视频交通监控系统图像后处理技术研究

'中山大学硕士学位论文视频交通监控系统图像后处理技术研究姓名：黄玲凌申请学位级别：硕士专业：软件工程指导教师：张辉20080530 ResearchontheI髓【lagePost-processingofTramcVideoSurVeillanceSystemMajor：Master0fSof．twareEngineeringName：HuangLingSupervisor：ZhangHuiAbstractT捌脏cvidc0supeⅣisoD，syst锄ismeapplicationVeWwidespread仃aIl啪rcation1110IlitoringmeⅡ10d，w．hic_hc雅supplymeusersⅡledirect—ViewingimagesiIlfomlationofme舰nsportationsc％e，butddetotllecompleXity觚dⅡlemultiplici够ofthein如mationtllat吐leimag铭contai船，meeXistingautomaticrcdu以ontec_hnolo蹦isalsoinsu衔ciemtoproc骼sarldt0witlldrawtheseinfo肌ationcompletdy，solaterperiodimagearti矗cialrcadingisess吼tialworktoevery印plicationd∞[1ain．TIlisp印erstudiesVerypredselyontlleneedsofthelaterp舐odanificialreadingimage，takingmemollitoringimagewhic_hproVidesbytllevideof}equency饥msportationsupeⅣisorysystem硒anoqect．ThemainresearchContentincludes：1)Theresearc_honmetecIlIlologyoftlleimageinteIlsmcation，improVestllevisualeff．ectofmeimagemailllybyⅡledi西talimageprocessing，andpr0Videse嬲emeIlttotheani6cialreadingimage．Thep印erhausaIlalyzedthecornmonlyusedmageinteIlsificationmemodswiththe觚1sportationmonitoringimage’scharaCt甜stics，the们nspoIrtationimagevisione行eCtise毹ctiVelypromoted．AndinviewoftllecolorblockrnosaLicphenomenonwhic_h印pearsinviewoftlleima伊缸％sification，NeighborhoodAv哪ngMemodw嬲impr0Ved，whilee彘ctivesmoompattenlcolorbloCk．s，ilIlagesha印nessgoodmaintaincd．2)neiIIlageClaSsi6cation姚ology，h船mailllyexploredmollitoringimageV出clescl嬲si6cationtecllll0109yb嬲edIV ontllepolarcoordinatecurvedcon．elation，pr0Vidingafeasiblememodtomef．ast传trievalimageandrcducingtlleloadofmeani缸cialiIIlagereadingwork．wimmer懿earChofmepap％memainresultsare弱follow：1)ApplyiIlgtlleiIIlageintellsificationtechnologyin廿le缸lsport撕onimagel衍p鲥odproccsscsh嬲realizedmeilIlagevisione毹cteffectiVepromotion；2)NeigbborhoodAVera舀ngMetllodh嬲beelli芏npr0Ved，e任．eCtiVelyelimill础gnlccolorblock，锄dwellmaintaillingtlleedgevi眦a1e侬：ctoftlleimage；3)11坞c0饿Il撕ontachnolog)ri芏心oductionofnlepolarcoordiIlatec11rvedisintrodllcedintotllevemclestypecl嬲si丘cationreseareh，realizedtheVeIlicletypesortingalgorimmw11ichpossessesrotatingandzoomillgsymbols．Keywords：rrS，imagePost—processin岛illlage础1aIlcement，h11agesmoothin舀carmodeIidenti6cationV 原创性及学位论文使用授权声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：翻k日期：硝年f月f7日 学位论文使用授权声明本人完全了解中山大学有关保留、使用学位论文的规定，即：学校有权保留学位论文并向国家主管部门或其指定机构送交论文的电子版和纸质版，有权将学位论文用于非赢利目的的少量复制并允许论文进入学校图书馆、院系资料室被查阅，有权将学位论文的内容编入有关数据库进行检索，可以采用复印、缩印或其他方法保存学位论文。籼一虢锄豇一名。嘣 第一章绪论1．1课题的研究背景及意义随着经济的发展和机动车的日益普及，汽车在给人们带来方便的同时，也带来了一系列的社会问题，特别是交通拥挤问题。解决交通拥挤问题的直接方法是修建拓宽道路来提高路网的通行能力，但是这一方法却受到城市空间的严格限制。因此，在现有道路的情况下，通过科学的管理和控制，提高道路的使用效率，是解决交通拥堵问题的有效方法。由此产生了智能交通系统(intelligcIltn．觚sponationSyst锄s，简称rrS)这一新的研究领域。ITS通过对交通流进行实时检测，根据交通流参数的动态变化，迅速做出交通诱导，减轻道路拥挤程度，减小车辆行车延误，降低发生交通事故的概论，保证行车安全和交通设施的有效利用，从而达到智能交通系统的目的，因而交通信息的检测和识别是智能交通系统有效运行的基础。交通参数的采集方法很多，如红外线检测、测速雷达、超声波检测、环形线圈检测、视频检测等等，近年来基于计算机的视频检测已越来越广泛的应用于交通监控系统中。在道路交通监控的应用技术中，计算机视频技术和图像处理技术具有更大的优势。道路交通监控系统中安装视频摄像机比安装其它传感器更经济且破坏性低；计算机视频应用计算机视觉技术从数字图像中提取高质量的信息，能高效、准确、安全可靠的完成道路交通的监控工作，提高道路、车辆的自动化程度；并且由计算机视觉得到的交通信息便于联网，有利于实现道路交通网的监控。目前的视频交通流信息采集系统仍旧需要用户进行视场的标定，人工阅读图像，而目前视频交通监控系统提供的监控结果往往只包括车辆通过时拍摄的图片及车牌号码，其往往由于摄像机蒙尘、雨雾天气等原因造成图像对比度偏低，这些都给后期的人工读图带来了不理影响，所以直接提升图像的视觉效果，以及对车辆监控图像进行分类，对于目前的交通监控应用具有重要意义。通过监控摄像头所拍到的汽车图像，我们可以得到汽车的二维轮廓图，此时，将其与已有的数据库中的标准轮廓图进行对比，那么，就可以判断图像中的汽车是什么车(小轿车、卡车等)。因此，通过车型识别，我们便可以在一定程度上缩小事故车辆的调查l 范围。我们只需要对已选定的车型的车辆进行阅图，大大地减少了工作量。这还并不是最重要的，随着机动车数量的增加，交通事故的增多，交通管理、公路收费的工作量和工作难度日益加大，因此车型自动识别在公路交通管理和自动收费中有着更为重要的应用价值。鉴于以上原因，本课题的研究意义就是旨在探索将现有的图象处理方法运用于已经采集交通视频信息，针对交通图像的共同特性，选取有效的处理方法，提高人工阅图的精确性，同时会实现对车型的快速识别判定，并将解决大多数其他判定算法中所不能解决的旋转图片之间的相似比对问题。以满足智能交通控制与交通监控及交通管理的需求。1．2智能交通系统的发展智能交通系统是将先进的信息技术、定位导航技术、数据通信技术、电子传感器技术、自动控制技术、图像处理技术、计算机网络技术、人工智能技术、运筹管理学等有效地综合运用于交通运输管理体系，加强了车辆、道路、使用者三者之间的联系，从而实现交通运输服务和管理的智能化，在综合集成思想指导下，建立一种大范围、全方位、实时、准确、高效的综合交通运输管理系统，是一个多学科和技术的大型综合化系统工程‘1J‘2113114II射。