根據(jù)視頻的車型識別

1、基于視頻的車型識別摘要本文介紹了基于視頻和圖像處理的自動車型識別方法，詳細闡述了利用數(shù) 字圖像處理及模式識別技術(shù)的原理和方法。首先采用背景差分法提取運動目標(biāo) 車輛。然后對圖像序列進行灰度化、平滑去噪、邊緣檢測、邊緣提取等一系列 圖像處理過程。最終采用模板匹配的方法識別車型。此種方法內(nèi)存占用量小， 實時性好。通過本文的研究，初步探索了數(shù)字圖像處理與模式識別在車型識別 系統(tǒng)中的應(yīng)用途徑和方法，為以后進一步的實現(xiàn)基于視頻的交通檢測系統(tǒng)的打 下了基礎(chǔ)。關(guān)鍵詞：背景差分；邊緣檢測；模板匹配；車型識別VEHICLE RECOGNITION BASED ON VIDEOSEQUENCESABSTRACTTh

2、is paper introduces the automatic vehicle recognition based on video sequences and image progressing and 川ustrates the principle and method of using digital image progressing and pattern recognition.First,it uses background difference method to find out thecandidate vehicle.Second,it uses the method

3、 based on graying image sequences ,smooth denoising ,background difference method ,edge detection ,edge extraction and so on a series of image processing to process the image.Finally,it recognizes the vehicles through the methodof template matching.This kind of method takes up little memory andgood

4、real-time.The research in this paper explores digital image processing and pattern recognition application in vehicle recognition system approaches and methods,laying the foundation for the realization of traffic detection system based on video in the future .KEY WORDS:Background Difference Method ,

5、 Edge Detection , Template Matching ,Vehicle Recognition隨著交通擁擠和堵塞等各種問題的日益突出，以及計算機技術(shù)的不斷發(fā)展，智能交通系統(tǒng)1 (Intelligent Transportation System,簡稱 ITS)得到了越來越廣泛的應(yīng)用，并在歐、美等發(fā)達國家廣泛得到應(yīng)用，而在我國的應(yīng)用尚處于探 索研究的起步階段。車輛檢測、跟蹤和車型識別是ITS應(yīng)用領(lǐng)域中的重要分支，也是目前相對薄弱的技術(shù)環(huán)節(jié)。同其他車型識別方法相比，基于圖像識別的車 型識別技術(shù)有其多種優(yōu)勢?；趫D像的車型識別融合了圖像處理、計算機視覺、 模式識別等技術(shù)，它能夠自動

6、、實時地對車輛進行檢測和分類，可以作為交通 收費、管理、調(diào)度和統(tǒng)計的依據(jù)。本論文在分析了各種車輛識別技術(shù)的基礎(chǔ)上， 綜合視頻、圖像處理和模式識別技術(shù)來實現(xiàn)車輛的分類。.車型識別技術(shù)的發(fā)展現(xiàn)狀電子標(biāo)簽識別法現(xiàn)階段國外不停車收費（ETC）采用最多的是基于無線通訊技術(shù)。 電子標(biāo)簽是 用來記錄車輛本身的信息包括車輛賬號、車輛類型、車主、車牌號等。當(dāng)車輛 通過安裝在收費通道內(nèi)的收費設(shè)備時，通過電子標(biāo)簽和閱讀器之間的微波通訊， 實現(xiàn)信息的交換，并進行CRC校驗，最后通過收費系統(tǒng)與車主的銀行實行定期 清算。因為車輛存在掉換車載電子標(biāo)簽進行作弊的可能，收費站等場所需要額 外安裝監(jiān)控設(shè)備，增加了基建投入。因此該

