（电力电子与电力传动专业论文）基于支持向量机的车型分类视频检测研究与实现.pdf

基于支持向量机的车型分类视频检测研究与实现 a b s t r a c t i n t e l l i g c n t1 r a n s p o r t a t i o ns y s t e m ( n 芯) i st h en e c e s s a r ya p p r o a c h e sf o rt r a n s p o f t a t i o n m o d e m i z a t i o n ，w h i c ha r ea i m e da tm a k i n gf u nu s eo fa v a i l a b l er o a df a d l i t i e s ，i m p r 0 v i n gt h e r e c i p r o c i t yo fv e h i c l e s ，r o a d s 觚dp e o p l e ，e i l l l a n c i n gs y s t e ms e c u r i t y ，h i g l l - e f f i d e n c y 孤d c o s i n e s s i t sh a sp r o v e di t sh i g l le c o n o m i ca n ds o c i a lb e n e f i t s v e h i c l er e c o 鲫i t i o ns y s t e m ( t s ) i s 卸i m p o n a n tp a no fi n t e l l i g e n tt r a n s p o r t a t i o n s y s t e m n e v e r t h e l e s st h ea p p l i c a t i o no f t ss t i l lm a i n t a i n e di ne x p i o r a t i o na n dr e s e a i h s t a g ei nc h i n a d u et ot h ed i f f e r e n tn a t i o n a lc o n d i t i o n s ，d i r e c ti m p o n a t i o no ff o r e 谫s y s t e m s c a nn o ts a t i s f yt h er e q u i r e m e n to fc o m p l e xt m n s p o ns y s t e mi nc h i n a u n d e rm e n t i o n e d b a c k 伊o u n d ，t h ep r o b l e m sr e l a t e dw i t hv e l l i c l er e c o g n i t i o ns y s t e mb 舔e d o nv i d e oa r e r c s e a r c h e d ，a n dt h em a i nw o r ka r ea sf o l l o w s a b a c k g r o u n ds u b t r a c t i o na l g o r i t h mi sp r e s e n t e da f t e r 锄a l y z i n g 孤dc o n d u d i n g v a d o u s k i n d so fv e h i c l ed e t e c t i o na l g o r i t h m s ，w h i c hc a ns a t i s f yt h ed y n a m i cv e h i c l e sd e t e c t i o nu n d e r t h es t a t i cb a c k g r o u n d ；t 0s o l v et h ev e h i c l e ss h a d o wd i s t u f b i n ge 疵c t s ，t h ep r o b l e m se x i s t e d i nc u 盯e n ts h a d o ws e g m e n t a t i o na l g o r i t h ma r ec o m p a r e d ，t h es e g m e n t a t i o nb 弱e d0 nt h e g e n e t i ca l g o r i t h mi sa d o p t e dt os e g m e n tt h ei m a g es h a d o 、矾 u s i n gt h ei m a g er e g i s t r a t i o nt e c h n o l o g ya n df u s i o nt e c h n o l o g y ，v e h i c l