车辆监控系统图像检测算法研究

'武汉理工大学硕士学位论文中文摘要数字图像处理技术与监控系统的结合、应用是近年来的热点研究课题。特别是智能视频技术与交通监控系统的相结合，不仅使系统具备了数字视频的压缩、传输、存储和播放功能，更使系统具备了图像分析、智能监控的特色，从而能够方便的实现车辆的分割和检测、测量相关的交通参数，如车流量及运动方向统计等；根据相关的数学模型，还可实现车辆的运动检测，车辆的跟踪与车辆的识别。本课题源于基于视频的车辆智能检测系统项目的预研，旨在通过研究提出一种应用于运动车辆的监测的图像检测算法，适用于固定摄像头下的视频图像中运动目标识别和跟踪，使得视频图像分析能够适合集成到视频图像采集压缩前端模块中，运用改进的算法模型实现计算效率最大化以及目标判断准确性。视频图像分析中，背景提取的准确与否直接关系到分割质量。运动车辆检测通常是在户外，天气、光照等外界环境的改变对图像背景的灰度影响是背景提取中不得不考虑的环节。本文通过分别对基于静、动态背景的生成中的平均值法，多帧中值滤波算法和自适应滤波算法进行了大量理论研究和实验对比论证，提出了适用于该运动车辆检测系统的背景提取法，滤除因环境变化而产生的干扰噪声，并结合固定摄像头下运动车辆检测的各种图像特征，运用基于数学形态学分割算法实现了对运动车辆对象的提取。针对图像监控中非有效对象的运动产生的噪声干扰问题，根据车辆视频图像的运动连续特性，利用卡尔曼滤波器算法对运动目标跟踪和噪声的滤除。并通过改进的基于边缘增长的主动轮廓模型算法对运动目标轮廓进一步精确，提高分割质量，为多车型的识别做准备。综合这些运动图像检测算法，总结出了一种新型的优良的运动车辆目标跟踪监测方案，使其能够有效克服分割干扰，过分割以及运算量大等一般算法的缺陷。最后使用该方案对运动车辆视频图像进行了监测仿真验证。仿真结果表明，检测效果基本能够满足对运动目标检测的要求。关键词：视频图像；运动目标；图像分割算法 武汉理工大学硕士学位论文AbstractDigitalimageprocessingtechnologyandmonitoringsystem，thecombinationofapplicationsisahotresearchtopicinrecentyears．Particularlyintelligentvideotechnologyandtrafficmonitoringsystemfortheintegrationofthesystemhavenotonlyadi百talvideocompression，transmission，storageandplaybackcapability,allowingthesystemtohavetheimageanalysis，intelligentmonitoringofthecharacteristics，thustofacilitatetherealizationofvehiclesSegmentationandtesting，measurementoftraffic-relatedparameters，suchasvehiculartrafficmovementanddirectionofstatistics，accordingtotherelevantmathematicalmodel，butalsotoachievethemotiondetectionvehicles，vehicletrackingandvehicleidentification．Based011thissubjectfromthevehicleintelligentvideodetectionsystemofpre-researchprojecttostudythroughamovementofvehiclesusedinmonitoringtheimagedetectionalgorithm，forafixedcamerainthevideoimagestoidentifyandtrackmovingtargets，Videoanalysiscallbemadesuitableforintegrationintocompressedvideoimageacquisitionfront—endmodule，theuseofalgorithmstoimprovetheefficiencymodeltoachievegoalsandmaximizetheaccuracyofjudgement．Videoimageanalysis，backgroundextractaccurateornotdirectlyrelatedtothequalityofsegmentation．Basedonthispaperwerepassedonstaticanddynamicbackgroundoftheformationoftheaveragemethod，multi—frameinthevalueoffilteringalgorithmsandadaptivefilteringalgorithmsalotoftheoreticalresearchandexperimentaldemonstrationcontrast，madeapplicabletothemovementofvehiclesfromthebackgrounddetectionsystemLaw,combinedwithafixedcameramovementofvehitiesunderthedetectionofimagefeature，basedontheuseofmathematicalalgorithmseparatedMorphologyofthemovementofvehiclesfromtheobject．Monitoringforimagenoiseproblems，accordingtovideoimagesofvehiclesforthecampaignofusingKalmanfilteralgorithmmovingtargettrackingandnoiseII ‘：lters．．，舢dby岫Ⅳov洒gmebrilll(。fgrowthbaSed。ntheactjvec。ntourm。del：g鼍竺二。mnherouujnepreciSetarge峨improVethequality。