（计算机应用技术专业论文）基于视频的交通状态分析研究.pdf

西华大学学位论文独创性声明 作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究 工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外， 本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请 学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献 均已在论文中做了明确的说明并表示了谢意。 若有不实之处，本人愿意承担相关法律责任。 学位论文作者签名： 日期州1 6 弋 指导教师鲐形吻哼 日期7 i ，多f i 西华大学学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，在校 攻读学位期间论文工作的知识产权属于西华大学，同意学校保留并向国家 有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅，西 华大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采 用影印、缩印或扫描等复印手段保存和汇编本学位论文。( 保密的论文在解 密后遵守此规定) 学位论文作者签名： 日期圳l 6 弋 、指导教师张、- 伊哆嘭 日期易i 多11 f 西华大学硕士学位论文 摘要 为了适应和解决地面交通快速发展所带来的各种交通问题，交通情况的综合分析即 智能交通系统的研发被提到了重要的位置。远动车辆的检测及跟踪被作为智能交通管理 系统( i t s 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 ) 中重要的组成部分，成为众多科研机构的 研究热点。本文针对i t s 中的关键技术，对基于视频的地面交通情况中的车辆跟踪和检 测的相关问题进行研究，并在此基础之上对交通状态进行判定。 本文是在对视频中运动车辆检测和跟踪的基础上，讨论交通状态的判定方法，分析 并研究了交通状态的判定条件，并根据参考文献提出了具体判定方法，并给出相应的实 验过程和结果。本文所进行的研究包括以下几个主要方面：首先是根据先验知识对视频 中感兴趣区域进行划分，在车辆运动检测算法中，本文采用混合高斯模型对背景进行重 构，研究了文献【3 5 】中的基于高斯模型的阴影检测和去除算法，并把该算法应用于本文 中的阴影去除，根据实验结果效果比较理想。 在对运动车辆检测后，利用形态学处理在检测过程中检测图片出现的噪声；再次利 用最小矩形对检测结果进行标记。在对运动车辆的跟踪算法中，本文采用基于k a l m a n 滤波的跟踪算法。在建立跟踪模板时使用k a l m a n 滤波器对模板中的每一个像素值进行 修正，从而得到一个更加柔和、合理的模板。基于k a l m a n 滤波器的跟踪对光照变化和 目标姿态、遮挡都表现出良好的鲁棒性。 在对车辆检测和跟踪的基础上，分析并研究了该道路在某个时刻运动车辆的具体情 况，来判断交通状况，比如拥堵、畅行、以及车流量大小等。同时本文中也提出具体的 检测和跟踪的方法，并给出实验结果。通过实验结果显示，说明上文中用于运动车辆检 测和跟踪的算法夺交通状态分析中具有可行性。 关键词：车辆跟踪；混合高斯模型；阴影消除；卡尔曼滤波 基于视频的交通状；奄汾析应用研究 a bs t r a c t g r o 咖1 dt r a n s p o r t a t i o ni no r d e rt om e e tt h er a p i dd e v e l o p m e n ta n dr e s o l v ea 1 1t r a f f i c p r o b l e m sc a u s e db yt r a f f i co fac o m p r e h e n s i v ea n a l y s i st h a tt h ed e v e l o p m e n to fi n t e l l i g e n t t r a n s p o r t a t i o ns y s t e mi sr e f e r r e dt ot h ei m p o r t a n tp o s i t i o n r e m o t ev e h i c l ed e t e c t i o na n d t r a c k i n gs y s t e mi nt h ei n t e l l i g e n tt r a f f i cm a n a g e m e n ts y s t e mi su s e da s ( i t s ) i nt h ei m p o r t a n t p a r t , 豁t h er e s