7、方法在國內(nèi)應(yīng)用較少。電磁感應(yīng)線圈識別法預(yù)先在公路下面鋪設(shè)一個通有高頻電流的線圈，由于車輛的材質(zhì)大部分是 金屬，當(dāng)車輛從感應(yīng)線圈上面通過時，會在線圈內(nèi)部產(chǎn)生渦流而使線圈電感量 減小。不同車型的底盤結(jié)構(gòu)和鐵磁物質(zhì)分布的有所不同，由于電流變化引起的 磁場的變化也不同，因此可以根據(jù)感應(yīng)曲線的不同而區(qū)分不同類型的車輛，進 而得到具體的車型。該方法的優(yōu)點是準(zhǔn)確率較高、不受氣候影響且成本不太高。 同時還能檢測各車型的車流量及占有率等交通參數(shù)，電磁感應(yīng)線圈法需要把線 圈埋入地下，受車輛的擠壓容易損壞，壽命較短，維護時需要破壞路面，維護 成本較0紅外探測法紅外探測法是利用布置在車道兩側(cè)紅外陣列檢測器，當(dāng)車輛經(jīng)過

8、裝置時， 根據(jù)汽車不同部位對發(fā)射裝置的不同阻擋作用，采集車輛的側(cè)面幾何數(shù)據(jù)，然 后通過這些數(shù)據(jù)與車型數(shù)據(jù)庫中的數(shù)據(jù)比較后判斷出車型，從而實現(xiàn)車型的自 動分類。在該系統(tǒng)中水平和垂直排列的紅外發(fā)射接收點非常多，有幾十甚至幾百對, 這就保證了系統(tǒng)可以采集到足夠多的數(shù)據(jù)，這些數(shù)據(jù)包括車頭高度、車長、軸 數(shù)、輪距等特征數(shù)據(jù)，這些信息可以比較完整、細致地描繪出車輛的外輪廓及 局部典型特征，使系統(tǒng)達到一個較高的識別率。該方法優(yōu)點是識別率較高，缺 點是硬件結(jié)構(gòu)復(fù)雜，維護成本高，在實際中難以推廣。此外還有一種基于超聲 波的車型檢測方法，其原理和紅外檢測法是類似的。車牌識別法車牌識別法是一種通過識別車牌間接識別車

9、型的方法。首先從攝像機獲取 的汽車牌照圖像中識別出車牌號和車牌顏色，然后到車輛數(shù)據(jù)庫中去檢索與此 車牌號相對應(yīng)的車型，最終得到車輛的類型。該方法對硬件要求不高，安裝起 來也靈活方便，但需要事先對每一輛車建立包含各種信息的車輛數(shù)據(jù)庫，而且 圖像必須保證車牌清晰，在實際應(yīng)用中還受到遮擋、光照等的限制。這種方法 要建立在可靠的車牌識別算法的基礎(chǔ)之上，也可以把它歸到下面將要敘述的基 于圖像的車型識別方法中?；谝曨l圖像的車型識別國內(nèi)外利用視頻圖像進行車型識別2的研究很多，因為數(shù)字圖像能夠提供 很多有用的信息，利用一定的算法得到許多車輛的信息，然后依據(jù)這些車輛特 征進而得到具體的車型。相比于其它的車型識

10、別方法，利用圖像來識別有其自 身的特點:首先數(shù)字圖像含有的信息比較豐富，只要是保證特征提取算法的有效 性，即可得到較高的車型識別率。另外硬件安裝非常簡單，只需一個攝像機或 者數(shù)碼相機安裝在路邊，利用視頻信號線和主機相連。并且利用該方法無需破 壞路面，維護起來非常方便。本文對以視頻圖像為基礎(chǔ)的車型分類算法進行了系統(tǒng)的研究，根據(jù)目前的 車型識別研究中特征提取，識別算法，車輛分類等基本方法，提出了自己的改 進方案。系統(tǒng)框圖如下：背景圖像模板匹配背景圖像模板匹配圖1-1 系統(tǒng)流程圖Fig.1-1 System flow chart如圖1-1所示，首先通過CCD攝像機采集車輛的視頻信息，并通過背景 差分