e si m a g ec o l l e c t e d b yt 、oh o m o g e n e i t ys e n s o r sa r er e 舀s t e r e da n df u s e d ；b a s e do nt h ep r i n c i p l et h a tg m y - s c a l e i m a g e sf 而ms i m i l a rs e n s o r sh a v es t r o n gr e l e v a n c e ，t h et e m p l a t em a t c h i n ga l g o r i t h mi s i n t r o d u c e d ；m e a n w h i l et h ei m a g ep i x e ll e v e lf u s i o nt e c h n o l o g yi ss t u d i e d ，p i x e lf u s i o ni s c a r r i e do u tb e t w e e nv e h i c l ei m a g e so ft 、os a m es e n s o r sb yu s i n gw e i g l l t e da v e r a 西n gf u s i o n a l g o r i t h m ，w h i c hn o to n l ym e e tt h er e q u i r e m e n t so fa p p l i c a t i o nb u tm a k e sl h e0 p e r a t i o n s i m p l e ，r a p i da n de a s yt or e a l i z e f o r t h ev e h i c l ec l a s s i f i c a t i o n ，e d g cd e t e c t i o n ，t h em o 神o l o g yf i l t e ra n dl i n kt e i t o r y p r o c e s s i n gg oi n t oo p e r a t i o n ，卸dv e l l i c l ef i g u r ei s o b t a i n e da f t e rt h ep r e - t r e a t m e n to ft h e i m a g e s ；v e h i c l eg e o m e t 巧c h a r a c t e r i s t i ci sc a l c u l a t e da c c o f d i n gt ot h er e l a t i o n s h i pb e t w e e n t h ep r o j e c t i o na n dt h eg e o m e t r ym a p p i n g ；b a s e do nt h ed a s s i f i c a t i o ns t a n d a r d ，c h a r a c t e r i s t i c v e c t o ri so b t a i n e d s u p p o nv e c t o rm a c h i n et h e o r yi sa p p l i e dt ov i d e ov e h i c l ec l a s s i f i c a t i o n b e c a u s es u p p o nv e c t o rm a c h i n ei so n l ya p p l i c a b l et ob i n a r yc l a s s i f i c a t i o np r o b l e m s ，t h c o n e - a g a i n s t t h er e s t s u p p o nv e c t o rm a c h i n em e t h o dc o m b i n e dw i t hm u l t i p l ec l a s s i f i e r s b i n a r yd e c i s i o nt r e em e t h o di sa d o p t e dt ob u i l dv e h i c l er e c o g n i t i o nm a c t i i n e ，w l l i c hs o l v e s l o c a le x t r e m u mp r o b l e me x i s t e dt r a d i t i o nn e u r a ln e t w o r km e t h o d t h e s em e t h o d sp r o p o s e di nt 量l i sp a p e ra d a p tt oc o m p l e xs c e n