ITS的发展对社会生活、国民经济和城市建设将产生积极而深远的影响，因而世界各发达国家纷纷重视研究和开发这种智能化系统。我国已经将其列为优先发展的高技术产业化重点领域f6I。智能交通系统可分为五大功能模块‘7l：先进的交通管理系统ATMS(AdvaIlcedTra伍cManagenmeIltsystems)、先进的旅行信息系统ATIS(AdvaIlcedTraVelerInfomlaIjonSystems)、先进的车辆控制系统A、，CS(AdvallcedVehicleCon们1SysteIIls)、商业车辆运作系统CVOS(CoInmercialVehicleOperationSyst锄s)和先进的公共运输系统APTS(AdvancedpublicTrallsitSyStems)。而将来智能交通系统的顺利发展，很大程度依赖与所获得的车辆和道路信息的数量，这已经成为人们的共识。因为ITs的实时信息采集与处理能力使管理者能够全面地了解交通运行状况，能自如地处理各种道路交通异常情况，其发布信息能力又使管理者及时将决策传达给交通行为者。这里的实时信息采集与处理就是通过车辆检测器来实现2 的。在道路上设置的车辆检测器可以识别车辆运行状况及障碍物，并通过通讯手段实时地传达给交通管理人员及驾驶员。作为rrS的基本部分，车辆交通信息检测系统在rI’s中占有很重要的地位。而车辆检测器作为该系统的最前端，是用来实时采集通过检测点的车辆有关交通信息的设备，主要是通过数据采集和设备监视等方式，向监控系统中的信息处理和信息发布单元提供各种交通参数，作为监控中心分析、判断、发出信息和提出控制方案的主要依据。因此，车辆检测器及其检测技术水平的高低直接影响到公路交通监控系统的整体运行管理水平。车辆检测器的种类很多佟l，主要有下面7种：(1)超声波检测；(2)基于多普勒效应微波检测；(3)红外检测器；(4)声学检测；(5)磁力计检测法；(6)环形线圈车辆检测器；(7)视觉检测器。其中环形线圈车辆检测器是目前用于高速公路控制系统最广泛、效果较好的一种车辆交通信息检测设备。这种检测器由埋在路面下的线圈和能够测量该线圈电感变化的电子设备组成。环形线圈检测原理为：通过埋设在路面下的环行线圈，车辆经过引起线圈磁场的变化，由检测器的电子装置进行检测，根据多个环形线圈检测器的输出信号就可以确定车道占有率、车速和交通量等参数。在感应线圈检测的方法中，线圈电子放大器己标准化，技术成熟、易于掌握，计数非常精确。这种检测器具有检测参数精确度高、适应性强、可靠性高、漏检率低、使用寿命长、性能价格比合适等诸多优点，其缺点是：(1)线圈跟随路面变形；(2)另外环境的变化和环形线圈的正常老化对检测器的工作性有较大的影响；(3)安装维护不方便，并影响交通问题；(4)感应线圈容易收到干扰，由于是埋在路表下面，影响感应线圈的电感量的因素较多，如地表环境、温度、湿度的影响及引线的干扰。用于图像输入设备的视觉传感器按成像方式可以分为两大类：可见光成像和非可见光成像。对于可见光成像，目前普遍使用的是CCD摄像头，还有CMoS摄像头。对于非可见光成像，包括紫外成像、红外成像、无线电成像、超声成像等。运用视频图像处理和计算机图像识别技术于近年开发出来的。先进的视频车辆检测系统是由车辆检测技术、摄像机和计算机图象处理技术三者有机结合构成，以达到大范围检测和识别车辆的目的。与其它检测设备相比，视频检测设备有更多的优点：(1)视频照相机的安装简单方便，且安装时并不破损路面、不影响公路交通。同时，可以有效利用现有公路网上的已有视频设备，这将大大节省开支；(2)一套视频检测器设备能够同时3 检测几条车道；(3)计算机视觉能够抽取更为丰富的交通信息。通过计一算机视觉不仅可以获取车流量、车速、占有率、车辆分类等常规交通信息，还可以获取常规检测器无法得到的车牌号码、车辆运行轨迹，以及大范围交通现场信息等等。(4)可以实现更多的交通管理功能，这是其它检测设备无法做到的。如电子警察，采用智能图象识别处理技术，确保系统自动识别违章车辆的行驶轨迹(即违章过程)，并准确抓拍违章车辆的车牌照特写照片，为依法处罚提供最充足的法律依据。(5)可为交通管理部门提供可视图像。因此，各个国家的各个机构都纷纷研究基于视频图像处理的交通信息采集设备。视频车辆检测器系统在现代交通控制系统中占有很重要的地位，是未来智能车路系统发展的基础。基于上述优点，交通图像检测与处理方法在交通监控领域中的应用研究已引起了国内外学者广泛关注，也已形成许多研究热点，如车流量视频检测方法、车牌自动识别、车型分类等等。视觉检测器缺点在于由于摄像安装的角度与高度的限制导致的不同车道的车辆遮挡问题，阴影、积水反射、镜头蒙尘或昼夜转换等均可造成检测误差。总之，尽管面向ITS应用的图像处理对视觉传感器的要求较高，但是由于它所能提供信息远大于其它传感器，因此视觉传感器作为感知环境的强有力手段，将广泛应用于ITS。因此本论文以视频交通监控系统所提供的监控图像为对象，针对后期人工阅读图像的需要展开研究工作，研究内容主要包括：1)图像增强，即提高图像的视觉效果，便于读图；2)对监控图像中的车辆分类技术进行研究，便于根据车型和车辆特征进行图像检索。1．3图像处理技术在智能交通中的应用智能交通中的图像处理技术几乎囊括了图像处理技术的各个方面。通常可以分为两大类：单幅图像处理和多幅图像处理。单幅图像处理的处理对象是一帧图像。单幅图像处理一般包括图像增强、图像复原、边缘检测、直线与曲线检测、特征提取、目标识别、图像压缩等。多幅图像处理的处理对象可以是同一时刻不同摄像机采集的图像对，也可以是同一摄像机在不同时刻拍摄获取的图像序列。多幅图像处理一般包括立体匹配、光流分析和运动目标检测等。图像处理技术在ITS中的应用领域非常广阔，大体上可归纳为基于视觉的智能车辆导航、基于视觉的交通监控和基于视觉的交通管理三大应用领域。基于视觉的智能车辆4 导航包括道路识别、障碍物检测、驾驶员的视觉注意力监视等领域。基于视觉的交通监控包括车辆检测、车辆跟踪、事故检测、闯红灯检测、交通流参数检测等领域。基于视觉的交通管理主要是智能收费，包括车牌识别和车型识别等领域‘引。1．3．1基于视觉的智能车辆导航基于视觉的智能车辆导航技术是将摄像机固定在车辆上，检测识别车辆前方的道路、障碍物以及驾驶员的视觉注意力监视等，给驾驶员在安全和有效驾驶方面提出适当的建议。基于视觉的智能车辆导航技术可追溯到20世纪70年代初期的移动机器人研究‘圳，但由于当时的电子与计算机技术的发展水平所限，研究一度受阻，只有少数的研究小组坚持使用专用硬件方案进行研究并取得了部分研究成果111．”l，近年来，随着大规模集成电路与计算机技术的飞速发展，该领域的研究也取得了很大进展。1．3．2基于视觉的交通监控在现代社会中，交通是非常重要的。交通，特别是车辆的有效管理，己经成为急待解决的问题。使用监视摄像机的交通监控己经广泛应用于当前的交通管理中。然而，目前主要依靠人对所获得的视频图像序列进行观测的方法，需要大量的人力且对异常事件不能作出实时反映。而采用计算机视觉和图像处理方法，则能构造出智能交通监控系统，即基于视觉的交通监控系统。基于视觉的交通监控技术是将摄像机安放在道边或道路上方，获取交通场景的远距离图像，应用图像处理技术进行车辆检测、车辆跟踪、交通流参数检测、闯红灯检测、事故检测等，所获得的信息可用于法律裁决和交通控制器以控制交通流量，减少交通堵塞和改善交通安全。虽然交通信息可通过像埋入式感应线圈传感器、雷达和红外检测器获得，但是，通过视频监视摄像机的交通监控已经证明是有效的且经济的，几乎所有重要的交通特征都能从图像中通过车辆检测、事故检测和车辆队列测量来提取，一台摄像机可以监视多条车道，费用较低且易于维护。基于视觉的交通监控技术的研究始予20世纪80年代初‘14‘1嗣，但由于当时技术条件所限，实时性与可靠性都难以满足实际要求。随着大规模集成电路技术与计算机技术的发展，实时性已经不成问题，人们更多的注意力转向算法的可靠性上来‘17∞1114l。5 1．3．2．1车辆检测车辆检测是自动交通监控系统的基本技术之一，只有从背景中准确地分割出车辆，才能进行车辆的识别与跟踪，才能进行各种交通流参数的测量与分析。因此车辆检测是车辆计数、车速度、车流量、车密度等各种交通流参数测量的基础。目前主要有以下几种方法。(1)基于背景差法123瑚l(2)基于帧差法1251129l(3)基于边缘检测法【30J【22I(4)基于道路颜色模型法13lll32I1．3．2．2交通流参数检测在基于视觉的交通监控系统中，经常使用车辆计数、平均车速、车流量、车流密度、车辆队列长度等交通流参数。