基于视频的车型识别(共30页)

1、中文摘要 II基于视频(shpn)的车型识别摘 要本文介绍了基于视频和图像处理的自动车型识别方法，详细阐述了利用数字图像处理及模式识别技术的原理和方法。首先采用背景差分法提取运动目标车辆。然后对图像序列进行灰度化、平滑去噪、边缘检测、边缘提取等一系列图像处理过程。最终采用模板(mbn)匹配的方法识别车型。此种方法内存占用量小，实时性好。通过本文的研究，初步探索了数字图像处理与模式识别在车型识别系统中的应用途径和方法，为以后进一步的实现基于视频的交通检测系统的打下了基础。关键词:背景(bijng)差分；边缘检测；模板匹配；车型识别英文摘要VEHICLE RECOGNITION BASED ON

2、VIDEO SEQUENCESABSTRACTThis paper introduces the automatic vehicle recognition based on video sequences and image progressing and illustrates the principle and method of using digital image progressing and pattern recognition.First,it uses background difference method to find out the candidate vehic

3、le.Second,it uses the method based on graying image sequences ,smooth denoising ,background difference method ,edge detection ,edge extraction and so on a series of image processing to process the image.Finally,it recognizes the vehicles through the method of template matching.This kind of method ta

4、kes up little memory and good real-time.The research in this paper explores digital image processing and pattern recognition application in vehicle recognition system approaches and methods,laying the foundation for the realization of traffic detection system based on video in the future .KEY WORDS:

5、Background Difference Method , Edge Detection , Template Matching , Vehicle Recognition 前 言随着交通拥挤和堵塞等各种问题的日益突出，以及(yj)计算机技术的不断发展，智能交通系统1(Intelligent Transportation System，简称ITS)得到了越来越广泛的应用，并在欧、美等发达国家广泛得到应用，而在我国的应用尚处于探索研究的起步阶段。车辆检测、跟踪和车型识别是ITS应用领域中的重要分支，也是目前相对薄弱的技术环节。同其他车型识别方法相比，基于图像识别的车型识别技术有其多种优势。基于

6、图像的车型识别融合了图像处理、计算机视觉、模式识别等技术，它能够自动、实时地对车辆进行检测和分类(fn li)，可以作为交通收费、管理、调度和统计的依据。本论文在分析了各种车辆识别技术的基础上，综合视频、图像处理和模式识别技术来实现车辆的分类。1.车型识别技术(jsh)的发展现状1.1电子标签识别(shbi)法现阶段国外不停车收费(ETC)采用最多的是基于无线通讯技术。电子标签是用来记录车辆本身的信息包括车辆账号、车辆类型、车主、车牌号等。当车辆通过安装在收费通道内的收费设备(shbi)时，通过电子标签和阅读器之间的微波通讯，实现信息的交换，并进行CRC校验，最后通过收费系统与车主的银行实行定

7、期清算。因为车辆存在掉换车载电子标签进行作弊的可能，收费站等场所需要额外安装监控设备，增加了基建投入。因此该方法在国内应用较少。1.2电磁感应线圈(xinqun)识别法预先在公路下面铺设一个通有高频电流的线圈，由于车辆的材质大部分是金属，当车辆从感应线圈上面通过时，会在线圈内部产生涡流而使线圈电感量减小。不同车型的底盘结构和铁磁物质分布的有所不同，由于电流变化引起的磁场的变化也不同，因此可以根据感应曲线的不同而区分不同类型的车辆，进而得到具体的车型。该方法的优点是准确率较高、不受气候影响且成本不太高。同时还能检测各车型的车流量及占有率等交通参数，电磁感应线圈法需要把线圈埋入地下，受车辆的挤压容