fse舯entation，for竺¨竺n6cationm0出h。prep玳妣Integratedin惋eSponsiIllagedete二i。n竺?’S姗蛐edupanew嘲et仃ackingexcellentprogrammet0enabIeitt。er埯cn?1y(：眦omemeSplitinterference，andthesegmentationofthegeneralc竺n鼍，剃也m如wS．Finally也e璐e。f龇pro鲫啪eonthem。vement。fVetliclesV1de。imageswerem。nitoredsimulation．Thesilnu】ation删tssh。wtllatlte，stresult．scanbasicallymeettherequiI．emems。fthem。vingta唱etdetecti。n．⋯⋯^eyworns：V1deo1mage；segmentationalgorithm；Moving陆getIII 独创性声明本人声明，所呈交的论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。关于论文使用授权的说明本人完全了解武汉理工大学有关保留、使用学位论文的规定，即学校有权保留、送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。(保密的论文在解密后应遵守此规定)日期：雌司 武汉理工大学硕士学位论文第1章引言1．1研究的背景及意义1．1．1数字图像处理与数字视频随着科技的进步，特别是计算机科学的发展，数字图像处理(DigitalImageProcessing)【lJ越来越成为现代科学研究和应用的热点。数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字格式并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到～定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理主要研究图像变换[21、图像编码压缩‘31、图像增强【41和图像复原【51、图像分害0t61、图像描述17J、图像分类(识别)几个方面，其具体特点表现为：(1)图像变换，如傅立叶变换【引、沃尔什变换【91、离散余弦变换【10】等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理(如变换可在频域中进行数字滤波处理)。目前新兴研究的小波变换【IlJ在时域和频域中都具有良好的局部化特性，它在图像处理中也有着广泛而有效的应用。(2)图像编码压缩技术可减少描述图像的数据量(即比特数)，以便节省图像传输、处理时间和减少所占用的存储器容量。压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。(3)图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化图像高频分量，可使图像中物体轮廓清晰，细节明显；如强化低频分量可减少图像中噪声影响。图像复原要求对图像降质的原因有一定的了解，～般讲应根据降质过程建立”降质模型【l2】”，再采用某种滤波方法，恢复或重建原来的图像。 武汉理工大学硕士学位论文(4)图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。因此，对图像分割的研究还在不断深入之中，是目前图像处理中研究的热点之一。(5)图像描述是图像识别和理解的必要前提。作为最简单的二值图像可采用其几何特性描述物体的特性，一般图像的描述方法采用二维形状描述，它有边界描述和区域描述两类方法。对于特殊的纹理图像可采用二维纹理特征描述。随着图像处理研究的深入发展，已经开始进行三维物体描述的研究，提出了体积描述、表面描述、广义圆柱体描述等方法。(6)图像分类(识别)属于模式识别的范畴，其主要内容是图像经过某些预处理(增强、复原、压缩)后，进行图像分割和特征提取，从而进行判决分类。图像分类常采用经典的模式识别方法，有统计模式分类和句法(结构)模式分类，近年来新发展起来的模糊模式识别和人工神经网络【l3J模式分类在图像识别中也越来越受到重视。数字图像处理技术相对于传统的模拟图像处理技术具有许多不可忽视的优点：(1)再现性好数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化。只要图像在数字化时准确地表现了原稿，则数字图像处理过程始终能保持图像的再现。(2)处理精度高按目前的技术，几乎可将一幅模拟图像数字化为任意大小的二维数组，这主要取决于图像数字化设备的能力。现代扫描仪可以把每个像素的灰度等级量化为16位甚至更高，这意味着图像的数字化精度可以达到满足任一应用需求。对计算机而言，不论数组大小，也不论每个像素的位数多少，其处理程序几乎是一样的。换言之，从原理上讲不论图像的精度有多高，处理总是能实现的，只要在处理时改变程序中的数组参数就可以了。回想一下图像的模拟处理，为了要把处理精度提高一个数量级，就要大幅度地改理装置，这在经济上是极不合算的。(3)适用面宽2 武汉理工大学硕士学位论文图像可以来自多种信息源，它们可以是可见光图像，也可以是不可见的波谱图像(例如X射线图像、射线图像、超声波图像或红外图像等)。从图像反映的客观实体尺度看，可以d,N电子显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。这些来自不同信息源的图像只要被变换为数字编码形式后，均是用二维数组表示的灰度图像(彩色图像也是由灰度图像组合成的，例如RGB图像由红、绿、蓝三个灰度图像组合而成)组合而成，因而均可用计算机来处理。即只要针对不同的图像信息源，采取相应的图像信息采集措施，图像的数字处理方法适用于任何一种图像。(4)灵活性高。图像处理大体上可分为图像的像质改善、图像分析和图像重建三大部分，每一部分均包含丰富的内容。由于图像的光学处理从原理上讲只能进行线性运算，这极大地限制了光学图像处理能实现的目标。