（计算机应用技术专业论文）交通道口运动目标分类方法的研究.pdf

江苏大学硕士学位论文 摘要 随着我国经济的迅猛发展，城市中各种机动车保有量迅速增加，城市及交通 道口的交通状况也因此两交得目趋复杂，城市交通管理部门追切需要一套行之有 效的交通车辆监控系统，智能交通系统i t s 因此而发展起来。基于视频的交通目 标检测分类系统以其安装简单，成本低，检测范围大和信息丰富等特点在智能交 通系统中褥到广泛应用。经过近年来的发展，基于视频豹交通强标检测分类系统 的研究取得了诸多成果，僵车型的准确分类一直是智能交通系统中的难点问题。 为此，本文对基子视频的交通目标分类技术展开了深入研究。 基于视频的交通目标检测分类系统所完成的工作主要包括摄像枧标定，车辆 检测，车辆跟踪，车型识别分类，本文主要完成摄像机标定和车型分类。主要工 作如下： 论文首先对摄像机标定技术进行了全面麴分析研究，在总结典型算法优缺点 的基础上，弓l 入了种摄像桃内参数标定方法，对摄像桃进行内参数标定，提高 了拍摄图像的精确度；同时，引入一种平恧图像转换技术对交通道口视频图像进 行转换，简单易行地实现了车辆外形信息的提取。 其次，论文对支持向量机算法进行了详细讨论，对各种多类分类方法进行了 探讨，在此基础上提出了一种改进的支持向量机算法。该算法解决了由于两类混 叠丽造成分类器过学习和泛能力减弱的阀题，提高了分类的歪确率。 再次，论文实现了一种基于支持向量枫的交通道口车型分类方法。该方法利 用车辆的多个外形特征对交通道躁车辆进行分类，解决了传统分类方法存在的 误分”闯题，实验表明，该方法分类精确度高，较好的满足交通道日车型分类 的要求。另钋，论文还给出了一种“车流速度”的提取方法，为交通管理部门 分析交通状况提供了依据。 最后，在上述工作的基础上，本文设计实现了一个交通邋翻车型分类原型系 统，实验表明，该系统具有较好的实用性，熊够对交通道口的各种车辆进行分类。 关键词：交通道口，车型分类，摄像机标定，支持向量机 江苏大学硕士学位论文 a b s t r a c t w i mm er a p i dd e v e l o p m e i l to fe 1 1 i n a se c o n o m y ，m em m l b e ro fv a d o l 垮v 出c l 懿 i i lc i t yh 髂i n c r e 雒e dr a p i d l y ，m e r e f o r e ，t h et r a 伍cs i t u a t i o na ti n t e 瑙硎o nh 勰b e c o m e c 伽叩l e xi i l c r e a s i n 舀ya n dt h ed 印蹴l e n t sw h om a n a g em e 仃a 伍c0 fc 畸h a v en e e d e r g e r l yf o r aw e l l e s t a b l i s h e ds y s t 锄t 0m o i l i t o rv 咖c l e s ，s 0t l l e1 1 1 t e l l i g t t 啪跚r t a t i o ns y s t c r i l ( i t s ) h a sd e v e l o p e d t i l es y s t e i i it od e t e c t ea n d c i 笛sm et r a m c t 鹕e tb a s e d0 nt 1 1 ev i d e 0h 觞b e e i lw i d e l yu s e di nt h ei i l t e l l i g e n tt r 锄s p o r t a t i o n s y s t e i l lf o ri tc 锄b ei n s t a l l e ds i m p l ya tl o wc o s t ，d e t e c t eal a r g em g e 觚dc 锄g e tr i c h i n f o 肌a t i o n a r e rt h ed e v e l o p m e i l ti i lr e c e n ty e a r s ，w eh a v eg o tm a i l ya c l l i e v 锄e 1 1 t s o nd e t e c t i o n 卸dc l a s s i f i c a t i o n ，h o w e v e r ，t od i s t i n g u i s ht h e 咖e so fv e h i c l e sa c c u l - a t e l y h a sb e 饥ad i 衔c u l ti nt h ei i l t e l l i g e n tt r 肌s p o r t a t i o ns