11、法對采集的圖像進行區(qū)域分割，從而得到運動車輛的圖像，對車輛的圖像 進行圖像處理工作，如，去噪、銳化、邊緣檢測、水平豎直填充。最后對處理 過的車輛圖像進行模板匹配，識別車型。.車輛區(qū)域的分割方法車輛視頻檢測技術(shù)介紹通過上一章我們知道基于圖像的車型識別技術(shù)中，圖像的預(yù)處理工作是該 項技術(shù)的一項基礎(chǔ)環(huán)節(jié)。圖像預(yù)處理質(zhì)量的好壞直接影響到后續(xù)特征提取的精 度，進而對車型識別的精度產(chǎn)生影響。在這一章中詳細介紹車輛區(qū)域分割方法。在過去的時間里，人們對于用計算機實現(xiàn)運動汽車的自動檢測網(wǎng)和識別提出了各種各樣的方法。運動汽車與空中飛機、水上船艇等一樣，都屬于運動目 標(biāo)，運動汽車的檢測和識別屬于運動目標(biāo)的檢測和識別

12、，是計算機視覺研究的 一個重要領(lǐng)域。計算機視覺4是研究用計算機來模擬生物視覺功能的科學(xué)與技 術(shù)，眾所周知，在人類感知外界獲取的信息中，有約80%來自于視覺，如何理解和應(yīng)用視覺圖像信息，是計算機視覺的主要研究內(nèi)容。對于一個交通場景圖 像序列，我們可以很容易的說出有沒有諸如交通堵塞、跨道行駛、闖紅燈等交 通事件的發(fā)生，而對于計算機來說要做到這些則存在許多的困難，它涉及到計 算機視覺中的一些基本問題，例如運動目標(biāo)的檢測、目標(biāo)識別、立體視覺匹配、 圖像理解等?；谝曨l的交通參數(shù)檢測是計算機視覺的一個重要研究方向。在 視頻運動檢測中，目標(biāo)的分割在實際應(yīng)用時是非常必要的一個步驟，它可以把 感興趣的物體部分

13、給大致的提取出來。目前，實際運用的車輛視頻檢測技術(shù)大致可以分為如下三類 ：背景差分、光 流場理論以及幀問差分背景差分法當(dāng)背景保持不變或者變化相對較小、運動目標(biāo)與背景的灰度差異較大時， 常常采用背景差分法，背景差分法的原理是這樣的：首先采集視頻序列中不包 括前景運動物體的一幀圖像作為背景圖像，然后利用當(dāng)前幀與背景圖像進行差 分運算的方法來檢測運動的目標(biāo)。背景差分法印版用于背景比較固定的情況下， 對運動物體的檢測效果比較好，而且實現(xiàn)起來比較簡單，計算量非常小，而且 能夠比較完整的分割出運動物體，比如說目標(biāo)車輛。而在實際應(yīng)用中，由于攝像機震動、光照強度變化、噪聲等作用，背景需 要適時更新。如何有效地

14、建立背景模型成為了背景差分的關(guān)鍵。針對攝像頭的 抖動導(dǎo)致的兩幅圖像的不匹配，進而差分后導(dǎo)致含有的噪聲較多，目前最常用 的方法是通過匹配法來估計兩幅圖像的評議量？ X和？ Y。針對光照變化導(dǎo)致的 誤差，一般處理方法是建立合適的光照變化模型，適時鋼芯背景圖像。本課題 沒有考慮變化的復(fù)雜背景下的車型識別，而是針對固定背景的研究。利用背景差分法進行運動目標(biāo)檢測時，最主要的環(huán)節(jié)是獲取穩(wěn)定可靠的背 景圖像，因此，需要背景更新算法獲取實時背景圖像。一個好的背景更新方法 應(yīng)能適應(yīng)諸如目標(biāo)停止在場景中，場景中有目標(biāo)運動，光線等外界干擾因素的 影響。在理想情況下，背景圖像中不包含運動物體，獲得差分圖像就是無噪聲的

15、， 且僅包含運動目標(biāo)的圖像。然而在實際工程中需要快速準(zhǔn)確的建立一個背景模 型，并更新此模型。這是背景差分法的關(guān)鍵，也是其難點。光流法光流法的原理是對光流場進行估算進而實現(xiàn)運動目標(biāo)的檢測和分割。光流 場的計算最初是由美國學(xué)者 Horn和Schunck在1981年推導(dǎo)出來的。兩人推 到灰度圖像光流場計算公式是建立在相鄰圖像之間的時間差小，且其圖像中灰 度變化也小的基礎(chǔ)上的。光流是指亮度模式引起的表觀運動，是運動目標(biāo)的三 位速度矢量在成像平面上的投影，并且可以表示出運動目標(biāo)在圖像位置中的實 時變化。光流法檢測運動目標(biāo)的基本原理是圖像中的每一個像素點都對應(yīng)一個 速度矢量，在運動的每一刻，二維圖像上的點

