智能交通系統(tǒng)車輛識(shí)別

1、第一章緒論1.1課題研究的背景交通流量檢測(cè)系統(tǒng)作為智能交通系統(tǒng)(its)的重要組成部分，在its中發(fā)揮著重要的作用。而基于計(jì)算機(jī)視覺的交通流量檢測(cè)系統(tǒng)又是交通流量檢測(cè)系統(tǒng)中的研究重點(diǎn)。它是通過(guò)對(duì)實(shí)時(shí)交通序列圖像分析得到所需的流量信息。為了更好的了解計(jì)算機(jī)視覺的交通流量檢測(cè)系統(tǒng)的意義和發(fā)展趨勢(shì)，我們應(yīng)該對(duì)該技術(shù)的使用背景進(jìn)行了解。1.1.1 lts(inteii igent transportation system)簡(jiǎn)介隨著世界經(jīng)濟(jì)與技術(shù)的發(fā)展，交通運(yùn)輸已經(jīng)成為經(jīng)濟(jì)生活的重要方面，并對(duì)保證社會(huì)經(jīng)濟(jì)體系的正常運(yùn)轉(zhuǎn)發(fā)揮著越來(lái)越大的作用。然而，由于我國(guó)經(jīng)濟(jì)的快速發(fā)展以及機(jī)動(dòng)車持有量的激增和其它運(yùn)輸工

2、具的快速增長(zhǎng)，使現(xiàn)有基礎(chǔ)設(shè)施所能提供的交通供給能力與我國(guó)現(xiàn)實(shí)和潛在的巨大交通需求相比仍然嚴(yán)重短缺，交通擁擠仍然很嚴(yán)重，運(yùn)輸效率較低，城市交通堵塞和大氣污染加劇，嚴(yán)重影響了我國(guó)城市經(jīng)濟(jì)的發(fā)展和人民的生活。因此，在繼續(xù)加快交通基礎(chǔ)設(shè)施建設(shè)的同時(shí)，充分發(fā)揮現(xiàn)有基礎(chǔ)設(shè)施的潛力，提高運(yùn)輸效率，保障交通安全，緩解交通擁擠，提高服務(wù)質(zhì)量，減少環(huán)境污染將是我國(guó)交通領(lǐng)域今后面臨的基本任務(wù)。智能運(yùn)輸系統(tǒng)(its)順應(yīng)經(jīng)濟(jì)全球化、信息化的趨勢(shì)，對(duì)于提高交通運(yùn)輸效率和效益，保證安全，促進(jìn)可持續(xù)發(fā)展具有十分顯著的作用，已經(jīng)引起世界許多國(guó)家的廣泛重視。對(duì)解決我國(guó)交通運(yùn)輸領(lǐng)域所面臨的問題，適應(yīng)新形勢(shì)的要求，提高交通基礎(chǔ)設(shè)施

3、建設(shè)水平，促進(jìn)交通運(yùn)輸產(chǎn)業(yè)及帶動(dòng)相關(guān)產(chǎn)業(yè)的發(fā)展具有重要意義，我國(guó)政府已提出將its作為中國(guó)未來(lái)交通運(yùn)輸領(lǐng)域發(fā)展的一個(gè)重要方向，也是推進(jìn)國(guó)民經(jīng)濟(jì)信息化的一項(xiàng)重要任務(wù)。近年來(lái)，我國(guó)在its方面開展了大量的研究與應(yīng)用工作，為我國(guó)its的發(fā)展奠定了一定基礎(chǔ)。目前我國(guó)its核心技術(shù)的研究主要集中在計(jì)算機(jī)視覺技術(shù)、交通仿真技術(shù)、四川大學(xué)碩士學(xué)位論文智能交通系統(tǒng)中的汽車流量檢測(cè)研究gpsgis定位導(dǎo)航技術(shù)、交通流等理論方面。其中計(jì)算機(jī)視覺技術(shù)又是研究的熱點(diǎn)?；谝曨l的交通流量采集系統(tǒng)可以分為兩類：一類是沒有采用計(jì)算機(jī)視覺的系統(tǒng)，它本身不能識(shí)別車輛，僅僅檢測(cè)指定區(qū)域內(nèi)運(yùn)動(dòng)著的象素群，而并不理解它代表現(xiàn)實(shí)世界中

4、的什么物體。其代表有trip交通圖像處理系統(tǒng)，基于虛擬采樣點(diǎn)、檢測(cè)線組、檢測(cè)線圈的車流量檢測(cè)系統(tǒng)。其中，autoscope是一個(gè)較為成功的商業(yè)系統(tǒng)，具有實(shí)時(shí)檢測(cè)交通參數(shù)的能力，是國(guó)際上交通信息采集中具有競(jìng)爭(zhēng)力的視頻檢測(cè)系統(tǒng)之一。以上幾種方法優(yōu)點(diǎn)是處理速度快，檢測(cè)的識(shí)別率較高。但是，他存在著的缺點(diǎn)更為嚴(yán)重。在采用檢測(cè)線隧的系統(tǒng)中由于硬件必須埋于地下對(duì)交通道路的破壞是十分嚴(yán)重的，而且其使用壽命較短經(jīng)濟(jì)成本高。autoscope系統(tǒng)同樣存在著一些缺陷，在檢測(cè)系統(tǒng)中沒有考慮光照模型、道路模型對(duì)流量檢測(cè)的影響。由于現(xiàn)代公路設(shè)計(jì)都采用多車道設(shè)計(jì)方式，附近車道的遮擋及陰影將影響當(dāng)前車道的檢測(cè)。交通信息采集的

