（交通信息工程及控制专业论文）车辆信息的视频提取方法及应用研究.pdf

南京航空航天大学硕士学位论文 i 摘摘 要要 车辆识别和检测是智能交通系统(intelligent transportation system, its)的基 础课题之一。其中车辆的视频检测技术是推进 its 发展的一个重要研究方向，在 道路监控和不停车收费系统等众多方面有广泛的应用前景。但由于问题的复杂 性，有关这方面的研究进展缓慢，有大量问题急需解决，车型识别是其中的关键 技术之一。针对上述问题，本文从图像分割技术、运动目标的检测与提取、车型 的视频检测与分析等方面开展了研究。 针对车辆检测对图像分割技术的要求，从分割质量及分割效率两方面展开了 深入细致的研究工作。利用二维图像分割技术分割质量高，但运算量较大，分割 速度难以满足实际应用要求的特点， 提出一种基于模式进化机制的二维图像分割 技术，明显改善图像的二维分割效率。算法通过引入优良模式和植入算子，避免 了传统的遗传算法容易陷入局部最优的不足。 在优化时间上也较传统遗传算法有 了显著提高。 结合停车场环境特点，研究了运动车辆的背景差分检测技术。采用自适应背 景更新方法， 并实验比较选取了合适的更新系数， 实现运动目标的背景差分检测。 针对基于视频的车型分类，提出了两级分类车型提取方法。在提取车辆形状 分散度、顶篷比等目标特征的基础上，实现车辆类型的归类；利用车轮数、车轴 距的检测， 准确确定车型。 考虑到车轮轮廓提取的实时性要求， 改进了传统 hough 变换圆检测方法，提出了基于连续曲线段的随机 hough 变换方法，减少了大量 采样无效累积。实验验证了所提算法的有效性。 最后利用上述研究方法，编写了一套基于视频检测技术的停车场管理系统原 型，初步实现车型的识别与车位检测，为进一步研究提供平台基础。 关键词：关键词：图像分割，遗传算法，视频检测，霍夫变换，车型识别 车辆信息的视频提取技术及应用研究 ii abstract vehicle detection is a basic question in intelligent transportation system (its). and the video detection technology, which is one of the important research fields, will push its ahead. it has been greatly used in traffic monitoring and controlling, automatically tolling and so on. however, there are lots of problems to be studied for the complexity of the video detection. the vehicle classification is one of the key techniques. the thesis worked on the underlying aspects from the following points. the thesis researched on a two-dimensional (2-d) thresholding by a genetic evolution mechanism. the 2-d thresholding can improve the segmentation quality. however, its computational speed is so slow that is difficult to be used greatly. genetic algorithm (ga) can accelerate the threshold selection, but the premature convergence must be considered. this thesis proposed a novel genetic evolution mechanism based on schema. by introducing this mechanism, the