e ss u c ha sl a r g ea r e a 觚d m u l t i p l eo b j e c t s ，a n dc a ns a t i s f yt h ef e q u i r e m e n to f v e h i c l ed e t e c t i o n t h e yh a v ep r a c t i c a l i t y a i l dc e n a i nt h e o r e t i c a lm e a i l i n g ，a n dc a nb eg e n e r a l i z e dt oo t h e rf i e l d so fv i d e os u r v e i l l a n c e h 硕士学位论文 k e yw o r d s ：i n t e l l i g e n t1 h n s p o r t a t i o ns y s t e m ；v e h i c l et y p ec l a s s i f i c a t i o n ；v c h i d 锶 d e t e c t i o n ；i n l a g er e 百s t r a t i o na n df u s i o n ；s u p p o nv b c t o rm a c h i n e 基于支持向量机的车型分类视频检测研究与实现 图1 1 图2 1 图2 2 图2 3 图2 4 图2 5 图2 6 图2 7 图2 8 图2 9 图3 1 图3 2 图3 3 图3 4 图3 5 图3 6 图3 7 图4 1 图4 2 图4 3 图4 4 图4 5 图4 6 图4 7 图4 8 图4 9 图4 1 0 图5 1 图5 2 图5 3 图5 4 图5 5 图5 6 图5 7 附图索引 系统框图。6 相邻两帧差分检测的车辆。9 目标检测1 1 原图及其直方图。1 2 增强对比度及其直方图1 2 图像均衡化处理及其直方图1 3 中值滤波图1 4 标准化的车辆图像1 4 利用遗传算法图像分割流程图1 9 阴影分割1 9 模板匹配2 3 车辆的预处理图像2 5 车辆配准图像2 5 像素级图像融合的结构示意图2 6 融合图2 8 直方图2 9 不同权值的直方图。2 9 边缘提取3 3 针孔模型3 4 透视的形成：3 6 透视投影3 7 正交投影3 7 双目同源传感器成像系统图3 8 x z 平面投影图3 8 目标车辆获取流程图3 9 高度投影4 0 长度投影4 1 结构框图4 3 线性s v m 5 1 核函数的s v m 体系结构5 2 一类对余类5 4 多类识别决策树5 6 决策树算法流程图5 7 决策支持向量机结构图5 8 l v 硕士学位论文 图5 8s v m 训练流程图5 8 图5 9 数据归一化5 9 图5 1 0 训练数据5 9 图5 1 1 数据预测5 9 v 基于支持向量机的车型分类视频检测研究与实现 附表索引 表3 1 评价参数3 0 表5 1 特征数据表单位1 0 米6 0 表5 2 参数表6 0 表5 3 车型识别系统测试结果6 0 兰州理工大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写的成果作品。对本文的研究做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后果由本人承担。 作者签名：荡恃劬 日期：埘年多月7 日 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，即：学校有 权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。本人授权兰州理工大学可以将本学位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、缩印或扫描等复制手段保存和汇编本学位论文。同 时授权中国科学技术信息研究所将本学位论文收录到中国学位论文全文数据 库，并通过网络向社会公众提供信息服务。 作者签名：乃伟轨 导师签名：勘先 日期：渺脚 日期：易睥 6 月日 万月z 日 硕士学位论文 1 1 课题研究背景 第1 章绪论 智能交通系统，即r r s ( i i l t e l l i g e n tt r 锄s p o r t a t i o ns y s t e m s ) ，是当前世界上交通运输 科技的前沿，它是在较完善的道路设施基础上将信息技术、数据通信技术、电子传感技 术、全球定位技术、地理信息系统技术、计算机处理技术以及系统工程技术等有机地集 成运用于整个地面交通管理体系，而建立起的一种在大范围内、全方位发挥作用的实时、 准确、高效、智能的交通运输管理系统1 1 j 。 在智能交通系统中，自动采集车辆特征信息是重要的研究方向，也是目前相对薄弱 环节。作为“先进交通管理系统”的子系统，交通监控系统的主要目标是获取车辆交通 信息。