这些交通流参数的检测是交通监控和交通管理的重要环节，对提高道路通行能力，减少交通事故，合理调节路网的交通流分配具有重要意义。目前主要有以下几种交通流参数检测方法。(1)基于路面上或场景图像中预先定义的几何信息，计算车辆通过参考标志的时间来估计速度11禾16l13411241136Jl驯(2)基于车辆跟踪的车辆计数、平均车速、车流量检测方法1371126J133儿27l(3)基于FFT的车辆队列长度检测方法1381(4)基于边缘检测和模板匹配的车辆队列长度检测方法139l1．3．2．3闯红灯检测许多国家的统计表明，绝大多数的严重交通事故发生在十字路口，而其中的绝大多数又是由于司机违章或闯红灯造成的。删。闯红灯已成为道路安全的主要威胁之一。旨在阻止闯红灯一，图像、照相和传感器技术已经被开发和集成以检测违章行为和拍照事故。这些努力导致了称为红灯摄像机(RLC)的一类系统，它与交通灯控制电路及埋在路面下的感应线圈检测器(IDL)一起工作。．闯红灯检测技术始于20世纪sO年代末洲1421，1994年以来，美国、法国等工业发达国家相继研制成功闯红灯监视系统。法国研制的闯红灯监视系统采用闪光照相的方式，美国旧金山等地使用的是地磁线圈结合CDC采集方式。我国在1996年引进了照相6 方式的闯红灯监视系统，北京市公安交通科研所等单位研制了黑白型闯红灯监视系统。1997年深圳格林威交通科技有限公司研制了基于地线圈检测的cDC彩色闯红灯监视系统，西北工业大学则研制了基于视频检测的CCD闯红灯监视系统。目前主要有以下几种闯红灯检测方法。(1)ILD结合照相或摄像的闯红灯检测方法142‘4q(2)完全基于视频技术而不需要来自于交通灯系统或uD的信号的检测方法14711．3．3基于视觉的交通管理图像处理技术在交通管理方面的具体应用是电子收费(ETC)，也称为不停车收费，如在高速公路收费口、停车场等处。其应用可较好地缓解收费站的交通拥挤、排队等待以及环境污染等问题，克服人工收费存在的经济漏洞大以及对交通运输形成的“瓶颈”制约作用。电子收费的诸多优点，使其成为世界各国交通部门优先研究、发展和应用的技术之一，其关键技术核心是车辆识别。目前的车辆识别方法主要是采用车牌识别技术和车型识别技术。1．3．3．1车牌识别技术车牌的自动识别是计算机视觉、图像处理与模式识别技术在智能交通领域应用的重要研究方向之一，是实现交通管理智能化的重要环节。此项研究始于20世纪80年代，目前己成为国内外的一个热点研究方向，主要包括车牌定位、车牌字符分割和车牌字符识别三个关键环节。l、车牌定位车牌定位是复杂场景中的目标分割问题。车牌的精确提取是极其重要的，因为它直接影响系统的总精度。由于车辆图像的自然背景和车身背景都很复杂和丰富，光照条件和气候条件的变化，以及车牌图像本身的模糊、磨损、变形以及倾斜等，使得车牌定位一直是车牌自动识别系统中一个具有挑战性的难题，是一个热点研究问题。目前主要有以下几种车牌定位方法。(1)基于灰度图像处理技术的车牌定位方法(2)基于彩色图像处理技术的车牌定位方法2、车牌的字符分割车牌字符分割是车牌自动识别系统的关键环节之一，错误的字符分割会导致错误的7 字符识别。目前，大多数字符识别算法都是针对单独字符进行识别，因此在准确地定位车牌后，字符分割的好坏就对字符识别率起着非常关键的作用。其困难之处在于，当车牌图像质量退化，如车牌字符的粘连和断裂，特别是污迹严重的情况下如何进行字符分割。目前主要有以下几种车牌字符分割方法。(1)基于二值图像垂直投影的字符分割方法l删149】(2)基于灰度图像垂直投影的字符分割方法l删15lllS2l(3)基于字符轮廓投影设计一个辨别函数分离粘连字符，最后通过识别反馈进行字符分割的字符分割方法153l(4)求取图像中像素灰度值的垂直投影和投影方向灰度方差的线性和，将其局部最小值的位置作为字符切分点的字符分割方法I矧3、车牌的字符识别车牌的字符识别是车牌自动识别系统的最后一个关键坏节，对系统字符识别率的提高具有重要意义。目前，主要有以下几种车牌字符识别方法。1．3．3．2基于图像处理的车型识别技术在电子收费系统中，车辆的类别是决定通行费标准的主要因素，因此识别车辆的车型是非常重要的。目前在车型识别领域所做工作相对较少，传统的方法是使用埋入式感应线圈或轴传感器测量车辆的长度和轴刿s§5引，它能区分多种车辆，如摩托车、小汽车、有篷货车、公共汽车、卡车等。随着交通监控摄像机的大量配置和图像处理硬件和软件的快速发展，基于视觉的车型识别方法获得了广泛关注。目前主要有以下几种车型识别方法。【35】(1)基于车辆模型的车型识别方法159ll删(2)基于神经网络的车型识别方法161l(3)基于局部特征的车型识别方法‘62l(4)基于车辆模型和神经网络的车型识别方法063I(5)基于奇异值的车型识别方法I删(6)基于期望最大值(ME)算法的车型识别方法165l(7)基于激光亮度图像或距离图像的车型识别方法16“7J(8)基于角的立体匹配的车型识别方法I删(9)基于车辆几何特征的车型识别方法l矧I删R 1．4本文的主要工作与研究成果基于视觉的交通监控和基于视觉的交通管理具有现实的应用价值，本文对其中的若干问题进行了较为深入的研究，研究内容主要包括1)图像增强，即提高图像的视觉效果，便于读图；2)对监控图像中的车辆分类技术进行研究，便于根据车型和车辆特征进行图像检索。1．4．1本文的整体框架安排全文共分六章，论文内容安排如下：第一章作为论文的开始部分，介绍了智能交通中图像处理技术的研究背景、特点、目前该技术领域的研究现状与发展动态，本文的主要研究成果及论文安排。第二章讨论了基于灰度变换的交通监控图像增强，先介绍了几种基于灰度变换的图像增强方法，并且将其对监控图像进行实例处理，分析比较，选取在特定的条件下的最适合图像增强方法。第三章讨论了交通监控图像的色块平滑，介绍基本的色块平滑的方法，介绍改进地邻域平均法应用于交通图像，给出实验结果及分析。第四章讨论了车型识别技术的研究，简单介绍了车型识别技术的现状，主要介绍利用车型轮廓转换曲线相关系数判定车型的方法，阐述相关基础知识、公式等；给出实验结果及与其他方法的分析对比。第五章总结与展望，总结了本文所做的研究工作，并对本课题今后的研究方向做了一些预测和展望。9 第二章基于灰度变换的交通监控图像增强一般而言，图像增强是根据具体的应用场景和图像的模糊情况而采用特定的增强方法来突出图像中的某些信息，消弱或消除无关信息，以达到强调图像的整体或局部特征的目的。最常用的图像增强方法有灰度变换和直方图修正。图像增强的方法主要分为两类：空域增强法和频域增强法。2．1直接灰度变换灰度变换增强的原理如下：设，和s分别代表原始图像和增强图像的灰度，及·)为映射函数，通过映射函数致·)，将原始图像删中的灰度，．映射成增强图像删中的灰度s，使得图像灰度的动态范围得以扩展或压缩，用以改善对比度。灰度变换是图像对比度增强的一个有效手段，它与图像的像素位置及被处理像素的邻域灰度无关。灰度变换处理的关键在于设计一个合适的映射函数(曲线)。映射函数的设计有两类方法，一类是根据图像特点和处理工作需求，人为设计映射函数，试探其处理效果；另一类设计方法是从改变图像整体的灰度分布出发，设计一种映射函数，使变换后图像灰度直方图达到或接近预定的形状。映射变换的类型取决于所需增强特性的选择。常用的灰度变换有如下几种：线性变换，分段线性变换和非线性变换07蜊l。2．1．1线性变换线性灰度变换如图2．1所示，其灰度变换函数为：bO图2．1线性变换lO g(z，y)=矿(x，y)+6(2—1)式中，口为直线的斜率，6为g轴上的截距。显然，如果口=J，，6=D，则输出图像复制输入图像；如果口>J，，6=D，则输入图像对比度被扩展；如果口丁(3-2)l厂(x，y)其他式中T是一个规定的非负阈值，当一些点和它们邻值的差值不超过规定的T阈值时，仍保留这些点的像素灰度值。这样处理后的图像比直接采用公式(3．1)的模糊度要小。当某些点的灰度值与各邻点狄度的均值差别较大时，它很可能是噪声，则取其邻域平均值作为该点的狄度值，它的处理效果仍然是很好的。为了克服简单局部平均的弊病，目前己提出许多保留边沿细节的局部平滑算法。它们讨论的重点都在如何选择领域的大小，形状和方向，如何选择参加平均的点数以及邻域各点的权生重系数等。他们有：狄度最相近的K个邻点平均法，梯度倒数加权平滑、最大平均性平滑、最大均匀性平滑小斜面。如果将受噪声干扰的图像看成量个二维随机场，则可以运用统计理论来分析受噪声干扰的图像平滑后的信噪比问题。在一般情况下，噪声属于加性噪声，并且是独立的高斯白噪声(均值为零，方差为62)，我们定义信噪比为含噪图像的均值与噪声方差之比，则含噪图像经邻域平均法处理后，其信噪比将提高几万倍(M为邻域中包含的像素数目)，可见邻域取得越大，像素点越多，信噪比提高越多，平滑效果好。