e a r c hf o c u so fm a n yr e s e a r c hi n s t i t u t i o n s i nt h i sp a p e r , t h ek e yi t st e c h n o l o g y , r e s e a r c ha n dg r o u n d - b a s e dv i d e ot r a f f i ci n t h ev e h i c l et r a c k i n ga n dd e t e c t i o no f r e l a t e di s s u e s t h i sa r t i c l ei si nt h ev i d e oo nt h eb a s i so fv e h i c l ed e t e c t i o n ，v e h i c l et r a c k i n gr e s u l t sa r e d i s c u s s e db a s e do nt h et r a f f i cs i t u a t i o nd e t e c t i o n , a n a l y s i sa n dr e s e a r c ht od e t e r m i n et h es t a t e o ft r a f f i cc o n d i t i o n sa n d p r o p o s e ds p e c i f i c r e s e a r c h m e t h o d s ， a n dt h ec o r r e s p o n d i n g e x p e r i m e n t a lp r o c e s sa n dr e s u l t s r e s e a r c hc o n d u c t e di nt h i sp a p e ri n c l u d et h ef o l l o w i n g m a i na s p e o t s ：f i r s t , t h ev i d e ob a s e do np r i o rk n o w l e d g eo ft h er e g i o no fi n t e r e s tt ob ed i v i d e d ， i nt h ev e h i c l em o t i o nd e t e c t i o na l g o r i t h m ，t h i sp a p e r , g a u s s i a nm i x t u r em o d e lt or e c o n s t r u c t t h eb a c k g r o u n dt os t u d yt h el i t e r a t u r e 【3 5 】i nt h eg a h s s i a nm o d e l - b a s e ds h a d o v 驴d e t e c t i o na n d r e m o v a la l g o r i t h m ，a n dt oa p p l yt h ea l g o r i t h mt or e m o v et h es h a d o wo ft h i sa r t i c l e ，t h e e x p e r i m e n t a lr e s u l t sm o r es a t i s f a c t o r yr e s u l t s a f t e rt h ed e t e c t i o no fm o v i n gv e h i c l e s ，t h eu s eo fm o r p h o l o g i c a lp r o c e s s i n gi m a g e si n t h ed e t e c t i o np r o c e s st od e t e c tt h en o i s eo c c u r s ；a g a i nb yt h es m a l l e s tr e c t a n g l em a r k e do nt h e t e s tr e s u l t s m o v e m e n to fv e h i c l e si nt h ev e h i c l et r a c k i n ga l g o r i t h m ，t h i sp a p e rb a s e do n k a l m a nf i l t e rt r a c k i n ga l g o r i t h mw i m t h et e m p l a t ei nt h ev a l u eo fe a c hp i x e la s s i g n e da k a l m a nf i l t e rt oc o r r e c tt