而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数学公式或逻辑关系来表达的一切运算均可用数字图像处理实现。数字视频f14】以数字方式记录的视频信号、是序列数字图像的一种典型特例，随着计算机的日益普及、计算机图像处理技术的不断提升，数字视频压缩编码技术日趋成熟，为基于PC机的数字视频监控系统的实现创造了条件。数字视频监控系统拥有了数字图像的种种优点，集成了图像处理的相关技术，成为当今社会监控市场的主流。然而普通的数字视频系统也存在自身的不足。在一些大型视频监控系统中，监控系统几乎只作为一种提供事后取证录像的工具。如城市社区的监控体系中，成千上万数量众多的监控点，使工作人员根本无暇管理和监看，监控系统也丧失了原来拥有的预防能力。这也与人们对视频系统真正需求存在差距。安防行业迫切需要的是智能化的视频监控：及时预警事件(盗窃、破坏、入侵)、及时的记录事件；预测一个趋势，设定一个界限，提醒管理人员关注事态的发展，以便及时地阻止事件的发生或产生更严重的后果。智能监控系统正成为安防等应用技术研究的新热点。1．1．2智能视频技术研究现状与趋势对智能视频技术的研究国外起步得比较早，自20世纪60年代就有学者开 武汉理工大学硕士学位论文始相关方面的研究。MIT的Roberts通过计算机程序从视频图像中提取出诸如立方体、棱柱体等多面体的三维结构，并对物体形状及物体的空间关系进行描述，这项研究开创了以理解三维场景为目的的三维计算机视觉【l5J的研究。有代表性的是在20世纪90年代，由美国军方支持的350个图像理解研究项目，共计7000万美元。特别是美国911事件之后，智能视频监控系统正在越来越多的引起人们的关注，需求量处于不断上升的过程当中。而智能视频分析技术作为智能视频监控的核心技术越来越收到人们的关注，引起了国际上许多著名科研机构以及研究人员的兴趣，尤其在美国、英国等国家已经开展了大量相关项目的研究。例如，1997年美国国防高级研究项目署(DefenseAdvancedResearchProjectsAgency)设立了以卡内基梅隆大学(CarnegieMellonUniversity)为首、麻省理工学院(MassachusettsInstituteofTechnology)等高校参与的视觉监控重大项目VSAM(VisualSurveillanceandMonitoring)，主要研究用于战场及普通民用场景进行监控的自动视频理解技术；实时视觉监控系统不仅能够定位人和分割出人的身体部分，而且通过建立外观模型来实现多人的跟踪，并可以检测人是否携带物体等简单行为；英国的雷丁大学(UniversityofReading)已开展了对车辆和行人的跟踪及其交互作用识别的相关研究。目前对智能视频技术的研究是汹涌蓬勃，有关文献更是层出不穷。在该领域处于领先地位的大学有MIT，Stanford，SouthernCalifornia，Carnegie．Mellon，和Purdue等；另外，ObjectVideo(OV)，IBM，GM，Bell，HoneyWell，Bosch，Tyco，Simens，Dallmeier，Vidient，Ivbox，Mate，Nice，ITERIS以及Viseowave等公司或企业的相关技术在全世界处于领先地位。我国国家和工业界投资于智能视频技术的研究经费非常有限，但我国许多高校以及科研机构中，从事该领域研究的科研人员越来越多。上海交通大学图像所，华中科技大学图像所，清华大学，汉王科技股份有限公司移动视觉事业部等有关科研机构已经取得了不少成果。但目前在国内市场上使用较多的Ⅳ产品以国际品牌居多，为OV、Dallmeier、Vidient、lvbox、Mate、Nice、ITERIS以及Viseowave等，并且这些产品都在质量、功能等方面具备一定优势。此外，在06年9月A&S举办的GDSF全球数字监控论坛上，国际著名厂商Milertone开始进入人们的视野，此外，为2004年雅典奥运会提供网络视频安防系统的Videobridge公司2005年也在中国建立了分支机构。从视频管理软件本身的技术水平来看，这些国际一流的厂商要比国内厂商的软件水平高出一截，而且相4 武汉理工大学硕士学位论文当成熟。与这些国外品牌相比，国内的Ⅳ市场还有很大的差距，目前基本上还处于起步状态。从目前国内的市场上看，用户对网络视频的应用还在摸索阶段，定制开发很多，国外厂商在建立一个相当规模的本地开发队伍之前很难适应中国的市场，所以从现在的情况看，留给国内IV的发展空间还是比较大的。真正具有智能化功能的编码器产品在未来3—5年内会成为主流产品。回顾、总结这些年的有关智能视频技术的研究成果，可以看出智能视频的研究和应用有二个特点：应用趋向于广泛性，方法趋向于综合性。(1)应用趋向于广泛性虽然目前IV正处于商业化及市场应用的初始阶段，但是其功能已经逐渐为大家所了解，许多领域内都开始应用智能视频技术，这些领域包括：a．智能交通116Jb．城市公共安全应急平台c．小区视频监控d．校园视频监控与管理e．银行视频监控与管理￡商业可视化监控与管理g．工厂可视化监控与管理h．监狱监控与管理(2)方法趋向于综合性视频监控系统的发展经历了三个阶段。第三代系统就是目前正在蓬勃发展的网络化视频监视系统，又称为IP监视系统‘171，它最早出现于2001年。网络化视频监视系统从一开始就是针对在网络环境下使用而设计的，因此它克服了DVR无法通过网络获取视频信息的缺点，用户可以通过网络中的任何一台电脑来观看、录制和管理实时的视频信息。它是完全数字化的系统，基于标准的TCP／IP协议，能够通过局域网／无线网／互联网传输，布控区域大大超过了前两代系统；它采用开放式架构，可与门禁、报警、巡更、语音、MIS等系统无缝集成；它基于嵌入式技术，性能稳定，无需专人管理；它灵活性大大提高，监控场景可以实现任意组合，任意调用。第三代视频监控系统以网络为依托，以数字视频的压缩、传输、存储和播放为核心，以智能图像分析为特色，引发了视频监控行业的技术革命，受到了学术界、产业界和使用部门的高度重视。据报道，由GM、Bell、Simens等公司5 武汉理工大学硕士学位论文和MIT、Stanford、Carnegie．Mellon高校合作，已经在研究通用数字视觉系统。从算法的角度而言，多年来许多学者提出了多种采用不同处理理论、适用于不同对象的处理方法，如基于小波理论进行多尺度图像匹配、区域模板相关跟踪、基于特征光流分割和卡尔曼滤波估计的运动目标跟踪、以及分形理论、人工神经网络、数学形态学、和模糊逻辑等等。