处理的技术也在不断的成熟和完善。然而如何将这些成熟的技术组合 起来，更好地为社会生产服务，也是一个很有价值地研究范畴。对于铁路超限 检测系统而言，要求对运动物体的检测要独立于背景或依赖于一个抗干扰能力 强的背景，这样就可以使得工作在室外的检测过程，受自然条件变化及人为污 染行为的影响较小。这些无疑都增加了运动物体检测的难度，特别是对于细小 物体( 如 s m m铅 丝) 的检测， 其特征 难以提取，不恰当的 预处理方案很容易丢失 图像中有价值的信息，也进一步加大了检测难度 1 . 2 . 3 对于动态阴影图片的预感 列车经过时，大面积的动态阴影在图像上留下的痕迹与运动物体有很大的 相似度，造成了大量的超限误报，极大地影响了检测系统的准确性。这里我们 第一章 导论 结合数据挖掘中分类的概念，提出了一套基于改进的贝叶斯算法的 “ 软预判” 方案，该方案用于将输入图像进行提前分类，针对不同的类别进行不同的处理， 从而有效降低阴影误报率。这个改进的贝叶斯算法，是指在贝叶斯算法的基础 上加入了增量学习策略，可以定时地更新样本集，从而提高我们预判机制的准 确率。在后面的章节中，我会对这个方案进行详细的描述. 第三节 本文内容组织 本文旨 在通过对铁 路超限 检测系统的 研究，以加强对超限货物的 检查和管 理为目 的，结合 现有图像处理技术， 提出了一套新的运动物体检测方案- - 一运 动物体剥离 ( a c t i v e o b j e c t c a s t ) 技术。 本文首先介绍了 机车超限理论的 核心基 础，介绍它的概念及要求:接着对 铁路超限检测系统的总体设计思想进行介绍:然后就实现中的各个技术难点展 开讨论，并就当前测量的不足，提出自已的改进测量方案;最后，结合 自已开 发的一个测试工具 ( b g d e t e c t o r ) ， 给出测量 方案实 验结 果，以 验证其在测量 效 率方面的提高。 本文的主要内容有五章. 第一章:导论。介绍研究背景、存在的问题，及一些研究现状，还有本文的 组织结构。 第二章:系统核心算法设计。结合铁路超限检测的实际情况，提出 a o c方 案的理论基础;同时 针对动态阴影的干扰， 给出了 一个基于贝叶斯分类的 解决 方案，我们称其为预判机制，并详细描述了该算法。 第三章:超限检测系统实现。本章介绍了整个系统及软件模型的设计框架， 同时 对采集、 测量、 存储等策略以及测量模块的类层次结构设计，都进行了比 较详 细的描 述。 在最后两 节中， 还给出了a o c测量方案 及预判机制的 具体实 现 算法。 第四章:系统测评与结论。设计系统测评方案，对实验结果进行分析验证， 分析 基于a o c 测量方案的超限检测系统与原有系 统的 优劣。 第五章:总结与展望。总结本文的研究内容，提出新方案不足，并提出将来 的改进方向，争取使其应用范围更为广泛。 第二章 系统核心算法设计 第二章 系统核心算法设计 第一节 重点难点问题分析 超限检 测系统，首要解决地问 题是实现运动物体的 全自 动分 割 3 ，基于变 化检测的运动物体分 割方法具有较高的计算效率， 得到了广 泛的研究。此类方 法首先根据连续两帧图像间的帧差，大体检测出运动物体的位置和形状，然后 结合空域分割 ( 如边缘检测、分水岭算法等) 修正边缘以实 现精确的运动物体 提取.但由于相机受震动偏移，或其它原因会导致两帧图像间的帧差产生大量 的噪音及运动物体的摆动，影响测量的准确性。一些文献提出了一种采用背景 记录更新的技 术和预测分水岭的算法相结合， 取得了 较好的 分离 效果4 ， 但仍然 存在以下的突出问题:如果没有准确的前景物体的分割，背景记录技术得到的 背景信息是不可靠的、不准确的，反过来又引起运动物体提取的不准确;同时 该算法中的预测分水岭算法的引入极大增 加了计算量， 实时 性效果差。本文采 用的方法是，利用 c c d相机对运动物体的百叶窗效应来提取动态物体， 将图像 投拓在一个固定大小的网 格上，然后 利用网格结点的差异度特征与 关联度特征 来计算超限值。 这样做的 优点是一 方面显著地减少了 数据量，另一 方面网 格结 点上包含了更为丰富的信息，这两点都为后期使用更为复杂的算法做了充分的 准备;在进行关联度特征提取时，本文给出了两种可行的算法，基于高斯型拉 普拉斯 算子的关联度特征提取和基于分水岭算法的关联度特征提取， 并详细描 述了两种算法的优劣。 