h ep i x e lv a l u ec h a n g e s ，b yam o r eg e n t l e ，r e a s o n a b l et e m p l a t e ，b a s e d o nt h ek a l m a nf i l t e rt r a c k i n ga n d t a r g e ti l l u m i n a t i o np r o f i l e ，o c c l u s i o nh a v es h o w n r o b u s ts e x o nt h eb a s i so fv e h i c l et r a c k i n g ，a n a l y s i sa n ds t u d yo ft h i sr o a da ts o m ep o i n tt h en u m b e ro f m o v i n gv e h i c l e st od e t e r m i n et h et r a f f i cc o n d i t i o n s ，s u c ha l sc o n g e s t i o n ，c h e u n gh a n g ，a n d t h et r a f f i cs i z e a tt h es a m et i m ea l s op r o p o s e di nt h i sp a p e rt h es p e c i f i cd e t e c t i o nm e t h o da n d e x p e r i m e n t a lr e s u l t s o nt h es p e e do fd e t e c t i o n ，a n a l y s i sa n dd i s c u s s i o no ft h ec a l i b r a t i o n e q u a t i o ni sd 萌v e da n dt h ep o s s i b l ec a u s eo ft h ee r r o ra n ds oo n d e s c r i b e di n t h i sp a p e rb a s e do nv i d e ot r a c k i n ga n dd e t e c t i o no fv e h i c l et r a f f i ct o d e t e r m i n et h es t a t u so fp r o p o s e ds o l u t i o n sh a v ec e n a i ne f f e c t s ，a n dt h ee x p e r i m e n ts h o w st h a t t h i sm e t h o di nt h ea n a l y s i so ft r a f f i cc o n d i t i o n si sf e a s i b l e ，b u tr e s u l t sw o u l db ei d e a l k e yw o r d s ：v e h i c l et r a c k i n g ；g a u s s i a nm i x t u r em o d e l s ；d i s c a r ds h a d o w ；k a l m a nf i l t e r ； i i 西华大学硕士学位论文 目录 摘要i a b s 缸a a i i l 绪论：1 1 1 研究的背景和意义1 1 2 国内外研究现状2 1 2 1国内研究现状2 1 2 2 国外研究现状3 1 3 本文的主要研究内容3 1 3 1 本文的研究重点和难点3 1 3 2 本文各章节安排4 2 基于视频的运动车辆检测5 2 1 基于视频的交通状态分析与研究系统结构5 2 1 1 运动车辆跟踪算法系统结构5 2 1 2 车辆跟踪算法系统结构。6 2 2 运动车辆检测的预处理7 2 2 1 对图像中r o i 的划分8 2 2 2 背景差分算法介绍9 2 3 基于混合高斯模型的背景重构1 0 2 3 1 混合高斯模型介绍1 0 2 3 2 实验结果与分析1 2 2 4 阴影检测与去除1 4 2 4 1 基于混合高斯模型的阴影检测算法哪! 