3．1．2空间域低通滤波从信号频谱角度来看，信号的缓慢变化部分在频率域属于低频部分，而信号的迅速变化部分在频率域是高频部分。对图像来说，它的边缘以及噪声干扰的频率分量都处于频率域较高的部分。因此可以采用低通滤波的方法来去除噪声，而频域的滤波又很容易从空间域的卷积来实现，为此只要适当地设计空间域系统的单位冲激响应矩阵就可以达到滤除噪声的效果。即采用下式 小∽=妻砉小+m一言∥刀一钞(m一(3-3)肌=0一盅O＼二二／式中：g为N×N滤波结果图像阵列，厂为N×N的图像阵列，h为L×L低通滤波红=吾[1ii]忽=去[iii]呜=去[{薹{]c3-4，G(“，V)=日(“，V)，(“，V)(3—5)哪)=$式中Do是一个规定的非负的量，称为理想低通滤波器的截止频率。D∽∞代表从频率平面的原点到mD点的距离，即：D(“，v)=拓了(3．7)2l、J6_O砩肼<一>D％，●I、，I、D 理想低通滤波器平滑处理的概念是清楚的，但它在处理过程中会产生较严重的模糊和振铃现象。这是由于俄”，D在DD处由1突变到0，这种理想的俄％V)对应的冲激响应办“力在空域中表现为同心环的形式，并且此同心环半径与现成反比。DD越小，同心环半径越大，模糊程度愈厉害。正是由于理想低通滤波存在此“振铃”现象，使其平滑效果下降。理想低通滤波器频率特性曲线如图3．3所示。图3．3ILPF特性曲线2．巴特沃思低通滤波器巴特沃思低通滤波器(BLPF)又称作最大平坦滤波器。与ILPF不同，它的通带与阻带之间没有明显的不连续性，因此它的空域响应没有“振铃”现象发生，模糊程度减少，一个n阶巴特沃思滤波器的传递函数为：州⋯卜可新o。8’或训％D。币司衙o‘9’从它的传递函数特性曲线川“，D可以看出，在它的尾部保留有较多的高频，所以对噪声的平滑效果不如ILPE。一般情况下，常采用下降到麒“，1，)最大值的1／压那一点为低通滤波器的截止频率点。对式(3．9)，当D(％D=玩当，z=1时，以“，力=1／压，而对式(3—8)，顾珥v)=1／2，说明两种川地D具有不同的衰减特性，可以视需要来确定。3．指数低通滤波器(ELPF)ELPF的传递函数俄坼1，)表示为：叭小唧{-[掣n仔㈣或(3-11)南勉n●●●●f1●●●●●●●●●●●、pXe=、I，矿“，●、Ⅳ 当D(％炉D0、以=l时，对式(3．10)，顶地D=1尾；对式(3一n)，坝“，v)=l／2，所以两者的衰减特性仍有不同。由于ELPF具有比较平滑的过滤带，经此平滑后的图像没有振铃现象，而ELPF与BLPF相比，它具有更快的衰减特性，ELPF滤波的图像比BLPF处理的图像稍微模糊一些。上述3种低通滤波器的频率特性比较可见图3—4。lcllLPF镑镌麴线{A≥抟￡．PF拇瞧；搬线3．1．4、多幅图像平均图3-4ILPF、BLPF、ELPF特性曲线多幅图像平均法是利用对同一景物的多幅图像取平均来消除噪声产生的高频成分。设原图像为以w)，图像噪声为加性噪声，l吣)，则有噪声的图像如力可表示为g(x，y)=厂(五y)+甩(x，y)(3-12)若图像噪声是互不相关的加性噪声，且均值为O，则厂(z，y)=Ⅱ厂(x，J，)](3·13)其中研贴y)】是颤训)的期望值，对M幅有噪声的图像经平均后有m，y)=Ⅲg(训)K(w)2吉善毋(训)(3-14)和吒w)2吉嵋w)(3-15)式中《(”)和吒w)是g和聆在点(x，y)处的方差。式(3—15)表明对M幅图像平均可把噪声方差减少M倍，当M学天珂，g(x，少)将更加接近于．厂(石，y)。多幅图像取平均处理常用于摄像机的视频图像中，用以减少电视摄像机光电摄像管或CCD器件所引起的噪声。这时对同一景物连续摄取多幅图像并数字化，再对多幅图像平均，一般选用8幅图像取平均，这种方法的实际应用中的难点在于如何把多幅图像配准起来，以便使相应的像素能正确地对应排列。 3．1．5中值滤波中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所引用。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。3．1．5．1中值滤波原理中值滤波就是一个含有奇数点的滑动窗口，将窗口正中那点值用窗口内各点灰度的中值代替。假设窗口有5点，其灰度值分别为80，90，200，110，120那么此窗口内5个点的中值即为1lO，中值滤波器的结果就是将中间的狄度值由原来的200换为110。设有一个一维序列石以⋯石。取窗口长度为聊(聊为奇数)，对此序列进行中值滤波，就是从输入序列中相继抽出聊个数，^"．以，彤“⋯彳+。其中f为窗口的中心位置，v=细一，胗，再将这_，，z个点按其数值大小排列，取其序号为J下中间的那个数作为滤波输出。用数学公式表示为：∥x=Med[矗∥一，z，⋯，z+，】f∈z，v=掣(3-16)例如：有一个序列为{O，3，4，O，7)，则中值滤波为重新排序后的序列{O，O，3，4，7)的中问值为3，此例若用平均滤波，窗口也是取5，那么平均滤波输出为((O+3+4+O+7)／5=2．8。因此平均滤波的一般输出为：毛=(矗，+矗，+l+⋯+∥+⋯+厶，)／，张f∈z(3-17)对于二维序列{局)进行中值滤波时，滤波窗口也是二维的，但这种二维窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。二维数据的中值滤波可以表示为：在实际使用窗口时，窗口的尺寸一般先用3x3再取5x5逐渐增大，直到其滤波效果满意为止。对于有缓变的较长轮廓线物体的图像，采用方形或画形窗口为宜，对于包含尖顶角物体的图像，适宜用十字形窗口。使用二维中值滤波最值得注意的是保持图像中有效的细线状物体。与平均滤波器相比，中值滤波器从总体上来说，能够较好地保留原图像中的跃变部分。3．1．5．2中值滤波的主要特性，4 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，滤波输出保持输入信号值不变，如在窗口2n+l内单调增加或单调减少的序列，即：厶如sZ9凡或允孤≥Z孤≥厶(3一18)则中值滤波输出不变。对于跳跃信号，中值滤波也保持不变。中值滤波的另一类不变性就是在一维维情况下周期性的二值序列。例如：娠}=⋯+l，+l"_l’-l’+l，+l，一l，-l，．．．。若设窗口长度为9，则中值滤波对此序列保持不变性，也就是说，当窗口为9的中值滤波的输入到一周期为4的输入序列时，输出不变。对于一个二维序列，这一类不变性更为复杂，但它们一般也是二值的周期性结构，即周期性网络结构的图像。(2)中值滤波去噪声性能：中值滤波可以用来减弱随机干扰和脉冲干扰。由于中值滤波是非线性的，因此对随机输入信号数学分析比较复杂。对于均值为零的正态分布的噪声输入，中值滤波输出的噪声方差近似为：弘南岛书p柳式中酽为输入噪声功率(方差)，脚为中值滤波窗口长度，磊为输入噪声均值：p(磊)为输入噪声密度函数。而平均值滤波的输出噪声方差霹为：霹=二酽(3．20)比较公式(3·19)和公式(3．20)可以看出，中值滤波的输出与输入噪声的密度分布有关。而平均值滤波的输出与输入分布无关。对随机噪声的抑制能力方面来看，中值滤波性能要比平均值滤波差一些。对脉冲干扰来讲，特别是脉冲宽度小于删，2，相距较远的窄脉冲干扰，中值滤波是很有效的。(3)中值滤波的频谱特性：由于中值滤波是非线性的，为此在输入与输出之间不存在一一对应的关系，故不能用一般线性滤波器频率特性的研究方法。为了能够直观地定性地看出中值滤波输入和输出频谱变化情况，采用总体试验观察方法。设G为输入信号频谱，，为输出信号频谱，定义：肚酬(3．21)IFI’。 为中值滤波器的频率响应特性。实验表明，日是与G有关的，呈不规则波动不大的曲线。其均值比较平坦，可以认为经中值滤波后，频谱基本不变。这一特点对从事设计和使用中值滤波器的工作是很有意义的。在计算机上制作了一组图像平滑噪声的实验图像，如图3．5所示。图(a)表示原始L％a图像，图嘞是图(a)直方图规定化后的图片，图(c)和(d)分别是图(a)和图(b)采用3x3窗算术平均平滑去除噪声后的图像，图(e)和④分别是图(a)和图(b)采用5x5窗口中值滤波后的图像。明显可以看到，邻域平均法虽然可以平滑色块，但是图像变得比处理前模糊了，特别是边缘和细节部分，并且所选的邻域半径越大，图像就越模糊。中值滤波对取出噪声的效果非常好，但是我们这里主要是针对前面线性变换后的色块现象的平滑，即马赛克现象，它是一个一个的小台阶，中值滤波的去台阶效果就不是很好了。图(a)交通监控原图图(b)直方图规定化图(c)原图3·3窗算术平均平滑图(d)是图(b)3·3窗算术平均平滑图(c)原图5。5窗口中值滤波图(f)是图(b)5‘5窗算术平均平滑图3-5平滑噪声实验图像26 3．1．5．