5、可靠性和準(zhǔn)確性較低。第二類是基于模型的計(jì)算機(jī)視覺系統(tǒng)。基于視覺的運(yùn)動(dòng)目標(biāo)區(qū)域檢測(cè)及目標(biāo)跟蹤不僅具有很強(qiáng)的科學(xué)研究?jī)r(jià)值，還具有很強(qiáng)的實(shí)用價(jià)值，其成本低使用周期長(zhǎng)，檢測(cè)的準(zhǔn)確率高，國(guó)內(nèi)外正對(duì)此做大量的研究工作。12基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法的概述及比較運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤處于整個(gè)計(jì)算機(jī)視覺系統(tǒng)的最底層，是各種后續(xù)高級(jí)處理如目標(biāo)分類、行為理解等的基礎(chǔ)。運(yùn)動(dòng)目標(biāo)檢測(cè)系指從視頻流中實(shí)時(shí)提取目標(biāo)，一般是確定目標(biāo)所在區(qū)域和顏色特征等。目標(biāo)檢測(cè)的結(jié)果是一種“靜態(tài)”目標(biāo)前景目標(biāo)，由一些靜態(tài)特征所描述。運(yùn)動(dòng)目標(biāo)跟蹤則指對(duì)目標(biāo)進(jìn)行連續(xù)的跟蹤以確定其運(yùn)動(dòng)軌跡。受跟蹤的目標(biāo)是一種“動(dòng)態(tài)”目標(biāo)運(yùn)動(dòng)目標(biāo)，與前景目標(biāo)相比

6、，描述它的特征中多了動(dòng)態(tài)特征(如運(yùn)動(dòng)參數(shù)等)。這兩方面是相輔相成，缺一不可的。圖像運(yùn)動(dòng)目標(biāo)參數(shù)的檢測(cè)分為兩種方法：特征識(shí)別法和基于運(yùn)動(dòng)的識(shí)別法。特征識(shí)別包括兩個(gè)主要步驟：一是從相繼兩幅或多幅不同時(shí)刻的圖像中抽取特征(如角特征點(diǎn)、特征線等)，建立對(duì)應(yīng)；二是依據(jù)這些特征之間的對(duì)應(yīng)來(lái)計(jì)算物體的結(jié)構(gòu)(形狀、位置等)和運(yùn)動(dòng)。其優(yōu)點(diǎn)是可以獲取三維運(yùn)動(dòng)信息，對(duì)目標(biāo)運(yùn)動(dòng)速度無(wú)限制。主要難點(diǎn)在于確定和提取特征?；谶\(yùn)動(dòng)的識(shí)別法與前者有很大不同，它把運(yùn)動(dòng)作為目標(biāo)的首要特征，一般采用的方法有提取光流場(chǎng)，幀間差分，減背景等。利用光流場(chǎng)來(lái)進(jìn)行運(yùn)動(dòng)區(qū)域檢測(cè)是一種常用的檢測(cè)技術(shù)。光流場(chǎng)是二維速度瞬時(shí)場(chǎng)，它是景物中可見點(diǎn)的三

7、維速度矢量在成像平面上的投影，表示了景物表面點(diǎn)在圖像中位置的瞬時(shí)變化。由于三維空間中目標(biāo)運(yùn)動(dòng)會(huì)導(dǎo)致該位置的光強(qiáng)變化，利用這種強(qiáng)烈變化進(jìn)行運(yùn)動(dòng)檢測(cè)的技術(shù)稱為光流場(chǎng)估計(jì)技術(shù)。背景差分的區(qū)域檢測(cè)是在攝像頭固定的情況下提出的，這樣視頻圖像序列中背景是固定的，利用背景差分就可以確定運(yùn)動(dòng)區(qū)域，實(shí)現(xiàn)方法簡(jiǎn)單。第二章序列圖像的預(yù)處理得到實(shí)對(duì)視頻場(chǎng)景的背景后，將當(dāng)前幀與背景圖像進(jìn)行差分得到含有運(yùn)動(dòng)目標(biāo)信息的圖像。但是此時(shí)獲得的圖像中不僅含有運(yùn)動(dòng)目標(biāo)還含有很多噪聲以及不需要的運(yùn)動(dòng)目標(biāo)如行人和自行車等，所以需要進(jìn)行一定的處理才能對(duì)其進(jìn)行后續(xù)操作。下面先討論去除運(yùn)動(dòng)目標(biāo)自身的陰影噪聲。2.1運(yùn)動(dòng)目標(biāo)的陰影陰影可劃分為