search efficiency would be improved in each iteration cycle. the thesis proposed a two levels vehicle classification method. firstly, some moving vehicle characters would be extracted, such as the shape complexity, the ratio of top width and total width of vehicle, to implement the shape identification roughly. secondly, the vehicle could be classified by wheel number and their distance furthermore. for the sake of the low detection speed, proposed a hough transform by the continuous curve to detect wheel. a new method, which would reduce the invalid sampling accumulation, was presented to improve the random hough transform method on circle detection. the thesis studied the moving vehicle detection by background difference. considering the park characters, a self-adaptive background difference method was used to extract the movement target. the thesis developed a park management demo by video detecting technique. and this demo was developed by some of aforementioned research. key words: image segmentation, genetic algorithms, video detection, hough transform, vehicle classification, 南京航空航天大学硕士学位论文 v 图表清单图表清单 图图 2.1 八向链码. 5 图图 2.2 像素的邻域. 6 图图 3.1 标准遗传算法的基本流程图. 15 图图 3.2 模式 1*示意图. 19 图图 3.3 模式*1 示意图. 19 图图 3.4 模式*0*示意图. 19 图图 3.5 模式 10*示意图. 19 图图 3.6 模式*1*1 示意图. 19 图图 3.7 模式*00*示意图. 19 图图 3.8 xoy 平面图. 23 图图 3.9 标准图像实验结果比较. 25 图图 3.10 车辆图像实验结果比较. 26 图图 3.11 车辆（a） （b）的不同算法的收敛曲线. 26 图图 4.1 两帧帧间差法算法结构图. 29 图图 4.2 三帧帧间差法算法原理图. 30 图图 4.3 三帧帧间差法算法结构图. 30 图图 4.4 背景差法结构图. 31 图图 4.5 车辆检测处理流程图. 31 图图 4.6 图像边缘的典型模型. 35 图图 4.7 边界的走向. 39 图图 4.8 圆的参数空间表示. 42 图图 4.9 圆检测结果图. 42 图图 4.10 车型识别流程图. 42 图图 4.11 帧间差法实验结果图. 43 图图 4.12 原始背景图像及目标图像序列. 44 图图 4.13 不同参数自适应背景更新对比. 44 图图 4.14 自适应背景差分法检测出的运动目标. 44 图图 4.15 实验室环境下利用自适应背景差分检测出的运动目标. 45 图图 4.16 二值化后车辆图像. 45 图图 4.17 形态学处理后车辆图像. 45 图图 4.18 车辆轮廓检测. 