在视频监控系统的应用中，则常应根据适用场景的不同，采用传统方法与特殊处理相结合的综合方法去解决具体问题。1．2论文安排本课题来源于基于视频的车辆检测系统项目预研。基于视频的车辆检测系统在20世纪90年代就进入了商业产品化的研究阶段，其中较成功的有Autoscope、Iteris等。Autoscope是美匡lMinnesota大学在80年代启动的基于视频图像的车辆检测系统，它采用背景差法为其主要技术方案，主要功能是进行车辆检测，并在车辆检测的基础上对各种相关交通参数进行测量。英国的Peek公司所设计的Peek系统则采用基于目标跟踪的方案，该方案也是一种主流的技术方案，并且能提供更多关于交通状况微观的、语义化的信息。以车辆运动检测法为基础的体系研究包括分析如何重构道路背景、如何分割和检测车辆、如何根据车辆检测信号测量相关的交通参数；建立算法有关方面的数学模型，并以此为基础，提出车辆运动检测算法，背景分割算法，车辆跟踪算法，以及交通参数测量算法；并要求这些算法在准确性方面应能满足实际应用的需要。背景差法是当今视频监控系统运动对象跟踪的主流技术方案。本课题拟针对传统的图像跟踪算法在运动车辆检测跟踪上的不足，改进并提出与现有算法相比性能更好，准确率更高的视频图像检测算法；实现图像分析处理与传统的视频监控设备整合，在前端实现目标的识别与监测。可以自动识别被摄物体；给被摄物体分类，对于同类物体不受到颜色，外型，运动速度的影响：支持混合多目标识别。本文主要章节内容安排如下：第一、二章主要介绍智能监控技术的现状及难点并有针对性地提出解决方案的系统框图。第三章主要研究监控系统中的目标分割，重点对基于固定摄像6 武汉理工大学硕士学位论文头的背景提取算法进行探讨和实验，提出适用于本运动车辆检测系统的目标提取算法，并进行基于数学形态学的分割预处理。第四章主要运用卡尔曼滤波和Snake算法对运动目标进行提取与跟踪，并通过实验分析得出结论。7 武汉理工大学硕士学位论文第2章基于视频的车辆检测技术分析2．1车辆智能视频技术的难点分析纵观智能视频技术的种种应用，无论是智能交通、城市安全应急平台、小区视频监控还是校园视频监控、商业可视化监控、以及工厂可视化监控、监狱的监控等，其技术难点均可以归纳为两个方面的问题，即计算机视觉面临的困难和智能视频技术面临的困难。2．1。1计算机视觉面临的困难性计算机视觉的特征决定了其在视频监控应用上面临的困难，其问题主要为：(1)图像多义性三维场景被投影为二维图像，深度和不可见部分的信息被丢失，因而会出现不同形状的三维物体投影在图像平面上产生相同图像的问题。另外，在不同角度获取同一物体的图像会有很大的差异。(2)环境因素影响场景中的诸多因素，包括照明、物体形状、表面颜色、摄像机以及空间关系变化都会对成像有影响。(3)知识导引同样的图像在不同的知识导引下，将会产生不同的识别结果。(4)海量数据灰度图像，彩色图像，深度图像的信息量十分巨大，巨大的数据量需要很大的存贮空间，同时不易实现快速处理。2．1．2智能视频技术面临的困难智能视频技术是计算机视觉的分支，同样面临以上几个方面的困难。视频运动目标探测是智能视频技术的核心问题之一，它是通过视频系列图像将变化的目标和区域从背景图像中提取出来。而视频系列图像最大的特点是：8 武汉理工大学硕士学位论文(1)强烈的相关性视频本身就是以很短的时间间隔捕捉的一系列图像，相邻图像很相似。图像中每个部分的变化都较小，当我们快速显示这些图像时，就感觉到景物的连续变化和运动。如果对相邻两帧图像进行相关运算，则发现相关系数很大，很多时候接近于1。(2)较多的运动模糊摄像机、目标或背景都是在运动的，尽管快门时间很短，所得到的图像实际上是真正图像的卷积，其模糊区域和程度与景物本身和摄像机及拍摄条件有关。(3)较多的随机噪声由于视频是在一定的时间域内获得的，在不同的时刻，由于景物、摄像机的随机噪声影响，视频图像系列中会随机地出现一些非图像信息。因而，智能视频技术的难点主要有以下几个方面：(1)运动检测运动检测的目的是从序列图像中将变化区域从背景图像中提取出来。运动区域的有效分割对于目标分类、跟踪和行为理解等后期处理是非常重要的，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。如果目标是变化和运动的，利用视频系列图像的相关性，把相邻图像进行相减，那么可以得出两幅图像的差别，这些差别能显示出运动目标的信息。然而，由于背景图像的动态变化，如天气、光照、影子及混乱干扰等的影响，使得帧相减图像特性分析法不具有通用性。它往往会产生以下问题：a．检测出的运动区域不仅包括运动对象，也包括被运动对象遮挡又重现的纹理背景。b．由于纹理不够，往往导致运动对象内部出现空洞。c．对噪声敏感，不能精确检测运动对象的边界。针对以上几个方面的问题，研究人员又提出了基于光流场的方法，但光流估计的可靠性差；基于Bayes概率统计的方法，但计算复杂度高，不利于实时处理。这些问题使运动检测成为一项相当困难的工作。(2)实时性、鲁棒性【18】的基于三维模型的车辆的定位、识别和跟踪跟踪等价于在连续的图像帧间创建基于位置、速度、形状、纹理、色彩等9 武汉理工大学硕士学位论文有关特征的对应匹配问题，常用的数学工具有卡尔曼滤波(KalmanFiltering)、Condensation算法、动态贝叶斯网络(DynamicBayesianNetwork)等。Kalman滤波是基于高斯分布的状态预测方法，不能有效地处理多峰模式(Multi．mode)的分布情况；Condensmion算法是以因子抽样为基础的条件密度传播方法，结合可学习的动态模型，可完成鲁棒的运动跟踪；Kass等人提出的动态轮廓模型(Snake模型)以及Greedy算法，但计算复杂度高，不利于实时处理。这些问题也使车辆的定位、识别和跟踪成为一项相当复杂的工作。(3)基于移动摄像机的视觉监控技术将现有参数固定的静态摄相机改进为参数可自动调节的动态摄相机，通过双目视觉获取物体的三维位置以及它们间的空间结构关系。处理过程可分为三步：特征检测，特征匹配，视差计算。其中特征匹配是关键。由于遮挡等因素的影响，自动特征匹配还有很多难点问题有待解决。