y s t e i n t h ej o b sa c c o m p l i s h c di nt h es y s t 锄t od e t e c ta 1 1 dc l a s sv e h i c l e sm a i n l yi n c l u d e c a l i b r a t i n gac 锄e r 孔d e t e c t i n gt h ev e h i c l e s ，t r a c l 【i n gt h ev e l l i c l c s 锄dr e c o g m t i n gt h e t y p e s t m sp a p e rc o m p l e t e dm ec a l i b r a t i o na n dm ec l a s s i f i c a t i o n t h em a i nj o b so f m e p 印e r a f e 嬲f 0 1 l o w s ： f i r s t l y ，p 印e ra i l a l y z c da n dr e s e a r c h e dt h ec a l i b r a t i o nt e c i m o l o g yc o m p r e h e n s i v e l y ，c o n c l u d e dt l l ea d v a l l t a g e s a r i dd i s a d v a n t a g e so ft y p i c a la 1 9 0 r i t h m ，a n dm e i l q u o t e dam e 1 0 dt oc a l i b r a t em ei n s i d ep a m m e t c r so fc 锄e r a w l l i c hc a ni m p r o v em e p r e c i s i o no ft h ei m a g e ；a tt h es 锄et i m e p a p e rq u o t e dap l a i l ei m a g ec o n v e r s i o n t e c ：t l i l o l o g yt o c o n v e nv i d c oi m a g e sa ti n t e r s e c t i o nw h i c hc 锄g e ta o c u r a t es h a p e i n f o m a t i o no fv e m c l e ss i m p l y s e c o n d l y ，p 印e rd i s c u s s e dd e t a i l l ym ea l g o r i t l l i l l o fs u p p o r tv e c t o rm a c h i n e ， d i s c u s s e da l lk i n d so fm e t l l o d so fm u l t i - c a t e g o r yc l 硒s i f i c a t i o n ，b a s e do nt h i s ，p 印盯 r a i s e d 锄a l 鲥m mt oi m p m v em es u p p o r t v e c t o rm a c h i n e ，w m c hs o l v e dt l l ep r o b l 锄 o fo v 甜n l i n g 锄dd e c r e 硒i n go fg 酬i z 州o na b i i 时d u et 0t l l et 、帕一a l i 嬲i n g 锄d i i i l p r 0 v e d 1 ec o r r e c tr a t eo fc l a s s i f i c a t i o n n e x t ，p 印盯a c l l i e v e dam e t l l o db 鹊e dt h e 鲫p p o r t 毗rm a c k n et 0c l 勰s 廿l e v 6 i l i i e sa t 硫e r s e c t i o n ，w h i c hc 1 船s e dm ev 如l 嚣而ms e v e r a ls h 印e 鲰加r 懿o f v e h i c l 鹤a i l dr 器o l v e d 1 e 邮b l 锄o f 、r o n g c l 鹪sb y 仃a d i t i o n a lm e m o d e x p 丽m 胁t s s h o w e d 吐l a t 吐i em e l l l o dc 锄c l 弱s 也ev e i l i d 骼a tal l i g hp r i c i s i o 也觚dm e e tt h e 嗍u i r 锄e n t st 0 c l a s st h ev 咖c l 鼯a tn e r s e c t i o n i t la d d i t i o i l p a p e rp r e s 饥t e da m e m o dt 0g e t ”仃a 伍cs p e c d s ”，w k c hc 姐。