其次， 在运动物体提取的 过程中， 动态的阴影与运动物体有较大的 相似度， 如何有效地去除此类误报也是本文讨论的 一个重点。我们必须采用一种有效的 机制来预先判定出这些 “ 伪运动物体” ，将此类图像归为预定的类别中，以便做 相应的处理。我的方案是采用改进的贝叶斯分类算法，通过样本集的训练，将 网格图像分为 “ 阴影有超限物” 、“ 阴影无超限物” 、“ 正常”三类;然后对未知 样本进行分析、归类，并做相应的处理以降低误报率。 超限检测系统的整体工作流程可如下图所示: 第二章 系统核心算法设计 图2 . 1超限检测处理流程图 由 此可见， 测量模块是整套检测系统的核心，测量方案的 优劣 也直接影响 到系统的性能。对于预判机制，目前比较有效的是基于光电传感器红外预判， 由 其感知到超限 物后再将对应图 像送入测量方案处理，得到精确的超限 值; 但 是针对有些检测部位不易实施红外预判装置的情况，我们设计实现了一套基于 贝叶斯分类算法的“ 软预判”机制，由“ 软预判” 对图像进行预先的分类， 然 后再 对各 类图 像分别做相应的 处理， 这个算法会在本章节中 有比 较详细的 描述。 本章节的一个重点描述内容是一套测量方案的算法， 这个方案是根据检测系统 所采集到的图像的成像特点设计出 来的， 我们称之为运动物体剥离技术( a c t i v e o b j e c t c a s t a o c ) e a o c对于运动物体的检测 过程可 如下图 所示: 第二章 系统核心算法设计 图2 . 2 a o c方案处理模型 下面我们就来详细描述测量模块中的这些核心算法。 第二节 运动物体剥离技术 传统的运动物体检测技术，如差分背景法，其缺点在于难于对前景物体进 行准确地分割，因此背景很难在短时间稳定下来;而引入的预测分水岭算法， 虽然可以较准确地描述物体的轮廓，但却极大的引入了计算量。下面我们来详 细介绍一下我所提出并实现的运动物体剥离技术。 2 . 2 . 1 算法概述 运动物体剥离技 术 ( a c t i v e o b j e c t c a s t , a o c ) 针 对以 上问 题，首先 构造出 一个映射关系 f ，将当前c c d相机获得到的图像映射到高维度的网格中，网格 结点向量r ( a l , s 2 , s 3 . . . ) 的输出 响应为: r ( i ) ， f ( 而 p n ) 其中p m . . . p n 代表与1 相关的 输入图 像的一个领域， 网 格结点 具有的 优点是 数据总量小， 但单 个结点 上含有更多的信息。图像与网 格间的转换必须做到: 第二章 系统核心算法设 计 尽量减少图像信息的 损失;可以显著减小经典算法的计算量。可以 采用双线 性 内 插 的 方式 在网 格 上 最大 程 度 地 拟 合 原图 像的 灰 度 值 2 )， 令认 ， ， y ) 代 表网 格 中 某一结点， v ( x y ) 表示该结点的灰度值属性，则对双线 性内 插来说: v (x , y ) = - + b y + c x y + d 其中 a , b , c , d 四个系数由点( x . y ) 的四个最近邻点 写出的4 个未知方程决 定。当 然， 还可以 使用更多的邻近点的内插， 但那将意味 着更为复杂的计算。 对于网格向 量的求取，如果只考虑对原图像的 拟合， 那我们的转换函数 f 就蜕变成了简单的图像收缩，除了灰度值外，没有其它有价值的信息。因此我 们可以观察一下由c c d相机拍摄的运动物体的成像特征来做进一步的处理。 2 . 2 . 2 成像特征分析 当被摄目 标处于静止状态时，c c d 摄像机的分辨率只要足够高，就应该能 摄到此分辨率基础上的清晰图像，比较有利于分析;当被摄物体处于高速运动 时的情况不像静态时那么简单，摄像机的电子快门速度是首先要考虑的指标。 因为，电子快门速度可以看成是对高速目标在空间监测点上出现频率的采样。 假如电子快门的速 度为1 / 1 0 0 0 0 s ， 那么 运动 速度为h m / s 的目 标在1 / 1 0 0 0 0 s 内 相 对镜头的移动距离为:h / 1 0 0 0 0 m 以时速为 6 5 k m / h的列车为例， 其移动距离即为 1 . 8 m m，由此可见，当时使 用高电子快门速度的摄像机时，运动目标相对于镜头可以认为是静止的。 在高速电子快门 下以p a l制式取像时， p a l 制式采用奇场和偶场的复合来 得到一帧完整的图像。