毕业设计（论文）文献综述：智能小车视频信号分解与处理

文献综述文献综述二级学院计算机科学与工程学院班级学生姓名学号（智能小车视频信号分解与处理文献综述）摘要：智能小车视频信号分解与处理的核心是车辆的快速检测和定位，只有准确地检测和定位出车辆才能进行实时的跟踪。涉及的核心技术主要有运动目标检测技术和运动目标跟踪技术。关键词：运动目标检测跟踪背景差分基于轮廓引言随着社会的发展，越来越多的家庭开始拥有汽车，在带给我们方便的同时，城市中大量增加的汽车也给我们带来了严重的交通堵塞和交通安全等问题，对交通运输管理提出了挑战[1]。于是，为了大范围、全方位、实时、准确、高效地进行交通运输管理，智能交通系统（IntelligentTransportationSystem，ITS）这一新的研究领域便应运而生，并作为未来交通系统的发展方向而迅速地发展起来[2]。ITS中首要的问题就是交通信息的采集和处理，包括车辆的检测与跟踪。因此，对于运动车辆的检测与跟踪的研究将成为研究的热点，对此的研究将有着巨大的意义[3]。应用及相关研究视频图像处理在道路交通状况检测中的应用主要包括：车速的识别，从移动时间和距离来判断车的速度车型的识别，从车长来区别大车、小车车牌的识别，通过视频图像处理的手段识别车牌号码交通流量的监视，从车辆存在的位置来获得交通流量目前已投入运行的高速公路不停车自动收费系统中的车辆和车牌的自动识别都是图像处理技术成功应用的例子[4]。另外，一个在智能交通系统中应用广泛的方向是车载导航。通过在车辆前方装载的摄像头捕获交通环境视频信息，利用视频和图像处理技术对于捕获的视频信息进行分析和理解，结合机器视觉和模式识别技术实现为车辆驾驶中的道路环境识别、车辆和障碍物检测、危险环境预判、车辆和环境参数及和其他交通参数获取。以上的信息最后转换为驾驶员可以直观理解的视觉或者听觉信号，给出驾驶提示和危险预警，为车辆和驾驶者提供详尽和直观的驾驶帮助和提示，起到减少驾驶员负担的作用，同时让车辆更加智能、更加安全[5]。运动车辆检测与跟踪用到的技术3.1车辆检查技术[6]运动目标检测的目的是将序列图像中的运动目标从背景图像中检测并分割出来。关于运动目标检测的研究大致可分为两类：一是摄像头随着运动目标移动，始终保持目标在图像的中心附近；二是摄像头相对处于静止状态，只对视场内的目标进行检测、定位。背景差分法是运动目标检测最常用的方法之一，它的基本思想是：通过背景建模，利用相邻序列图像估计视频中不变的或有规律变化背景，将输入图像与背景图像进行比较，从中分割出前景运动目标。背景图像通常是整个场景中变化相对缓慢的部分，如交通视频图像中的道路（与移动的车辆相比它的变化相对缓慢）[16]。与帧差方法相比，背景差分法可以检测出短时间静止的车辆，也不受车速快慢的限制，而且，背景差分法可以通过简化算法降低计算量，满足视频检测的实时性要求[17]。虽然背景消减法可以提取出完整的目标图像，但在实际应用中任由许多问题需要解决，实际应用中一幅标准的背景图像总是不容易得到的，一种简单的获得背景图像的方法是当场景中午任何目标出现时就捕获背景图像，很显然随着时间的推移，外界的光线会变化，这会引起背景图像的变化，因而这种人工的非自适应的方法获得的背景图像，会随着时间的推移，对场景中光照条件、大面积运动和噪声比较敏感，出现许多伪运动目标点，不利于目标的准确检测。3.2车辆跟踪技术[7]运动目标跟踪就是在视频图像序列中实时地发现并标记运动目标，在帧与帧之间建立车辆运动的某些特征，如位置、速度、形状和方向等之间的联系，不断跟踪目标，并计算出运动目标的轨迹。基于动态轮廓的跟踪思想是利用封闭的曲线轮廓来表达运动目标，并且该轮廓能够自动连续地更新[18]。相对于基于区域的跟踪方法，轮廓表达有计算复杂度小的优点，如果开始阶段能够合理地分开每个运动目标并实现轮廓初始化，即使在有部分遮挡存在的情况下也能连续地进行跟踪，然而轮廓初始化通常是很困难的。3.3其他技术3.3.1灰度图像处理图像的灰度处理就是将彩色图像转化成为灰度图像的过程。在彩色图像中，R、G、B三个分量决定了每个像素的颜色，而每一个分量可以有255个值，一个像素点的颜色的变化范围就可以达到1600多万（255*255*255）；而灰度图像R=G=B，一个像素点的变化范围就只有255，因此将大大的减少后续图像的计算量，但是却会让图像失真。图像的灰度处理一般可用两种方法来实现[8]。一种方法是通过求出每个像素点R、G、B三个分量的平均值，然后将这个平均值赋值赋值为这三个分量。另一种方法是根据YUV的颜色空间中，Y的分量的无力意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y=0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值[9]。3.3.2高斯滤波高斯滤波(Gaussfilter)实质上是一种信号的滤波器，其用途为信号的平滑处理，数字图像用于后期应用，其噪声是最大的问题，因为误差会累计传递等原因，大多图像处理教材会在很早的时候介绍Gauss滤波器，用于得到信噪比SNR较高的图像（反应真实信号）。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效[15]。在图像处理中，高斯滤波一般有两种实现方式，一是用离散化窗口滑窗卷积，另一种通过傅里叶变换。最常见的就是第一种滑窗实现，只有当离散化的窗口非常大，用滑窗计算量非常大（即使用可分离滤波器的实现）的情况下，可能会考虑基于傅里叶变化的实现方法[10]。3.3.3图像二值化处理图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果[11]。