8、易损坏，寿命较短，维护时需要破坏路面，维护成本较高。1.3红外探测法红外探测法是利用布置在车道两侧红外阵列检测器，当车辆经过装置时，根据汽车不同部位对发射装置的不同阻挡作用，采集车辆的侧面几何数据，然后通过这些数据与车型数据库中的数据比较后判断出车型，从而实现车型的自动分类。在该系统中水平和垂直排列的红外发射接收点非常多，有几十甚至几百对，这就保证了系统可以采集到足够多的数据，这些数据包括车头高度、车长、轴数、轮距等特征数据，这些信息可以比较完整、细致地描绘出车辆的外轮廓及局部典型特征，使系统达到一个较高的识别率。该方法优点是识别率较高，缺点是硬件结构复杂，维护成本高，在实际中难以推广。此外还

9、有一种基于超声波的车型检测方法，其原理和红外检测法是类似的。1.4车牌识别(shbi)法车牌识别法是一种通过识别车牌间接识别车型的方法。首先从摄像机获取的汽车牌照图像中识别出车牌号和车牌颜色，然后到车辆数据库中去检索与此车牌号相对应的车型，最终得到车辆的类型。该方法对硬件要求不高，安装起来也灵活方便，但需要事先对每一辆车建立包含各种信息的车辆数据库，而且图像必须保证车牌清晰(qngx)，在实际应用中还受到遮挡、光照等的限制。这种方法要建立在可靠的车牌识别算法的基础之上，也可以把它归到下面将要叙述的基于图像的车型识别方法中。1.5基于视频(shpn)图像的车型识别国内外利用视频图像进行车型识别2

10、的研究很多，因为数字图像能够提供很多有用的信息，利用一定的算法得到许多车辆的信息，然后依据这些车辆特征进而得到具体的车型。相比于其它的车型识别方法，利用图像来识别有其自身的特点:首先数字图像含有的信息比较丰富，只要是保证特征提取算法的有效性，即可得到较高的车型识别率。另外硬件安装非常简单，只需一个摄像机或者数码相机安装在路边，利用视频信号线和主机相连。并且利用该方法无需破坏路面，维护起来非常方便。本文对以视频图像为基础的车型分类算法进行了系统的研究，根据目前的车型识别研究中特征提取，识别算法，车辆分类等基本方法，提出了自己的改进方案。系统框图如下:车型识别图像处理车辆图像摄像机采集的视频模板匹

11、配背景图像图 SEQ 图表 * ARABIC 1-1 系统流程图Fig.1-1 System flow chart 如图 1-1所示，首先(shuxin)通过CCD摄像机采集车辆的视频信息，并通过背景差分法对采集的图像进行区域分割，从而得到运动车辆的图像，对车辆的图像进行图像处理工作，如，去噪、锐化、边缘检测、水平竖直填充。最后对处理过的车辆图像进行模板匹配，识别车型。2.车辆区域(qy)的分割方法2.1车辆视频检测技术(jsh)介绍通过上一章我们知道基于图像的车型识别技术中，图像的预处理工作是该项技术的一项基础环节。图像预处理质量的好坏直接(zhji)影响到后续特征提取的精度，进而对车型识别

12、的精度产生影响。在这一章中详细介绍车辆区域分割方法。在过去(guq)的时间里，人们对于用计算机实现运动汽车的自动检测3和识别提出了各种各样的方法。运动汽车与空中飞机、水上船艇等一样，都属于运动目标，运动汽车的检测和识别属于运动目标的检测和识别，是计算机视觉研究的一个重要领域。计算机视觉4是研究用计算机来模拟生物视觉功能的科学与技术，众所周知，在人类感知外界获取的信息中，有约80%来自于视觉，如何理解和应用视觉图像信息，是计算机视觉的主要研究内容。对于一个交通场景图像序列，我们可以很容易的说出有没有诸如交通堵塞、跨道行驶、闯红灯等交通事件的发生，而对于计算机来说要做到这些则存在许多的困难，它涉及