早期的交通检测是采用人工的方式。它需要雇佣大量的工作人员在城市的各个交 通干道上进行统计，其耗时耗力是不言而喻的。第二代交通检测系统采用地感线圈作为 感应器进行自动检测，以减少人力的投入，但安装与维修需要关闭道路或者至少关闭相 应车道；同时地感线圈寿命有限。第三代交通检测器采用了视频检测技术、图像识别技 术，这类检测器通常安装在路边或架空安装，不会对交通造成明显干扰，也不会因重铺、 埋设下水管道或天然煤气管道受到影响。本文是在第三代交通检测器的基础上对基于支 持向量机的车型分类视频检测进行了深入研究。 车辆分类视频检测技术是i t s 中一个重要的组成部分，是实现r r s 的前提。只有对 公路通过车辆信息进行有效、准确的采集分析并进行相应的控制，才能保证收费站收费 过程的高效快速及各道口行驶车辆的快速通行，从而实现整个高速公路交通的自动化管 理。在实现公路交通自动化的过程中，车辆分类视频检测技术起了至关重要的作用。 车辆分类视频检测研究【2 】是近年来计算机视觉领域中备受关注的前沿方向，它从运 动图像序列中检测、识别、跟踪车辆，获取所需要交通统计量，属于图像分析和理解的 范畴。从技术角度而言，运动分析的研究内容相当丰富，主要涉及到模式识别、图像处 理、计算机视觉、人工智能等学科知识；同时，动态场景中运动物的快速分割、光线变 化、多辆车粘连、车辆互遮挡的处理等也给车辆视频检测带来了一定的挑战。因此，对 本系统的关键技术进行研究具有重要的意义和实用价值。 支持向量机方法的重要理论基础是统计学理论的v c 维理论和结构风险最小化原 理。支持向量机根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以 期获得最好的推广能力。支持向量机可以自动寻找对分类有较好区分能力的支持向量， 由此构成分类器问可以最大化类与类之间的间隔【3 j 。 目前，支持向量机方法已被应用与模式识别、回归估计和密度估计等方面，在大多 数情况下，支持向量机的泛化能力要显著优于其他方法。我国早在8 0 年代末就有学者 注意统计学理论的基础成果，但之后较少的研究。1 9 9 5 年以后，尤其是近几年来，许多 学者已经认识到这个重要的研究方向，正在这个领域积极的开展研究工作，一些大学或 基丁支持向量机的车型分类视频检测研究与实现 者研究所也相继投入到这个领域的研究中来。 1 2 智能交通中车型分类技术 自动车辆识别( a u t o m a t i cv e h i c l ei d e n t i f i c a t i o n ，简称a v i ) 是当车辆通过某一特定 地点时，自动将该车的身份识别出来的技术统称。车辆的身份，指车辆本身的代表符号 以及故有的属性1 4 j 。在a v i 系统中，车辆自动识别分类技术是一门集计算机图像处理技 术、模式识别、工业测控技术、电子技术、系统工程技术于一体的综合技术。它对在特 定地点和时间的车辆进行识别和分类，作为交通管理、收费、调度、统计的依据。国外 由于公路建设起步早，对于车辆自动分类技术的研究开始得也早，国内在进入九十年代 才开始这方面的研究。 目前，车型识别技术主要有轮廓扫描方法、车轴计数方法、磁场变化方法、车牌识 别方法、基于图像处理的方法、基于交通视频技术的方法等【5 】1 6 】。 ( 1 ) 轮廓扫描方法。轮廓扫描的目的在于获取车辆的外形信息，从而对车辆进行分 类。扫描一般使用无线电波或者红外线，更先进的则使用激光。轮廓扫描的基本方法是 将扫描波束的发射、接收天线安置在车道上方或侧面，它向车道上发射扫描波束。波束 传播的区域一般是一个薄平面，此平面与车辆的行驶方向垂直。这样当车辆行驶过天线 照射区域时，它将被波束平面切割，其中车辆与天线大致平行的一个面将反向扫描波束， 使反向波在一定空间和时间内发预先规定或另外测量，根据反射波的这种变化可以算得 车辆反射波束的那一面的二维情况( 长、宽) 。如果再预先设定一定的固定参照物( 对 装在车道上方的天线来说，一般是路面) ，那么根据反射波的变化程度就可以算得车辆 第三维的情况( 高) 。这种自动识别、分类技术目前比较成熟，易于投入使用。 ( 2 ) 车轴计数方法。车轴计数就是利用某种方法对车辆的轴数进行检测，将检测结 果作为车辆分类的一种标准。要检测车轴的数量，可以通过传感的方式，也可以通过非 接触的控测方法。传感方式一般是在车道上埋设相应的传感器，当车辆行驶经过时，车 轮辗压传感器使传感器所受的压力发生变化，根据压力变化的次数，可以判断出车辆的 轴数。非接触的探测方法通常使用发射波束，检测反射的形式，这与轮廓扫描有些类似， 但更简单。具体做法是从车道边以特定的角度向车道上车轮必须经过的区域发射探测波 束( 无线电波、红外线或者激光束) ，当车辆经过时，车轮将使发射波束的反射波发生 变化，一般是反射方向改变。改变后的反射波可以用专门的探测装置从特定的位置来接 收。