(4)多摄像机的协作监控技术单个摄像机的视野有限，要监控大范围的动态场景就需要多个摄像机，此外，多个摄像机也有利于解决遮挡问题。Utsumi利用多摄像机对人进行跟踪，通过选择最好的视点来解决人与人之间的互遮挡和自身遮挡问题；Cai等提出了在不同摄像机之间进行目标匹配的概率方法，并且对相邻摄像机之间的自动切换问题作了探讨。多摄像机的协作监控技术的关键是多摄像机的定标与数据融合【191。(5)身份识别目前的研究主要集中在人的脸像识别、步态识别或特定行为的识别。近距离时一般可以通过跟踪人脸来加以身份识别；如果是远距离的监控，脸的特征可能被隐藏，或者分辨率太低不易识别，然而进入监控领域的人的运动步态是可见的，这激活了步态作为一个独特的生物行为特征应用于人的身份鉴别。然而，由于身份识别存在诸多的困难，在现阶段仍未形成实用性的方法和理论框架，主要的难点表现在特征提取上。目前在步态识别领域研究人员提出了大量的算法，主要可分为基于模型(model．based)的方法和基于整体(appearance．based)的方法两种类型。基于模型的方法就是为人体建模，用模型近似地表示人体，然后抽取模型中的一些参数作为特征，最后进行分类识别。总的来说，步态势别还处在婴儿期阶段，主要是说对其研究还处在实验中，至今还没有一个实用的步态识别监控系统处在应用阶段，因为步态识别还面临很10 武汉理工大学硕士学位论文多有待解决的问题：不适用于多人场景，实际系统要求对有遮挡的步态鲁棒性较好，而目前技术还无法达到；另外，背景消减方面总体效果还不尽如人意，特别是应用在实际中的话就要考虑动态背景的问题，更向学者们提出了挑战。现阶段不完美的制约因素还包括目标跟踪，人体建模等，这些技术都制约着步态识别的发展。不仅如此，多数方法报道的实验结果是在小数据量上的，不具代表性。(6)目标解释研究对目标运动情况给出语义上的解释的方法，并将简单的行为识别与语义理解推广到对交通场景的自然语言描述，以实现对场景的推理。这其中涉及到人工智能高层次的内容，其理论和技术尚不成熟。综上所述，目前的智能视频技术，从理论上看尚缺少理论基础和合适的评价标准；从方法上看主要停留在像元级的数据导引的方法，缺少知识导引的特征级变化检测方法，尚未充分利用先验信息，也没有采用数据挖掘方法，即从旧的知识库中提取可用的知识，也没有成熟的方法来处理不同时相的DV数据中由于大气条件、传感器噪声和大气辐射的差异性带来的干扰，这些都是IV的关键性问题，需要加紧研究和解决。智能视频技术的研究已经取得初步的成果。但是还处于初级阶段。比如运动分割方面，目前图像运动分割主要利用背景减除方法，但如何建立对于任何复杂环境的动态变化均具有自适应性的背景模型仍是相当困难的问题。再比如人的行为理解是这个领域最具挑战的研究课题。对于车辆监控系统而言重点要研究解决的是运动检测中的种种问题。归结起来主要表现为两方面的问题，一方面是视频监控系统的图像分割技术，另一方面是运动目标的跟踪算法。2．2车辆智能监控系统中关键技术2．2．1图像分割所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。图像分割的研究一直是智能监控系统中的重点和热点，是图象处理中的一项关键技术，也是一经典 武汉理工大学硕士学位论文难题，自20世纪70年代起一直受到人们的高度重视，至今已提出了上千种分割算法。但发展至今仍没有找出一个通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有一种适合所有图象的通用分割算法。另外，也还没有制定出判断分割算法好坏和选择适用分割算法的标准，这给图象分割技术的应用带来许多实际问题。图像分割技术的发展与许多其它学科和领域，例如数学，物理学，生理学，电子学，计算机科学等学科密切相关。近年来，随着各学科许多新理论和方法的提出，人们也提出了许多结合一些特定理论、方法和工具的分割技术，如马尔可夫随机场120】(Markovrandomfield，MRF)；专家系统(expertsystem)[21】；Gibbs随机场；Bayesian理论‘冽；Gabor滤波器【23】；小波模极大值；隐含马尔可夫模型(hiddenMarkovmodels)；分形(fractal)【24】；布朗链(brownianstring)【25】；模拟退火1261(simulatedannealing)；高斯混合分布[27】(Gaussianmixture)；多尺度边缘检测【28】；遗传算法【291等的新分割算法不断涌现。随着科学技术的发展，针对不同的应用领域，人们推出新的数学工具或方法应用于图像分割，因而提出了不少特殊的或者说有特色的分割算法，所以图像分割至今为止尚无法简单统一成某一种通用方法理论。在这种前提下，一种策略是针对不同特点的图像使用不同的分割方法，以期都能获得满意的分割结果。现实中在分割一幅图像时，多是依据经验和直觉去选择方法，通过反复尝试来找到一种最佳方案。与计算机科学的确定性和准确性相比，图象分割更多的是凭借人们的经验和反复试验，针对不同的图像选出适当的方法，使不同的图像都得到最佳的分割效果。但是，当要处理的图像十分庞大，分割就像是流水线上的一道简单工序时，这种方法就显得无能为力了。图像分割可以从图像对象的性质特点和处理方式划分为单帧图像的目标分割与动态图像的目标分割。单帧图像分割的思想贯穿于动态图像，同时动态图像分割更多地利用了帧与帧之间的相关信息。(1)单帧图像的目标分割监控系统中单帧图像的目标分割可以归结为静态图像分割。其图像分割途径可归结为以下三种：其一是将各像素划归到相应物体或区域的像素聚类方法p川；其二是通过直接确定区域间的边界来实现分割的边界方法：其三是首先检测边缘像素，再将边缘像素连接起来构成边界形成分割。前两种途径都属于区域分割，后一种属于边缘分割。12 武汉理工大学硕士学位论文a．基于阈值(即像素相似性)的区域分割。一种最常用的区域分割技术，阈值是用于区分不同目标的灰度值。如果图像只有目标和背景两大类，那么只需选取一个阈值称为单阈值分割。这种方法是将图像中每个象素的灰度值和阈值比较，灰度值大于阈值的象素为一类，灰度值小于阈值的象素为另一类。如果图像中有多个目标，就需要选取多个阈值将各个目标分开，这种方法称为多阈值分割。为区分目标还需要对多个区域进行标记。阈值又可分为全局阈值，局部阈值和动态阈值，阈值分割的结果依赖于阈值的选取，确定阈值是阈值分割的关键，阈值分割实质上就是按照某个标准求出最佳阈值的过程。