一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（BINARIZATION）[12]。二值化是图像处理的基本操作，任何图像处理基本离不开二值化的操作。其应用非常广泛。根据阈值选取的不同，二值化的算法分为固定阈值和自适应阈值。比较常用的二值化方法则有：双峰法、P参数法、迭代法和OTSU法等。3.3.4开闭和运算数学形态学(MathematicalMorphology)诞生于1964年，是由法国巴黎矿业学院博士生赛拉(J.Serra)和导师马瑟荣，在从事铁矿核的定量岩石学分析及预测其开采价值的研究中提出“击中/击不中变换”，并在理论层面上第一次引入了形态学的表达式，建立了颗粒分析方法。他们的工作奠定了这门学科的理论基础，如击中/击不中变换、开闭运算、布尔模型及纹理分析器的原型等。数学形态学的基本思想是用具有一定形态的结构元素去量度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。数学形态学是由一组形态学的代数运算子组成的，它的基本运算有4个：膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合，它们在二值图像和灰度图像中各有特点。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，用它们可以进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边缘检测、图像滤波、图像增强和恢复等。数学形态学方法利用一个称作结构元素的“探针”收集图像的信息，当探针在图像中不断移动时，便可考察图像各个部分之间的相互关系，从而了解图像的结构特征。数学形态学基于探测的思想，与人的FOA(FocusOfAttention)的视觉特点有类似之处。作为探针的结构元素，可直接携带知识（形态、大小、甚至加入灰度和色度信息）来探测、研究图像的结构特点。开闭和运算就是利用腐蚀和膨胀运算去除杂点[13]。腐蚀运算可以消除边界点，使边界内部收缩，腐蚀一般用来消除细小并且没有意义的目标。在OpenCV中可调用cvErode函数来对图像进行腐蚀运算。而膨胀运算和腐蚀运算相反，则是合并接触的背景点，使边界向外扩张，填补目标区域当中出现的漏洞。在OpenCV中则通过调用cvDilate函数来实现[14]。存在的问题和未来的发展趋势视频检测器与传统检测器相比有其明显的优势，近年来在智能交通系统中得到了越来越广泛的应用。虽然视频检测器有着诸多优点，但仍然存在许多需要解决的问题。一个可以投入实际使用的基于视频图像的交通检测系统应该具备处理时间短、计算量低和可靠性高的特点。而且，这种系统所采用的方法必须对重建3D场景的误差、车辆运动所引起的图像噪声、视频检测器的偏移等干扰有足够的稳健性。存在的问题主要是：一是视频检测器的检测精度是随着光照情况的变化而变化的，当光照良好时如正午时检测精度最好，反之如傍晚、雨雪天气则较差；另一个问题是阴影问题，阴影是造成视频检测方法误检测的主要原因，阴影通常有三种：车辆自身的运动阴影、道路场景中的静态阴影、缓慢移动的阴影如浮云造成的阴影；同时车辆在道路场景中的相互遮挡也是必须考虑的问题。未来这一领域的发展应该是围绕上述问题的解决而展开。发展趋势主要是：首先，注重准确率、综合使用多种检测方法是未来车辆检测的一大发展趋势；另外，车辆检测中的多检测器信息融合也是未来研究的重点；同时，与基于视频图像车辆检测紧密联系的相关研究领域，交通视频图像的压缩和多媒体数据挖掘，也是未来研究的热点。参考文献：［1］杨杰，张翔．视频目标检测和跟踪及其应用．2012．上海．上海交通大学出版社［2］刑延超，皇甫伟．数字视频处理原理及DSP实现［M］．北京．电子工业出版社，2011:184-228［3］刑延超，皇甫伟．数字视频处理原理及DSP实现．2011.12．北京．电子工业出版社［4］乔传标，王素玉，卓力，沈兰荪．智能视觉监控中的目标检测与跟踪技术［J］．测控技术，2008,27（5）：22-24［5］马加庆．视频运动目标的跟踪方法［M］．北京．电子工业出版社，2013：1-132［6］李劲菊，朱青，王耀南．一种复杂背景下运动目标检测与跟踪方法［J］．仪器仪表学报，2010，31（10）：2242-2247［7］刘亚，艾海舟，徐光佑．一种基于背景模型的运动目标的检测与跟踪算法［J］．信息与控制，2002，31（4）：315-319［8］刘富强，王新红，宋春林．数字视频图像处理与通信．2009.12．北京．机械工业出版社[9]沈晶，刘海波，周长建．Visualc++数字图像处理典型案例详解．2012.7．北京．机械工业出版社[10]王耀贵.图像高斯平滑滤波分析.2009年山东山东省潍坊卫生学校［11］范勇，游志胜，张建州，郑文琛，冯子亮．一种快速运动目标检测与跟踪算法［J］．光电工程，2000，27（6）：30-33［12］马加庆．视频运动目标的跟踪方法．2013.6．北京．电子工业出版社[13]刘锐宁，梁水，李伟明．学通Visualc++的24堂课．2011.6．北京．清华大学出版社[14]Zoeter,OnnoYpma,AlexanderHeskes,TomDeterministicandStochasticGaussianParticleSmoothing[15]MingJiang.MathematicalModelsincomputervisionandImageProcessing.2001DepartmentofInformationScience,SchoolofMathematics,PekingUniversity.[16]Fritsch,DanielE.1;C