1 4 2 4 2 阴影学习过程1 5 2 4 3 阴影检测16 2 4 4 静态阴影标记18 2 4 5 实验结果与分析2 0 、 2 5 形态学处理及标记2 4 2 5 1 数学形态学处理基础2 4 2 5 2 数学形态学处理2 5 2 6 本章小结3 2 i i i 基于视频的交通状态分析应用研究 3 基于视频的运动车辆跟踪3 3 3 1 运动目标跟踪算法概述3 3 3 1 1 基于特征的跟踪方法3 3 3 1 2 基于3 d 的跟踪方法3 3 3 1 3 基于主动轮廓的跟踪方法3 4 3 1 4 基于运动估计的跟踪方法3 4 3 2 基于卡尔曼滤波的跟踪方法3 5 3 2 1 卡尔曼滤波3 5 3 2 2 跟踪系统流程3 6 3 2 3 跟踪算法的复杂性分析3 8 3 2 4 实验结果与分析3 8 3 3 本章小结 4 2 4 基于视频的交通状态分析与实验结果4 3 4 1 道路通行状态判定条件4 3 4 2 实验结果与分析4 3 结论4 9 参考文献5 0 攻读硕士学位期间发表的论文及科研成果5 3 致谢5 4 西华大学硕士学位论文 1 绪论 1 1研究的背景和意义 随着科技的发展和社会的进步，交通问题已经成为人们日趋关注的重点问题之一。 随着社会经济的发展，汽车已经脱离奢侈品的范畴进入了广大家庭成为人们代步的工 具，当然车辆的快速增加使交通系统面对巨大的压力，同时也给人们的生活质量、社会 环境、经济、自然环境等也带来了严重后果。因此，为了解决交通拥塞、交通事故、恶 意驾车、能源紧缺等等交通所带来的问题，在二十世纪八十年代末九十年代初出现了智 能交通系统( i t s - - i n t e l li g e n tt r a n s p o r t a t i o ns y s t e m s ) ，智能交通系统通过对交 通情况的实时监控，随时了解路面的交通情况，根据智能交通系统提供的路面交通情况 迅速做出反应，降低路面的拥塞程度，减少交通事故发生的几率，使得路面交通设施得 到充分的应用，从而达到智能交通管理的目的。 目前对交通场景( 例如：停车场、高速路口、十字交叉路口、收费站、事故多发路 段、高档小区等等地点) 的视频监控处理主要是通过人工的方式处理。这样不仅浪费了 大量的人力和物力资源，而其随着工作时间的推移任何人的注意力不可能百分百集中， 从而不能及时的对异常情况进行处理和安排，为了解决这中情况，在一些这样的场景中 利用摄像机进行摄像，而后对摄像的内容利用人力进行分析的方法来解决以上问题。这 种方法虽然对问题进行了一定的解决，但是缺乏实时性，并且造成了人力物力的二次浪 费。 。 早期为了解决交通场景中的问题，人们曾经利用埋在地下的磁传感器对交通进行辅 助管理，但此种方法以成本高、维修不便，并且除了法对车流量和车速进行检测，对车 辆行为无法进行识别和分析。所以此种方法具有很大的局限性，已经逐渐被淘汰。 在本文中提到的基于视频的视觉检测系统是利用数字图像处理和计算机视觉建立 的交通智能管理系统，在没有人力干涉或人力很少干涉的情况下，通过摄像机所拍摄的 视频对视频中的车辆进行自动的跟踪检测和分析其车辆的交通行为。对车辆的行为进行 语义的解释，做到对突发异常情况的处理，同时也能进行日常的管理，从而对上文中提 到的类似交通场景中出现的问题提供实时有效的解决方案。 计算机视频监控系统具有良好的应用前景和市场前景，符合信息产业发展的趋势， 所以计算机视频监控系统引起了学术界、产业界和管理部门的追捧。从1 9 9 4 年第一次 i t s 会议( w o r l di 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 mc o n g r e s s ) 在法国巴黎召开以 定位的车辆跟踪算法来进行的。人的运动视觉监控( 基于步态识别) 和行为模式识别( 对 目标运动行为和轨迹特征学习的模糊自组织神经学习算法) 进行了深入研究，并取得了 一定的成果。哈尔滨工业大学的张泽旭、李宁宁、李金宗等做过基于c a n n y 边缘检测算 子和光流矢量来进行运动目标的检测和分割算法理论研搿引。另外清华大学、浙江大学、 武汉大学等，也都对其进行了深入研究并取得了一定的成果。同时，很多国内的科技公 司也在也做了许多努力，并研制出自己的产品。 目前在国内主要的实验方法有以下几种，基于光流矢量；基于c a n n y 边缘检测算子 来进行运动目标的检测和分割算法理论研究【4 】；基于统计模式方法的运动目标检测算法， 此种算法第一是利用较简单的算法对运动场进行了粗略的估计，第二构造的间断点关于 运动场的分布模型是基于马尔可夫( m a r k o v ) 随机场理论，利检测间断点关于运动场就是 2 西华大学硕士学位论文 基于此模型来检测的，以此来实现运动目标的检测；还有就是对帧差算法运用先进的技 术进行了优化和改进，如模糊聚类算法【5 】、遗传算法聚类【6 】等。但这些都停留在理论算 法的研究基础上。另外，对于基于运动矢量的车辆检测和跟踪，国内也做了部分研究【7 1 。 1 2 2 国外研究现状 国外对于运动车辆的跟踪和检测的研究，特别是对目标场景的监控和检测的研究时 间比较早。经过多年的发展，技术已经比较成熟。目前已经对交通状态的分析走到了前 面，他们的关键技术也不是很完善，对复杂的交通场景也很难判定它的状态。 在1 9 7 8 年，美国加州帕萨迪纳市的喷气推进实验室第一个提出了运用机器视觉来 对运动车辆的检测【l o 】，并指出其方法是替代传统检测方法的一种比较可行的方案。