4复合型中值滤波对一些内容复杂的图像，可以使用复合型中值滤波。如中值滤波线性组合、高阶中值滤波组合、加权中值滤波以及迭代中值滤波等。(1)中值滤波的线性组合：将几种窗口尺寸大小和形状不同的中值滤波器复合使用，只要各窗口都与中心对称，滤波输出可保持几个方向上的边缘跳变，而且跳变幅度可调节。其线性组合方程如下：Ⅳ巧=∑qMed(石)(3-22)Itl^式中锹，为不同中值滤波的系数，以为窗口(2)高阶中值滤波组合：巧=峄[叫石)]∞，这种中值滤波可以使输入图像中任意方向的细线保持不变。例如可以选择图2．3中的四种线状窗口Al、A2、A3、A4。用公式(3-22)的组合中值滤波可以使输入图像中各种方向的线条保持不变，而且又有一定的噪声平滑性能。·巴．艘；街···0··●●●●●●●^■●图3_6几种线性窗口(3)其它类型的中值滤波：为了在一定的条件下对某些图像尽可能干净地去除噪声，而又尽可能保持有效的图像细节，可以对中值滤波器参数进行某种修正。如加权中值滤波，也就是对输入窗口中进行某种加权。也可以是对中值滤波器的使用方法进行变化。保证滤波的效果，中值滤波器还可以和其它滤波器联合使用。3．1．5．5简单中值滤波的局限性中值滤波是一种非线性处理技术，能抑制图像中的噪声。它是基于图像的这样一种特性：噪声往往以孤立的点的形式出现，这些点对应的像素很少，而图像则是由像素数较多，面积较大的小块构成．在一维的情况下，中值滤波器是一个含有奇数个像素的窗口．在处理之后，位于窗口正中的像素灰度值，用窗口内各像素灰度值的中值代替．中值滤波器在某些情况下抑制噪声，而在另一些情况却会抑制信号。 虽然中值滤波去除脉冲噪声的效果很好，然而抑制噪声和保持图像中的细节往往是一对矛盾，也是图像处理中尚未很好解决的问题。所以保护细节的中值类滤波的研究成为非线性滤波器研究的一个重要方面。3．2改进的邻域平均法3．2．1算法介绍经过前一章的图像增强，我们选取的线性变换后的图像往往会出现如图的色块现象，影响图像的视觉效果，因此需要进行处理。图3．7线性变换后出现色块的图像具体方法可以应用邻域平均的方法获得色块的平滑效果，但是会带来图像的模糊，因此需要将原来的线性变换后的图像与平滑后的图像进行合成，即合成图像=∥×线性变换后的图像+(1棚×平滑后的图像0<∥<1其中系数B可以根据图像不同区域而不同，如图像某区域最大灰度和最小灰度之差较大，则该区域p取值应该较大，如某区域最大灰度和最小灰度之差较小，则该区域p取值应该较小。我想可以用以下方法分别对三种颜色通道的灰度图像进行处理：1)计算5×5邻域平均，获得一幅平滑后的图像；2)在计算5×5邻域时，计算该邻域中的最大值与最小值之差作为对应中心点的“差异管Dm![i1； 3)寻找整幅图像中，最大的“差异值’’A；4)计算修正系数聊i7刃：1’如果i行j列点的“差异值’仞脚伪啪．利，则修正系数尽脚铲l；2’如果i行j列点的“差异值’’D阿仍x的两点(x为特征角度，Ⅳ劬为轮廓点的角度值)，并对这两点各自与形心的距离值按公式(4．20)计算，。=丙编×(。(y+1)一。(少))+。(y)(4-2。)保存计算结果并终止对该特征角度的遍历。因为在实际图形应用中，有可能会由于图形的特殊性导致出现两个甚至多个点满足同一特征点，因此找到一个符合的点后便终止对该角度的遍历，可有效减少误差。实验证明对于其他点的丢弃对实验结果影响及其微小。数据归一化处理的算法流程如图4—8所示。图4-8归一化算法流程图45 4．2．2．5相关系数计算及旋转比对当完成了数据的归一化处理，提取出满足特征角度的点之后，便可计算两曲线(曲线上等间隔的点)之间的相关系数。在本论文中所涉及到的其他任何软件(图像)类判定方法中，用于比较判定的车型轮廓图均要求是严格平行的，即不能有旋转角度的情况出现，正如在文献‘881中提到的，图形相似判定要求对于旋转变换具有几何不变性，而上述的其他各类方法均不满足此要求。但是，在本论文算法中，加入一定的算法后，即可实现旋转不变性，并计算显示出两图形之间的旋转角度。具体过程是，对于进行相关系数计算的两个数组倪、G6，相关系数计算比较完成后，再将其中一个数组按照一定角度进行旋转，每旋转一次比较一次，找出最大的相关系数，并记录对应于此相关系数的旋转角度。对于旋转的“一定角度”的具体大小，本论文进行了实验。将车型图片进行旋转，将旋转后图片与原来的图片进行比较(在未加入旋转比较算法前)。其相关系数随角度变化如图4．9所示：图4．9旋转角度．相关系数变化曲线图由各图可见，对图形进行2度以内的旋转，图形与原图形的相关系数保持在0．99以内，也就是说，如果两个图形是相似的，那么将其中任何一个旋转2度以内的角度后，仍能判定出其相似性。在本算法中，采用l度旋转，即每旋转1度比较一次，以此寻找最适合的匹配角度，计算出最大的相关系数，同时找出两个图形之间的角度差。当需要更高精度时，可以通过修改算法中的旋转角度值快捷地达到更高精度。46 旋转匹配算法流程如图4．10所示。图4．10旋转匹配算法流程图4．2．3图形、车型相似性比较通过上述具体流程，完成识别比较算法的全部流程后，便可进行实际的识别实验，验证算法的实际应用效果、对实际问题的解决情况及其车型识别精度等。4．2．3．1模型图形相似性比较为了研究算法对于车型图片的大小变化，车型图片的各种毛刺情况(如某些车上的天线等)的敏感程度，我们将类似于汽车的模型图片进行各种变化，并将其与原图片进行比较判定试验。首先，绘制出类似车型的模型图片如图4．11所示：47 图4．11车型对比模型示意图将该图片与图片本身进行比较，或是对该图片进行放大、缩小后与原图片进行比较，其相关系数均为1。对大量其他图片的各种比例变换对照比较，其相关系数均处于0．9998～1．O000之间，也就是说，实验证明，本方法中的算法保持了文献1881中提到的图形的比例改变几何不变性。为验证本算法对图形各种微小变化的敏感度，确定其用于车型相似判定时的实际应用效果，在对图形进行某些方面处理后与原图形进行比较，其各种变化的相关系数如表4．2所示，其中相关系数是由10张不同图片按照相同处理方式变换比较得出的相关系数平均得出。表4．2图形微弱变化相关系数表变化后图形与原图形比较相关系数O．9901上邢犬烛0．9894上日pI’‘二J0．99llIHJJ火FIP—LJ币UO．9886两边顶部毛刺 由表中的数据可以看出，本算法对于图形的各种微小变化不敏感，对图形进行各类微小处理后，与原图形的相关系数均保持在0．99左右。因此，通过实验我们证明了，基于极坐标转换的相关系数判定方法对于图形自身放大缩小等变化不敏感，对于图形毛刺等微小变化不敏感。4．2．3．2类车型模型相似性比较判定出车型自身变化的相关系数后，再对类似于轿车、越野车、客车三种不同车型的三种不同矩阵叠加多边形进行比较，它们两两之间的相关系数则如图4．12所示：●图4．12模型相关系数关系图对大量上述模型的比较实验中，各种模型两两之间的相关系数范围如下：(所有实验结果)轿车模型对越野模型：0．55～0．85轿车模型对客车模型：O．65～O．8549 越野模型对客车模型：O．65～O．85各种同类模型之间的相关系数范围如下：(所有实验结果)轿车模型对轿车模型：0．94～O．99越野模型对越野模型：O．93～O．99客车模型对客车模型：O．96～O．99按算法设计，实验结果均为保留小数点后四位，为了范围之间比较的直观性，在此部分中仅保留两位。实验证明，各种不同模型之间的相关系数大致处于0．55到O．85之间，而相同类型模型之间的相关系数大致处于O．93到O．99之间。实验结果初步证明，相关系数法可以有效地判定车型。4．2．3．3车型轮廓相似性比较要进行车型轮廓的识别比较，首先必须从车辆序列图像中将车辆从背景图像中提取出来。车辆的有效分割对于相关系数的计算及最终的车型分类等后期处理是非常重要的，因为后期的所有处理过程都是仅仅已经提取的车型二值轮廓图像。背景减除方法是目前图形分割中最常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动区域的一种技术。在可控制环境下，或者在很短的时间间隔内，可以认为背景是固定不变的，可以直接使用差分方法分割出作为前景的物体。这种称之为差分方法一般能够提供最完全的特征数据嗍。这属于图像处理的内容，在本论文中不作详细讨论，默认需要进行识别的车型是已经经过图像处理完成的二值单色位图。在目前的各种应用中，主要采用背景减法提取车型轮廓。如图4．13为实际拍摄到的静态车辆图片。 图4．13汽车图片经过背景减法等一定的图像处理后，提取出车型轮廓如图4．14所示。图4．14汽车轮廓图再按照前面所提到的方法，提取出各种车型的外形轮廓多边形，即可进行车型相似的判定比较。对大量的三种车型图片提取轮廓后比较，得出的平均相关系数如图4．