它的帧频率为2 5 f / s ，场频率为 5 0 场/ s ，因此帧周期和场 周期分别为4 0 m s . 2 0 m s 。 也就是说， 一帧图像的相邻奇行和偶行的复合要间隔 2 0 m s 。让我们来看一下目 标以7 2 k m / h的速度运动时，2 0 ms 内它运行了多远: 了 砧 / 3 . 砂x0 . 0 2 - 0 .3 6 m 这个距离在我们的 检测系 统的范围之内 ( 铁路 超限检测系统的 在列车的运 动方向视场为 2 m) 。根据经验数据可知，机车在进入检货场时的速度不会超过 6 5 k m / h ，因此我们可以利用此种类型的图像做为样本进行分析。 2 . 2 . 3 差异度特征提取 由前一小节的分析可知，运动物体在图像上会呈现为一个奇偶场相交叠的 第二章 系统核心算法设计 虚影， 即百叶窗效应。而位于百 叶窗中的像素点的所在某个域内定 会存在一个 显著的灰 度落差，我们把这个落差定 义为 差异 度， 作为运动物体的第一特征 s 求取差异度时， 需要将网格投影在待处理图像中， 并在待处理图像中按网格 的各个 投影点上逐点地移动 掩模， 在网 格结点 所投影在图像上的每一点 ( x ,y ) 处，计算该点所在邻域内的最大灰度落差。如下图所示: 钾 像 厚 点 ;/门对巡 /一匕匕匕 掩 棋 图 2 . 3网格结点与原图像的映射图 该结点处的差异度 a ( x , y ) 为: a ( x , y ) = m i n ( a b s ( g ( i ) 一g ( i ) ) )( i笋 i ) 其中 i , j均为掩模内的像素点， g ( i ) 表示像素点 i 的 灰度值， 且像素点 i 和j 不在同一y 方向 上。 差异 度特征 的提取一方面可以 提取运动物体的第 一特征， 为下一步的物体分割做好准备;另一方面也可以有利地去除图像中的噪声，达 到了预处理的效果，但掩模的选取不亦过宽，否则会对图像造成过度的损伤。 第二章 系统核心算法设计 中黑色 点对应于函数中 低于平面s ( x . y ) = n 的点。 c - ( m d表示汇 水盆地中点的 坐标的 集合，这个盆地与在第n 阶段被淹没的 最小值 有关。 c . ( m d被看做 下式 给出 的二值图像: c . ( m j = c ( m , ) 1 7 t n 也就是说， 如果( x , y ) e c ( m j且 (x , y ) e t n ， 则 在位-w ( x i y ) 有g( m j 二 1 。 否 则 g口 叼= 0 . 接下来， 我们令口h 表 示在第n 个阶段汇水盆地被水淹没的部分的 合集: c 1 n j = u 1 c n ( m ) i =( 1一 r ) 然后令c l - + 1 1 为 所有汇水盆地的合集: c l - + 1 1 = u i c( m d i =( 1 刁 可以 看出 处于 c - ( m j 和 t i n t 中的元 素在算法执行期间 是不会被替换的，而 且 这两 个集合中的 元素的数目 与n保持同 步增长。因 此，c n - 刀是 集合c / n 了 的 子集， 而 c n 是 t n 的子集， 所以 n - 1 是 t n 的 子集。 也就是说，c i n - 1 1 中 的 每 个 连 通 分 量 都 是t / 可 的 一 个 连 通 分 量。 找 寻分水线的算法开始时设定c i m i n 十 1 1 二t / m i n 十 1 1 。 然后算法进入递归调 用， 假设在第n时， 已 经构造了c / n - 1 1 。 根据q. 刀 求 得c 1 n 的 过程如下: 令q 代 表动叮 中 的 连 通 分 量 的 集 合。 然 后 ， 对 于 每 个 连 通 分 量q e b n 1 有 下 列3 种 可能性: a ) q n c ( n - 1 为 空。 b ) q ( 1 c n - 刀包 含 n - 1 仲 的 一个连通分量。 c ) q n c l n - i p , 含 物一 刀多 于一个的连通分量。 根 据 c i n - 刀 构造c n 1 取决于 这 3 个条 件。当 遇到一个新的 最小值时符合条 件a ， 则 将q 并 入动.一 刀 构 成动j 。 当q 位 于 某 些 局 部 最 小 值 构 成 的 汇 水 盆 地中 时， 符 合条件b ， 此时 将4 合并入c / n - 刀 构成 / n ) 。 当 遇到全部或部分分离两个 或更多汇水盆地的山脊线的时候，符合条件 c 。