13、到计算机视觉中的一些基本问题，例如运动目标的检测、目标识别、立体视觉匹配、图像理解等。基于视频的交通参数检测是计算机视觉的一个重要研究方向。在视频运动检测中，目标的分割在实际应用时是非常必要的一个步骤，它可以把感兴趣的物体部分给大致的提取出来。目前，实际运用的车辆视频检测技术大致可以分为如下三类:背景差分、光流场理论以及帧间差分。2.1.1背景差分法当背景保持不变或者变化相对较小、运动目标与背景的灰度差异较大时，常常采用背景差分法，背景差分法的原理是这样的：首先采集视频序列中不包括前景运动物体的一帧图像作为背景图像，然后利用当前帧与背景图像进行差分运算的方法来检测运动的目标。背景差分法印版用于

14、背景比较固定的情况下，对运动物体的检测效果比较好，而且实现起来比较简单，计算量非常小，而且能够比较完整的分割出运动物体，比如说目标车辆。而在实际应用中，由于摄像机震动、光照强度变化、噪声等作用，背景需要适时更新。如何有效地建立背景模型成为了背景差分的关键。针对摄像头的抖动导致的两幅图像的不匹配，进而差分后导致含有的噪声较多，目前最常用的方法是通过匹配法来估计两幅图像的评议量X和Y。针对光照变化导致的误差，一般处理方法是建立合适的光照变化模型，适时钢芯背景图像。本课题没有考虑变化的复杂背景下的车型识别，而是针对固定背景的研究。利用背景差分法进行运动目标检测时，最主要的环节是获取稳定可靠的背景图像

15、，因此，需要背景更新算法获取实时背景图像。一个好的背景更新方法应能适应诸如目标停止在场景中，场景中有目标运动，光线等外界干扰因素的影响。在理想情况下，背景(bijng)图像中不包含运动物体，获得差分图像就是无噪声的，且仅包含运动目标的图像。然而在实际工程中需要快速准确的建立一个背景模型，并更新此模型。这是背景差分法的关键，也是其难点。2.1.2光流法光流法的原理是对光流场进行估算进而实现运动目标的检测和分割(fng)。光流场的计算最初是由美国学者Horn和Schunck在1981年推导出来的。两人推到灰度图像光流场计算公式是建立在相邻图像之间的时间差小，且其图像中灰度变化也小的基础上的。光流是

16、指亮度模式引起的表观运动，是运动目标的三位速度矢量在成像平面上的投影，并且可以表示出运动目标在图像位置中的实时变化。光流法检测运动目标的基本原理是图像中的每一个像素点都对应一个速度矢量，在运动的每一刻，二维图像上的点和三维物体上的点是一一对应的，这可以通过投影关系得到。每一个像素都对应一个速度矢量，整个图像就对应一个运动场，而根据各个像素点的速度矢量特征，可以对图像进行动态分析。当运动物体通过图像(t xin)背景是，运动物体产生的速度矢量必然和邻域背景（在没有运动物体时）的速度矢量不同，从而检测出运动物体的位置。但是在实际应用中受到噪声、多个光源、阴影、遮挡等因素的影响，光流场的分布并不十分

17、精确。一般的光流法只考虑图像中运动物体产生的光流，而不考虑摄像机的运动产生的光流。当两者都考虑时，其算法更加复杂，计算量相对较大，并且易受噪声的干扰，不能用于实时性要求非常高的场合。2.1.3帧间差分法帧间差分法也属于背景差分法的一种，只不过是把视频图像其中的一帧作为背景来做差分运算。帧间差分法也是运动目标检测中常用的一种方法。其基本原理是：连续的图像系列中，选取两个相邻帧，然后进行像素的帧间差分运算，碎后进行阈值化处理来提取图像的运动区域。因为运动物体的变化体现在图像上就是部分像素灰度值的变化，而限速值没有发生变化的部分。我们认为该区域内没有运动目标。所以只要比较序列图像对应像素的差别，就能