数年 后，美国明尼苏达大学的科研人员首先研制了可以投入实际场景使用的基于视频的车辆 检测系统。该系统使用的微处理器是当时最先进的，在不同环境和场景下的测试结果比 较理想，这些充分说明在利用视频传感器实时检测车辆的可行性。同期欧洲和日本也在 基于视频的车辆检测的研究领域展开深入的研究。 另外国外的其他一些公司也在基于视频的车辆检测的监控方面从事了大量的应用 研究和开发工作，同时也推出了成熟的系统级产品。对于具体的基于视频的车辆检测和 跟踪，很多研究机构和学者都提出了很多行之有效的解决方案和论文。例如美国的m i t m e d i al a b ，c m u 的h u m a nc o m p u t e ri n t e r f a c ei n s t i t u t e ，m i c r o s o rr e s e a r c h 的v e r s i o n t e c h n o l o g yg r o u p 等。当前国际i n t e r n a t i o n a lj o u r n a lo fc o m p u t e rv i s i o n 、i m a g ea n dv i s i o n c o m p u t i n g 等都将基于视频的车辆检测和跟踪作为重要内容之一。 1 3 。本文的主要研究内容 1 3 1 本文的研究重点和难点 基于视频的交通状态分析主要依赖与前期对运动车辆的检测和跟踪。前期对视频中 运动目标的处理包括目标车辆检测、目标车辆分类、目标车辆的跟踪以及车辆行为的理 解和描述等几个过程。其中，车辆目标检测及分割处于整个交通车辆检测系统的最底层， 是各种后续高级处理如目标跟踪、分类、行为理解等处理行为的基础。 本文前三章是运动车辆的检测和跟踪，为后续更高级别的分析与处理提供相关的有 效信息。在一般情况下基于视频的运动车辆检测方法基本上都是以摄像机静止为前提， 对目标车辆进行跟踪与检测分析。本文研究内容主要有包含以下几点：( 1 ) 在视频图 像中利用图片把背景进行重构，并且以重构的背景为基础对车辆检测算法体系进行的研 究，主要对如何重构道路背景进行分析、如何分割图片并提取目标车辆；( 2 ) 在分割 3 基于视频的交通状态分析研究 出的前景中怎样消除阴影。( 3 ) 在对基于视频图像中对车辆的跟踪算法体系进行研究， 使用形态学对图像进行处理，然后是使用k a l m a n 滤波器对每一帧进行预测，然后对帧间 的运动的车辆进行匹配、对车辆遮挡引起的合并和与分裂问题进行避免，最后通过上述 数据对交通状态进行判定，如畅行、慢行和拥塞等。 1 3 2 本文各章节安排 第一章为绪论，主要介绍本课题的研究背景和意义，并且对国内外在基于视频的运 动车辆跟踪和检测研究的发展现状进行简单的阐述。 第二章介绍实验的整体架构和基于混合高斯模型的车辆检测。首先是通过先验知识 得到感兴趣区域，再次为基于混合高斯模型的背景重构。介绍一种去除阴影的算法，并 通过形态学的处理对运动车辆进行标记。 第三章是基于视频运动车辆跟踪。首先给出车辆跟踪算法的流程图。介绍基于卡尔 曼滤波的运动车辆跟踪。并叙述了在跟踪中出现的问题和解决方案。 第四章在前两章得基础上提出对交通状态的判定标准和实验数据。 第五章总结。 4 西华大学硕士学位论文 2 基于视频的运动车辆检测 2 1 基于视频的交通状态分析与研究系统结构 2 1 1 运动车辆跟踪算法系统结构 运动车辆检测是在基于混合高斯模型的基础上重构背景，从而对运动车辆进行跟踪 计算。车辆检测是整个解决交通拥堵问题过程的基础，后期的车辆运动估计、车辆跟踪 实现统统都建立在正确、可靠的车辆检测基础上。 对运动车辆检测和跟踪的总体实验流程图，如下图2 1 所示： 豳 跟踪及计 数 l j 结束 2 图2 1 道路车辆状态分析系统流程 f i g 2 1 b l o c kd i a g r a mo fv i d e ob a s e do i lv e h i c l ed e t e c t i o ns y s t e m 5 基于视频的交通状态分析研究 动车辆的检测流程图如下图所示： 图2 2 视频车辆检测系统框架图 f i g 2 2 b l o c kd i a g r a mo fv i d e ob a s e do nv e h i c l ed e t e c t i o ns y s t e m 对运动车辆检测以后，使用形态学处理检测结果图像，再利用最小矩形对检测出 车辆并进行标记。为跟踪提供准确的信息。 车辆跟踪算法系统结构 于视频的交通状态分析是运动目标跟踪的一个实例。基于视频的运动目标跟踪， 序列视频图像中实时地去发现并提取运动目标，不断的跟踪它们，并计录出这些 目标的轨迹，为下一个的运动目标计数、识别分析等算法提供数据。对于背景图像的动 态变化，如天气、光照等影响，使得交通拥堵情况研究成为一项相当困难的工作。 