45 图图 4.19 不同目标的 c、s、d. 46 图图 4.20 车轮检测结果图. 46 图图 4.21 车型检测结果图. 46 图图 5.1 基于虚拟检测线的车位识别图示. 50 图图 5.2 系统功能模块结构设计. 51 图图 5.3 系统设计流程图. 51 图图 5.4 车辆信息提取与车型识别界面. 53 图图 5.5 车位信息与停车建议诱导界面. 53 车辆信息的视频提取方法及应用研究 vi 表表 3.1 交叉算子实例. 17 表表 3.2 标准图像分割实验结果. 25 表表 3.3 两种算法所用 cpu 平均时间(s). 27 表表 4.1 收费公路车辆通行费车型分类. 34 承诺书 本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立 进行研究工作所取得的成果。尽我所知，除文中已经注明引用的内容 外，本学位论文的研究成果不包含任何他人享有著作权的内容。对本 论文所涉及的研究工作做出贡献的其他个人和集体， 均已在文中以明 确方式标明。 本人授权南京航空航天大学可以有权保留送交论文的复印件， 允 许论文被查阅和借阅,可以将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、缩印或其他复制手段保存论文。 (保密的学位论文在解密后适用本承诺书) 作者签名： 日 期： 南京航空航天大学硕士学位论文 1 第一章第一章 绪论绪论 1.1 课题来源与背景课题来源与背景 不断凸显的交通问题已成为一个全球性的棘手问题。20 世纪 80 年代以来， 随着科技的发展，日本、美国和西欧等国家在解决交通问题时，均有效集成了人 工智能、自动控制、信息通信、电子传感和系统工程等技术，建立了大范围、全 方位发挥作用的综合交通运输管理系统智能交通系统（its）1。 世界各国之所以竞相投入大量的人力、物力、财力进行 its 的研究开发2-6， 因为它在带来巨大社会效益的同时，也带来了巨大的商业利益。在未来的 20 年 里，美国用于 its 开发的总投资预计将超过 3000 亿美元，而智能交通相关产品 及服务的市场容量将超过 4200 亿美元；日本 its 在 2000 年的市场规模为 15 兆 日元，预计到 2010 年将达 45 兆日元；中国预计用近 30 年时间建成 8.5 万公里 的国家高速公路网，同时整合智能交通的建设和发展。 我国政府早已将 its 作为中国未来交通领域发展的重要方向， 在国务院制定 的国家中长期科学和技术发展规划纲要（2006-2020） 中，把开放智能交通管 理系统及交通运输安全和应急保障作为交通运输业重点领域的优先主题之一； 在 “十一五”规划中，未来五年将重点整合现有资源，推进综合交通智能系统的建 设，以构建现代化、信息化和人性化的智能交通系统为目标6,7。 自上世纪 90 年代中期，随着国家汽车产业政策的颁布， “小汽车进入家庭” 被确定为国家扶持汽车工业发展的战略安排， 小汽车拥有量逐年增加， 且增长速 度越来越快。据国务院发展研究中心预测，2010 年我国汽车保有量将超过 5600 万辆，2014 年达到 1 亿辆，2030 年将达到 3.15 亿辆8。但与此同时，城市的停 车设施建设却相对滞后， 解决停车难问题， 已成为我国大城市交通面临的一项迫 切的任务9-19。建立大型停车库，特别是立体车库，是解决停车难问题的有效途 径之一11-14。 而大型停车场需要智能化的管理， 如新加坡的樟宜机场是亚洲最繁 忙的空港之一，设有三个停车场，共 3300 个车位，停车场收费完全自动化，停 车场内看不到一个管理人员。值班人员只在办公室远程监测停车场的运行情况， 以备处理应急事件20。 停车场的智能化管理技术在我国的开发和应用尚处于起步阶段， 有大量技术 需要解决。 车辆检测与识别分类就是其中的关键难题之一， 也是 its 应用领域中 的一个重要分支和关键技术问题。 此类技术不仅能应用在规范交通秩序、 大型停 车场管理、高速公路自动计费、打击盗窃车辆等领域，而且在辅助驾驶、自动导 航、交通监控、调度监控、事故检测等方面中也具有广阔的应用前景。 车辆信息的视频提取方法及应用研究 2 本文的研究课题就是在这种背景下提出的， 同时得到了南京航空航天大学引 进人才基金支持。 