8、兩類：自身陰影和投射陰影。自身陰影是由于物體本身沒有被光源直接照射到而形成的；投射陰影是由于物體阻擋光線后在背景上形成。這里的陰影指的是距離物體足夠遠(yuǎn)的光源(像太陽(yáng)光)而導(dǎo)致的在物體周圍產(chǎn)生的陰影即投射陰影，當(dāng)后續(xù)的運(yùn)動(dòng)目標(biāo)識(shí)別時(shí)，陰影通常會(huì)被看成是物體的一部分，從而直接影響了運(yùn)動(dòng)目標(biāo)的特征提取導(dǎo)致跟蹤的失敗。2.1.1陰影去除算法研究由于本文研究的運(yùn)動(dòng)目標(biāo)(車輛)基本上是規(guī)則的矩形圖形，光照在這些目標(biāo)周圍產(chǎn)生的陰影一般集中在其上下左右四個(gè)方向。所以算法的關(guān)鍵是從這四個(gè)方向上去除陰影噪聲。根據(jù)特定的場(chǎng)景以及不同的時(shí)間段陰影在各方向出現(xiàn)的概率，然后根據(jù)統(tǒng)計(jì)概率在不同的時(shí)間段采用不同的方向去除運(yùn)動(dòng)

9、目標(biāo)的陰影。一般來(lái)說(shuō)，運(yùn)動(dòng)目標(biāo)(車輛)的邊緣比較多，在頻域上來(lái)說(shuō)就是高頻信號(hào)比較多；而陰影的邊緣比較少，在頻域上低頻信號(hào)比較多。所以，結(jié)合以上兩個(gè)特性從邊緣檢測(cè)著手去除陰影。我們知道，即使人們感覺很簡(jiǎn)單的景物中也包含著大量的細(xì)節(jié)，它們?cè)趫D像中都表現(xiàn)為強(qiáng)度的非連續(xù)性，找出所有這些細(xì)節(jié)并不是獲得景物的可行方法。另外圖像強(qiáng)度的非連續(xù)性來(lái)源于不同的物理現(xiàn)象：表面反射和紋理不同邊緣是指圖像局部亮度變化最顯著的部分。邊緣主要存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域之間，是圖像分割、紋理特征提取等圖像分析的重要基礎(chǔ)。圖像分析與理解的第一步常常是邊緣檢測(cè)。因此邊緣檢測(cè)十分重要，己經(jīng)成為機(jī)器視覺的重要研究領(lǐng)域。

10、圖像中的邊緣通常與圖像亮度或圖像亮度的一階導(dǎo)數(shù)的不連續(xù)性有關(guān)。圖像亮度的不連續(xù)性可分為：階躍不連續(xù)，即圖像亮度在不連續(xù)處的兩邊象素灰度值有著顯著的差異：線條不連續(xù)，即圖像亮度突然從一個(gè)值變化到另外一個(gè)值，保持一個(gè)較小的行程后又返回到原來(lái)的值。梯度：邊緣檢測(cè)是檢測(cè)圖像局部顯著變化的基本運(yùn)算。梯度是函數(shù)變化的一種量度，而一幅圖像可以看作是圖像強(qiáng)度連續(xù)函數(shù)的取樣點(diǎn)陣列，因此圖像灰度值的顯著變化可以通過(guò)梯度的離散逼近函數(shù)來(lái)檢測(cè)。 (1) 對(duì)于數(shù)字圖像，式中的導(dǎo)數(shù)可用差分來(lái)近似。最簡(jiǎn)單的梯度近似表達(dá)式為： (2)邊緣檢測(cè)算法：現(xiàn)在有很多邊緣檢測(cè)算子，直flroberts算子、sobel算予、prewit

11、t算子、kirsch算子等。由于本系統(tǒng)實(shí)時(shí)性要求高，所以必須選取計(jì)算簡(jiǎn)單、速度快、邊緣定位精確的算子?；谝陨蠋c(diǎn)考慮本文選取了sobel算子。sobel邊緣檢測(cè)算子是利用梯度與差分原理組成的邊緣檢測(cè)器。其梯度幅度的數(shù)學(xué)描述為： (3)其中用模板(卷積核)來(lái)表示即： (4) (5)當(dāng)陰影出現(xiàn)在車輛的兩側(cè)采用垂直邊緣檢測(cè)算子，如果陰影出現(xiàn)在車輛的上下，使用水平邊緣檢測(cè)算子。但是該方法是將當(dāng)前序列圖進(jìn)行邊緣檢測(cè)，然后再對(duì)背景圖像進(jìn)行邊緣檢測(cè)，最后將邊緣檢測(cè)后的圖像差分得到去除陰影的灰度圖像。2.2灰度圖像的二值化2.2.1灰度圖像的二值化概述 圖像的二值化處理是將圖像簡(jiǎn)單的分成背景和目標(biāo)物體，最常