进一步的注水会导致辞不同盆地 的水聚 合在一起， 从而使水位趋于一 致。因 此， 必须在 q内建立水 坝以阻 止盆 地内的 水溢出。 通过使用一 个 3 * 3 的结 构元素膨胀q / 7 c j n - 1 ) ， 并且使 这种 膨胀 限制在9 内， 就可以 构造出一条一 像素宽 度的水坝。 根据b 阮 .)的 直方图，可以确定 相应阶段的n 值及其最小值和最大值。分 水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变 化，都会产生过度分割的现象。但同时应当看出，分水岭算法可以保证得到封 第二章 系统核心算法设 计 闭的连续边缘。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域 特征提供了可能。 为了消除过度分割的现象，可以 采用如下方法: 用闺值限制梯度图像以 达 到消除灰度值的微小变化产生的过度分割，获得适量的区域，再对这些区域的 边缘点的灰度级进行从低到高排序，然后在从低到高实现淹没的过程， 梯度图 像用s o b e l 算 子 计 算 获 得 71 。 对 梯 度图 像 进 行 阐 值 处 理 时 ， 选 取 合 适的 闭 值 对 最 终分割的图 像有很大影响， 因此阐 值的选取是图像分割效果好坏的一 个关键。 与前 一种基于l o g 算子的关联度特征提取算法相比 ，该算法的优点 是， 对于 关联度特征的描述更为准确，得到的边缘与真实的 物体的形状更为吻合;相比 之下， 基于 l o g算子的关联度特征提取算法在描述物体的边缘时 会有一 些 “ 毛 刺”出现，对最终的超限检测结果产生轻微的影响。这是由于网格中含有微弱 的边缘，灰度变化趋势不明显所导致的:使用分水岭算法时，只要选择了恰当 的梯度闽值就 可以 避免 “ 毛刺” 现象。 然而， 基于分水岭算法的缺点也比较明显，虽然将原始图像映 射到网格上 后，己经显著地减少了数据量，但分水岭算法中的多次迭代还是消耗了太多的 c p u 时间， 实时处理能 力欠佳; 而基于l o g 算 子的算 法， 尽管在描述边 缘时 会有 轻微的抖动，但并没有对检测结果造成明显的影响:同时在处理上它只需要对 l o g 算子进行卷 积运算， 所以更符合实时 处理的 要求。 综上考虑，我们 在实际操作中 选择了 实效性更强的 基于 l o g算子的关联 度 特征提取方案。提取了关联度特征之后，再结合网格的边沿， 使用一个简单的轮 廓提取的算法即可准确定位运动物体的超限值。 第三节 基于改进贝叶斯分类算法的预判机制 贝叶斯分类算法具有简单实用、计算高效的优点，并具有坚实的数学理论 基础和丰富的概率表达能力，所以被广泛地应用到各种分类实现中。这里我们 将利用贝 叶斯算法来实 现一个预判机 制以 预测阴 影 6 ， 同 时分析朴素贝 叶斯算法 的缺限与不足，并加以改进，从而提高预判机制的准确度。 第二章 系统核心算法设计 2 .3 . 1算法概述 朴 素贝 叶 斯 分 类 算 法 每 个数 据 样 本 用n 维向 量x = (x l , x 2 , . ,x n ) 表 示， 其 中 x l , x 2 , . . . ,x n 是n 个属性a , a 2 , ， 二 ， a n 的具体取值。 在这里， 这些属性就可以 看做是由 各个图像所 映射出的网 格结点。 假定有m个类别， c = ( c i , c 2 , . . . , c m ) , 这里m取 3 ，即c i =阴影且 有超限 物、 c 2 =阴影且 无超限 物、 c 3 = 正常图像。 现给定一个未知的 数据样本x ( 即 没有类别标签) ，通过当前已有类别标签的样本 集，预测出x 属于具有最高后验概率 ( 条件x 下) 的 类。即 (x = ( x l , x 2 , 二 ， x n ) , c i) ( 1 = i p ( c k 】 x ) 1 = g , k ) 0 时， 表示新加 入的x t 强化了 原实 例x d 的 类别， x d 的敏感度 变小。 2 ) . 当 40 d 一0 时，表 示新加 入的x t 对原实例x d 没 有影响。 x d 的敏感度不 变。 2 ) . 当 4 0 d 0 时 ， 表 示 新 加 入 的x t 弱 化了 原 实 例x d 的 类 别。 x d 的 敏 感 度 变大。 我们必须保证x t 与d中元素有较好的吻合性，因此我们必须有选择性地更 新训练集，将乙o d没有较大变化的新实例加入到训练集 d中。 