18、检测出运动目标，为后续的目标分割打下基础。帧间差分法受环境影响比较小，比较适合动态变化的环境，但是利用此方法会损失很多目标信息，而且如果运动目标的整体灰度值相差不大时，两帧图像目标重合的部分将不能被检测出来，而且在目标内部容易产生空洞现象，当然也就不能完整的分割出车辆区域。2.2用背景差分法分离(fnl)车辆尽管(jn gun)背景差分法5自身存在缺点，但因为技术已经比较完善，我们选用一种基于最优化的方法来提取背景(bijng)可以适当避免此类缺点，所以，我们依旧选用背景差分法来进行目标车辆分离。对于静止背景下的运动目标检测6，其基本流程如图2-1所示。运动目标提取背景恢复预处理图像序列第n帧

19、图像图2-1 静止背景下运动目标检测流程图 Fig. 2-1 Static background motion detection flow chart 从图2.1所示中可以看到，基于静止背景下的运动目标检测主要分为3个部分：预处理、背景恢复和运动目标提取。下面分别介绍这几个部分的内容：预处理：目的是在分割前去除噪声的影响。去除噪声的方法有很多种，例如平均值滤波和中值滤波。背景恢复：视频序列帧间有很强的相关性，仅仅利用单帧的信息进行处理容易产生错误，更好的方法是联合多帧信息进行分析，基于这一思想，可以根据各个坐标处像素在整个序列中的统计信息对运动场景的背景进行回复。运动目标提取：利用恢复的场景

20、以及当前帧的信息，分割出所有运动目标的近似区域。2.2.1背景恢复由于视频序列记录了视频目标在一段时间内的运动和变化信息，因此理想的信息分离方法是在较长的时间范围内对数据进行分析并充分利用帧间的相关信息。基于这样一种思路，我们可以对各个像素点沿时间轴的变化规律进行分析，并根据统计规律在整个序列中挑选合适的点对背景进行恢复。我们定义图像序列为I(x,y,i),其中x、y代表空间坐标，i代表帧数（i=1N），N为序列帧数。序列的亮度分量为IL(x,y,i)、则视频帧间差（Chang Detection Mask，CDM）反应了相邻帧之间的灰度变化：d, if dT CDM(x,y,i)= , d=

21、|IL(x,y,i+1)-IL(x,y,i)| (2.1)0, if dT其中，阈值T被用来去除噪声。对固定的坐标(x,y)，CDM(x,y,i)可以表示为帧数i的函数，它记录了在位置(x,y)处像素点沿时间轴的变化曲线。可以根据CDM(x,y,i)是否大于零将这条曲线分段，并将其中被检测到的静止(jngzh)部分用集合Sj(x,y),1jM表示(biosh)，如 所示，其中，Sj的起点和终点(zhngdin)分别是STj和ENj。下一步，在每一个位置(x,y)对应的Sj集合中，挑选最长的静止分段并记录该分段中点的对应帧号为M(x,y)。最后，第M(x,y)帧处的点被用来填充视频背景中的相应位

22、置，该逻辑可以用下面的公式描述：M(x,y)=(ST(x,y)+EN(x,y)2B(x,y)=I(x,y,M(x,y) (2.2)其中，ST(x,y)和EN(x,y)是对应于最长静止分段的起点和终点，B(x,y)为重建的视频背景。这一方法的基本假设是在视频序列中，运动物体不会始终站在某一点不动，而必定会移开，使背景显露出来。CDM(x,y,i) Frame Number i S1 Sj SM STj ENj图2-2 亮度帧差图沿时间轴的变化函数Fig. 2-2 Changes in the function of the brightness of the frame difference m

23、ap along the time axis2.2.2 基于静止背景的运动目标提取在恢复场景背景之后，可以在每一帧和背景之间用减法运算得到亮度分量的背景帧差图IDL：d , if dT IDL(x,y,i)= ,d=|IL(x,y,i)-BL(x,y)| (2.3) 0,if dT 其中，BL是背景的亮度分量。该方法可以很好的对运动目标进行分割。图 2-3 汽车(qch)序列图Fig. 2-3 Sequences of vehicle如图2-3所示，此四张图片为车辆行驶过程中通过CCD摄像机时所拍摄视频的四帧，通过采用上述的背景差分(ch fn)算法，对图像序列进行处理，便可得到其背景图像。图