15所示，其范围分别为：轿车～越野车：0．9011～0．9402轿车～客车：0．8998～0．94115l 越野车～客车：0．8797～O．9314，。0．9230／I／iI＼0．∞lO＼图4．15汽车相关系数关系图显然，图4-15中各种车型的相关系数与图4．12中各种模型之间的相关系数存在一定的差距，这是因为模型图片比较规格化，棱角分明，特征明显，而实际中的车型轮廓却具有趋同性。为判定本方法的实用性，对三种车型的大量图片中分别任意选取10辆与各自选定的模板车进行比较，模板为在轿车、越野车、客车中分别选取的三张比较有代表性(即车型轮廓更大众化、普遍化)的车型轮廓图片，计算得出其相关系数如下：(采用图片时，排除跑车、敞篷车、加长车等特殊车型)表4-3车型．样本相关系数表 其中，1至10号车分别为每种车型图片中分别任意选取的lO张车型图片，即总共为30张图片(每样各10张)，比较系数为车型图片与本车型模板的比较。由上述数据可以看出，各种车型本身的相关系数基本上处于0．99左右，其中越野车型由于各品牌之间车型相差较大，故其相关系数相对较小(平均值为O．9869)，但是，相对于图中所显示的不同车型之间的相关系数，我们可以看出较为显著的差别。不同车型之间的相关系数均低于0．95(实验中最大为0．9411)，而相同车型之间的相关系数均高于O．97(实验中最小为0．9754)，因此，本方法仍可有效判定车型，除极少数特殊车型外，一般不会出现误判情形(在所有实验中未出现误判情况)。按照上述方法同样选取三个模板样本，并在其他图片中任意选取与样本进行匹配判定，得出表4—4。表4-4基于轮廓匹配的计算结果待识别车型匹配p1p2p3轿车越野车样本l样本2样本3样本l样本2样本3O．9902(车型)0．9315(舍去)O．9203(舍去)O．9324(舍去)O．9876(车型)0．8958(舍去) 注：其中样本1为轿车，样本2为越野车，样本3为客车本论文对大量车辆图片进行识别，均可正确判断出车型，表4．4仅为其中随机抽取的一轮实验，但其数据具有一定的代表性。4．2．4小结基于极坐标转换的相关系数法有效地实现了对规定车型(轿车、越野车、客车)的识别归类，通过相对简单的算法，完成了轮廓转换、车型识别、旋转角度计算等功能。算法经过试验确定了两相似图形之间相似性比较的容许旋转角度，对经过旋转的图片实现了旋转比对判定。相对来说，相关系数法对于车型识别的应用，达到比较快捷、简便、经济的效果。4．3对比分析实验证明，相关系数法实现了对三种车型的有效区分。(对于货车，由于缺乏足够数量的必要图片，因此暂不予考虑)对比其他各类方法，本方法存在着一定的优越性和创新性，也存在一定的缺点与不足，主要体现在以下几个方面。4．3．1方法适用性在文章的开头已经提到，本论文进行车型识别的目的是为了对特定车辆进行归类，判断出其所属车型，达到各种特定目的，如对于当事车辆进行识别以帮助事故认定或案件侦破等工作。本论文通过分析计算所实现的相关系数判定法对于以上目的是适用的。而对于其他方面的应用，例如收费站或停车场的车型识别，道路使用情况监控，车流组成分析等也都是适用的。在成本方面，相关系数法分析的对象是静态图像，也就是说，只需要摄像机或摄影54 机一类的用于获得车辆静态图像的设备即可进行判定识别，而不需要其他份额中设备和复杂的施工工作，成本相对其他大部分方法是很低的。另一方面，本方法中的算法实现简单，并可根据实际情况通过简单的修改，达到更好或更广的应用目的。43．2几何不变性文献【88】中提到，图形匹配方法要求对于平移、旋转，比例改变等几何变换具有不变性。文中提到的硬件类方法主要是按照具体车型的各种经验参数(或实验参数)直接对比进行车型的判定，不属于图形匹配方法。而上述的各种软件(图像)类方法一般情况下均能满足平移、比例改变的几何变化不变性。但是，对于旋转变换方面，几乎其他所有的方法都要求待识别图形与模板(样本)图像保持绝对的平行，也就是说，基本上都不满足旋转几何不变性。本论文所实现的相关系数判定法不仅不要求图像之间的平行，而且能够计算出两相似图像的相对旋转角度(即匹配相关系数最大时的旋转角度)。因此，本方法保持了严格的几何变换不变性。4．3．3扩展性论文所实现的相关系数判定法的主要算法思想，是基于图形相似判定的原则。这也就决定了此方法不仅可应用于车型识别，也可应用于其他各种图形相似识别或某些模型的判别。在现实生活中，我们经常需要对两个或多个事物之间的相似性进行判定，当事物的轮廓是其最主要的区别特征时，我们便可以采用此方法进行事物相似判定，这使得论文算法具备了一定的扩展性。而对于车型识别方面，正如文中所提及的，本算法还可以用于显示对多边形轮廓进行转换后的极坐标曲线，可以用于提取二值多边形的轮廓等，这些同样可以应用到其他各类普通图形上。4．3．4优缺点比较本论文所实现的算法，具有一定的实际适用性，适用于多种需要进行车型识别判定的场所，满足多种识别目的。而且，正如上面所述，本算法相对其他识别算法、方法具有较好的几何不变性和扩展性。但是，本算法仍存在着一个问题，就是尚无法对不同侧面的车辆图片进行相似判定，这也是其他大部分算法所无法解决的问题。另外，如文中数据显示，对于类车型模型的识别判定，其判定参数(即相关系数)之间的差距大于实际车型轮廓之间的差距。也就是说，本算法对于轮廓特征比较明显的多边形具有更好的识别判定效果。5S 5．1总结第五章总结和展望视频交通监控系统图像后处理技术在智能交通系统(ITs)中有着广阔的应用前景，它为实现智能交通监控提供了更为直观方便的分析手段和先进技术。本文主要将计算机数字图像处理技术应用于交通监控图像，实现对交通图像的增强、平滑及车型识别，有效提高人工阅图的精确度。这里对本文的工作进行简单的总结：本论文正是以视频交通监控系统所提供的监控图像为对象，针对后期人工阅读图像的需要展开研究工作，研究内容主要包括：l、图像增强技术研究，主要通过数字图像处理技术提高图像的视觉效果，为人工读图提供方便。论文中分析了包括灰度线性变换、非线性变换、直方图均化、直方图规定化等常用的图像增强方法，结合交通监控图像的特点，分析对比了多种图像增强方法对于交通监控图像的增强效果，实现了交通图像视觉效果的有效提升，2、图像平滑技术的研究，对包括有邻域平均法、中值滤波等的图像去噪平滑方法进行研究，结合交通监控图像的特点，分析对比了多种图像平滑方法对于交通监控图像的平滑效果效果，针对图像增强中出现的色块马赛克现象改进了邻域平均算法，在有效平滑图像色块的同时，较好的保持了图像的边缘和细节：3、图像分类技术，系统介绍了车型识别的各种方法，包括硬件类和软件(图像)类。主要探索了基于极坐标曲线相关的监控图像车辆分类技术，为快速检索图像降低人工图像阅读工作量提供了一种可行方法。通过论文的研究，主要取得以下结果：l、将图像增强技术应用于交通图像后期处理，分析对比了多种图像增强方法对于交通监控图像的增强效果，应用线性变换实现了图像视觉效果的有效提升；2、改进了邻域平均算法，有效消除了图像中的色块，。同时较好的保持了图像的边沿视觉效果；3、将极坐标曲线相关技术引入车型分类研究，实现了具有缩放和旋转适应性的车型分类算法。 5．2展望l、图像增强过程主要采用Matlab编程实现，代码未经优化，处理速度较慢，算法的实际应用仍需进一步的优化和程序设计；2、本论文的车型分类技术研究未涉及车辆的轮廓提取，整个车辆图像分类过程还未完成，有待下一步进行深入研究。3、论文研究的车型分类中，没有构建完整、准确的车辆模板库，算法验证不够全面，需要大量的车型数据整理和总结工作。57 参考文献【l】HorstE．Ged锄d．ITS111tellig∞tTransponationSyst锄：FleetMaIlageIllellt谢thGPSD∞dR优koning，AdVallcedDisplays，Smartcards，etc．IEEE—IEEVcIhicleNa访gation&info咖ationSyst锄sCon胁lce，Ottawa，Canada，l993，606·611[2】ChelseaC．White．IIltelligelltTraIlsportalionSyst锄s：IIltegmtillghlfomationTecbnologyandmeS盯faceTraIlsportationSyst锄．1995IEEEIIlt锄ationalCon氨e1．enceonSyst锄s，M觚觚dCybeHletics(SMC95)，ValIlcouv％BritishCol啪bia，Callada，l995，4000_4003【3】BrallIl，Alex锄derE．Intelligent仃ansponationsystcrns：mirageorre￡ll虹MicrowaVeJoumal，1997，40(8)：22-38[4】MARKW．