1.2 交通信息的检测技术研究现状交通信息的检测技术研究现状 车辆检测和车型分类涉及视频图像处理、模式识别、人工智能、工业测控、 电子及通信技术等多个学科和领域。车辆检测是车型分类基础，方法很多。目前 的车辆检测器大都是基于硬件设备来实现的， 按工作原理可分为电磁感应式、 红 外线式、声波式、光电式等多种21；也可以按其工作波长差异，分为磁频检测 器、波频检测器、视频检测器等22；或按其工作方式分为主动式和被动式、接 触式和非接触式等等。下面介绍当前比较流行的几种检测方法21-25。 1.2.1 环型线圈检测技术环型线圈检测技术 环型线圈检测技术属于接触式被动检测技术， 是目前最为广泛使用的检测技 术之一。 利用埋设在车道路面下的环型线圈感知过往的车辆， 不同车辆感应曲线 不同。该技术成本低、安装方便、灵敏度高和受气候影响小；但在实际使用中， 因道路施工、路面变形等因素使线圈的损坏率较高，后续维护成本高，工作量也 较大。在美国许多城市的同一时刻，至少有 30%的环型线圈检测器处于故障状 态21。并且此类技术获取交通信息的能力十分有限，仅能检测车速、方向等。 1.2.2 声波式检测技术声波式检测技术 声波式检测分类技术在高速公路上应用比较多，属于非接触式主动检测技 术， 主要有超声波检测和微波检测。 两种技术都是利用反射回波的原理实现交通 信息检测。超声波检测器的安装不需破坏路面，不受道路施工、变形的影响，检 测器架设方便、移动性好；但易受环境影响，较大的风速会导致波束漂移而无法 工作，另外检测器探头下方通过的人和物（如行人打伞，自行车群等）也会产生 反射波造成误检。微波检测器具有多检测区域的特点，可检测交通量、车速、占 有率等交通流信息， 但它无法提供通行车辆具体信息。 因此微波检测器通常要与 电视监控结合使用。 1.2.3 激光检测分类技术激光检测分类技术 激光检测分类也是一种非接触式主动检测技术，用脉冲激光作为媒介，通过 测量激光面的反射结果来检测距离信息，根据不同距离获取车辆的三维外形形 状， 进行车辆检测和车型识别。 该技术已成功应用于加拿大 407 高速公路和其它 一些收费道路的收费系统中24。这种检测技术对利用轮廓信息进行车型分类十 分有利，但设备成本过高，同类检测器之间存在信号干扰问题，降低了系统的可 南京航空航天大学硕士学位论文 3 靠性，而且对环境造成的污染也是一个不容忽视的问题。 1.2.4 动态称重分类技术动态称重分类技术 动态称重（weigh-in-motion，win）技术25属于接触式被动检测技术，按使 用的检测器分类，有压力检测器、应变片检测器和电容器检测器三类。当车辆通 过埋入路面下的检测器时，检测器受力产生形变，根据回传信息进行检测，可测 量车辆的轴重、轴距、总重、车速等，并按预先制定的车型分类表，自动识别车 型。美国联邦高速公路署（fhwa） 26根据车辆的轴数和轴距将车辆定义为从摩 托车到多用途拖车共 13 个类别，该分类标准被世界各国普遍认同。动态称重技 术很适合这个分类标准，但由于技术还不成熟，设备安装复杂、寿命短，温度、 车辆振动、 道路质量等都会对系统精度产生很大影响， 所以在车辆检测和车型识 别中还没有得到广泛应用。 1.2.5 视频检测识别技术视频检测识别技术 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有效信息， 根据信息 进行车辆检测和车型识别。 相对于其它交通检测技术，视频检测识别技术具有明显的优势，它能够弥补 其它检测技术的不足之处， 提供一套完备的检测手段， 能够自动提取出绝大多数 的交通流有效数据，这其中包括交通流量、速度、车辆排队宽度、车型分类、占 有率以及密度等。它具有如下特点： ? 图像的信息含量极为丰富。视频信号能通过多种方式进行传输，例如同 轴电缆、光纤、双绞线、无线射频或者微波等。 ? 检测器安装方便，无需破坏路面，监视器的更换不影响交通，对周围环 境没有影响，不会造成污染。相同检测器之间也不会发生相互干扰。 ? 直观可靠，可以实现可视信息的记录和保存，具有离线处理的能力。 ? 可进行多车道检测，信息获取面积大，监控范围广，在一定的范围内可 以获取较好的车辆轮廓信息，实现对运动车辆的跟踪和识别。 