脑e v i d c et 0 姐a l y s i st l l et r a 伍c 江苏大学硕士学位论文 c o 露i 垃o n s 如f 姐箍cd e p a n m 髓t s f n 越l y ，b a s e do nt hj o b so fa b o v e ，t h i sp a p e rd e s i 弱e da l l da c h i e v e dap f o t o t y p e s y s t 锄t 0c l a s s i f ht 量l ev c 惋c l e s ，e x p e r i m e l l t ss h o w e dt 1 1 a t 廿l em 甜l o dw 鹞b e t l 髓 p m c t i c 钔i 哆瓤l dc a nc l a s sa l lk i n d so fv e _ h i c l e sa ti n t e r s e c t i o n x e yw o 薹t d s ： 娩嫩c 证l e 硌e c t i o n ，v e h i c l e sc l a s s i 缸c a t i o 玛c a 搽e f ac 以主b f a 虹o n ， 鼠肇p o nv e c 霪o rm a c 越n e n i 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， 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。本人授权江苏大学可以将本学位论文的全部 内容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。 本学位论文属于 保密口，在年解密后适用本授权书。 不保密。 学位论文作者签名：嘻氐穹 2 0 0 8 年二月i 日 指导教师签名 2 0 0 8 年月目 独创性声明 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。除文中已注明引用的内容以外，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结果由本人承担。 学位论文作者签名：嘻饿缉 日期：2 0 0 8 年月1 1 日 江苏大学硕士学位论文 1 。1 研究背景 第一章绪论 近年来，随着我国国民经济的飞速发展和人民生活水平的不断提高，高速度、 高效率的生活节奏和高质量的生活追求使城市中各种机动车保有量迅速增加，城 市交通状况因此变得日趋复杂，交通流量日益加大，城市交通面临前所未有的压 力，交通拥堵、交通事故频发、交通环境恶化等问题阻碍和制约着经济的建设和 发展，已成为当前世界各国面临的共同问题，无论是发达国家还是发展中国家都 承受着不断恶化的交通的困扰。荚国每年花在解决交通拥挤和处理车祸上的开支 超过王o o o 亿美元，由此导致的经济损失高达2 3 7 0 亿美元；日本每年因交通拥挤 的经济损失嘉达1 2 兆3 千亿r 元。掇据统计，1 9 7 l 1 9 9 6 年的2 5 年内，我国交 通事故数量每5 年上升一个台阶，仅1 9 9 6 年就伤1 7 万多入，死者超过7 万，2 0 0 2 年受伤人数己达5 6 万，死亡数突破了l o 万，高达1 0 9 ，3 8 王入，每年我国百万人 以上的大城市因交通拥挤带来的经济损失达1 6 0 0 亿元。而交通道口的交通状况要 比一般路段的交通状况复杂得多，是交通事故问题的多发地点，可见，交通道口 是整个城市交通管理的瓶颈和主要着力点，对其交通管理的好坏直接影响到整个 城市的交通管理质量。在这样的大背景下，有些经济状况较为发达的城市已经在 主要路段和路口安装了磁环感应器来检测过往车辆的数量等d 1 蛾3 斓，进丽对道路 的拥堵情况进行判断，然丽，由子其安装复杂，投资成本高，不易大面积推广应 用。近几年，国内外学者已经开始研究基于视频信号的交通目标检测分类方法随】【6 1 ， 这是一门集计算机图象处理技术、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，其特点是安装简单、成本较低，不但能检测交通目标 的数量、运动速度和运动方向等交通流参数，还麓利用模式识别等相关技术对交 通目标进霉亍判断妇类，进两获取较为详尽的交通流参数并作为交通管理、收费、 调度、统计的依据。