探测装置每接收到一次反射波就说明车辆有一组( 对) 车轮，由此可以进行车辆轴 数的计数。如果预知车辆的时速，那么还可以根据两轴之间的检测时间间隔计算出轴间 的大致距离( 轴距) 。由于轴数在车辆分类的标准中一般不是主要因素，所以车轴计数 的识别技术一般不单独使用，而是与其它系统配合起来进行工作。 ( 3 ) 磁场变化方法。有一种采用环形线圈作为传感器的车型识别系统，叫作m f - 2 0 车型识别仪。其基本工作原理是：将环形线圈理于路面下，当机动车通过埋设于路面下 的环形线圈时，引起电磁场的变化，由于不同车型的底盘结构和铁磁物质分布的不同， 2 硕士学位论文 磁场的变化特征也不同：车型识别仪提取反映这些变化特征的数据，并采用模糊信息处 理和模糊模式识别的方法对数据进行分析处理，从而判断出所通过车辆的车型。 这种采用传感器的方法进行数据采集，需要通过在路面上铺设感应传感器，主要有 以下缺点：一是传感器在安装或维护时必须直接埋入车道，这样交通会受到阻碍；二是 埋置传感器的切缝软化了路面，容易使路面受损；三是工程施工时，出于无意或由于需 要切断传感器的现象也会发生，结果常常使传感器无法使用；四是传感器易受到冰冻、 盐碱或繁忙交通的影响；五是传感器寿命一般为二年，之后要破坏路面，重新铺设等。 其它传感器如超声波传感器容易受环境的影响，当风速6 级以上时，反射波产生漂移而 无法正常检测；探头下方通过的人或物也会产生反射波，造成误检；红外传感器工作现 场的灰尘、冰雾会影响系统的正常工作。 ( 4 ) 车牌识别方法1 7 】【8 】o 车牌识别方法是一种基于图像处理与识别的自动车辆识别、 分类技术，它从车牌的各种特征中分析或查找出车辆类型的信息。在车牌识别中，首先 要获取车牌的图像，这通常由专门的摄像装置来完成。摄像装置与一个探测器相连，当 车辆行驶至某特定位置时，被该探测器探知，它立即启动摄像装置，在一定的角度、集 中拍摄下车牌的图像。在这样的图像上，由于车辆处于运动状态以及污损等原因，车牌 画面往往不够清晰，难以从中摄取需要的信息。因此，图像首先要经过一定的加工处理， 使其达到足够的清晰度，然后再进行识别。初步的识别将辨认出车牌的大小、形状和颜 色等特征。如果在最初设计时，车牌的这些特征的不同值就对应了不同的车辆类型，那 么由此就可以对车辆进行分类。对车牌的进一步识别将读出车牌上的具体号码，根据这 个号码可以在相关的资料( 如车辆牌照的登记记录) 中搜索，得到车辆类型的信息。但 是，以目前的技术水平，对车牌号码的正确识别率还无法达到投入实用的要求。因此， 为使以自动判别车牌来实现车型的识别成为现实，还需进一步做工作。 ( 5 ) 基于图像处理的方法。国内外现在通过图像处理对车型进行识别的研究很多， 例如，基于神经网络的汽车车型的识别【9 】【1 0 】1 1 1 】【1 2 1 ，小波变换及非线形滤波用于车型识别 1 1 3 1 ，视频图像处理监控1 1 4 】等，就每一种方法来说都有其适用的范围，这些方法基本上均 是基于车辆的几何特征进行识别。 一 ( 6 ) 基于交通视频技术的方法。交通视频技术是指使用计算机视频技术检测交通 信息，通过视频摄像机和计算机模仿人眼的功能。与传统的交通信息采集技术相比，交 通视频技术有着直观可靠，安装维护方便，检测范围广等优点，随着计算机技术、数字 图像处理和模式识别技术的发展，计算机视频技术必将在交通信息检测中占据越来越重 要的地位。它以信息获取的快速、准确、智能化等优点将在r r s 领域得到广泛应用，可 进行车辆牌照识别，也可作为车辆检测器，用于车型识别及交通流量、速度、占有量等 参数检测，这种方法尚处于研究阶段。 除了上面介绍的几种自动车辆识别分类方法以外，还有一些方法在理论上也是可行 的，例如测量车辆的轴重或者总重，可以使用相应的测量仪器在车道上进行。但问题是， 在车辆运动的情况下，要准确地称量出车辆的重量要比在静止情况下困难得多，这一问 题目前还没有很好地得到解决。类似这样的问题，在其它自动识别、分类技术上也不同 3 基于支持向量机的车型分类视频检测研究与实现 程度的存在，使得它们暂时还处于研究探索阶段。 总的看来，多年来出现的各种各样的车型识别技术，觉大多数是通过检测车辆的某 些几何参数或者物理参数来归纳分类的，某些技术也达到了比较高的检测精度。但由于 一些因素，致使其未能在高速公路收费中去的成功应用。车型识别技术在国内多数停留 在研究状态，如中国科学院，西安公路所，上海交通大学，西安交通大学等。在各种车 辆自动识别，分类技术中，目前真正能够使用的还不多，而车辆分类，按车型收费是公 路收费所必须的，因此必须尽快探索出一些新的车辆自动识别方法。 1 3 基于视频的车型识别 基于视频的交通视频检测方法【1 5 】是一种非接触式检测方法，它利用数字图像识别 技术，对用高速摄像机拍摄的交通现场画面进行处理，获得被检测车道上的车型等交通 参数，为交通控制和管理提供准确的交通流数据，从而更有效地进行交通控制和管理。 