24、 2-4 背景(bijng)图像Fig. 2-4 Background如图2-4所示，为应用背景差分法得到的背景图像。由于每帧图像都存在噪声而且在拍摄过程中摄像机会抖动，因此图像中有部分区域存在模糊现象，但整体而言，基本能提取出可用的背景。3.图象的处理技术CCD摄像机获取的视频序列(xli)图像中或多或少都会存在噪声，其来源十多个方面，有来自本系统的外部干扰(如电磁波或经电源窜进系统内部的外部噪声)，也有来自系统内部的干扰(如摄像机的热噪声，电器机械运动产生的抖动噪声等内部噪声)，图像中噪声的存在势必会对运动目标的检测精度产生较大的影响，严重时可导致后续的识别、测速等过程产生严重偏差或错误，

25、因此应对图像中可能存在的噪声作有效的评估，并作相应的图像处理7。3.1图像(t xin)灰度化 灰度图(Grayscale)是指只含亮度信息，不含色彩信息的图像，就像我们平时看到亮度由暗到明的黑白电照片一样，亮度变化是连续的。因此，要表示(biosh)灰度图，就需要把亮度值进行量化，通常划分为0255共256个级别，0最暗(全黑)，255最亮(全白)，即灰度图仅能表现256种颜色(灰度)。从摄像头中采集的图像一般为彩色图像，但由于灰度图在实时处理系统中的优越性，在实际应用中通常将其转化为灰度图。灰度化就是使彩色的R，G，B分量值相等的过程，处理方法主要有以下3种:(1)最大值法:使R. G,

26、B的值等于3值中最大的一个，即R=G=B=max(R,G,B) (3.1) 最大值法会形成亮度很高的灰度图像。平均值法:使R, G, B的值等于3值的平均值，即R=G=B=(R+G+B)/3 (3.2) 平均值法形成灰度图像在我们开来会有失真的现象。加权平均值法:根据某标准给R，G.，B指定不同的权值后加权平均，即R=G=B=(R十G十B) /3 (3.3)其中，、分别是R，G，B的权值。由于人眼对绿色的敏感度最好，对红色的敏感度次之，对蓝色的敏感度最低，因此使。将得到合理的灰度图像。在实际应用当中，通常取a = 0.30，=0.59， = 0.11时，能得到最合理的灰调图像，即R=G=B=0

27、.30R+0.59G+0.11B (3.4)灰度处理(chl)效果如图3-1所示：图3-1 汽车(qch)RGB转灰度图Fig. 3-1 RGB to grayscale3.2图象(t xin)的平滑 通过摄像头采集视频序列图像的过程中，不可避免地存在外部和内部的干扰。因此，图像中往往会出现一些不规则的随机噪声，这将影响图像质量。外部干扰主要有人为干扰、共振、雨雪等天气原因，内部干扰是元器件因温度和磨损度引起的。随机噪声恶化了图像的质量，使图像模糊，特征淹没，会直接影响到下一步的图像处理。要想获得清晰地车辆图像首先要对采集的图像进行去噪处理，去除其存在的高频噪声。消除图像随机噪声常采用图像平滑

28、的方法，也称之为滤波。目的是改善图像质量和抽取对象特征，常用的去噪方法有两种：邻域平均法和中值滤波。3.2.1高斯平滑滤波处理高斯滤波，根据高斯函数的形状来选择模板权值，该方法对于去除服从正态分布的噪声效果较好。二维高斯函数为: (3.5) 其中(qzhng)分布参数决定了高斯(o s)滤波器宽度，二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的。另外，高斯函数是单值函数，这表明高斯滤波器用像素邻域的加权均值来代替该点的像素值时，每一邻域像素点权值是随该点与中心点的距离单调变化的。空域高斯平滑滤波的实质是加权均值滤波方法，可以表达为: (3.6)其中(qzhng)W(m,n)