本文实现的道日交遥监控系统就是一种基于视频信号畀发黪 一套交通目标检测分类系统，其中对道口交通目标的分类方法已经成为计算枫撬 觉、智能交通等领域的重要研究方向和研究热点，对其展开深入研究具有重要的 江苏大学硕士学位论文 理论意义和实用价值。 1 2 研究现状 车型分类技术是智能交通监控系统的重要组成部分，其完成对特定地点和时 间的车型进行识别和分类，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，对于车型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，车型识别分类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。 轮廓扫描方法【1 4 】：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生变化( 与没有车 辆经过时相比) 。在知道车辆经过时的速度的前提下( 这可以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。 车轴计数方法【m 】：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 2 江苏大学硕士学位论文 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。 ， 磁场变化方法【3 l 【4 】：有一种采用环形线圈作为传感器的车型谀别系统，叫作 a i 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，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 感器容易受坏境的影响，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。 车牌识别方法【l5 1 ：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 的识别将辩认出车牌的大小、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， 江苏大学硕士学位论文 对车牌号码的j 下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。 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【1 6 】【1 7 1 ，小波变换及非线形滤波用于车型识 别【1 8 1 ，视频图像处理监控等【旧】，就每一种方法来说都有其适用的范围和优缺点， 基于图像处理的方法具有应用范围广，获取信息丰富的优点。 基于交通视频技术的方法：交通视频技术【2 0 】是指使用计算机视频技术检测交 通信息，通过视频摄象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i t 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。 其他识别方法：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分类技术绝大多数是通过检测 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，但是，就我们所知，车型识别分类在国内主要停留在研究状态( 如中国科 学院、西安公路所、上海交通大学、西安交通大学、北京理工大学等) ，部分产品 已投入正式运营。在各种车辆自动识别分类技术中，目前真正能够实际使用的还 不多，而车型分类是交通管理所必需的，因此必须尽快探索出一些新的车型自动 识别分类方法。 1 3 研究内容 本论文主要包括三部分工作：摄像机参数标定，支持向量机方法改进和交通 4 江苏大学硕士学位论文 道口车型分类，其主要内容如下： ( 1 ) 摄像机参数标定 摄像机标定包括确定摄像机内部几何光学特性( 内部参数) 以及确定摄像机在 一个世界坐标系中的三维位嚣和方向( 外部参数) 。摄像机内参数的标定主要与拍 摄图像的质量有关口3 ，褥外参数的标定主要黑来确定物体的三维信息。本课题要完 成标定的摄像头主要用于对经过交通道墨的车辆进行监视，采集数据，为后续的 目标检测跟踪，分类以及分析提供数据支持，进而完成交通道口流量分析等，因 此正确的标定摄相机的内外参数是整个课题的第步，也是至关重要的一步。由 于本文分类方法选取的特征主要以车辆外型为主，而通过我们引入的平面图像转 换技术将图像进行转换后就可以提取这些特征，因此我们无需对摄像机外参数进 行标定，只需标定其内参数，以此获得商质量的褫频图像。