2 . 3 . 3 算法实现 取得原有历史数据做为训练样本，对每一幅图像均做网格化处理，处理完 成后我们取结点的三个属性( 二维坐标值和差异度值) 。 假设网格共有m个结点， 则每幅图像都可表述成为一个网格集合 g r i d s e t 一 ( ( x l , y l , a l ) , ( x 2 , y 2 , a 2 ) , . . . , ( x m , y m , a m ) ) 集合元素中 ，a 表示差异度。差异度的 取值是0 到2 5 5 ， 我们可以 将这2 5 6 取值划分为2 6 个空间，分别映射到2 6 个字母上，并 用这2 6 个字母做为a 的 取 值范围。 1 ) . 收集历史图像 所映 射的网 格数 据， 建立样本集c 1 ( 阴影有超限 物体) 、 c 2( 阴影无超限物体)和 c 3( 无阴影即正常图像) 。 2 ) . 提取网格集合中的 元素作为t o k e n ， 并统计提取出的t o k e n出 现的 次数即字频。按照上述的方法分别处理样本集c 1 . c 2 . c 3中所有的样本数据。 3 ) . 每一 个样本集 对应一个哈希表， h a s h s h a d e w i t h o b j 对 应样本集c i 即 阴 影有超限物集合， h a s h s h a d e w i t h o u t o b j 对应样本集 c 2 即阴影无超限 物集合， h a s h n o r ma l 对应样本集c 3 即无阴影集合。 表中存储t o k e n到字频的映射关系。 4 ) . 计算每个哈希表中t o k e n出 现的 概率 第二章 系统核心算法设计 p =( 某t o k e n的 字频) / ( 对应哈 希表的 长度) 5 ) . 综合考虑h a s h s h a d e w i t h o b j . h a s h s h a d e w i t h o u t 及 h a s h n o r m a l ，推断 出当新来的网格集合中出现某个 t o k e n 时，该网格集合属于这三类集合的概 率。数学表达式为: a事件一 网 格集合属于阴影有超限物集合; b事件一 网格 集合属于阴 影无超限 物集合; c事件一 网格集 合属 于无阴 影集合; t l ,t 2 . . . . . . . t n 代表t o k e n ; 则p ( a lt i ) 表示在网 格集合中出现t i 时， 该网 格集合属于阴影有 超限 物集 合的概 率;同理p ( b lt i ) 和p ( c it i ) 分别表示该网 格集合属于阴影 无超限 物集 合的概率与该网格集合属于无阴影集合的概率。 假设: p 1 ( t i ) =( t i 在h a s h s h a d e w i t h o b j 中的 值) p 2 ( t i ) =( t i 在h a s h s h a d e w i t h o u t o b j 中的值) p 3 ( t i )=( t i 在 h a s h n o n n a l 中的值) 则: p ( a lt i ) = p 1 ( t i ) / ( p i ( t i ) + p 2 ( t i ) + p 3 ( t i ) p ( b lt i ) = p 2 ( t i ) / ( p 1 ( t i ) + p 2 ( t i ) + p 3 ( t i ) p ( c lt i ) = p 3 ( t i ) / ( p i ( t i ) + p 2 ( t i ) + p 3 ( t i ) 6 ) . 建立新的哈希表 h a s h p r o s h a d e wi t h o b j 存储t i 到p ( a lt i )的 映射;同 理可建立新的 哈希表h a s h p r o s h a d e w i t h o u t o b j 和h a s h p r o n o n n a l 分别用于存储 t i 到p ( b t i ) 和p ( c lt i ) 的映 射。 7 ) . 至此，三个样本集的 学习 过程结束。 根据建立的三个哈希表: h a s h p r o s h a d e w i t h o b j . h a s h p r o s h a d e wi t h o u t o b j . h a s h p r o n o n n a l 可以 估计一幅 新的图像属于某个集合的可能性。 