如下图2 3 所示，在运动车辆跟踪模块中又分四个小模块，四个小模块同时都对应 着基于k a l m a n 滤波的车辆跟踪算法 6 西华大学硕士学位论文 图2 3 视频车辆跟踪系统框图 f i g 2 3 b l o c kd i a g r a mo f v i d e ob a s e do nv e h i c l et r a c k i n gs y s t e m 2 2 运动车辆检测的预处理 近年来城市车辆的增加速度远远超过了城市道路建设，于是造成交通的拥堵，所以 基于视频的车辆检测是在运动图像序列中识别、检测、跟踪车辆，获取交通统计量为解 决交通拥塞提供数据，此举属于图像理解和分析的范畴。从技术方面来说，关于运动物 体的分析研究相当丰富，主要涉及到图像处理、人工智能、计算机视觉、模式识别等学 科知识。 为解决交通拥塞问题必须进行的车辆检测是从一系列的图像序列在静止的背景中 把运动中的车辆提取出来，这个应用实例的理论基础是计算机图像处理中的运动目标检 测。但是背景图像不是一成不变的而是动态变化的，例如光照、天气、混乱干扰及阴影 等影响，给运动车辆的跟踪与检测带来很大难度。同时，我们还将面临以下困难：例如 在动态场景中快速分割运动物体、多辆车辆粘连、光线变化、车辆之间的互遮挡的处理 基于视频的交通状态分析研究 像中r o i 的划分 场景中，并不是每一个位置都会有运动物体出现。例如，道路交通场景中， 上面部分“天空、建筑 的区域不会出现运动物体，下面部分“道路 区域 车等运动物体。而一帧图像的像素总数是很大的，前面的运动点团提取步骤、 述的运动点团位置提取步骤都需要遍历每帧图像的每一个像素。 兴趣区域( r o i ，r e g i o no fi n t e r e s t ) 是指用户可以任意指定其感兴趣区域 质量，以达到在显示的时候突出重点目的。对于一幅基于视频的交通场景图 析知道整个运动目标检测与跟踪最费时的部分就是对图像每个像素的遍历。 能在背景提取阶段把不会出现运动物体的区域去除，之后只在图像中有可能 体的区域做处理，则能大大提高系统的效率。所以在对运动车辆检测和跟踪 列图像中把r o i 划分出来。 采用人为划定感兴趣区域而后进行下一步处理。感兴趣区的划分实例如图： 图2 4 图中蓝色线内区域为r o i f i g 2 4 s h o w ni nb l u el i n ef o rt h er 0 1w i t h i nt h er e g i o n 8 西华大学硕士学位论文 2 2 2 背景差分算法介绍 在对车辆的视频监视过程中，利用背景差在摄像机的序列图片中把运动物体分割出 来被广泛的应用。所以在利用背景差运算时，背景准确性会直接影响对运动车辆的检测 结果。所以得到一个准确和鲁棒的背景是检测的关键。但建立一个对各种复杂环境适应、 并且能持久运行的背景模型是很困难的。 背景的重构做为重要的技术在工程应用中经常被用到，目前重构技术在总体上可以 分为中值法、均值法( 高斯均值) 两种。 1 中值法 时间中值滤波( t e m p o r a lm e d i af i l t e r ) 是一种在大多数试验中被采用的方法，它是在 一定时间范围内选取数量帧，然后做中值。把这个中值当做这个范围的背剥2 1 1 。在重构 阶段，背景的出现概率要大于5 0 ，如果低于这个比值这种方法将会无效。将背景的重 构和更新分为两个阶段是时间中值滤波的方法，在背景重构之后，还将采用其它方法来 使背景持续。对于背景的出现概率大于5 0 的场景，时间中值滤波是一种不错的方法。 但是对于道路交通的情况来说，车流量大甚至交通堵塞，这个时候背景的出现概率远小 于5 0 ，所以这个时候时间中值滤波就可能失败。 2 均值法 最简单最经典的重构背景的方法是利用所有帧的平均值为背景，此方法的增量形式 为： b ，g ，y ) = 专，g ，y ) + 上b ，一。g ，y ) + ( 2 1 ) jj 公式中的男，g ，y ) 代表第懒像素 ，y ) 处的背景，g ，y ) 则代表第臌像素力的颜 色向量或灰度值。根据存在的增量形式，为了适合实时的视频处理的要求。从( 4 1 ) 式中 我们还可以看出，关于平均值法，重构背景与更新背景的过程是一样的，这种简单的性 质对工程实现有良好的表现。这种把真实的背景和前景同时包含的背景重构，我们这种 现象称之为混合。 高斯平均( r u n n i n gg a u s s i a na v e r a g e ) 来代替简单的算术平均是一种改进算法，其实 现公式如下： b ，g ，y ) - - a ，g ，y ) + ( 1 一a ) b ，一。g ，y )( 2 2 ) 公式中的a 为学习率。比较式( 2 1 ) 和式( 2 2 ) ，当前帧的权重1 j 在算术平均中是变数， 而且逐次减小，所以，随着环境变化时，背景图像的适应性调整用掉的时间和系统连续 运行的时间相关；至于高斯平均，帧的权重a 是从0 至= l j l 之间选取，所以，背景图像的 9 基于视频的交通状态分析研究 的时间和系统连续运行的时间无关，只与a 有关。