论文首先对摄像梳标 定技术进行了全西的分析与总结，对各种摄像机标定方法进行了着重介绍，指出 了各种方法的优缺点，引入了一种摄像机内参数标定方法陋1 ，应用此方法对摄像枫 进行内参数标定简单易行，提高了拍摄图像的精确度。 ( 2 ) 支持向量机方法改进 支持向量机( s u p p o r tv e c c o r c h i n e ，s ) 的核心内容是在1 9 9 2 年到1 9 9 5 年 提出的嘲，其基本思想是使篇简单的线性分类器划分样本空阅，对于当前特征空间 中线性不可分的模式，刚使用一个核函数把样本映射到一个高维空闻中，使得样 本能够线性可分。支持向量机起源于统计学习理论，它研究如何构造学习机，实 现模式分类问题。由于支持向量机方法有如下几个主要优点： 1 它是专门针对有限样本情况的，其目标是得到现有信息下的最优解而不仅 仅是样本数趋于无穷大时的最优值。 2 算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局 最优解，解决了在神经溺络方法中无法避免的局部极值问题。 3 算法将实际闯题通过写线性变换转换到高维的特征空闻，在高维空闻中构 造线性判别函数来实现原空间中的非线性判别函数，特殊性质能保证桃器有较好 的推广能力，同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关。 因此。本文引入了支持向量机分类算法对交通道口车型进行分类，论文对支 持向量机算法进行了详细地介绍，指出了支持向量机的优点，同时提出了一种改 5 江苏大学硕士学位论文 进的支持向量机算法，该算法解决了由于两类混叠而造成分类器过学习和泛化能 力减弱的问题，提高了分类的正确率。随后对各种基于支持向量机构造的多类分 类方法进行了探讨，明确其适用范围和场合，选择了一种适合交通道口车型分类 的多类分类器一卜v 一1 分类器，基于本文改进支持向量机算法的卜v 1 分类器可对 交通道口车辆进行准确分类。 ( 3 ) 交通道口车型分类 摄像机内参数标定以后，我们要对交通目标进行检测分类，将交通道口的运 动目标分为大型车，中型车，小型车和摩托车。为了能较为准确地进行交通目标 分类，单单依靠所检测目标的图像尺寸是不准确的，因为交通目标的图像尺寸与 其实际几何尺寸相差较大。本文依据监控摄像机的相关参数，对其拍摄的视频图 像进行平面变换，使车辆在图像中的大小比例与实际大小比例相同，在此基础上 提取车辆外形参数进行车型分类。 目前，有人采用模糊神经网络的交通目标分类方法n 们n ，取得了一定的效果， 但是神经网络本身还存在隐层结构无规律可循，易陷于局部极小值等缺陷，一定程 度上降低了实际应用效果。支持向量机是一种有限样本下的统计模式识别方法， 它是根据有限的样本信息在模型的复杂度( 学习精度) 和学习能力( 无差错地识别 任意样本的能力) 之间寻求最佳折衷，以期获得最佳的推广能力( 对未来输出进行 正确预测的能力) 。近年来，国内外学者已将其应用到车型分类中n 刃n3 l ，研究表明， 支持向量机方法显示较传统方法包括神经网络方法具有更好的适应和推广能力， 具有良好的分类效果，但是上述研究主要是针对笔直公路上的车辆进行分类，而 将其应用到交通道口上的研究较少报道。 经过仔细研究交通道口的交通状况本文提出了一种主要针对交通道口的车型 分类方法，该车型分类方法以改进支持向量机和卜v 一1 多类分类器为基础，把通过 城市交通道口的车辆分为大型车，中型车，小型车和摩托车，为后续的交通分析 提供技术支持。 1 4 论文组织结构 本文共分为五章，其每部分的内容组织如下： 第一章绪论。简要的介绍了车型自动分类方法的研究背景，本文的研究内容 6 江苏大学硬士学位论文 以及分类按术的研究瑗状。 第二章摄像枫标定。箍要的介绍? 摄像枧糠定的模型翻标定虑容，然詹详缨 介绍了摄像机标定的各种方法，指出其优缺点，最后本文弓l 入一种基予一维物体 的标定方法进行摄像机标定。 第三章一种基于支持向量机的交通道口车型分类方法。首先介绍了支持向量 机基本原理，重点介绍了线性支持向量机和非线性支持向量机算法，并分析了传 统支持向量概的不是，提毒了一种基于分段愿想的支持商量梳方法，并给出了试 验结果及试验分析；接下来介绥了各静多类分类算法及各窦优缺点，选择7 适合 本文分类方法的多类分类器；最恁给戡了一警孛毅的交遂道叠车型分类方法及流量 参数的提取方法。 第四章道口车型分类原型系统的设计。在前面工作的基础上，设计实现了一 个道翻车型分类淼型系统，并对其功能进行介绍，最后通过试验做了进一步分析。 第五章总结帮展攮。总结了论文韵研究内容，并对交通车型分类方法中可改 进和发展豹方匿徽窭展望。 