基于视频图像处理技术的运动车辆检测算法研究及实现

1、 图2.1视频图像及其灰度图像2.3灰度图像的二值化图像的二值化处理1是将图像简单的分成背景和目标物体,最常用的方法就是选取一个阈值0,用0将图像分成两大部分,大于0区域(通常为目标物体和小于0的区域(通常为背景,若输入图像为f(x,y,输出图像为g(x,y,则贴棚=协凳鬟、如果物体灰度分布在几个不相邻的区间内,二值化可表示为:如朋=般力亿。、其中m是组成物体各灰度值的集合。通过阂值运算能否有效的进行图像分割,取决于物体和背景是否有足够的对比度,也就是要知道图像的灰度分布情况。而图像的灰度直方图就是用于表达图像灰度分布情况的统计表。下图为灰度图像及其二值化图像。 图2.2灰度图像的二值化9 由

2、于中值滤波的中值点是邻域中的某个点,在模板跨过边界时,中值滤波不会创造实际中没有的点。由于这个原因,中值滤波在保存突变的边缘点时比均值滤波好。中值滤波的速度快的特点比较适合实时处理。下面是原始灰度图像及其滤波后图像。 图2.5灰度图像及中值滤波图像2-43.1数学形态学概述数学形态学是一门建立在集合论基础上的学科,是几何形态学分析和描述的有力工具。数学形态学的历史可回溯到19世纪的Eular,Steitier,Crofton和90年代的Minkowski“”,Matheron”和Serra“2”。1964年法国的Matheron和Serra 在积分几何的研究成果上,将数学形态学引入图像处理领域

3、,并研制了基于数学形态学的图像处理系统,1982年出版的专著Image AnalysiS and Mathematical Morphology是数学形态学发展的重要里程碑,表明数学形态学在理论上趋于完备及应用上不断深入。数学形态学蓬勃发展,由于其并行快速,易于硬件实现,已引起了人们的广泛关注。目前,数学形态学已在计算机视觉、信号处理,图像分析、模式识别、计算方法与数据处理等方面得到了极为广泛的应用。数学形态学可以用来解决抑制噪声、特征提取、边缘检测、图像分割、形状识别、纹理分析、图像恢复与重建,图像压缩等图像处理问题。数学形态学的数学基础和所用语言是集合论,因此它具有完备的数学基础,这为形态

4、学用于图像分析和处理、形态滤波器的特性分析和系统设计奠定了坚实的基础。数学形态学的应用可以简化图像数据,保持它们基本的形状特性,并除去不相干的结构。数学形态学的算法具有天然的并行实现的结构,实现了形态学分析和处理算法的并行,大大提高了图像分析和处理的速度。数学形态学包括一组基本的形态学运算:腐蚀(Erosion、膨胀(Dilation、开启(Opening和闭合(Closing,基于这些基本运算还可推导和组合成各种数学形态学实用算法。正是由于数学形态学在图像处理中优异的性能,在本文车辆检测算法中采用了该方法。 3.1帧数=60所得的背景图像 图3.2帧数=100所得的背景图像 图3.3帧数=3

5、00所得的背景图像上图左边是彩色背景图像,右边为灰度背景图像。从图中可以看出,如果训练的帧数过小,在提取的背景图像上有目标车辆的残留痕迹:训练帧数适中,提取的背景图像比较接近实际背景:训练帧数过多,提取背景的效果也差不多,但是浪费很多时间。由此,我们在背景图像提取过程中,训练帧数需选择适中,一般选取100150帧即可。该方法比一般的统计背景模型方法的运算速度要快很多(需选取300帧才能得到比较满意的背景图像,适合实时处理。在背景差分方法中,背景作为参考帧,背景的正确性直接影响到检测的结果。简单的背景差分方法的实现可以认为背景是始终不变的,这样实现简单。但是在现实的情况下,背景会随着时间的变化而

6、变化,比如光照引起的变化、背景物体移入移出等。如果保持背景模型不变的话,有可能会把很多背景点误检为前景点。为了得到准确的结果,我们就需要不断的对背景模型进行更新。参考文献33中的pfinder系统通过如下简单的公式对背景进行更新:E(x,Y=al,(x,y+(1一口El(x,力(3.14公式中口为更新速率,这个更新公式中存在的一个大的问题是:不管是背景的信息还是前景的信息都被用来更新背景模型。因为前景区域不属于背景的一部分,如果把它用于背景模型的更新将会导致错误,因此需要采用选择性的背景模型更新方法,只用除前景区域以外的象素来对背景模型进行更新,即通过本文算法检测出的非前景点进行背景更新。 图

7、3.4背景差分图像在上图中,左边为原视频某帧图像,右边为其对应的背景差分图像。3.3基于小波变换和多尺度形态学的车辆检测本文在进行背景差分的基础上,首先采用小波变换进行图像分解,抛弃低频信息重构小波系数,使得图像的边缘得到加强。再利用多尺度形态学算予对图像进行精确的边缘检测,精确地将车辆检测出来。 alog算子bcanny算子c本文方法图3.8复杂环境下边缘提取比较图3.4阴影检测在背景中,光线被物体阻挡后形成阴影,如图3.8所示。阴影分为自阴影和投射阴影,前者是物体自身背光的一面,后者是在光照射下,由物体投射到背景中形成的,它又分为暗影(umbra和半影(penumbra“。暗影所对应的区域

8、,其光线被物体完全遮挡,而半影则是部分遮挡。物体运动的暗影,因显著地异于背景而易检测,但常常被错误地理解为运动物体。因此,根据运动属性来区分,暗影又分为运动投射阴影“”和静止阴影。图3.9阴影产生示意图人的视觉系统依据下面特性或特征来判断阴影“。 lJ乃(x一,鼬(xI七(3。34联合式(3.33、(3.34进行阴影检测称之为蓝波段信息阴影检测方法。 图3.11阴影检测比较图图3.11为阴影检测图,左上图为检测区域设置图,右上图为一帧图像的蓝波段图像,下图分别为两帧视频图像的阴影检测图像。从图中可以看出利用本文的方法对检测区域中的车辆的阴影可以很好地检测出来a 图4.2算法流程图4.3实验结果及分析 图4.3均值二值化图像 图4.4改进Otsu方法二值化图像 5.3运行结果图5.2系统算法框图本实验所采用的数据来源于广园高速公路上所拍摄的视频图像,视频帧率为15帧/秒,每帧大小为320240像素点。系统启动后,读取视频图像文件,