12、用的方法就是選取一個(gè)閾值，用將圖像分成兩大部分，大于區(qū)域(通常為目標(biāo)物體)和小于的區(qū)域(通常為背景)，若輸入圖像為f(x，y)，輸出圖像為g(x，y)，則 (6) 如果物體灰度分布在幾個(gè)不相鄰的區(qū)間內(nèi)，二值化可表示為： (7) 其中中是組成物體各灰度值的集合。這種方法稱為閾值分割法，閾值分割的方法有很多，如迭代閾值分割的方法、最大類間方差法、最大熵閾值分割、循環(huán)分割等。在這里我選取了最大類間方差法。2.2.2最大類間方差法 otsu在1979年提出的最大類間方差法(有時(shí)也稱之為otsu方法)一直被認(rèn)為是域值自動(dòng)化選取方法的最優(yōu)方法之一，它是一種自動(dòng)的非參數(shù)無(wú)監(jiān)督的域值選擇法，它是基于類問方差為

13、最大的測(cè)度準(zhǔn)則，最佳的域值在該測(cè)度函數(shù)取最大時(shí)得到的。該方法計(jì)算簡(jiǎn)單，自適應(yīng)性強(qiáng)，在一定條件下不受圖像對(duì)比度與亮度變化的影響，因而在一些實(shí)時(shí)圖像處理系統(tǒng)中得到了廣泛的應(yīng)用。 下面是最大類間方差法的基本思想： 對(duì)于灰度級(jí)為0255的mxn一幅圖像，記f(x，y)為圖像點(diǎn)(i，j)處的灰度值，則：第一步：計(jì)算圖像的直方圖統(tǒng)計(jì)結(jié)果，得到灰度值為k的頻率phs(k)為： (8) 第二步：計(jì)算圖像的灰度均值： (9) 第三步：計(jì)算灰度類均值乒和類直方圖之和： (10) (11) 第四步：計(jì)算類分離指標(biāo)： (12) 最后，求出。達(dá)到最大的值s，則最佳閾值t=s。在實(shí)際場(chǎng)景中。每一幀的情況都不是為所能夠預(yù)料

14、的，所以一個(gè)固定的域值也將不能解決實(shí)際的問題。最大類間方差法能夠自動(dòng)選取域值，它是通過(guò)尋找一個(gè)最大方差值，來(lái)分割圖像成兩部分。因?yàn)榉讲钍菆D像灰度分布均勻性的一種度量，方差值越大，說(shuō)明構(gòu)成圖像的兩部分差別越大，當(dāng)部分目標(biāo)錯(cuò)分為背景或部分背景錯(cuò)分為目標(biāo)都會(huì)導(dǎo)致兩部分差別變小，因此使類間方差最大的分割意味著錯(cuò)分概率最小，這也是最大類間方差法的真正含義。2.2.3實(shí)驗(yàn)結(jié)果 圖2.1 背景圖 圖2.2 目標(biāo)圖 圖2.3 灰度圖像 圖2.4 二值圖2.3二值化圖像的形態(tài)濾波二值化圖像后目標(biāo)圖像存在的一個(gè)較突出的問題就是某些地方具有不連續(xù)性，從而使本來(lái)屬于同一個(gè)目標(biāo)的物體被劃分為不同的部分，而導(dǎo)致錯(cuò)誤的分割

15、。由于形態(tài)學(xué)中在鄰域區(qū)域合并方面效果明顯，因此采用形態(tài)結(jié)構(gòu)元素對(duì)目標(biāo)圖像進(jìn)行運(yùn)算，而數(shù)學(xué)形態(tài)學(xué)的算法具有天然的并行實(shí)現(xiàn)的結(jié)構(gòu)，所以這種運(yùn)算可以用硬件并行快速完成。形態(tài)學(xué)一般指生物學(xué)中研究動(dòng)物和植物結(jié)構(gòu)的一個(gè)分支。后來(lái)數(shù)學(xué)形態(tài)學(xué)被用來(lái)表示以形態(tài)為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具。它的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像對(duì)象中的對(duì)應(yīng)形態(tài)以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)是一種非線性濾波方法。minkowski結(jié)構(gòu)和差運(yùn)算，即形態(tài)和差(膨脹和腐蝕)是數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)。數(shù)學(xué)形態(tài)學(xué)可以用來(lái)解決抑制噪聲、特征提取、邊緣檢測(cè)、圖像分割、形態(tài)識(shí)別、紋理分析、圖像恢復(fù)與重建、圖像壓縮等圖像處理問

16、題。數(shù)學(xué)形態(tài)學(xué)首先處理二值圖像。數(shù)學(xué)形態(tài)學(xué)將二值圖像看成是集合。并用結(jié)構(gòu)元素來(lái)探查。結(jié)構(gòu)元素是一個(gè)可以在圖像上平移、且尺寸比圖像小的集合?；镜臄?shù)學(xué)形態(tài)學(xué)運(yùn)算是將結(jié)構(gòu)元素在圖像范圍內(nèi)平移，同時(shí)進(jìn)行交、并等基本的集合運(yùn)算。2.3.1形態(tài)算子 數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有4個(gè)：膨脹、腐蝕、開啟和閉合。數(shù)學(xué)形態(tài)學(xué)中二值圖像的形態(tài)變換是一種針對(duì)集合的處理過(guò)程，其形態(tài)算子的實(shí)質(zhì)是表達(dá)物體或形狀的集合與結(jié)構(gòu)元素間的相互作用，結(jié)構(gòu)元素的形狀就決定了這種運(yùn)算所提取的信號(hào)的形狀信息。形態(tài)學(xué)圖像處理是在圖像中移動(dòng)一個(gè)結(jié)構(gòu)元素，然后將結(jié)構(gòu)元素與下面的二值圖像進(jìn)行交、并等集合運(yùn)算?；镜男螒B(tài)運(yùn)算是膨脹和腐蝕。在形態(tài)學(xué)中，結(jié)