因此基于视频的交通图像检测与处理方法在its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。 但也应该看到，面对复杂的 its 应用，视频检测仍存在不足，这一方面受到 一些客观条件的影响和约束， 比如恶劣的环境条件造成输入的图像降质， 可能造 成检测时出现错误或识别的多义性。 另外主要是在图像处理算法上的缺陷所带来 的检测结果的偏离。 这些存在的不足正揭示了今后研究的发展方向。 随着计算机 车辆信息的视频提取方法及应用研究 4 硬件和软件技术、 数字图像处理和人工智能技术的发展进步， 这些视频检测难题 正在不断被克服，计算速度、检测精度及模型泛化能力正在逐步提高，所以这一 技术必将在 its 领域得到广泛的应用，并能代表自动化检测技术的发展趋势。 1.3 选题意义选题意义 视频检测技术的发展趋势使得它在 its 中占有了越来越重要的地位。 我国的 研究也紧随其后， 一些高校和科研院所都有相应的智能交通系统研究实验室， 承 担着国家智能交通系统研发的重要使命， 其中基于视频的检测技术和分类方法稳 稳地居于当前研究的主流地位。 目前车辆信息提取技术中， 车牌识别技术起步较 早， 但车型识别尚属于起步阶段， 在这方面的研究不论在学术上， 还是在应用上， 都是势在必行。 本文从视频图像处理技术出发，在识别性能和速度上入手，通过提取车辆的 几何特征来实现对车型的自动识别与分类； 而在车位检测中， 利用了虚拟检测线 的方法检测车辆存在信息， 充分发挥了视频检测技术的优势， 为停车场管理自动 化智能化研究提供可行方案。 1.4 论文主要内容安排论文主要内容安排 论文内容安排如下： 第一章为绪论，介绍交通信息的视频采集技术，特别是停车场管理中车辆检 测与车型识别的研究意义。 第二章简单介绍视频图像处理的基础知识。 第三章提出基于模式进化机制的二维图像分割技术。介绍遗传算法基础知 识， 针对二维图像分割速度较慢的不足， 利用本文提出的基于模式的遗传进化机 制，提高阈值选择速度，并分析了实验结果。 第四章研究基于视频的车型识别方法。首先介绍现有车型识别常用方法。然 后根据车型的视频图像识别特点， 研究了基于自适应背景更新的运动车辆背景差 分检测技术，利用改进的快速随机 hough 变换等车辆信息提取技术，进行车型 识别。 第五章介绍了基于虚拟检测线进行车位检测方法， 并结合本文前几章车型识 别等相关技术，开发了一个基于视频的停车场管理原型系统,实现车型分类识别 和车位的检测。 第六章总结本论文工作。 南京航空航天大学硕士学位论文 5 第二章第二章 视频图像处理预备知识视频图像处理预备知识 基于视频的交通图像理解涉及到许多研究领域与专业技术。 为了后续各章内 容的展开，本章简要介绍与本文相关的预备知识。 2.1 数字图像的表达数字图像的表达 计算机仅能处理数字信号，因此必须将连续信号抽样和量化，进行数字化处 理。数字化后的图像称为数字图像（或离散图像） 。本节介绍本文所用到的描述 图像的方法和各种数据结构。 1、灰度图像的阵列表示法、灰度图像的阵列表示法 设连续图像 f(x,y)按等间隔采样，排成 mn 阵列，见式（2.1）所示27,28： () ()()() ()()() ()()() 0 00 101 1 01111 1 01111 f,f,. f,n- f,f,. f,n- . f x,y = . . f m - ,f m - ,. f m - ,n- （2.1） 图像阵列中每一个元素都是离散值，称为像素（pixel） 。其中(x,y)是平面的 二维坐标，f(x,y)代表(x,y)点的灰度值。 彩色图像可用红（r） 、绿（g） 、蓝（b）三个矩阵来表示，也可以组成混 和矩阵。目前三个色彩各用 8bit，共用 24bit。另外，也可用三维矢量矩阵来表 示彩色图像。 2、二值图像表示法、二值图像表示法 所谓二值图像就是只有黑白两个灰度级，即像素灰度级非 1 即 0。在数字图 像处理中，为减少计算量，常将灰度图像转为二值图像。 图图 2.1 八向链码 二值图像还可采用一些特有的表示方法，如链码（又称 freeman 码）很适合 表示直线和曲线组成的二值图像， 以及描述图像的边界轮廓。 