7 江苏大学硕士学位论文 第二章摄像机标定 摄像机标定包括摄像机内参数标定和外参数标定，摄像机内参数的标定主要 与拍摄图像的质量有关，而外参数的标定主要用来确定物体的三维信息。本课题 要完成标定的摄像头是在道路交通监控系统用于对经过交通道口的车辆进行监 视，采集数据，为后续的目标检测跟踪、分类以及分析提供数据支持，因此正确 的标定摄相机的参数是整个课题的第一步，也是至关重要的一步。由于本文分类 方法选取的特征主要以车辆外型为主，而通过我们引入的平面图像转换技术将图 像进行转换后就可以提取这些特征，因此我们无需对摄像机外参数进行标定，只 需标定其内参数。下面对与摄像机标定有关的知识点做详细介绍。 2 1 摄像机模型 2 1 1 坐标系 为了更好的描述摄像机成像过程，我们首先定义四个参考坐标系：世界坐标系、 图像坐标系、成像平面坐标系和摄像机坐标系。 ( 1 ) 世界坐标系 为了描述摄像机和物体的位置关系，我们要选择一个参考坐标系，该坐标系 称为世界坐标系。摄像机坐标系和世界坐标系之间的关系可用旋转矩阵r 与平移 向量t 来描述，由此，空间中一点p 在世界坐标系和摄像机坐标系下的齐次坐标 分别为( x w ，y w ，z w 1 ) 1 。与( x c ，y c ，z c ，1 ) 1 它们之间存在如下关系： xc 】，c zc l = 一 x w 】，w z w l =m xw l ，w z w l ( 2 1 ) 其中r 是3 x 3 的正交单位矩阵，t _ ( t l ，t 2 ，t 3 ) t 是三维的平移向量，o = ( 0 ，o ，0 ) ， m 是两个坐标系之间的联系矩阵，也叫外参数矩阵。 ( 2 ) 图像坐标系 摄像机拍摄的数字图像在计算机内存储为数组，数组中的每一个元素( 称为象 素，p i x e l ) 值即是图像点的亮度( 或称灰度) ，在图像上定义直角坐标系u - v ，每一 8 江苏大学硕士学位论文 象素的坐标帆v ) 分别是该象素在数组中的列数和行数，所以( u ，v ) 是以象素为单位 的图像坐标系坐标，如图2 1 所示。 o o o x ( 静铲f ) 譬 图2 一l 图像坐标系与威像平面坐豁系 ( 3 ) 成像平面坐标系 图像坐标系表示的是象索位于数字图像的列数和行数，并没有用物理单位表 示出该象素在图像中的物理位置，因而需要再建立以物理单位( 例如毫米) 表示的 戒像平面坐标系x y ，如图2 1 所示。我们用u ，表示以象素为单位的圈像坐标系 坐标，( x ，y ) 表示以物理单位度量的成像平面坐标系的坐标。在x _ y 坐标系中，原 点o l 定义在摄像机光轴和图像平面的交点处，称为图像的主点，该点一般位于图 像中心处，但由予摄像机制作的原因，可能会有些偏离。若o i 在u - v 坐标系中的 坐标为( u o ，v o ) ，每个象素在x 轴和y 轴方向上的物理尺寸为d x ，匆，则两个坐标 系的关系如下： 、 d xs 髓q o l d y 1 ，o 0o 1 x y 1 ( 2 2 ) 其中s 。表示因摄像机成像平面坐标轴互相不正交引出的倾斜因子。 ( 4 ) 摄像机坐标系 摄像机成像几何关系如图2 2 表示，其中o c 点称为摄像机光心，x c 轴和y c 轴与成像平面坐标系的x 轴和y 轴平行，z c 轴为摄像机的光轴，与图像平面垂直。 光轴与图像平面的交点为图像主点o l ，由点c 与x c ，y c ，z c 轴组成的直角坐标系 称为摄像机坐标系，o c o l 为摄像机焦距。 9 江苏大学硕士学位论文 2 1 2 摄像机模型 图2 2 摄像桃坐标系与世界坐标系 ( 1 ) 线性模型 在计算机视觉中，摄像机模型解决的是三维场景中的点如何与平面上的点联 系起来的问题。空间任意一点p 在图像上的成像位置可用线性模型近似表示，即 任何点p 在图像上的投影位置p 为光心o c 与p 点的连线o c p 与图像平面的交点， 这种关系也称为中心投影或透视投影，如图2 3 所示。 y 群，2 的 图2 3 中心透视模型 其中点p 在成像平面坐标系下的坐标为( x ，y ) ，空间点p 在摄像机坐标系下的 坐标为( x c ，y c ，z c ) 。因为o c ，ep 三点共线，应有面= ) 、面，入为某个常数。 1 0 似 磊 = y k = - 三兄 = 一(兮 嵫她磁 i | i i | | 七， 江苏大学硕士学位论文 因此有： x = 孥 y = 于酱 将上式用齐次坐标与矩阵来表示可以得到： z 协障 ooo o oi oloj x c y c z c l ( 2 4 ) 犯5 ) 将( 2 1 ) 与2 2 ) 代入上式可以得到图像坐标系与世界坐标系之闯的关系为： 懈卜 = io 声1 ，o 陋 l oo ll t 】 x w 乳 z w l 泽 l 妊 j 剥l k 1 怯 l = 足【尺t 】p = m p ( 2 6 ) 其中 = 厂万一：r ，= 厂d h ，= s ( rt ) 称为摄像机的外参数矩阵，包 括旋转矩阵r 和平移矩阵t ；，v o ) 为主点坐标；允和舟分割是u 轴和v 轴上的 尺度因子；r 是捶述两图像坐标轴倾斜程度的参数；k 是3 x 3 的矩阵称为内参数 矩阵；m 为3 x 4 矩阵称为投影矩阵，( 2 6 ) 式即为摄像机成像原理。 ( 2 ) 非线性模型 当计算精度要求较高，线性模型便不能准确描述摄像机的成像几何关系了， 在远离图像中心处会有较大的畸变，这是需要用到非线性模型。 o 厂o 厂，0 o 刊，y川 o 诧 洳弼l 。 西协。 俄o o h ， ，- = y 1 乙 江苏大学硕士学位论文 i 一一。 掰 f 蘸 f l 变形 置 0 ，茬= 1 江苏大学硕士学位论文 ( w - ) + 6 由约束条件式( 3 2 ) 知，h 到最近数据点的距离为圳w ，显然如果1 w | | 2 芝彳， h 到最近数据点的距离必然大于等于1 | l a m 因此，使8 w l l 2 最小就是使v c 维的上 界最小，从而实现结构风险最小化原理中对函数复杂性选择【4 3 l 。 支持向量机主要分为线性支持商量机和非线性支持向量机，这两类支持向量 褫都需要构造最优分类超平面，英区别主要在于线性支持自量枫直接构造最优分 类超平面，两非线性支持向量枫则需要将输入向量映射到高维空闻，然后在此空 间中构造超平面，以下是两类支持向量机的详细介绍。 3 。王2 线性支持向量机 对线性司分的情况，使分类间隔最大的分类超平面即为最优分类超平面，也 就是求最佳( w b ) 可归结为如下二次规划问题： ：喜# w | | 2s j p ( w 繁+ l ，i = l ，2 ，z 。 ( 3 5 ) 式( 3 5 ) 所表达的含义是指在经验风险为零的情况下，使v c 维的舞最小化， 从丽最小优v c 维，这正是结构飙险最小化原理。 这是一个凸规划问题，为解决它引入l 删g e 函数： 她如净抄| | 2 蕊( 如吲i + 缈一蛩 ( 3 6 ) s j 硪o 根据鞍点定理，规划问题式( 3 。5 ) 的解由h 舯懿妒函数的鞍点决定，令： 杀懒啦扣鬻。 7 ) 未( 如) - w 一喜口嗍= 。 由k u l l i l t u c h e r 定理可知，最优勰满足： 缃( 弦( w - 船+ 6 ) 一1 ) = of = l ，2 ， ( 3 8 ) 江苏大学硕士学位论文 讲为每个样本对应的l a g r a n g e 乘子，解中只有一部分( 通常是少部分) 口不为 零，对应的样本船就是支持向量( s u p p o r tv e c t o r ，s v ) 。在图3 1 中，就是在日l ，日2 上的点。这样，w 可表示为： ：r 口i 雠 ( 3 9 )w2 l 口渺 kj 苫 将式( 3 7 ) 代入式( 3 6 ) 得到二次规划问题式( 3 5 ) 的对偶式： 矿( 口) ：壹讲一丢壹口例( 船 仁1 二，2 1 ( 3 1 0 ) j j 讲o ，江1 ，口少= o 根据式( 3 8 ) ，得： 6 ：y j w x j ( 3 1 1 ) d = y j w x j lj 儿， 分类决策函数为： ( 功= s g n ( - x + 6 ) ( 3 1 2 ) 上述最优分类面是在线性可分的前提下讨论的，而实际情况往往是线性 不可分的，此时，可在条件式( 3 3 ) 中增加一个松弛项勺o ，成为： 弘 ( w m ) + 纠1 一f = l ，j ( 3 1 3 ) ， 显然，当划分出现错误时白大于零，因此，白是训练集中划分错误的向量 f = j 的上界。引入错误惩罚分量c 之后式( 3 5 ) 变为： 景如1 2 + c 每 ( 3 且满足条件式( 3 1 3 ) ，其中c 为可调参数，是对错分样本的惩罚程度，由用户事 先选定的大于0 的常数，c 值越大，则惩罚越大。 线性不可分的最优分类面的对偶问题与线性情况下几乎完全相同，只是式 ( 3 6 ) 的受限条件变为： 0 讲c ，f = l ， ( 3 1 5 ) 江苏大学硕士学位论文 3 1 3 非线性支持向量机 非线性支持向量机实现的思想如下：它通过某种事先选择的非线性映射将输 入向量x 映射到一个高维特征空间h 中，如图3 2 所示。然后在此高维空间中构 建最优分类超平面。由于支持向量机把原问题转化为对偶问题，计算的复杂度不 再取决于空间维数，而是取决于样本数，尤其是样本中的支持向量数。这些特点 使有效的解决高维问题成为可能。 将x 做变换由：尺d 一日： z _ 巾( x ) = ( 巾( 功，中2 ( 石) ，巾r ( z ) ，) r ( 3 1 6 ) 其中，卸( z ) 是实函数。 