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法，最小误差法，最大类间方差法，最大熵自动阈值法以及其他一些方法。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的象素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰，选取的阈值应位于两个峰之间的谷，从而将各个峰分开。通常阂值化分割方法根据某种测度准则确定分割阈值。如果仅使用象素的灰度级确定分割阈值，则阈值化是点相关的；如果由每个象素邻域的局部特性决定门限，则阈值化是区域相关的。基于点相关的阈值化方法有P．tile方法，直方图凹形分析法，最大类间方差法，最大熵法以及矩不变门限法等。基于区域相关的分割方法有直方图转换法，基于二阶灰度统计的方法，松弛法以及基于过度区提取的分割方法等。阈值分割的优点是计算简单，运算效率高，速度快。全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割，当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法；另一方面，这种方法只考虑象素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，闽值法通常和其他方法结合使用。b．基于空间邻接性区域分割。基于区域的分割技术有两种基本形式：区域生长和分裂合并。前者是从单象素出发，逐渐合并以形成所需的分割结果。后者是从整个图像出发，逐渐分裂或合并以形成所需要的分割结果。与阈值方法不同，这类方法不但考虑了象素的相似性，还考虑了空间上的邻接性，因此可以有效地消除孤立噪声的干扰，具有很强的鲁棒性。而且，无论是分裂还是合并，都能将分割深入达到象素级，13 武汉理工大学硕士学位论文因此可以保证较高的分割精度。区域生长算法先对每个要分割的区域找一个种子象素作为生长的起点，然后将种子象素邻域内与种子象素有相似性的象素合并到在种子象素集合。如此往复，直到再也没有象素可以被合并，一个区域就形成了。显然，种子象素，生长准则，终止条件是算法的关键。算法的高效性和准确性也是研究的重点。然而，种子点的选取并不容易，有人试图通过边缘检测来确定种子点，但是，由于边缘检测算法本身的不足，并不能避免遗漏重要的种子点。生长法的优点是计算简单，与阈值分割类似，也很少单独使用。缺点是它需要人工交互获得种子点，这样使用者必须在每个需要抽取出的区域植入一个种子点。另一方面，生长法也对噪声敏感，导致抽取出的区域有空洞或者在局部体效应的情况下将分开的区域连接起来。在区域合并方法中，输入图像往往分为多个相似的区域，然后类似的相邻区域根据某种判断准则迭代进行合并。在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂成四个矩形区域，直到每个区域内部都是相似的。分裂合并算法则是从整个图像开始不断的得到各个区域，再将相邻的具有相似性的区域合并得到分裂结果。分裂合并方法的研究重点是分裂和合并规则的设计。它避免了选择种子点的麻烦，但也有自身的不足。一方面，分裂如果不能深达象素级就会降低分割精度；另一方面，深达象素级的分裂会增加合并的工作量，从而大大提高其时间复杂度。另外分裂合并技术可能会使分割区域的边界破坏。c．基于边界(边缘)的分割。基于边界的分割方法是利用不同区域间象素灰度不连续的特点检测出区域间的边缘，从而实现图象分割。边界的象素灰度值变化往往比较剧烈。首先检测图像中的边缘点，在按一定策略连接成轮廓，从而构成分割区域。边缘检测技术可以按照处理的顺序分为串行边缘检测及并行边缘检测。在串行边缘检测中，当前象素点是否属于欲检测的边缘取决于先前象素的验证结果；而在并行边缘检测技术中，一个象素点是否属于欲检测的边缘，取决于当前正在检测的象素点以及该象素点的一些相邻象素点，这样该模型可以同时用于检测图像中的所有象素点。最简单的边缘检测方法是并行微分算子法，它利用相邻区域的象素值不连续的性质，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面拟合14 武汉理工大学硕士学位论文的方法，基于边界拟合的方法，基于反应．扩散方程的方法，串行边界查找和基于形变模型的方法。并行微分算子法对图像中灰度的变化进行检测，通过一阶导数极值点或二阶导数过零点来检测边缘。常用的一阶导数算子有梯度算子，Prewitt算子和Sobel算子，二阶导数算子有Laplacian算子，还有Kirsch算子和Wallis算子等非线性算子。梯度算子不仅对边缘信息敏感，而且对图像噪声也很敏感。为减少对图像的影响，通常在求导前先对图像进行滤波，常用的滤波器主要是高斯函数的一阶和二阶导数。Canny(1986)认为高斯函数的一阶导数是他求得最优滤波器的较好近似。近年来研究的滤波器还有可控滤波器，B．样条滤波器等。基于曲面拟合的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是边界曲线而不像一般的方法找出的是离散的，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帮助。即使是用一般的方法找出的边缘点，用曲线来描述它以便于高层处理也是经常采用的一种有效的方式。串行边界查找方法通常是查找高梯度值的像素，然后将它们连接起来形成曲线表示对象的边缘。串行边界查找方法在很大程度上受起始点的影响，以前检测像素的结果对下一像素的判断也有较大影响，其困难是如何连接高梯度的像素，因为在实际图像中它们通常是不相邻，另一个问题是噪声的影响，因为梯度算子具有高连通性，噪声通常也是高频的，因此可能造成一些错误边缘像素的检测。基于形变模型的方法综合了区域与边界的信息，是目前研究最多，应用最广的分割方法，可以说是过去几年计算机视觉领域的成功的关键。图像序列和运动信息有密切的联系。对于视频图像的分析可以归结为连续采集的图像信息中目标的运动分析，包括运动检测，运动目标的检测和定位，运动目标的分割和分析，立体景物重建和行动。