与传统接触式检测方法相比，它的安装工程量小、检测范围大、系统可靠性高，随着电 子技术、计算机技术、通信技术和控制技术的发展，交通视频检测技术得到了长足的发 展，正逐步成为交通检测技术中最有前途的一种技术。基于视频图像的车辆检测和车型 识别技术，是一种非接触式被动检测技术。它以视频图像为主要分析对象，通过视频摄 像头从视频流中提取交通图像，利用计算机模仿人类的视觉功能，通过对图像的分析处 理提取出来有效信息，根据信息进行车辆检测和车型识别。 相对于其它检测技术而言，视频识别技术有以下优势： ( 1 ) 安装简便，无需破坏路面，施工时不影响交通，易于移动、调整监测器位置， 维护费用低。 ( 2 ) 直观可靠，便于管理人员干预，检测范围广，获取信息量大，还可以利用原 有维护监控设备，最大限度的发挥原有资源的作用。 ( 3 ) 可提供现场录像，重现交通场景，为研究交通行为，改进交通管理方法和处 理交通事故提供了大量的信息。 ( 4 ) 对周围环境没有影响，不会造成污染，相同检测之间也不会发生相互干扰。 目前，对自动车辆识别的应用需求主要有停车场、住宅小区、机关企事业单位车辆 管理、路桥收费管理、公安、交通管理部门和军事领域。国外开发的产品如美国l t s 公 司的a u t o s c o p e 系列车辆检测器、p e e k 公司的v e c o m 公司交通管理系统、a d r 自动 交通数据记录仪、g u a r d i a i l 数字违章执法抓拍系统、美国e c o n o u t e 公司的m i e s 先 进城市交通控制管理系统、英国的s c o o t 交通优化系统、澳大利亚的s o 玎区域控制 系统、德国的s i c k 公司的t c s2 0 0 车辆检测与分类系统，国内的产品主要有川大智胜、 北京汉王、上海高德威、北京安卓思、昆明利普、上海三全等公司研制的车辆牌照识别、 车辆检测器、电子警察、电子收费系统。停车场和路桥收费管理部门利用它实现车型的 自动识别及收费工作，交通管理部门利用它完成车辆跟踪、电子警察、车流量统计、犯 罪车辆、年末检车稽查、违章未交罚款、特定车辆查询等功能，自动车辆识别在军事上 4 硕士学位论文 的应用主要是军用车辆的识别，用于战场侦察。 视频传感器模拟人眼的视觉功能，其直观的输出易于管理人员对系统进行干预，还 可以利用原有的监控设备，最大限度地发挥原有资源的作用；基于c c d 的车辆识别系 统的主要缺点是价格高和图像处理的计算量大，但是随着c m o s 摄像头的应用，视频 传感器的价格越来越低，计算机硬件技术不断进步，c p u 的处理能力越来越强，视频传 感器正逐渐成为车辆识别系统中的主流。 基于视频的交通视频检测方法的难点在于图像识别实时性要求较高，复杂背景下车 辆检测和车型分类的准确率也难达到实用化的程度，但其实用范围广阔，应用前景光明。 本课题即从交通视频图像处理技术出发，模拟人眼功能检测车辆，通过提取车辆的几何 特征来实现对车型的自动分类。 1 4 图像质量的评价 图像质量评价是一个庞大的体系，从人类用图像来表示身边的真实世界开始，图像 质量评价体系就已经产生了，从主观评价到客观评价，从各种评价算子的产生到对人眼 进行返璞归真的研究，这些都是图像评价体系中重要的组成部分。但是，至今仍没有产 生一个可以包容四海皆准的评价方法。目前，在传统的图像质量评价方法中，有代表性 的方法主要有两种：主观评价和客观评价。对主观评价方法，目前常用的是c c 瓜5 0 0 推荐的一种五星级评价标准，而对客观评价方法仍然没有标准化。 1 、主观评价方法 主观评价方法就是以视觉效果作为评判标准，让观察者根据一些事先规定的评价尺 度或自己的经验，对测试图像按视觉效果提出质量判断，并给出质量分数，对所有观察 者给出的分数进行加权评价，所得的结果即为图像的主观质量评价。 主观评价方法又分为绝对评价和相对评价。绝对评价是由观察者根据一些实现规定 的评价尺度或自己的经验，对被评价图像提出质量判断。某些情况下，也可提供一组标 准图像作参考，帮助观察者对图像质量作出合适的评价。相对评价是由观察者将一批图 像由好到坏进行分类，也就是对图像进行互相比较得出质量好坏并给出分数。 2 、客观评价 所谓客观评价是用恢复图像偏离原始图像的误差来衡量恢复图像的质量，最常用的 方法有均方误差( m s e ) 和峰值信噪比( p s n r ) 。它有以下特点： 基于空域的方法； 利用与标准图像的灰度差异大小进行度量； 采用二范数测度进行失真度量，质量指标通常为一个数值表示和标准图像在质量 空间的距离； 计算简单、运算速度快。 1 5 论文的主要内容和安排 5 基于支持向量机的车型分类视频检测研究与实现 本文的主要内容是基于支持向量机的车型分类视频检测研究与实现，通过对两个同 质传感器获得的车辆视频图像进行车型分类，主要包括图像采集和图像预处理、图像的 配准与融合、图像后处理、特征提取和车型分类五个部分。