17、構(gòu)元素是最重要和最基本的概念。結(jié)構(gòu)元素在形態(tài)變換中的作用相當(dāng)于信號(hào)處理中的“濾波窗口”。結(jié)構(gòu)元素一般是指nn的正方形，我們把方形中值為1的象素稱為結(jié)構(gòu)元素核。如下圖的33的結(jié)構(gòu)元素中，打黑點(diǎn)的就是核。圖2.5 結(jié)構(gòu)元素核 結(jié)構(gòu)元素可以有不同形狀，可以是一個(gè)點(diǎn)，一對(duì)有向線段，一個(gè)小圓，一個(gè)正多邊形等。如下圖是最常見的結(jié)構(gòu)元素。大點(diǎn)表示結(jié)構(gòu)元素中的點(diǎn)，小點(diǎn)表示坐標(biāo)刻度線。在通常的情況下，形態(tài)學(xué)圖像處理以在圖像中移動(dòng)一個(gè)結(jié)構(gòu)元素并進(jìn)行一種類似于卷積操作的方式進(jìn)行。結(jié)構(gòu)元素可以具有任意的大小，也可以包含任意的0與1的組合。在圖像的每個(gè)象素位置，結(jié)構(gòu)元素核與二值圖像之間進(jìn)行一種特定的邏輯運(yùn)算。邏輯運(yùn)算的

18、二進(jìn)制結(jié)果存在輸出圖像中對(duì)應(yīng)于該象素的位置上。產(chǎn)生的結(jié)果取決于結(jié)構(gòu)元素的大小、內(nèi)容以及邏輯運(yùn)算性質(zhì)。圖2.6 常見的結(jié)構(gòu)元素2.3.2圖像的腐蝕與膨脹 假設(shè)一個(gè)二值圖像函數(shù)為a(x，y)，結(jié)構(gòu)元素為b(x，y)，定義腐蝕為： （13） 也就是說(shuō)，由結(jié)構(gòu)單元b對(duì)圖像a腐蝕所產(chǎn)生的二值圖像e是這樣的點(diǎn)(x，y)的集合：如果將b的原點(diǎn)位移到點(diǎn)(x，y)而得到，那么將完全包含于a中。在計(jì)算機(jī)實(shí)現(xiàn)時(shí)，先使原點(diǎn)(o，o)包含在結(jié)構(gòu)元素b中，將b平移后放在圖像函數(shù)a內(nèi)某個(gè)位置上，使b上各點(diǎn)都與a中相應(yīng)點(diǎn)重合。這時(shí)，b中原點(diǎn)所在的新位置便是腐蝕結(jié)果e中的一點(diǎn)。將b遍歷全圖像中所有可能位置后，b的原點(diǎn)移動(dòng)的軌跡

19、便構(gòu)成了腐蝕結(jié)果。膨脹的定義如下： （14） 也就是說(shuō)，結(jié)構(gòu)單元b對(duì)圖像a膨脹產(chǎn)生的二值圖像d是由這樣的點(diǎn)(x，y)組成的集合：如果b的原點(diǎn)位移到(x，y)，那么它與a的交集非空。在計(jì)算機(jī)實(shí)現(xiàn)時(shí)，令圖像原點(diǎn)(0，o)和目標(biāo)區(qū)域a中某點(diǎn)重合，將結(jié)構(gòu)元素的原點(diǎn)也移到該點(diǎn)，然后檢驗(yàn)結(jié)哿元素b中各點(diǎn)(即結(jié)構(gòu)元素的核)所在的當(dāng)前位置，如果位于該位置屬于a區(qū)域的點(diǎn)的灰度為0，則把它改為l；否則不變。把原點(diǎn)在區(qū)域b中遍歷完，得到的結(jié)果便是膨脹結(jié)果。2.3.3圖像的開啟和閉合 圖像的開啟和閉合運(yùn)算是在腐蝕和膨脹兩個(gè)基本運(yùn)算的基礎(chǔ)上提出來(lái)的。對(duì)i圖像a及結(jié)構(gòu)元素b，用表示a對(duì)b的開運(yùn)算，用表示a對(duì)b的閉運(yùn)算，則