因为规定了链码起 2（90） 3（135） 1（45） 4（180） 0（0） 5（225） 7（315） 6（270） 车辆信息的视频提取方法及应用研究 6 点坐标和链码的斜率序列，就可以完全描述曲线或直线。根据斜率分别是 45、 60、90的倍数，可组成八个方向、六个方向、四个方向链码。如图 2.1 所示。 本文主要针对 24 位位图图像、256 灰度级图像进行处理，得到二值图像为图 像分割后的结果图，作为图像边界跟踪、轮廓提取的基础。 2.2 数字图像处理的基础知识数字图像处理的基础知识 2.2.1 基本概念基本概念 1、直方图、直方图 一幅图像的直方图， 表示该图像中不同灰度级像素出现的相对频率， 是一个 一维的离散函数（设图像的灰度总级数为 l） ： () k k n p g n =，k0，1，l-1 (2.2) 式中gk为图像f(x,y)的第k级灰度值，nk是f(x,y)中具有灰度值为gk的像素个数， n是图像像素总数。因为p(gk)给出了gk出现的概率，所以直方图提供一幅图像 所有灰度值的一种整体描述。 2、像素邻域定义、像素邻域定义 对一个坐标为(x,y)的像素p，它可以有两个水平和两个垂直的近邻像素。它 们的坐标分别是(x+1,y)，(x-1,y)，(x,y+1)，(x,y-1)。这些近邻像素组成像素p的 4-邻域，记为n4(p)，见图 2.2（a） 。像素p与其 4-邻域近邻像素的距离为一个单 位距离。像素p的四个对角近邻像素的坐标是(x+1,y+1)，(x+1,y-1)，(x-1,y+1)， (x-1,y-1)。见图 2.2（b） 。这些像素点再加上p的 4-邻域像素合起来组成p的 8- 邻域，记为n8(p)，见图 2.2（c） 。 图图 2.2 像素的邻域 3、连通性和通路、连通性和通路 像素间的连通性是确定图像中的目标的边界信息和区域信息的重要概念。 连 通性是建立在连接和连通的概念之上的， 连接属于连通的特例。 要确定两个像素 是否连接需要在某种意义上确定它们是否接触（例如是否为 4-邻域像素）以及 它们的灰度值是否满足某个特定的相似准则（例如灰度值相等） 。定义以下两种 连接情况（其中 v 表示定义连接的灰度值集合） ： 4-连接：两个像素p和r在 v 中取值且r在n4(p)中，则为 4-连接； 8-连接：两个像素p和r在 v 中取值且r在n8(p)中，则为 8-连接； 南京航空航天大学硕士学位论文 7 从具有坐标(x,y)的像素p到具有坐标(s，t)的像素q的通路是由一系列具有 坐标(x0,y0)，(x1,y1)，(xn,yn)的独立像素组成的。这里(x0,y0)= (x,y)，(xn,yn) =(s， t)，(xi,yi)与(xi1,yi1)相毗邻，其中 1in，n为通路长度。根据所用的连接性可 以定义 4-通路和 8-通路。 设p和q是一个图像子集 s 中的两个像素，那么如果存在一条完全由在 s 中的像素组成的从p到q的通路，那么就称p在 s 中与q相连通。对 s 中任一 个像素p，所有与p相连通且又在 s 中的像素的集合（包括p）合起来称为 s 中 的一个连通组元。 图像里相同连通组元中的两个像素互相连通， 而不同连通组元 中的各像素互不连通。 4、特征提取、特征提取 图像特征是用于区分图像内部的最基本属性， 可以是原图像中人类视觉能鉴 别的自然特征，也可以通过对图像进行测量和处理后人为定义的某些特征或参 数。特征提取是辨识的基础。常用的目标统计特征有： 灰度幅值特征 在所有的图像特征中，最基本的是图像灰度的幅值特征。这个特征可以在图 像某些特定的像素点或其邻域内测定，也可以在某个区域内测定。以(x,y)为中心 的(2m+1) (2n+1)的邻域内的灰度均值为： () () () () 1 , 2121 mn mm nn f x yf xm yn mn = =+ + (2.3) 直方图统计特征 直方图能描述图像统计性质，直方图可以用下面的参数来描述： 均值： ( ) 1 0 l i iip i = = （2.4） 方差： ()( ) 2 1 2 0 l i i iip i = = （2.5） 能量： ( ) 2 1 0 l n i bp i = = （2.6） 熵： ( )( ) 1 0 log l k i bp ip i = = （2.7） 式中l为灰度级总数，p(i)为图像的概率密度。 