16、和三維物體上的點是一一對應(yīng)的， 這可以通過投影關(guān)系得到。每一個像素都對應(yīng)一個速度矢量，整個圖像就對應(yīng) 一個運動場，而根據(jù)各個像素點的速度矢量特征，可以對圖像進行動態(tài)分析。當(dāng)運動物體通過圖像背景是，運動物體產(chǎn)生的速度矢量必然和鄰域背景（在 沒有運動物體時）的速度矢量不同，從而檢測出運動物體的位置。但是在實際 應(yīng)用中受到噪聲、多個光源、陰影、遮擋等因素的影響，光流場的分布并不十 分精確。一般的光流法只考慮圖像中運動物體產(chǎn)生的光流，而不考慮攝像機的 運動產(chǎn)生的光流。當(dāng)兩者都考慮時，其算法更加復(fù)雜，計算量相對較大，并且 易受噪聲的干擾，不能用于實時性要求非常高的場合。幀問差分法幀問差分法也屬于背景差分

17、法的一種，只不過是把視頻圖像其中的一幀作為背景來做差分運算。幀問差分法也是運動目標(biāo)檢測中常用的一種方法。其基 本原理是：連續(xù)的圖像系列中，選取兩個相鄰幀，然后進行像素的幀問差分運 算，碎后進行閾值化處理來提取圖像的運動區(qū)域。因為運動物體的變化體現(xiàn)在 圖像上就是部分像素灰度值的變化，而限速值沒有發(fā)生變化的部分。我們認(rèn)為 該區(qū)域內(nèi)沒有運動目標(biāo)。所以只要比較序列圖像對應(yīng)像素的差別，就能檢測出 運動目標(biāo)，為后續(xù)的目標(biāo)分割打下基礎(chǔ)。幀間差分法受環(huán)境影響比較小，比較適合動態(tài)變化的環(huán)境，但是利用此方 法會損失很多目標(biāo)信息，而且如果運動目標(biāo)的整體灰度值相差不大時，兩幀圖 像目標(biāo)重合的部分將不能被檢測出來，而且

18、在目標(biāo)內(nèi)部容易產(chǎn)生空洞現(xiàn)象，當(dāng) 然也就不能完整的分割出車輛區(qū)域。用背景差分法分離車輛盡管背景差分法5自身存在缺點，但因為技術(shù)已經(jīng)比較完善，我們選用一 種基于最優(yōu)化的方法來提取背景可以適當(dāng)避免此類缺點，所以，我們依舊選用 背景差分法來進行目標(biāo)車輛分離。對于靜止背景下的運動目標(biāo)檢測6,其基本流程如圖2-1所示。圖像序列預(yù)處理背景恢復(fù)|)T動目標(biāo)提取第n幀圖像圖2-1靜止背景下運動目標(biāo)檢測流程圖Fig. 2-1 Static background motion detection flow chart從圖2.1所示中可以看到，基于靜止背景下的運動目標(biāo)檢測主要分為3個部分：預(yù)處理、背景恢復(fù)和運動目標(biāo)提

19、取。下面分別介紹這幾個部分的內(nèi)容：預(yù)處理：目的是在分割前去除噪聲的影響。去除噪聲的方法有很多種，例 如平均值濾波和中值濾波。背景恢復(fù)：視頻序列幀間有很強的相關(guān)性，僅僅利用單幀的信息進行處理 容易產(chǎn)生錯誤，更好的方法是聯(lián)合多幀信息進行分析，基于這一思想，可以根 據(jù)各個坐標(biāo)處像素在整個序列中的統(tǒng)計信息對運動場景的背景進行回復(fù)。運動目標(biāo)提取：利用恢復(fù)的場景以及當(dāng)前幀的信息，分割出所有運動目標(biāo) 的近似區(qū)域。背景恢復(fù)由于視頻序列記錄了視頻目標(biāo)在一段時間內(nèi)的運動和變化信息，因此理想 的信息分離方法是在較長的時間范圍內(nèi)對數(shù)據(jù)進行分析并充分利用幀間的相關(guān) 信息?；谶@樣一種思路，我們可以對各個像素點沿時間軸的