具体方法为：通过安装在车 道上方固定的两台同质摄像机采集运动到视频检测区域内的车辆图像并传入计算机，采 用基于背景差分法提取出所需要的目标车辆图像，经过对目标车辆图像预处理得到车辆 的标准化图像，对于干扰因素如阴影造成的错误分割及车辆相互遮挡问题，引入了基于 遗传算法的图像分割方法解决车辆阴影问题和基于车辆边缘信息处理车辆遮挡问题；对 所得到的车辆标准化图像应用模板相关的匹配算法和加权平均的融合算法实现的车辆 图像配准及像素级融合；根据投影和几何映射的关系得到车辆的几何特征参数，采用“一 对其余 的支持向量机多分类方法结合二元树的算法，最终实现车型的分类。整个过程 的系统框图如图1 1 所示。 图1 1 系统框图 本文结构安排如下： 第一章，简要概述课题研究的背景，智能交通中的车型分类技术和基于视频的车 型分类技术，分析国内外车辆检测和车型分类技术的研究现状和发展方向，对图像质量 的评价方法进行了简要介绍。 第2 章，车辆的目标检测和车辆图像预处理。对获取的目标车辆图像采用减背景法 获得目标车辆并对其通过预处理得到标准化的目标车辆。针对影响车型判断的车辆阴影 问题和车辆遮挡问题，对比现有方法所存在的问题，采用基于遗传算法和基于边缘信息 对车辆图像的阴影进行分割和车辆遮挡的判断。 第3 章，车辆图像的配准与融合。本文是对两个同质传感器获得的视频车辆图像 融合，根据本文的具体情况分析当前的常用的配准和融合算法，采用基于模板匹配的配 准算法和加权加权平均融合算法对车辆图像实现了配准和像素级融合。 第4 章，图像的后处理和特征提取。首先分析研究了几种常用的边缘检测方法，对 前期处理过得图像采用c a i l i l y 算子进行边缘检测；通过对车辆图像的形态学处理得到车 辆的位置轮廓；分析基于针孔模型的摄像机模型，根据投影和几何映射的关系计算得出 车辆的几何特征参数，为车型的分类提供依据。 6 硕士学位论文 第5 章，阐述基于支持向量机工作机理，由于经典的支持向量机仅适用于解决二值 分类问题，针对实际应用中的多值分类问题，介绍一些常用的多值分类支持向量机方法 和决策树分类方法，将多值分类支持向量机算法应用于基于视频的车型分类中并设计出 车型分类器。 最后，总结本文所做的工作，并且对本课题今后研究方向做了一些预测和展望。1 7 基于支持向量机的车型分类视频检测研究与实现 第2 章车辆的目标检测与车辆图像处理 2 1 车辆的目标检测 实现车辆的自动识别、分类，就是首先要从视频图像中检测、提取出运动的目标车 辆。本文中使用两个同质传感器( 本系统采用的是两个同质便携式摄像机) 来模拟人眼 功能，对公路上的运动车辆进行检测和识别。针对视频流中运动物体的检测，一个好的 算法应满足如下条件【1 6 j ： 1 、对环境的缓慢变换( 如光照变化等) 不敏感； 2 、应该能够处理背景、摄像机和前景目标之间存在复杂相对运动的情况； 3 、对于复杂背景和复杂目标有效； 4 、能适应场景中个别物体运动的干扰； 5 、能够去除目标阴影的影响： 6 、检测和分割的结果满足后续处理( 如识别等) 的精度要求。 在实际应用中，一般是针对不同的应用场合设计不同的算法，并且要在算法的精度、 复杂度和可靠性等方面进行考虑。目前大多数视频目标检测和分割算法都是在某种应用 假设下提出的。本章是在背景静止，两台同质摄像机安装在被检测道路的正上方且面向 车头，摄像机的摇移、推拉和俯仰角度在调整完毕后固定，以保持检测参数相对不变， 调整电子快门，保证对高速运动物体摄取的画面清晰的条件下对运动目标车辆的检测。 然而实际中光照的变化、背景混乱运动的干扰、运动目标的影子以及运动目标的自遮挡 和互遮挡现象的存在，这些都会影响目标车辆的检测精度，在算法中应该考虑这些因素 的影响以及去除的方法。 2 1 1 车辆目标检测概述 基于视频的运动车辆检测是计算机视觉研究运动目标检测的最典型的实例，它也是 运动车辆识别系统的基础f 1 7 】【1 8 】。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，使得运动检测成为一项很困难的工作。对于变化检测，虽然有很多方法 l l 引，但总的来说，对运动物体的实时检测传统方法有： 1 、基于帧间差分的方法 帧间差分法是基于运动图像序列中，相邻两帧图像间具有强相关性而提出的检测方 法i 硎。在摄像头固定的情况下，对连续的图像序列中的相邻两帧采用基于像素的时间差 分来提取图像中的运动区域，设在f 1 和乞时刻采集到同一背景下的两幅运动图像为 t ，o ，y ，f 。) 和，o ，) ，f 2 ) ，则差分图像的定义为： 厶o ，y ) 。i ， ，y ，f 2 ) 一厂o ，y ，f 。) i ( 2 1 ) 8 硕士学位论文 对上式的差分结果进行阈值处理，就可以提取出运动物体。 厂。= 舌z ，y ，2 关善y l c2 2 ， 其中瓦为分割阈值，可以事先给定或者自适应的方法确定。如图2 1 所示为相邻 两帧差分检测的运动车辆。