29、为权值系数，高斯滤波器窗口为(2K+1)(2L+1) 。3.2.2邻域平均法针对系统图像中经常出现的高斯噪声一般采取邻域平均的去噪方法。邻域平均法的图像平滑处理的数学表达式为: (3.7)其中:M为邻域S内所包含的像素总数；S为事先已经确定的邻域（邻域内包括(x,y)）。例如半径为的邻域表示为: S=(x-1,y-1)(x-1,y)(x-1,y+1)(x,y-1),(x,y)(x,y+1),(x+1,y-1),(x+1,y)(x+1,y+1) (3.8)为了方便地叙述上面所说的“将原图中的每一点的灰度和它周围八个点的灰度相加，然后除以9，作为新图中对应点的灰度”这一操作，我们采用如下的表示方法

30、：(3.9)这种表示(biosh)方法有点像矩阵，我们称其为模板(template)。中间的点表示中心元素(yun s)，即用哪个元素做为处理后的元素。而这样往往会导致图像变得模糊，特别是边沿和细节处且其邻域越大越模糊。当然通过采用不同的模板可以得到不同的效果，这要根据具体的图像处理要求来确定。图3-2随机噪声邻域(ln y)平均法Fig. 3-2 Random noise with neighborhood average method图3.3 椒盐噪声邻域平均法Fig. 3-3 Salt noise with neighborhood average method如图3-2和图3-3所示为

31、使用邻域平均法处理的汽车图像。从处理结果可以看出：邻域平均法虽然能够有效的去除随机噪声，但是会严重影响图片的质量，使图片变得模糊；在处理椒盐噪声时，基本没有处理效果而且还会使图片质量下降。3.2.3中值(zhn zh)滤波中值滤波是一种非线性的信号处理方法，与其对应的中值滤波器也是一种非线性的滤波器。中值滤波在衰减(shui jin)噪声的同时不会使图像的边界模糊，这也是中值滤波得到广泛应用的原因。本文应用该方法主要是在图像预处理环节，因此可以不用考虑其不适合处理多细节图像中的缺点。中值滤波去除噪声的效果依赖于2个要素：领域的空间范围和中值计算中涉及的像素数。一般说来，小于滤波器面积一半的亮或

32、暗的物体(wt)基本上会被滤除，而较大的物体几乎会原封不动地保存下来。因此，中值滤波器的空间尺寸必须根据现有的问题来进行调整。较简单的模板是的方形(注:此处的n通常是奇数)，计算时将使用到所有的个像素点。如图3.4所示，以像素P5为中心点的33领域(一般为33或55的方形领域)，然后将领域中的各个像素P1，P2Pn的灰度值进行排序，取其中间值作为中心点像素灰度的新值，这里的领域通常被称为窗口，当窗口在图像中上下左右进行移动后，利用中值滤波算法可以很好地对图像进行平滑处理。图3.4 中值滤波Fig. 3-4 Median filtering具体步骤如下: a）读取模板中P1，P2P9像素点对应的

33、灰度值；b）将这9个灰度值从低到高排序；c）求中间值，则P5的新值即为该值；中值滤波的输出像素是由窗口的中间值决定的，因而中值滤波对极限像素值(与周围像素灰度值差别较大的像素)远不如平均值那么敏感，从而可以消除孤立的噪声点，又可以使图像产生较少的模糊。二维情况下的中值滤波可定义为: (3.10)图3-5随机噪声中值滤波(lb)Fig. 3-5 Random noise with median filtering图3-6 椒盐噪声(zoshng)中值滤波Fig.3-6 Salt noise with median filtering如图3-5和图3-6所示，中值滤波对随机噪声处理(chl)效果比