a 则需要在适应对环 构的稳定性之间做取舍和权衡。虽然如此，高斯平均法仍无法避免问题 高斯模型的背景重构 。在= 0 ，仃2 = 1 时，其分布为正态分布。 帆，：南名文箐 2 3 ， 在实际应用的过程中发现，不能单独的使用一个高斯分布，因为在实际环境中存在 各种噪声的干扰，例如树枝的干扰、光线的强弱等情况都会带来噪声。所以要建立不同 高斯模型来描述动态背景，为不同的状态建立不同的高斯模型。 自适应的高斯混合模型，是对每一个像素点用不同的混合高斯模型表示，对于其中 的某个点( i ，j ) ，在不同时刻用不同的混合高斯模型来；表示。所以用x ；来表示该点一系 列的值，表述该值的过程可以看做是随机的过程。其表现公式为： 七 厂g o ) = 0 9 ，r g o ，) ( 2 4 ) l = l 当图中的像素已经可以被高斯混合模型表示，但当新的元素进入时要对高斯混合模 型数据进行更新【5 l 】。 在每一个像素建立高斯混合模型后，当采样值x i 输入时。我们就要估计在m 个分 布中，哪一个分布最有可能导致这个像素值的产生，根据贝叶斯公式得后验概率，我们 z 。，i o 后验概率p 吲石，矽) 表示像素值由状态k 来产生； 舭) ：制 使后验概率p 石，) 在取最大值k 时的概率估计为： 1 0 ( 2 5 ) 从公式( 2 6 ) o a m 各分布中最有可能成为k 的分布，我们要知道k 分布为前景还是 背景很重要。当前的输入可能不属于m 中的一个。经典的情况为，曾经出现过的前景物 出现在当下，我们可以通过在m 个高斯分布中添加一个，r p m + 1 个分布来接收未出现的 输入值，同时给它一个较小的期望和一个较大的方差。g m m 的模型如下： 图2 5g 姗的模型 f i g 2 5t h eg m mm o d e l g m m 的参数估计是根据已知的样本序列，估计出混合系数、每一个高斯分布的均 基于视频的交通状态分析研究 值矢量和协方差矩阵等参数。使模型能最佳表达己知的样本序列。因此在s t a u f e r t 3 2 的文 章中使用逼近的策略把每一个观察值看做新的学习样板使用标准化的学习规则来更新 模型。采用在线k 均值算法【3 3 】来近似的估计参数，这种算法是对于图像中像素点的最新 值x i ，用高斯模型中的k 个分布来进行匹配，如果有一个高斯分布n k 与其匹配，则用这 个x i 来对高斯分布n k 中的每一个项进行更新。如果没有与之匹配的高斯分布，则用x i 的分布来代替现有的高斯分布中一个分布项1 3 引。 匹配的定义把高斯分布n k 按权值和方差之比从大道小排列，然后选取一个最接近的 第一个高斯分布作为匹配的高斯分布，其公式为： m = ( 1 疋一d 1 2 - 样 t 。) ( 2 1 8 ) k = l 检测运动投射阴影。其中r 我们通常设定得比较大，这样为了把所有g m s m 包 ，用来识别多种阴影( 在本实验中我们取0 9 ) 。这样我们确定较小权重的模型 虑，这儿我们假设的是阴影特征相对少的模型可以在我们的g m s m 中间找到， 这些相对权重小的模型考虑进去的话，可能导致误判。 常如果场景和光照比较复杂的环境下，每个像素我们取2 3 个g m s m 模型去描 ，当背景改变时，新的阴影模型将会逐渐加入，一段时间有旧的阴影模型可能会 2 4 3 阴影检测 阴影检测会用到g m m 和g m s m 里面的数据，但是并不会涉及到上面的建立和学 习过程，首先用该点取匹配g m m ，判断是前景还是背景，如果是前景，则用该点去匹 配g m s m 模型，判断是否匹配的公式如下t 其中 d ：l d t l 麓五 1 6 ( 2 1 9 ) 西华大学硕士学位论文 d k = 协昭( 巾，砧，。) j ) - 1 0 b “j 一毛) ( 2 2 0 ) 如果上述前景模型于g m s m 模型匹配，并且g m s m 中模型编号小于我们设定的阀 值，则判断改点为阴影，否则则为前景。对于g m m 和g m s m _ 五= 3 ，这就意味着9 9 7 的统计值都包含在其中。 综上所述，基于混合高斯去阴影具体算法如下： 1 模型学习算法 f o r 对于每帧的每个像素d o 设置学习率辅助参数s = 1 i f 该像素点能匹配g m m 中已经存在模型t h e n i f 用公式( 1 ) 判断该点为阴影t h e n 设置学习率辅助参数s = 3 e l s e 为该点创建一个新的高斯模型，并删除排序最靠后的模型 e n d i f 经过一个固定时间并且最稳定的前景模型符合阴影判断公式( 1 ) t h e n i f 该前景模型的均值，方差与g m s m 模型匹配t h e n 更新匹配模型的参数，更新公式为( 2 4 ，2 5 ，2 6 ) e l s e 删除排序最靠后的一个模型，并且建立一个新的模型，新建公式为 ( 2 7 ，2 8 ，2 9 ) e n d e n d 2 阴影检测算法 f o r 每帧每个像素d o i f 通过高斯模型判断为前景t h e n i f 像素点和g m s m 匹配t h e n i f 与之匹配的模型的编号小于设定阈值t h e n 该像素为阴影 e l s e 该像素为前景 e l s e 为前景 e l s e 为背景 e n d 基于视频的交通状态分析研究 静态阴影标记 基于r g b 空间的阴影判断 于给定的一个像素点，获得一个通过n 帧训练的期望k ，心，。