下面我们举个例子来求取一幅新图像属于无阴影集合的概率:当新采集到 一幅图 像后，先将其映射为网格集合， 然后按照步骤 2 )生 成 t o k e n 。查询 h a s h p r o n o r ma l 得到该 t o k e n 的值。一个网格图像一定由以下 m个 t o k e n 组 成 ( 11 ( (x 1 , y l , a l) ) , t2 (x 2 , y 2 , a 2 ) ,.,.tm (x m , y m , a m ) ) , h a s h p ro n o rm a l 中 对 应 的 值分别为p i , p 2 ， 二 ， p m , p ( c lt l , t 2 , t 3 . . . . . . t m ) 表示在网 格集合中同 时出现t o k e n ( t l , t 2 . . . . . . . t m ) 时， 该网 格集合所对应图像属无阴影集合的 概率。 第二章 系统核心算法设计 由复合概率公 式可得: p ( c lt l ,t 2 , 0 二 ， . . . t m ) =( p l p 2 . . . p m) / p * p 2 * . . . p m +( 1 - p 1 )* ( 1 - p 2 ) 今 甲 ， . ，( 1 - p m) 同 理我 们可以 分别计算当p ( a lt l , t 2 , t 3 . . . . . . t m ) 和p ( b ld , t 2 , t 3 . . . . . . 1 m ) ， 取其 中的最大值，以判定该图像属于哪一个集合。 最后我们还可以根据增量学习策略，定时地更新样本集，以提高我们预判 机制的 准确率。 更新样本集的过 程可分为以 下几个步骤: 1 )从数据池中 随 机选择m幅图像，这m幅图 像做为 测试样本集t . 2 )对于x t = ( x t l , x t 2 , . . . , x t n ) e 1 ， 我们已 经 通过原始训练样本集判断出其 类别标签c t ， 即 ( x t =( x t l , x t 2 , . . . , x t n ) , c o 并且有 b t 一 m a x (p ( v c i x t ) ) 一 p ( c t i x t) ( v c e c , b 为类型支持概率 ) 由于x t 的 类别标签是由 原训练集d学习 预测得来 ， 有一定的不确 定性， 所 以 我 们必 须 选 择 a o d i 最 小 的x t 来 加 入 到 训 练 集d 中。 3 )对原始训练 集d中的所有元素计 算】 a b d i， 令d = d + ( (x t , c t) ) ， 原d中 某一元素 ( x d= ( x d l , x d 2 ， 二 , x d n ) , c d ) , b d = p ( c d i x d ) ( 当x t 加入 后， 在 d冲， 元素保持不变， 为( x d , c d ) , 类型支持概率变为b d , 6 0 d = b d - b d . 重复 计 算d 中 的 所 有 元 素 的 ,6 0 d l， 并 令 s u m d is (t ) =e . ( ia b d . 1) s u m d i s ( t ) 是与x t 相关。 4 )重复3 ) ， 直到得出t 中所有的元素s u m d i s ， 然后取与 最小的n 个s u m d i s 对应的x t 加入到原始训练集d中， 形成新的样本集。 至此， 更新样本 集的过程结束。 第四节 实验结果与分析 下面给出了 基于a o c测量 算法的 实验结果，以 此来分析算法在准确度及复 杂度方面的可行性。对于系统的改进升级，完善、合理的评测方案也是非常重 要的。一方面，它可以来评价各测量算法的优劣:另一方面也有利于发现我们 在实现过程中的遗漏。 关于 a o c与旧有测量算法的性能比较，我会第四章中 第二章 系统核心算法设计 给也更为完备的数据，本节只根据实验结果，来分析 a o c测量算法准确性与实 时性是否满足超限检测系统的要求。 2 . 4 . 1 a o c测量算法满足实时性的实验结果分析 在货车运行过程中 ， 通过c c d摄像机实时 采集货车 各个角度的图像， 并进 行解算， 对有问 题的图 像进行存储以 便以 后查询。采集 卡最快采集速度为4 0 m s 采集