34、邻域平均法要好，但也会使图片模糊。中值滤波对椒盐噪声的处理效果明显比邻域平均法要好，图片变得非常清晰。综合以上，不难得出下面的结论：中值滤波容易去除孤立点、线的噪声同时保持图象的边缘；它能很好的去除二值噪声。要注意的是，当窗口内噪声点的个数大于窗口宽度的一半时，中值滤波的效果不好，这是很显然的。当视频图像出现较多噪点时，采用此方法降噪，可以明显提高运动车辆检测率和车型识别率。另外，二维中值滤波的窗口形状和尺寸设计对滤波的效果影响较大，不同的图像内容和不同的应用要求，通常可以采用不同的形状和尺寸。常用的二维中值滤波窗口有线状、方形、圆形、十字形、和圆环形等。结合本文实际需要，为了保持车辆轮廓的清

35、晰，同时又要去除高频噪声，本文采用了3*3窗口的中值滤波的方法。3.3 锐化图像在传输和变换的过程中会受到各种干扰(gnro)而退化，典型的就是图像模糊。而在图像的观看和识别中，常常需要突出目标的轮廓或边缘信息。这样，看起来更惬意，对目标的识别也更容易一些。图像的锐化可在空域或频域中进行。3.3.1 微分(wi fn)算法图像的模糊相当于图像被平均或被积分，为实现(shxin)图像的锐化，必须用它的反运算“微分”，加强高频分量的作用，从而使图像轮廓清晰。由于模糊图像的特征各不相同，要进行锐化应该采用各项同性、具有旋转不变的线性微分算子。图像处理中最常用的微分方法是求梯度。对于图像f(x,y)，

36、它所在的梯度是一个矢量，定义为： (3.11)点(x,y)梯度的幅度为梯度的模，即 (3.12) 对数字图像用微分算法运算不方便，一般用差分来近似。常用的梯度差分有： (3.13)为了运算简便，可以化简为： (3.14)常用的梯度(t d)算子还有Laplacian算子。Laplacian算子是仿效属性上的，它是用二阶差分(ch fn)实现的。 (3.15)用模板算子(sun z)来表示为：容易看出拉普拉斯模板的作法：先将自身与周围的4个象素相减，表示自身与周围象素的差别；再将这个差别加上自身作为新象素的灰度。可见，如果一片暗区出现了一个亮点，那么锐化处理的结果是这个亮点变得更亮，增加了图象的

37、噪声。但它的优点是各向同性，即旋转不变。图3-7锐化处理Fig. 3-7 Sharpening如图3-7所示，图像经锐化处理后边界明显变得清晰，图像模糊程度减弱，更易于观看及区分车辆的外形及轮廓。3.3.2高通滤波方法(fngf)图像中的边沿或线条与图像频谱中的高频分量相对应，因此，可以(ky)采用高通滤波的方法，使低频分量得到抑制，从而达到增强高频分量，使图像的边沿或线条变得清晰，实现图像的锐化。常用(chn yn)的高频滤波器有：理想高通滤波器理想高通滤波器的转移函数为： (3.16)其中D0为截止频率，是点(u,v)到频率平面原点的距离。Butterworth滤波器Butterworth

38、滤波器的转移函数为: (3.17) 其中D0为截止频率，阶数n控制曲线的形状。图 3-8 理想高通Fig. Ideal high pass图3-9 Butterworth滤波器Fig. 3-9 Butterworth filter如图所示，高通滤波器会忽略(hl)低频特性，只显示高频部分，可以清晰的看出图片的线条和轮廓。4.图像(t xin)的边缘检测4.1边缘检测(jin c)概念边缘(binyun)检测技术8对于处理数字图像非常重要，因为边缘时所要提取目标和背景的边界线，提取出边缘才能将目标和背景区分出来。在图像中，边界表明一个(y )特征区域的终结和另一个特征区域的开始，边界所分开区域的