图像相关性系数 两幅图像的相关性，表示两幅图像灰度分布的接近程度。 5、目标描述、目标描述 车辆信息的视频提取方法及应用研究 8 图像识别中，需要描述目标特性。目标特性的常用描述方法如下： 面积： 目标的面积可以简单地定义为目标边界所包围的像素点数。 它反映了目 标的大小或质量。 长度和宽度： 目标的长度和宽度可以用在水平和垂直方向上最大的像素点数来 度量。 周长：目标的边界像素点总长度。 矩形度：可以用目标面积a0和包围它的最小矩形面积ar之比， 0r raa=作 为目标矩形度的一种度量参数。它的大小能够反映目标和矩形接近的程度。 复杂度：形状分散度表示目标的复杂程度，用周长的平方和面积的比值来表 示，如式(2.8)所示。面积越大周长越小则表示目标形状越简单；反之，面积越 小周长越长则表示目标越复杂。形状分散度： 2 spa= (2.8) 6、数学形态学图像处理、数学形态学图像处理 数学形态学28-32是一种应用于图像处理和模式识别领域的新方法， 基本思想 是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分 析和识别的目的。 用于描述数学形态学的语言是集合论利用数学形态学的几个基 本概念和运算，将结构元灵活地组合分解，应用形态变换达到分析的目的。数学 形态学算法易于并行处理，硬件实现容易。 数学形态学方法比其它频域图像处理和分析方法具有一些明显的优势。例 如， 在图像恢复处理中， 基于数学形态学的形状滤波器可借助于先验的几何特征 信息，利用形态学算子可以有效地滤除噪声，保留图像中的原有信息；数学形态 学的边缘提取处理不像微分算法对噪声那样敏感， 提取的边缘比较平滑， 利用数 学形态学方法提取的图像骨架也比较连续、断点少。 膨胀 a、b为z2中的集合，为空集，a被b的膨胀，记为ab，为膨胀算 子，膨胀的定义为： ( ) | x abxbb = ，该式表明膨胀过程是b首先做 关于原点的映射，然后平移x，a被b的膨胀过程是b 所有x平移后至少有一个 公共元素。 腐蚀 a、b为z2中的集合，a被b腐蚀， 记为ab， 其定义为( )| x abxba= 也就是说a被b腐蚀的结果为所有使b被x平移后包含于a点的集合。 腐蚀和膨胀是一组对偶运算， 即如果用同一个结构元素， 则对图像目标作腐 蚀操作相当于对图像背景作膨胀操作， 而对图像目标作膨胀操作相当于对图像背 景作腐蚀操作。但是，腐蚀和膨胀并不是逆运算，即对一幅图像先进行腐蚀操作 南京航空航天大学硕士学位论文 9 在进行膨胀操作得到的结果一般不等于原图像， 同样， 先进行膨胀操作在进行腐 蚀操作得到的结果和原图像通常也有所不同。 开运算和闭运算 开运算一般能平滑图像的轮廓，削弱狭窄的部分，去掉细小的突出。闭运算 也是平滑图像的轮廓，与开运算相反，它一般能融合窄的缺口和细长的弯口，去 掉小洞，填补轮廓上的缝隙。 设a是原始图像，b是结构元素图像，则集合a被结构元素b作开运算， 记为a?b,其定义为：a?b=（a-b）b。就是a被b腐蚀后的结果再被b膨胀。 设a是原始图像，b是结构元素图像，则集合a被结构元素b作闭运算， 记为ab，其定义为：ab=（ab）-b。就是a被b膨胀后的结果再被b腐 蚀。 击中/击不中变换 击中/击不中变换是数学形态学里用于形状检测的一种基本工具。设有图像a 和b,如果ba，称b击中a，反之称为b击不中a。如果b由不相交的 1 b和 2 b 两部分组成，即= 2121 bbbbb和，则a被b“击中”的含义是 1 b击中a， 并且 2 b击不中a，记作ba。也即从 1 b击中a的部分中减去 2 b击中a的补集的 部分。可以用公式(2.9)表示， )()( 21 bababa c = (2.9) 其中 c a为a的补集。 细化 细化是一种保持区域连续性的腐蚀操作，用结构元b细化图像a记作ba， 借用击中击不中变换可以定义为(2.10)， )(baaba= (2.10) 2.2.2 图像分割技术图像分割技术 多年来，对图像分割的研究一直是图像技术研究中的热点和焦点33-35。它不 但是图像处理和分析的关键步骤， 也是计算机视觉中的主要问题， 是一个经典难 题，分割结果直接影响到特征提取和识别结果。 