简单的来说，在视频监控系统中，我们通过运动分析来进行特征提取，区分运动目标和运动目标，运动目标和背景，以及所感兴趣的运动目标的各种特性。15 武汉理工大学硕士学位论文为了辨识和分析目标，需要将目标有关区域分离提取出来，在此基础上才有可能对目标进一步利用，如进行特征提取和测量。图像分割技术是运动目标检测的基础。根据分割过程中处理策略不同，图像分割技术又可以分为并行边界分割，串行边界分割，并行区域分割，串行区域分割四类13l】。并行技术中，所有判断和决定都可以独立地和同时作出；串行技术中，早期处理的结果可被其后的处理过程所利用。其中比较特殊的具有代表性的几种方法有：SUSAN算子【32】(并行边界技术)，基于主动轮廓模型【33】的分割方法(串行边界技术)，借助小波变换的多分辨率特性，类间最大交叉熵，类内最小模糊散度，过渡区的方法(并行区域技术)，分水岭算法等。目前广受关注并得以广泛应用的分水岭算法已成为静态图像分割算法中的经典。数学形态学分割和统计分割是两种不同的广泛使用的分割方法。前者更快但结果不准确，而后者则需要大量的计算时间才能获得好的分割效果。基于分水岭的方法是一种基于拓扑理论的数学形态学的分割方法，属于数学形态学分割，是一种在静态图像分割算法中结合了图像整体信息和局部信息的特殊方法。分水岭算法的基本思想是根据水面浸没地形的过程提出来的，是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。分水岭的计算过程是一个迭代标注过程。20世纪70年代末，S．Beucher和C．Lantu6joul提出了用于灰度图像分割的分水岭算法【34】，随着L．Vincent在20世纪90年代初提出基于沉浸模拟的高效计算算法．在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构【35】进行判断及标注。分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。因此，为得到图像的边缘信息，通常把梯度图像作为输入图像，即16 武汉理工大学硕士学位论文g(x，y)=grad(f(x，y))=杪(x，y一厂(x一1，y))2l／=4)，则目标对象的中心坐标为二Fv，；"i第二步，用Bresenham画线算法求出经过v，，v，(i,j-1，2，n)两点的直线点列，并在直线v．v，上求出灰度差最大的像素点f，只：第三步，用Bresenham面J线算法求经过P只的像素点q，，以及经过点q，的直线P只的法线三。：第四步，运用多段图方法在直线柬工．}：求出使得公式(413)能量是小的像素点列S，．(h=ln)；合并所有牛成的晶小能量点集矗⋯_：，，s。。，t。，s小5⋯j，并求出总能量极小值。第血步，对于上一步得到的曲线点集，j；}j随机算法，从任一点丌始以一定方向取相对于上次循环较小的定长，得到一个新多边形点集，重复第三步，直到每次循环所得的极小能量值不再减少为止。最后得到与原图4．4(a)对应的分割结果图4．4(b)，可以看到图像上小汽车的轮廓得到进一步精确，分割质量得到了进‘步改善。(a)初始轮廓(b)肇于Snake算法的轮廓精确图4．4基于Snake算法的车辆轮廓提取 武汉理上人学硕十学位论史精确提取运动目标轮廓后，通过对汽车模型建模，例如图4．5所示，为小汽车汽车模型轮廓。对比Snake算法提取的运动目标轮廓，如图4．6，与小汽车轮廓模型轮廓的相似度，可以判断运动目标是否为小汽车。同理，通过对多种车型建模，可以对场景中车辆的车型进行识别。图4．5小汽车轮廓模型(a)tH"汽车车辆(b)小汽车图4．6Snake算法提取运动目标轮廓根据对长度为34分钟1038帧的视频图像进行分析统计试验结果数据可以得到性能比较表4．3，如下：表43算法性能比较表≥≤轮廓准确性日标跟踪准确不准确准确帧／总正确帧数不正确正确帧，帧数帧数(％)帧数总帧数(％)简单分割695343669％97959943％简单分割+卡851】878】9％102810991％尔曼滤波简单分割93410490％101424977％+Snake算}去简单分割+卡尔曼滤波93410490％】02810991％+Snake算法 武汉理工大学硕士学位论文由表4．3可知，卡尔曼滤波器可以通过滤除噪声提高目标跟踪的正确率，而运用Snake算法分割的结果在轮廓的还原上占有优势。因而我们结合这两种算法，先采用卡尔曼滤波器滤波再利用Snake算法最终得到最优的分割质量。52 武汉理工大学硕士学位论文第5章总结与展望基于图像分析技术的运动目标跟踪算法是视频图像监测系统的核心，对运动目标的跟踪技术的研究也已经成为机器视觉领域研究的一个重要课题。在查阅国内外图像跟踪技术方面的资料时发现研究静止背景下的运动目标跟踪方法较多，针对不同的成像及系统要求，应用不同的图像处理及跟踪算法，跟踪技术日趋成熟。本文通过对图像处理技术及运动目标跟踪算法的研究，设计出针对本系统的运动背景下运动目标跟踪策略。根据运动目标跟踪的实现过程而进行的研究工作和成果如下：(1)查阅了国内外多种相关资料，对图像分割算法进行了全面的了解和研究。(2)针对固定摄像头下的视频图像特点，比较提出了一种适合运动车辆检测技术的嵌入式移植的基于动态背景提取的车辆目标提取算法。(3)采用卡尔曼滤波器滤除随机噪声，提高运动车辆目标跟踪的效率。(4)构造改进型的Snake模型，对车辆轮廓进行精确还原，使其适合于进行车型的识别。(5)鉴于图像检测系统的要求，在PC机WINDOWS环境下，使用MATLABi40】对本文提出的算法进行了仿真试验，客观地比较了各种算法的针对不同应用要求的优越性，总结出了一种性能最佳的综合性的图像检测算法。本文的研究为车辆的车型的分类及识别作好了充分的前期工作。在这些工作的基础上，进一步对多种车辆车型进行建模即可以完成多车型的车辆的跟踪识别，另外对于多车型建模以及对目标轮廓相似性比较算法也有待进一步研究。 武汉理工大学硕士学位论文参考文献[1】Gonzalez,RafaelC．Digitalimageprocessing．Pearson／PrenticeHall，2007【2】Potamianos，G；Graf,H．P；Cosatto，E．；AnimagetransformapproachforHMMbasedautomaticlipreading．ieee4-7Oct．1998[3】Kaup，A．