39、内部特征或者属性是一致的，而不同区域内部的特征或属性是不同的，边缘的检测正是利用物体和背景在某种图像特征性上的差异来实现的，这些差异包括灰度、颜色、纹理特征。边缘检测实际上就是检测图像特性发生变化的位置。由于噪声和模糊的存在，检测到得边界可能会变宽或在某些点处发生间断，因此，边界检测包括两个基本内容:首先抽取出反映灰度变化的边缘点，然后剔除某些边界点或者填补边界间断点，并将这些边缘连接成完整的线。边缘检测技术可以按照处理的技术分为串行边缘检测以及并行边缘检测。所谓串行边缘检测技术是指:要想确定当前像素点是否属于边缘检测上的一点，取决于先前像素的验证结果;而在并行边缘检测技术中，一个像素点是否属

40、于检测边缘上的点取决于当前正在检测的像素点以及该像素点的一些相邻像素点，这样该模型可以同时用于图像中的所有像素点，因而成为并行边缘检测技术。最简单的边缘检测方法是边缘检测算子，它利用相邻区域的像素值不连续的性质，采用一阶或二阶导数来检测边缘点。近年来还提出了基于曲线拟合的方法，基于边界曲线拟合的方法。其中基于曲线拟合的方法的基本思想是将灰度看成高度，用一个曲面来拟合一个小窗口内的数据，然后根据该曲面来决定边缘点。基于边界曲线拟合的方法用平面曲线来表示不同区域之间的图像边界线，试图根据图像梯度等信息找出能正确表示边界的曲线从而达到图像分割的目的，而且由于它直接给出的事边界曲线而不像一般的方法找出

41、的事离散的、不相关的边缘点，因而对图像分割的后继处理如物体识别等高层处理有很大的帮助。即使用一般的方法找出边缘点，用曲线来描述它们以便于高层处理也是经常被采用的一种有效地方式。4.2 边缘检测算子常用的边缘检测算子主要有:罗伯特(Roberts)算子、索贝尔(Sobel)边缘算子、Prewitt边缘算子、拉普拉斯(Laplacian)边缘算子、坎尼(Canny)边缘算子。1 Robert算子 从上面的模板的形式可以看出，Robert计算时利用的像素数一共有4个，Robert算子边缘定位准，但对噪声敏感。适用于边缘明显而且噪声较少的图像(t xin)分割。2 Prewitt算子(sun z) P

42、rewitt算子对噪声有抑制作用，抑制噪声的原理是通过像素平均。但是像素平均相当于对图像(t xin)的低通滤波，所以Prewitt算子对边缘的定位不如Robert算子。3 Sobel算子 Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越大，产生的影响越小。图4-1 Robert算子Fig. 4-1 Robert operator图4-2 Prewitt算子(sun z)Fig. 4-2 Prewitt operator图4-3 Sobel算子(sun

43、 z)Fig. 4-3 Sobel operator比较3种算子检测(jin c)的边缘图像可以看出，Prewitt和Sobel算子生成的边缘线较多，图像较为复杂，而Robert算子生成的边缘较少，图像较为简单。但是，就边缘检测的效果来看Prewitt和Sobel算子要好于Robert算子。5.图像的模式识别5.1模式识别(m sh sh bi)一般我们可以认为把图像进行区别分类就是图像的模式识别。模式识别研究的目的是研制能够自动处理(chl)某些信息的机器系统，以便代替人完成分类和辨识的任务。一个图像的模式识别系统可分为3个部分，如图5.1所示：图像信息的获取、信息的加工处理和图像的判决。判

44、决 结果(ji gu)信息处理特征提取图像信息获取待识别的图像 图5-1 图像的模式识别框图Fig. 5-1 Block diagram of the image pattern recognition 利用模板匹配可以在一幅图象中找到已知的物体。比如获得车辆通过的图像，要判断所通过车辆的车型。这时就可以采用模板匹配的方法。所谓模板匹配，其实想法很简单：拿已知的模板(在本例中为汽车的图象)，和原图象中同样大小的一块区域去对。基本匹配的识别方法大致可以分为如下几种:(1)区域匹配区域匹配的思想是把参考图像的某一块整体与实时图像在所有可能位置上进行叠加，然后计算某种图像相似性度量的相应值，最大相似性相对应的位置就是目标的位置。(2)特征匹配特征匹配是在提取特