图3 2 输入空间( 左) 到特征空间( 右) 的映射 以特征向量巾( 石) 代替输入向量x ，则由式( 3 1 2 ) 可以得到： ， 厂( 石) = s 驴( 巾( 工) 矿+ 6 ) = s 印( 口啪巾( 崩) 巾( 工) + 矿) ( 3 1 7 ) 在上面的对偶问题中，无论是目标函数还是决策函数都只涉及到训练样本之 间的内积运算，这样就可以在高维空间只需进行内积运算，避免了复杂的高维运 算。而这种内积运算是可以用原空间中的函数实现，没有必要知道它的变换形式。 根据泛函的有关理论，只要一种核函数满足m e r c e r 条件，它就对应某一变换空间 中的内积。 因此，在最优分类面中采用适当核函数k 弦) = 巾( 船) 巾( 弦) 就可以实现某一 非线性变化后的线性分类，而且计算复杂度却没有增加。此时二次规划的目标函 江苏大学项士学位论文 数式( 3 1 0 ) 变为： f 1 f， ( 口) = 讲一去口，回彬( 蔚，刀) ( 3 1 8 ) f = l厶f = i ，= i 相应分类决策函数式( 3 1 2 ) 也变为： ， ( 工) = s 印( 口，弘( j ，m ) + 6 ) ( 3 1 9 ) ，= i 这就是支持向量机。支持向量机的示意图如图3 3 所示。 基于l 个支持向量x l 。x 丑 x l 的非线性变换 x 1x 2 x d 输入向量x ( x 1 x d ) 图3 3 支持向量机示意图 用核函数来代替欧式的内积，可以使线性情况应用到非线性情况。通过采用 不同的核函数，可以构造不同的学习机。这一特点提供了解决算法可能导致的“维 数灾难 问题的方法：在构造判别函数时，不是对输入空间的样本作非线性变换， 然后在特征空间中求解；而是先在输入空间比较向量( 例如求点积或是某种距离) ， 对结果再作非线性变换。这样，大的工作量将在输入空间而不是在高维特征空间 中完成州。 3 2 一种改进的支持向量机 传统支持向量机仅仅考虑类的边界情况，用较少的向量( 支持向量) 来确定最 优分类超平面。一方面，它要使得两类边界之间的宽度最大( 分类边界将居于两类 边界的正中间) ；另一方面，它还要使得错分的代价不要太高，两方面权衡的结果， 就是要使得下面的式子取得最小值： 江苏大学硕士学位论文 1 h + l ( e ) ， 其中h 表示两类的边界之间的宽度，l ( e ) 表示错分带来的损失，争取最大的 边界宽度是为了保证分类器具有较强的泛化能力，同时这里的“最大 是有条件 的，就是不能付出太多的错分代价，s 是这两种要求折衷的结果。在训练分类器 时，s 硼的着眼点在于两类的交爨部分，那些混杂在另一类中的点往往无助予提高 分类器的性能，反而会大大增加训练器的计算负担，同时它们的存在还可能造成 过学习，使泛化能力减弱。为了克服这种缺点，本文对基本s 进行改进提出一种 分段支持向量机一s s v m ( s u b r e g i o n a 卜s v m ，s s v m ) ：它首先用原始训练样本构 造最优分类超平面i ，然后对原始样本进行分段，即通过最近邻方法确定参数入， 再把原始样本中到i 的距离小于等于入的样本作为新的训练样本构造最优超平面 i l ，对于待分类样本，根据其到l 的距离确定所用的最优分类超平面。实验表 明，s s 硼基本消除了混杂点的影响，在分类正确率上比s 硪具有明显的提高。 3 2 1 最近邻算法 假定有c 个类别l ，2 ，咄的模式识别问题，每类有标明类别的样本n i 个，i = l ，2 ，c 。 我们可以规定类的判别函数为： 黟( 工) = 唧n 惦一x 灿七= l ，2 ， ( 3 2 0 ) 其中x ? 的角标i 表示类f ，k 表示f 类n t 个样本中的第k 个。按照( 3 。2 量) 式，决策规则写为： 若廖= 如洒g ? 僦i = 1 ，2 ，e ( 3 2 1 ) l 则决策x 蛐 这一方法称为最近邻法。从直观上解释，最近邻法就是对未知样本x ，比较x 与= 肭个已知类别的样本之间的欧式距离，并决策x 与离它最近的样本同 f = l 类。 3 l 江苏大学硕士学位论文 3 2 。2 分段算法 给定一个训练集，p ) ( 戡弦卜，m ，妒( 1 ，一1 ) ，f = l ，2 ，m ，将训练集表 示为矩阵豫mxt 一+ t ，然t x y ，其中二= 【三】，y = f 兰】。 如果该向量与其最近邻属于异类，则记录该点与超平面i 的距离l 厂o ) l ， i 如) i 中最大值即为入，以到超平面i 的距离小于入的样本点作为一段，记为段l ， 3 2 江苏大学硕士学位论文 剩余的作为段，记为段2 ，这就完成样本点的分段，图3 4 ( b ) 所示。 采用欧氏距离作为两个向量之间的距离，即设 前燃( 船1 ，2 ，4 ) ，叼= ( ，2 ，暂”) ， 则藏与粒之臧的距离定义必移x ；，菇，) 鬻曩_ 鬲， 一个样本的最近 邻就是在上