20、它們的定義為： （15） （16） 其中，可視為對(duì)腐蝕圖像用膨脹來(lái)進(jìn)行恢復(fù)。而可看作是對(duì)膨脹圖像用腐蝕來(lái)進(jìn)行恢復(fù)。不過(guò)這一恢復(fù)不是信息無(wú)損的，即它們通常不等于原始圖像a。在圖像處理的過(guò)程中，可以利用開、閉運(yùn)算來(lái)去除噪聲，恢復(fù)圖像。通過(guò)開運(yùn)算可以消除離散點(diǎn)和毛刺。也就是對(duì)二值圖像進(jìn)行平滑，通過(guò)閉運(yùn)算將兩個(gè)鄰近的目標(biāo)連接起來(lái)，便于下一步分割出完整的圖像。本文使用了開運(yùn)算來(lái)消除離散點(diǎn)和毛刺。 圖2.7 形態(tài)濾波后的圖像圖片橫向填充圖2.8圖片縱向填充圖2.9第三章運(yùn)動(dòng)目標(biāo)的識(shí)別及其特征提取3.1概述通過(guò)圖像的預(yù)處理，當(dāng)前幀中的目標(biāo)可能已經(jīng)成為一個(gè)連成一體的區(qū)域。在人類的視覺上這些是很明顯的目標(biāo)區(qū)域，

21、但是對(duì)于計(jì)算機(jī)來(lái)說(shuō)，它不可能“看見”這些區(qū)域更無(wú)法知道這些區(qū)域的特征信息。所以我們用合理的數(shù)據(jù)結(jié)構(gòu)來(lái)描述這些區(qū)域，讓計(jì)算機(jī)知道這些區(qū)域中含有運(yùn)動(dòng)目標(biāo)，并最終分割出運(yùn)動(dòng)目標(biāo)。這里首先要提到一個(gè)重要的概念一區(qū)域分割：區(qū)域分割是把圖像分割成特征相同互相不重疊區(qū)域的處理方法。區(qū)域是象素的連通集，也就是與所討論的象素相鄰或接觸象素的集臺(tái)。所謂連通，是指在一個(gè)連通集中的任意兩個(gè)象素之間。存在一條完全由這個(gè)集合的元素構(gòu)成的連通路徑。連通路徑是一條可在相鄰象素問移動(dòng)的路徑。根據(jù)象素的四鄰域或八鄰域點(diǎn)的數(shù)值，相應(yīng)的連通路徑有四連通和八連通。四連通依據(jù)與其相鄰的上下左右四個(gè)象素確定連通；八連通則再加上對(duì)角相鄰的四

22、個(gè)點(diǎn)共八個(gè)象素點(diǎn)來(lái)確定連通。通常八連通的結(jié)果與人的感覺更接近。本文所要進(jìn)行區(qū)域分割的圖像是已經(jīng)經(jīng)過(guò)二值化的圖像。目前普遍使用的二值圖像區(qū)域分割方法有區(qū)域生長(zhǎng)、標(biāo)簽處理、線段編碼三種。由于區(qū)域生長(zhǎng)法的初始“生長(zhǎng)點(diǎn)”不好選取而造成耗時(shí)比較大，而標(biāo)簽法計(jì)算量很大，因此本文選取了線段編碼的方法對(duì)二值圖像進(jìn)行區(qū)域分割。本文在對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行分割的同時(shí)，并行進(jìn)行著對(duì)目標(biāo)區(qū)域的特征提取。而此選擇的特征是為后續(xù)的運(yùn)動(dòng)目標(biāo)跟蹤作為依據(jù)。運(yùn)動(dòng)目標(biāo)的特征一般可以分為幾何特征(形心、周長(zhǎng)、面積等)、目標(biāo)顏色、外形輪廓線等。由于選擇不同的特征將影響跟蹤算法的設(shè)計(jì)、性能及計(jì)算開銷。綜上所述本文的算法是在線段編碼的基礎(chǔ)上，在

23、目標(biāo)識(shí)別的過(guò)程中同時(shí)進(jìn)行幾何特征和顏色特征的提取。3.2運(yùn)動(dòng)目標(biāo)的識(shí)別3.2.1線段編碼方法 圖3.1物體線段示意圖線段編碼是用來(lái)存貯被抽取物體的一種逐行處理技術(shù)。該技術(shù)從相鄰行間的相關(guān)性與連通性出發(fā)，給出一種基于行處理技術(shù)的幾何參數(shù)掃描算法，其基本原理可由圖3.1所示，對(duì)于二值圖像區(qū)域，程序從頂部開始逐行掃描線段，分析目標(biāo)區(qū)域。在圖中，標(biāo)記為1一l的區(qū)域是第100行圖像上由若干個(gè)連續(xù)象索形成的線段。同時(shí)假設(shè)ll段是程序所遇到的第一個(gè)目標(biāo)(編號(hào)為1的目標(biāo))的第一條線段。在對(duì)目標(biāo)101行進(jìn)行掃描時(shí)，程序遇到兩端線段：12和21。由于此時(shí)很難斷定這兩條線段是否屬于同一目標(biāo)，因此程序暫時(shí)假定101行