在its中，图像处理的最终用于检测和提取交通信息，需要将检测目标（车 辆）从获取的图像中分离出来，图像分割技术提供了理想的解决途径。 2.2.2.1 图像分割问题概述图像分割问题概述 多年来人们对图像分割提出了不同的解释和表述， 借助集合概念对图像分割 可给出如下比较正式的定义： 令集合r代表整个图像区域，对r的分割可看作将r分成n个满足以下五 车辆信息的视频提取方法及应用研究 10 个条件的非空子集（子区域）r1，r2，rn： 1 n i i rr = = ； 对所有的i和j，ij，有= ij rr； 对i=1，2，n，有p( i r )=true； 对ij，有p( ij rr)=false； 对i1，2，n， i r是连通的区域。 条件指出在对一幅图像的分割结果中全部子区域的总和（并集）应能包括 图像中所有像素（就是原图像） ，或者说分割应将图像中的每个像素都分进某个 子区域中。 条件指出在分割结果中各个子区域是互不重叠的， 或者说在分割结 果中一个像素不能同时属于两个区域。 条件指出在分割结果中每个子区域都有 独特的特性， 或者说属于同一个区域中的像素应该具有某些相同特性。 条件指 出在分割结果中，不同的子区域具有不同的特性，没有公共元素，或者说属于不 同区域的像素应该具有一些不同的特性。 条件要求分割结果中同一个子区域的 像素应当是连通的， 即同一个子区域内的任两个像素在该子区域内相互连通， 或 者说分割得到的区域是一个连通组元。 最后需要指出， 实际应用中图像分割不仅要把一幅图像分成满足上面五个条 件的各具特性的区域，而且需要把其中感兴趣的目标区域提取出来。 图像分割算法的研究多年来一直受到人们的高度重视， 至今已提出了上千种 类型的分割算法， 而且近年来每年都有上百篇相关研究报导。 经典的图像分割有 阈值法、边缘检测法、统计学方法和区域生长法。 1、边缘检测法 边缘一般指图像中灰度发生剧烈变化的点，它是图像的局部特征。边缘检测 就是对图像中的边缘进行识别和标定来分割一幅图像。 最常见的边缘检测算法是 差分法。 由于边缘灰度变化规律一般体现为阶梯状或脉冲状， 边缘与差分的关系 可归纳为两种情况： 一种是边缘发生在差分最大值或最小值之处， 二是发生在过 零点处。对于阶梯状边缘，可以用roberts、prewitt、sobel、梯度下降算子等一 阶差分算子检测边缘；对于脉冲状边缘，可用二阶算子如laplacian算子检测边 缘。 2、统计学方法 从统计学出发的方法是把图像中各个像素的灰度看作是具有一定概率分布 的随机变量， 观察到的图像是对实际物体做了某种变换并加入噪声的结果。 要分 割观察到的图像从统计学的角度看就是要找出一个最大概率得到物体的组合， 从 bayes定理的角度看就是求出具有最大后验概率的分布。 3、区域生长法 南京航空航天大学硕士学位论文 11 区域生长法的基本思想如下：将图像粗分成许多小的区域，这些区域可能是 小的邻域甚至是单个像素； 在每个小区域中， 计算能反映一个物体内像素一致性 的特征，这些特征包括平均灰度值、纹理或颜色信息等；合并具有相同或类似特 征的小区域。 这是一个迭代过程， 每一次都要重新计算扩大后区域的特征值并消 除弱边界，直至没有弱边界为止，区域合并过程结束，完成图像的分割。 4、阈值分割方法 阈值分割就是简单的用一个阈值或几个阈值将图像的灰度直方图分成几个 类， 图像灰度值在同一个灰度类内的像素属于同一个物体。 该方法的关键是阈值 选取，现在有很多阈值选取方法，如基于熵原则的阈值选取方法、利用最大相关 性原则的方法、 细化图像的某种模糊测度确定阈值的方法、 通过对灰度共生矩阵 的分析来决定阈值的方法、 通过对图像的二维直方图作fisher线性映射来确定阈 值的方法等。 2.2.2.2 阈值分割方法阈值分割方法 在图像分割过程中，如果物体像素的灰度级与背景像素的灰度级有明显不 同，阈值化就是一个非常有效的技术，它可以将物体从背景中较好地分割出来。 在实际生产生活中，有许多情况都满足上述条件。 1、基于各像素值的阈值、基于各像素值的阈值 对灰度图像，基于各像素值的阈值是仅考虑各像素本身灰度值而确定的，因 而算法一般比较简单，但抗噪声能力不强。所确定的阈值（对多阈值分割是阈值 序列）