两帧差分结果： ( a ) 第k 帧图像( b ) 第k + 1 帧图像 ) 两帧图像差分结果 图2 1 相邻丽帧差分检测的车辆 这种检测方法的优点是对光照变化不敏感，非常适合动态变化的环境，而日运算简 单，检测速度快，车辆定位准确，适用于实时性要求较高的应用环境。但它存在以下缺 点：首先，它不能检测出静止或运动速度过慢的物体，对于高速运动的物体又会使得分 割区域远远大于真实日标，其分割区域与目标运动速度相关。其实，如果物体内部的灰 度比较均匀，相邻帧差可能在目标重叠部分形成较大空洞，严重时会造成分割结果不连 通，不利卜进。步的物体分析与识别。在实际应用中，帧川差分法往往是许多复杂检算 法的基础，通过对算法的改进可以将它与其它算法结合来提高整体的检测效果。 2 、基于光流场的方法 在空间中，运动可以用运动场描述，而在一个图像平面上，物体的运动往往是通过 图像序列中不同图像灰度分布的不同体现的，从而，空间中的运动场转移到图像上就表 示为光流场。光流场反应了图像上每一点狄度的变化趋势，可看成是带有灰度的像素点 在图像平面卜运动i 而产：牛的瞬时速度场，也是一种对真实运动场的近似估计i 2 1 】。 用厂( x ，y ，f ) 表示连续时空灰度分布，h | 像素点0 ，y ) 在f 时刻的灰度。假设运动轨迹 二的灰度保持不变，f + 以时刻可以得到该点运动到0 + 出，y + 咖) 点，其灰度为 厂 + 出，y + 咖，f + 出) ，则有光流约束方程： ，( x ，y ，f ) = 厂( 石+ d r ，y + 咖，f + d f ) ( 2 3 ) 将式( 2 3 ) 右边用泰勒级数展丌，并令班一0 ，略去高次项，则可得到式( 2 4 ) ： 望出+ 望( f y + 望出：o ( 2 4 ) a x a y a t 在式( 2 4 ) 中，令“：譬，v ：华，分别表示f 时刻像素点( x ，y ) 在x 方向和y 方向的两 d fd f 个速度分量，也就是要求的量。把( 2 4 ) 式写成： 基于支持向量机的车型分类视频检测研究与实现 一望。笪“+ 堕y 。v ，u ( 2 5 ) a f缸 砂 或 丘比+ y + 无一0 ( 2 6 ) 其中v ，一( 六， ) 为图像灰度空间梯度，u = ，v ) 为某像素点的光流速度，也就是 光流场。上面的六，厂v ，五的计算可以用离散的差分代替求导求得。光流的计算问题实际 上就是在满足一定约束条件下，估计m ，的数值问题，但是只有一个方程，所以这是 个病态问题，必须通过其它约束方程来联合求解。 基于光流方法的运动检测采用了运动目标随时间变化的光流特性，从而有效地提取 和跟踪运动目标。该方法的优点是在摄像机运动存在的前提下也能检测出独立运动目 标。然而，大多数的光流计算方法很复杂，而且抗噪能力差，如果没有特别的硬件装置 则实时算法是很难实现的，不能被应用于全帧视频流的实时处理。 2 1 2 基于减背景法的目标检测 背景差分法i 冽是目前运动分割中最常见的一种方法，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。它适用于摄像机静止的情况，或自然环境的缓慢 变化，其最简单的实现是从视频序列中预先抽取不含前景运动物体的一帧图像作为背 景，然后利用当前帧与背景图像的差分来检测运动区域，这种差分法对于复杂背景下的 运动物体检测效果较好，一般能够提供最完整的特征数据，计算量小，实用价值大。 本文采用基于减背景的目标差分法检测目标车辆，背景环境即车道上无车辆通过的 环境基本上是确定不变的，两台摄像机同时摄取当前图像减去近邻的背景图像，若无运 动发生，则理论上差分图像灰度全为零；若当目标车辆进入视频检测区，则差分图像上 变化部分即为待识别车辆图像。本方法受速度变化影响小，检测速度较快。 汽车模型外轮廓近似平直，因此对其图像进行分割后以矩形为主。规定车辆的最小 宽度和最小车间距，有助于车辆区域的检测。将采集的图像灰度化，前景图像为q i ， 背景图像为b i ，变化部分为d i ，0 ，) ，) 为当前处理像素点的坐标，则运动目标分割方法 为： 讲0 ，y ) 一厂【缪“y ) ，拼 ，y ) 】 ( 2 7 ) 式中，厂( 口，6 ) = k 一纠，是求灰度差值算子。 可对式( 2 7 ) 的差分结果进行阈值处理， 讲o ，y ) 一 所 ，y ) o 得到一个新的输出图像，即： 讲 ，y ) 苫乃 其它 ( 2 8 ) 选择适当的阈值乃，使差分图像中只保留具有显著变化的区域。如图2 2 所示( a ) 、 1 0 硕士学位论文 ( b ) 和( c ) 分别为当前帧、理想背景和差分图。 ( a ) 当前帧( b ) 理想背景( c ) 差分图 图2 2 目标检测 将理想背景图像图2 2 中( b ) 作为参考图像，将当前图像( a ) 与( b ) 做差分来找到运动物 体。一般在可控环境下，或者在很短的时间问隔内，可以认为背景图像是固定不变的， ，叮以直接使用差分方法分割出作为前景的物体。这种差分方法一般能够提供最完整的特