24、圖像上的第二段為第二個(gè)目標(biāo)。對(duì)于l一2段，由于它緊接在l一1段的下面，因此程序認(rèn)為這兩段都是標(biāo)稱為目標(biāo)1的一部分。同樣的處理過(guò)程掃描到102行，但到103行時(shí)，圖像僅僅發(fā)現(xiàn)一個(gè)區(qū)段14，并且它同時(shí)位于標(biāo)號(hào)為目標(biāo)l和目標(biāo)2的下面，此時(shí)程序才發(fā)現(xiàn)到原來(lái)目標(biāo)l和目標(biāo)2實(shí)際上是同一個(gè)目標(biāo)，因此將目標(biāo)2合并到目標(biāo)1上來(lái)，下面的掃描只對(duì)目標(biāo)l進(jìn)行編號(hào)。進(jìn)行到第105行時(shí)，程序又發(fā)現(xiàn)兩個(gè)區(qū)段16和17，但由于它們都位于線段15的下面，顯然屬于目標(biāo)1。掃描到106行時(shí)，在線段18和l一9下面沒有發(fā)現(xiàn)任何線段，因此完成了目標(biāo)l的分割。如此掃描其它的連通域，則可以快速完成整個(gè)圖像場(chǎng)景目標(biāo)的區(qū)域分割。3.3運(yùn)動(dòng)目標(biāo)

25、特征的描述 通過(guò)線段編碼從圖像中分割出運(yùn)動(dòng)目標(biāo)的同時(shí)，可以獲得這些目標(biāo)區(qū)域的幾何特征以及顏色特征。本文選用的幾何特征是目標(biāo)面積、形心；顏色特征是各個(gè)目標(biāo)的象素r、g、b分量，下面予以逐一描述。 在衡量目標(biāo)區(qū)域大小時(shí)，目標(biāo)區(qū)域面積參數(shù)可以作為一種度量尺度，對(duì)于區(qū)域，定義為該區(qū)域中象素?cái)?shù)目，即 （17） 式中f(x，y)為點(diǎn)(x，y)處灰度值，在區(qū)域內(nèi)，f(x，y)的值為255，或則為0。 目標(biāo)形心參數(shù)在目標(biāo)跟蹤技術(shù)中具有重要用途，形心參數(shù)與圖像的矩有密切的關(guān)系，參數(shù)()定義為： （18） 其中矩定義為 （19） 通過(guò)測(cè)試發(fā)現(xiàn)這種方法計(jì)算量比較大，耗時(shí)多不利于工程上實(shí)現(xiàn)。本系統(tǒng)檢測(cè)的運(yùn)動(dòng)目標(biāo)是具有

26、規(guī)則外形的車輛，所以本文利用運(yùn)動(dòng)目標(biāo)的最小外接矩的中心來(lái)近似形心。區(qū)域的最小外接矩形坐標(biāo)被定義為兩個(gè)坐標(biāo)點(diǎn)和。其中代表矩形的左上角坐標(biāo)點(diǎn)，代表矩形右下角坐標(biāo)點(diǎn)，各個(gè)值的具體求解公式為： （20） 形心的近似表達(dá)式為 （21）通過(guò)線段編碼分割出運(yùn)動(dòng)目標(biāo)，記錄該運(yùn)動(dòng)目標(biāo)的各個(gè)點(diǎn)位置。然后在差分前原圖中找到運(yùn)動(dòng)目標(biāo)對(duì)應(yīng)點(diǎn)r、g、b的值。顏色特征可以為后續(xù)跟蹤提供更多的匹配依據(jù)。3.4運(yùn)動(dòng)目標(biāo)識(shí)別及特征提取算法的實(shí)現(xiàn)算法具體實(shí)現(xiàn)步驟：第一步：從圖像首行開始掃描，直到遇到該行中象素不為0的點(diǎn)。將此行中象素連續(xù)為255的段記下它的起點(diǎn)、終點(diǎn)的坐標(biāo)以及該段所屬區(qū)域的編號(hào)。假設(shè)初始時(shí)有n段，area個(gè)區(qū)域(n

27、=area)，同時(shí)n段中的第i段屬于第i個(gè)區(qū)域，第i段所屬區(qū)域編號(hào)是i。記下每個(gè)區(qū)域幾何參數(shù)信息以及在當(dāng)前幀的原圖中取各象素點(diǎn)的r、g、b三色值。第二步：對(duì)接下來(lái)的行繼續(xù)掃描，假設(shè)這段統(tǒng)計(jì)出來(lái)m段。第三步：如果新段中的第一段的縱坐標(biāo)與舊段中的第一段縱坐標(biāo)相減大于l，則新段是新區(qū)域中的段。第i(i=1、2.m)個(gè)新段屬于區(qū)域area+i，第i個(gè)新段的所屬區(qū)域的編號(hào)=area+i，區(qū)域數(shù)變?yōu)閍rea=area+m，更新當(dāng)前區(qū)域的幾何參數(shù)及顏色信息。跳轉(zhuǎn)到第六步。第四步：對(duì)m個(gè)新段中的第i(i=1、2.m)段與n個(gè)舊段分別比較。只要第i個(gè)新段與第j個(gè)舊段屬于同一區(qū)域。將第i個(gè)新段區(qū)域號(hào)賦值為第j個(gè)舊