；Aaeh,T．；Codingofsegmentedimagesusingshape-independentbasisfunctions．ieeeVolume7，Issue7，July1998【4】4SangshinKwak；YeongwooChoi；KyusikChung；Videocaptionimageenhancementforallefficientcharacterrecognition．ieee．Volume2，3-7Se：pt2000【5】XiaoyuZhao；ChiXu；ZheruChi；HongYah；Feng，D．D．；GangChen；ImageRecoveryfromBrokenImageStreams．ieee．Volume3，Sept．162007一Oct．192007【6】Brejl，M．；Sonka,M．；Objectlocalizationandborderdetectioncriteriadesigninedge-basedimagesegmentation：automatedlearningfromexamples．ieee．Volume19，Issue10，Oct．2000【7】Corso，J．J．；Hager,GD．Coherentregionsforconciseandstableimagedescription．ieee．Volume2，20-25June2005【8】Jian-JiunDing；Soo-ChangPei；2-DaffinegeneralizedfractionalFouriertransform．ieee．Volume6，15-19March1999【9】Falkowski，B．J．；ShixingYah．TernaryWalshTransformandItsOperationsforCompletelyandIncompletelySpecifiedBooleanFunctions．ieee．Volume54，Issue8，Aug．2007【10】姚敏，等．数字图像处理．机械工业出版社，2006-1【1l】彭玉华小波变换与工程应用．科学出版社，2005-3-25【12】朱秀昌，刘峰，胡栋．数字图像处理与图像通信．北京邮电大学出版社，2002-05．01[13】Hagan,MartinT．Neuralnetworkdesign．ChinaMachinePress，2002【14】全子，等．数字视频图像处理．电子工业出版社，2005．5．1【15】王宇宙．计算机视觉三维重建理论与应用．中国博士学位论文全文数据库，2004．09．09【16】李卫平．智能交通技术应用．人民交通出版社，2006．3【17】卢佩，张正炳．IP视频监视系统中监视中心的设计．电子技术，2004．09【18】黄琳．稳定性与鲁棒性的理论基础．科学出版社，2003．2【19】康耀红．数据融合理论与应用(第二版)．西安电子科技大学出版社，2006-5一l 武汉理工大学硕士学位论文[20】GWinkler．图像分析、随机场和动态蒙特卡罗方法(英文版)．世界图书出版公司，1999—3．1【21】Giarratano，JosephC．Expertsystemsprinciplesandprogramming．机械工业出版社，2002[22】JamesO．Berger．StatisticalDecisionTheoryandBayesianAnalysis，SecondEdition．世界图书出版公司，2004．11．1【23】胡广书．现代信号处理教程．清华大学出版社，2004-11—1【24】Meakin，Paul．Fractals，sealing，andgrowthfarfromequilibrium．清华大学出版社，2000【25】MarkA．Pinsky．IntroductiontoFourierAnalysisandWavelets机械工业出版社，2003-4·1[26】王凌．智能优化算法及其应用．清华大学出版社，2001—10【27】张明友，吕明．信号检测与估计(第二版)．电子工业出版社，2005-2【28】罗义军，刘济林，章东平．一种基于t图的多尺度边缘检测方法．电路与系统学报，2002．03【29】张文修．遗传算法的数学基础(第2版)．西安交通大学出版社，2003．5-22【30】缪绍纲．数字图像处理——活用Matlab．西南交通大学出版社，2001-7【3l】章毓晋．图象分割．科学出版社，2001．2【32】章毓晋．图像工程(中册)图像分析(第2版)．清华大学出版社，2005-9-l【33】赵全邦，董慧颖，李泉富．Snake算法在运动目标检测中的应用．沈阳理工大学学报，2006．05【34】郭秀丽，郭玉申，洪鹰，GUOXiu-li，GUOYu-shen，HONGYing．基于光流的卡尔曼滤波方法估计物体运动参数．机床与液压，2005．07[35】舒红平，王运锋，徐振明，邹书蓉．基于K．均值聚类的多雷达数据融合算法研究．计算机工程与应用，2007【36】赫金．自适应滤波器原理(第四版)．电子工业出版社，2003．08．01【37】HuXuelong，宋鸣，程茜．一种基于图像森林化变换(IFT)的分水岭算法．沈阳理工大学学报，2006．05【38】杨小龙．计算机组成原理与系统结构实验教程．西安电子科技大学出版社，2004．7．1[391邱仲潘，柯渝，徐锋．算法基础．清华大学出版社，2005．7【40】Gonzalez,RafaelC．DigitalImageprocessingusingMATLAB．PublishingHouseofElectronicsIndustry,200455 武汉理工大学硕士学位论文致谢本课题的研究工作及学位论文是在导师苏杨副教授的悉心指导下完成的。苏老师严肃的科学态度，严谨的治学精神，精益求精的工作作风，深深地感染和激励着我。在课题的整个研究过程中，苏老师都始终给予我细心的指导和不懈的支持。在此，感谢苏老师的关心、指导和教诲。在此，还要感谢和我一起度过研究生生活的同学和朋友，课题研究过程中提供了很多参考，使我受益匪浅，谢谢你们对我的关心和支持。 武汉理工大学硕士学位论文附录：攻读学位期间发表的论文【1】苏杨，郭倩，耿三钧，“PHS网络中的定位技术及算法研究”，武汉理工大学学报，2006年5月57'