j 来代表静态背景， 帧的蜀= 阮l k o ) ，以o ) 亮度听，与背景模型的色彩偏移，他们的定义 ， 警+ 警+ 警j 咿鼍一 畔j 毪半 2 + 避竽 2 ( 2 2 1 ) ( 2 2 2 ) 在r g b 空间，色彩偏移是当前像素和背景模型色彩偏移的一个指示，通过一段时间 的训练，我们可以通过以下公式计算出这段时间的平均偏移量b ： b = 并用b 去获得一个近视归一化的实时偏移值c d , “： c o , 一：c d , b 我们再给c o , “设定一个阈值t c d , ，当该点是阴影时，下面两个条件成立： c d , 口晌 q 1 下图为在r g b 空间，阴影和高斯模型示意图： 1 8 ( 2 2 3 ) ( 2 2 4 ) ( 4 2 5 ) 华 西华大学硕士学位论文 图2 1 1r g b 颜色空间阴影分量和阴影高斯模型关系图 f i g 2 11 s h a d o wv o l u m e sf i o mt h er g b ( g r a y ) a n dg m s mc o l u e ) m o d e l sa n db a c k g r o u n dv o l u m e 2 基于的阴影判断 同其他颜色空间一样，这种描述也是基于一个阴影投在表面上会同样削弱它的三个 颜色分量的值。首先，我们估计y ( 亮度) 衰减分量，然后我们假设，无论是u 和v 分量也减少了类似的比例。判断一个点是否阴影我们判断是否满足下面3 个条件： a m i n a r 1w i t h 口y = x r u r 。 ( 1 】k - - a y 以l 。 ( 4 2 6 ) ( 1 j 墨- - a y 肌l ( 2 3 0 所有平移量z 组成的集合就是b 对a 膨胀，使平移量z 满足：当b 的反射集平移了z 之后， 与集合a 存在交集。经过膨胀后，图像比原图像所占像素变多。膨胀不仅能够填补空洞、 而且能增强边缘特性。 ( 3 ) 开运算 开运算是先腐蚀后膨胀的过程。b 对a 的开运算记定义为： a o b = ( a o b ) o b ( 2 3 1 ) ( 4 ) 闭运算 先膨胀后腐蚀的过程称为闭运算。b 对a 的闭运算记定义为： a o b = ( a o b ) o b ( 2 3 2 ) 2 5 1 2 四邻域和八邻域 邻域是像素间的基本关系。图像边缘除外，每个像素都具有8 个自然邻点，但是我 们在处理技术中采用两种定义：4 邻接和8 邻接。4 邻接和8 邻接的示意图如图2 5 所示。 图2 1 8 图像四邻接和八邻接示意图 f i g 2 1 8a n de i g h ta d j a c e n ti m a g ed i a g r a mo ff o u ra d j a c e n t 2 5 2 数学形态学处理 通过观察上文中的分割结果，分割后前景边缘处存在大量的点状噪声，并且不连续 基于视频的交通状态分析研究 的区域或者空洞出现在车辆的内部，对于这些情况，本文将利用数学形态学的算子进行 处理，达到消除点状噪声和车体内不连续区域或空洞。 腐蚀和膨胀是基本的形态学的算子，腐蚀就是消除物体边界点，结果是使原物体和 腐蚀后比较减少了周围的一个像素；膨胀是与腐蚀相反的过程。因为腐蚀和膨胀进行的 顺序不同又分为开运算和闭运算两种。在纤细点处分离物体、消除细小物体、平滑较大 物体的边界要利用开运算进行，同时还可以保持物体的面积不改变；连接临近物体、填 充物体内细小空洞、同时保持物体的面积不改变则要利用闭运算。在图像的分割过程中， 物体的边界不平滑，物体区域内含有错判的孔。开和闭运算的连续使用会改变这个状况。 本文对前景分割掩模进行后处理就是利用连续的开、闭运算来达到预期要求。 在下面给出实验结果中，其中( a ) 为原图，( b ) 为高斯模型获取的二值化后前景图像， ( c ) 为对前景二值图的开运算结果，( d ) 为对前景二值图经闭运算后的结果 _ 量 - _ 下一存在线段的行开始，若该行与前一行不相邻则为该行所有线段初始新的区域值，否 则将该行所有线段与上一行的每一条线段逐个比较，判断是否有相邻线段，若没有相邻 线段则为该线段初始新的区域值，若有相邻线段判断该线段是否已有区域值，若没有则 该线段区域值等于与之相邻线段的区域值，若有则区域