28、段的區(qū)域號(hào)，并把第i個(gè)新段合并到第j個(gè)舊段的區(qū)域中去。第五步：如果第i個(gè)新段與13個(gè)舊段都不屬于同一區(qū)域。則新段的區(qū)域號(hào)變?yōu)閍rea+1：同時(shí)區(qū)域編號(hào)變?yōu)閍rea+l。并把此段放在area+1的區(qū)域中。第六步：如果全部行都掃完，結(jié)束統(tǒng)計(jì)區(qū)域個(gè)數(shù)及每個(gè)區(qū)域的幾何參數(shù)和顏色信息，否則跳轉(zhuǎn)到第二步。第4章 總結(jié) 本文介紹了一種利用計(jì)算機(jī)視覺來(lái)檢測(cè)智能交通系統(tǒng)中車輛流量參數(shù)的技術(shù)，通過(guò)背景與當(dāng)前幀的圖像的差分，獲得運(yùn)動(dòng)車輛的流量信息。然而，利用視頻來(lái)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行分析畢竟還是一個(gè)比較新的領(lǐng)域，運(yùn)用視覺處理技術(shù)進(jìn)行交通路況參數(shù)的檢測(cè)也是近年的事情，所以基于視頻圖像處理技術(shù)的的智能交通檢測(cè)系統(tǒng)仍然面臨諸多

29、圖像處理技術(shù)的難點(diǎn)，到目前為止，基于視頻的交通流量檢測(cè)系統(tǒng)在國(guó)內(nèi)還沒有系統(tǒng)的產(chǎn)業(yè)化，基本上都是處于實(shí)驗(yàn)階段，這也正說(shuō)明了其處理的難度。但是，我們必須要看到這種技術(shù)發(fā)展前景是廣闊的同時(shí)我們還有許多工作要做。程序：i=imread(1111.png); j=imread(2222.png);i1=rgb2gray(i);j1=rgb2gray(j);i2=medfilt2(i1,2,2);%二維中值濾波j2=medfilt2(j1,2,2);z=imsubtract(i2,j2);figure,imshow(z);zmax=max(max(z);%一直到tk都是尋找閾值,迭代閾值分割的方法.zmi

30、n=min(min(z);tk=(zmax+zmin)/2;bcal=1;zsize=size(z);while(bcal) ifore=0; iback=0; isum=0; backsum=0; for i=1:zsize(1) for j=1:zsize(2) tmp=z(i,j); if (tmp=tk) ifore=ifore+1; isum=isum+double(tmp); else iback=iback+1; backsum=backsum+double(tmp); end end end zo=isum/ifore; zb=backsum/iback; tktmp=uint

31、8(zo+zb)/2); if(tktmp=tk) bcal=0; else tk=tktmp; endendz1=im2bw(z,double(tk)/255);figure,imshow(z1);z2=medfilt2(z1,7,7);z3=bwareaopen(z2,200);%刪除小面積圖形figure,imshow(z3);zsize=size(z3); %橫向填充for i=1:zsize(1) n=0; x=zeros(1,400); y=1; for j=1:zsize(2) if(z3(i,j)=1) x(1,y)=j; y=y+1; n=n+1; liebiao=j; en

32、d end if(n=100)&(liebiao-x(1,1)150) for m=x(1,1):liebiao z3(i,m)=1; end endend figure,imshow(z3);z4=medfilt2(z3,5,5);zsize=size(z4); %縱向填充for j=1:zsize(2) n=0; x=zeros(600,1); y=1; for i=1:zsize(1) if(z4(i,j)=1) x(y,1)=i; y=y+1; n=n+1; hangbiao=i; end end if(n=10)&(hangbiao-x(1,1)50) for m=x(1,1):ha

33、ngbiao z4(m,j)=1; end endendfigure,imshow(z4);zsize=size(z4); n=0;for i=1:zsize(1) for j=1:zsize(2) if(z4(i,j)=1) n=n+1; end endend if(1000n3000) disp(char(6),兩輛車); else if(3500n6000) disp(char(6),三輛車); else if(6500n9000) disp(char(6),四輛車); else disp(char(6),五輛車); end end end 螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆

34、薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇

35、蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁

36、螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)

37、薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆

38、蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇

39、襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈

40、薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂

41、螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃

42、蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇

43、薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈

44、螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿

45、蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃

46、薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄

47、螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈

48、葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿

49、蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀

50、螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈螞羀羈芄螁蝕膄膀螀螂羇蒈蝿裊膂蒄螈肇羅莀螇螇芀芆螆衿肅薅螆羈艿蒁螅肄肁莇襖螃芇芃蒀袆肀腿蒀羈芅薈葿螈肈蒃蒈袀莃荿蕆羂膆芅蒆肅罿薄蒅螄膅蒀薄袆羇莆薄罿膃節(jié)薃蚈羆膈薂袁膁薇薁羃肄蒃薀肅艿荿蕿螅肂芅薈袇羋膁蚈羀肁葿蚇蠆芆蒞蚆螂聿莁蚅羄莄芇蚄肆膇薆蚃螆羀蒂螞袈膅莈