MAIER．onArchitectingandhltelligent胁sponsysteInsIEEETrall鼢ctionsonAerospaceaIldElec仃onicSystems，1997，33(2)：6lO-625【5】黄卫，陈里得．智能运输系统(ITS)概述．北京：【6】国家发展和改革委员会，科学技术部，商务部．受鲨墨§鱼避：gQ蔓璺n．2004人民交通出版社．200l当前优先发展的高技术产业化重点领域指南．[7】郁梅，蒋刚毅，郁伯康．智能交通系统中的计算机视觉技术应用．计算机工程与应用，200l，10：101．103[8】翁小雄．高速公路机电系统．北京：人民交通出版社，2000．【9】李文举．智能交通中的图像处理技术应用的研究．大连海事大学T学博士论文．200411[10】杨明，陆建业，千宏，张钱．基于视觉的道路跟踪．模式识别与人工智能，200l，14(2)：186_193【11】Dickm锄sED．ExpeCtation-BasedMulti-FocalⅥsionforV．ehicleGuidance．Proceedingsoftlle8mEumpeanSi鲫alProc骼singConf打印ce，Trieste，Italy，1995，1023一1026[12】BroggiA，C伽teGGregorettiESansoEC，Reyn谢LM．neEvolutionofnle黝LPRjCASyst锄．IntegratedComput*AidedEn西ne甜ngJo啪al，l997，4(2)：ll4一l36[13】BertozziM，Brog垂A．vision-basedVehicleGuidance．IEEEComput％l997，30(7)：49-55【14】Z．Houl(es．MeasuIIementofspeedaIldtimeheadwayofmotorvehicleswinl们de0c撇era觚dcomputer．Pmceedingsofme6”IFAC／IFIPConf矗enceonDigitalComputerApplicationtoProc鹤sCon缸Dl，Dusseldo吐W矗tGenTlany"l980，231-237【15】S．Takaba，M．Sakauchi，T．Kaneko，B．W6n—Hwang，T．Sekine．Measur锄entof打a伍cnowusingrealtimepmcessingofmovingpictureS．Proc．32ndIEEEVrehicularTecllIlologyCon￡SanDiego，USA，l982．488494[16】kW．Dickinson，R．C．Wat柏11．Ⅵdeoimagepmcessingformonito血groadtraffic．IEEInternationalCon鼢lceonRoad11rafficDataCollection，l984，l05-l09【l7】ShunsukeKamijo，Yasu”kiMatsushita，K丑tsushiIl(euchi，MasaoSakauchi．Tra伍cmonit嘶ngandaccidentdetectionatiIltersections．IEEE7r1．ansactionsonintelligent妇nsportationsySteIIls，2000，l(2)：108．118【18】Ge0唱eS．K．Fung，NelsonH．C．Yung，G舢m锄kH．Pang．Vehicleshapeappro)【iInation舶mmotionforvisualtra伍csun，eillance．2001IEEEIIltelligelltTransportationSystemsConR淝nceP砌蒯ings，oal【land(CA)，USA，200l，608-613【l9】BelleL．TscIlg，Chillg-Y．吼gLin，JollIlR．Smim．Re-al-tilneVide0surveill锄ce6"tm伍cmonito血gusiIlgvinualline锄alySis．ProceedmgsofIE髓IIlt锄ationalC伽硒．饥ceonMultiIIledia锄dExp0(ICME)，NJ，USA，2002，2：54l-54458 【20】HariIliVe啪m曲aV锄，Os锄aM勰0ud，Nil【olaoSPap锄ikol叩oulos．Ⅵsion_b弱edMonito血gofIntersectio璐．TheⅢEE5mIllt锄ationalC0nfIe棚1cconIntellig∞tTr锄sponationSystems，Singapom，2002，7—12【2l】D0ngGuo，Yr觚chyeHwang，YapCLA嘶姐，Qlristi锄Lau西既1h伍cmonito血gusiIlgshort—10ngt锄back笋0undm锄。哆neIEEE5。IIlt锄ationalConf如lceonhltelligeIltTraIlsportati∞S)，st锄s，Singapore，2002，l24一l29【22】MYSiyal．AN印ralvisionb器edapproachf．0riIltellig肌t仃{msportationsystem．IEEEICIT．02，B锄gkok，THAlLAND，2002，456460【23】PaIlkajKum碣Su础ldmR柏g锄atll，Hu锄gWeilnill．Bay懿i锄net、jl，od【b鹤edcomputervisi∞a190rithm矗Ⅱ仃a硒cmonitomgusillgVide0．匝EEhltl．con￡蛐Intcllig铋tTr锄sponationSyst蹦硌，sh锄gllai，China，2003，897·902【24】Michal叩oulosPG．Vehicledetectionvide0nuoughiⅡlageproc懿sing：TheAutoscopesyst锄．mEETr锄s．OnVehicular1砒n0109y，199l，40(1)：21—29[25】Yr趾gJul(im，Y0ungSungSoh．Improvemelltofback笋0undupdatememodofilllagedetectI眈5mWroddCongressonIntelligentTImlsportSyst锄，CD-vcrsion，1998【26】Ycmng-Kc宥J吼g，Yo—S硼gHo．11删昕cpar锄e衙ex瞅tionusiIlgvideD-lⅪsedvehicle昀cking．ProceediIlgsofIEEEIntl．C0nfI盯饥∞onIIltellig锄tTr锄sponationSyst锄s，l999，76舢769【27】蒋刚毅，郁梅，叶锡恩，刘晓．一种基于视觉的车辆跟踪及交通流量参数估计新方法．电路与系统学报，200l，6(4)：69．73【28】Sur饥draGupte，Os锄aMasoud，RobertF．K．Martin，NikolaosP．P叩觚ikolopoulos．Detection锄dclassi6cationofVehicles．IEEE妇n鼢ctionsonintelligeIlt咖lsponationsystems，2002，3(1)：3747【29]M．P．Dubuisson，A．K．Jaill．Contourex咖ctionofmovingobjectsinconlplexoutdoorsceIl骼．hlt锄ationalJ0umalofComputerⅥsion，1995，14：83一105【30]M．Fathy，M．YSiyal．AWiIldow-basedimageprocessingtechniquef；wquantitativeandqualitativeailalysisofroad仃a伍cparameters．IEEETr姐s．0nVehicularTecllIlolo烈l998，47(4)：l342一l349【3l】J．C．Roj弱，J．D．Cri锄a11．Vehicledetectioninc010rimages．1EEECon翩lceonIIItelligeIltTr．ansportationSystellls，Boston，USA，1997：403408【32】L．W．L锄，A．Y．Kuo．DeVelopmentofamzzyneuralnetworkcolorimagevehiclllardetection(补烈CⅣD)syst锄．TlleIEEE5“IlltenlationalCon胁ncc0n111tellig饥tTr锄sportationSystems，Singspore，2002，88-93【33]ShunsukeKAMIJO，№u”kiMATSUSHITA，KatsushiIKEUCHI，MasaoSAKAUCHI．OcclusionRobustVrehicle7I’mck协gforBehaViorAnalysisutilizingSpatio·TemporalMarkovRandomFieldModel．2000IEEEIIltelligent7n．ans叫ationSystemsConfer．enceProceedings，Dearbom(M1)，USA，2000，340．345【34】R．Ashwonh，D．GDarkin，K．W．Dickinson，M．GHanley，C．L．Wan，R．C．Watemll．Applicationsofvideoimagepmcessingfor仃a衢ccon扛olsystems．Proc．2加IIlt．C伽￡RoadTramcCon仃ol，L0ndon，U．K．，1985，119-122[36】AlVaroSoto，Aldociprinao．ImageProcessingappliendtor鼢ltimemeasurerIlentoftm伍cnow．Pmceedingsofthe4tllIFACIIltenlationalSymposiumonLowCpstAutomation，LCAl95，BueIlosAires，A娼entina，1995：48-53【37】J．Soh，B．T．ChllIl，M．Wang．AnalysisofroadimagesequeIlces矗”v“iclecountiIlg．IEEEInt锄ationalConfereIlceSySt锄s，ManandCy咖letics，1995，l：679-683【38】R()U鼬咂．A．，BELLM．GH．．Q『Ileuedetcction觚dcong％ti∞monitol血gusiIlgimageprocessing．1h伍cEng．&Con缸．0l，1991，412_42l59 【39】Y|oichir01w鹤al(i．AnhIlageprocessingsyst锄tomeasureVehicularqueues觚d狮adaptive仃afficsi辨alcontrolbyusingⅡleinfomationofthequeues．ol998IEEE，l95-200【40】KM．Lum，YD．Wbng．AnovaⅣiewofred-li曲tsurveill锄cec锄erasiIlSillg印ore．ITEJ．W曲，1998，87．91[41】C．J．Baglll哆Ru加ingme同atsi印alsonhigll—speedroads．Tm伍cEng．C伽舡，1988，29(7)：415_420【42】H．C．Chin．E脏ctofautomatic同li曲tc锄erasonred—m衄iIlg．Tra伍cEng．C0n位，l989，30(4)：175．179[43】S．J．1110mpsonda1．Pu也g同一li曲tViolatorSinthepictllre．TmfficEng．Con仃-，1989，30(3)：122一125[44】吴洪森，李志能．闯红灯车辆自动监录系统设计与分析．光电工程，1999，26(1)：64-68【45】胡嗣云，任大任．闯红灯报警联动监视系统的研究．中国仪器仪表，2000，4：21-22【46】田丰，富刚，张国华，吴健民．机动车闯红灯自动拍照系统．微处理机，2001，4：61．62[47】NelsonH．C．Yung，An舭wH．S．Lai．Ane丘酰tive“deoanalysismethodfordetecting川ligllt．舢n粥．IEEETransactionsonVehiculartecllIlolo鼢200l，50(4)：l074-l084【48]BanDsoJ，DaglessEL，RafaelA，Bulas-CmzJ．Numberplatereadingusingc啪pu衙Vision．P眦．IEEEIIltenlationalSyTnposiumonIndustrialElecn．onics．Guimaraes，USA，l997，3：76l·766[49】De羔11etriosMichalopoulos觚dChih—KallgHu．AnenDrback—propagationanificialnc啪lnet、Ⅳ0rl(sapplicationinautomaticcarlicenseplaterecognition．Proceedingsofthel5mIIlt锄ationalConf打enceonIndustrial锄dEngine耐ng，ApplicationsofAnificialIntelligellce觚dExp舐Syst咖s：DevelopmcIltsinAppliedAnificialIntelligence，2002，2358：l-8【50】Nade锄A．1(1lan，R加J．DelaHaye锄dHaIlsA．H呵．Alicenseplatereco盟itionsyst锄．PanoftlleSPIEConfer肌ceonApplicationsofDi百talImageProc懿singXXI，1998，3460：14—24[51】H卸sA．Hegt，RonJ．DelaHayea11dNade锄A．K】1an．Ahighpe]晌加ance1icenseplate1．eco印itionsystem．1EEEIntenlationalcon向．饥ce0nsyst锄s，maIl，andcybemetics，l998，5：4357_4362【52】ClausNeubau％JeIln-Kwei1"yanandLjubisaGog锄oVic．“c肌seplaterecognitionwi也anintellig锄tc锄era．PartoftheSPIEConfer％ceonMobileRobotsXIVl999，3838：29—38【53】J锄．Kwei1’yan，ClausNeubauerandLjubisaGogaIloVic．AcharactcrsegmeIltationalgo—thmforreco舯itionofvehiclelicenseplate．PanofmeSPIECo向明ceonMobileRobotsXⅣ19993838：12．2l【54】Kl(．1(imkLl(imJ．B．1(imH．J．1Na(y+1，2)庐Na(y，2)；b=．Na(y，1)；Na(y，2)_Na(y+1，2)；Na(y，1)司0a(y+l，1)；Na(y+1，2)=a；Na(y+l，1)=b；姐dend％对Na(k，2)按从小到大排序％h=l：forx=J：l：359fory=l：l：k一2ifNa(y，2户2x7Ga(h，1)=Na(y，1)；Ga(h，2)==】【；h=h+l：breal(elseif(Na(y，2)x)Ga(h，1)=(x-Na(y，2))事(Na(y+l，1)．Na(y，1))／(Na(y+1，2)-Na(y，2))+Na(y，1)；Ga(h，2)：=)【；h=h+l：brI浊end％以上部分提取等间隔极坐标数组，即数据归一化％％到此计算完成图形A ％n=l：s啪bl=O；吼lmb2=O：f．0rx=l：l：454f．ory=l：l：639ifB(x，y)=0吼Ⅱnbl=吼lmbl+x；s眦b2=龇In．b2+)，；n=Il+l；endsbl=sumbl“n·1)；sb2=sumb2／(n—1)；％以上部分求出形心n=1：forx=1：l：454f．ory=1：l：639ifB(x，y)=一0&(B(x—l，y)=一1IB(x+1，y)=一l|B(x，y-1)一l|B(x，)卜卜1)==1)Mb(n，1)=x；Mb(n，2)=y；n=Il+1；end％以上部分得出轮廓数组k=1：f．0rx=l：1：n．1Nb(k，1)=sqrt((Mb(x，1)-sbl)^2+(Mb(x，2)-sb2)^2)；Nb(k，2)=ataIl((Mb(x，2)一sb2)“Mb(x，1)·sb1))；ifMb(k，1)x)Gb(h，1)=(x-Nb(y，2))幸(Nb(y+1，1)-Nb(y’1))／(Nb(y+l，2)-Nb(y，2))+Nb(y，1)；Gb(h，2户x；h=h+l：breal【end％以上部分提取等间隔极坐标数组，即数据归一化％％以上部分完成计算图形B％forx=1：1：359E(x)=Ga(x，2)；F(x)=Ga(x，1)；end％plot(E，F)forx=l：l：359E(X)=Gb(x，2)；F(x)=Gb(x，1)；end％plot(E，F)％此部分用于需要时极坐标曲线的显示'