20、變化規(guī)律進行分 析，并根據(jù)統(tǒng)計規(guī)律在整個序列中挑選合適的點對背景進行恢復(fù)。我們定義圖像序列為I(x,y,i),其中x、y代表空間坐標(biāo)，i代表幀數(shù)(i=1 N), N為序列幀數(shù)。序列的亮度分量為lL(x,y,i)、則視頻幀問差(ChangDetection Mask , CDM )反應(yīng)了相鄰幀之間的灰度變化：d,if d Td,if d TCDM(x,y,i)=,d=|I LCDM(x,y,i)=,d=|I L(x,y,i+1)-I L(x,y,i)|(2.1)0,if d T0,if d TIDLIDL（x,y,i）=（2.3）,d=|I L（x,y,i）-B L（x.y）|0,if d a

21、丫將得到合理的灰度圖像。在實際應(yīng)用當(dāng)中，通常取 a = 0.30, 3=0.59 ,產(chǎn)0.11時，能得到最合理的灰調(diào)圖像，即r=G=B=0.30R+0.59G+0.11B(3.4)r=G=B=0.30R+0.59G+0.11B(3.4)灰度處理效果如圖3-1所示:圖3-1汽車RGB轉(zhuǎn)灰度圖Fig. 3-1 RGB to grayscale圖象的平滑通過攝像頭采集視頻序列圖像的過程中，不可避免地存在外部和內(nèi)部的干 擾。因此，圖像中往往會出現(xiàn)一些不規(guī)則的隨機噪聲，這將影響圖像質(zhì)量。外 部干擾主要有人為干擾、共振、雨雪等天氣原因，內(nèi)部干擾是元器件因溫度和 磨損度引起的。隨機噪聲惡化了圖像的質(zhì)量，使圖

22、像模糊，特征淹沒，會直接 影響到下一步的圖像處理。要想獲得清晰地車輛圖像首先要對采集的圖像進行 去噪處理，去除其存在的高頻噪聲。消除圖像隨機噪聲常采用圖像平滑的方法， 也稱之為濾波。目的是改善圖像質(zhì)量和抽取對象特征，常用的去噪方法有兩種: 鄰域平均法和中值濾波高斯平滑濾波處理高斯濾波，根據(jù)高斯函數(shù)的形狀來選擇模板權(quán)值，該方法對于去除服從正 態(tài)分布的噪聲效果較好。二維高斯函數(shù)為：(3.5)其中分布參數(shù)6決定了高斯濾波器寬度，二維高斯函數(shù)具有旋轉(zhuǎn)對稱性，即 濾波器在各個方向上的平滑程度是相同的。另外，高斯函數(shù)是單值函數(shù)，這表 明高斯濾波器用像素鄰域的加權(quán)均值來代替該點的像素值時，每一鄰域像素點 權(quán)

23、值是隨該點與中心點的距離單調(diào)變化的?？沼蚋咚蛊交瑸V波的實質(zhì)是加權(quán)均 值濾波方法，可以表達為：K L(3.6)(3.7)g(i,j)W(m,n)f(i m, j n)(3.6)(3.7)m K n L其中W(m,n)為權(quán)值系數(shù)，高斯濾波器窗口為(2K+1) (2L+1)鄰域平均法針對系統(tǒng)圖像中經(jīng)常出現(xiàn)的高斯噪聲一般采取鄰域平均的去噪方法。鄰域 平均法的圖像平滑處理的數(shù)學(xué)表達式為：，、1 一、g(x, y)f (x m, y n)M (m,n) S其中:M為鄰域S內(nèi)所包含的像素總數(shù)；S為事先已經(jīng)確定的鄰域(鄰域內(nèi)包括(x,y)。例如半徑為 我的鄰域表示為：S=(x-1,y-1)(x-1,y)(x-

24、1,y+1)(x,y-1),(x,y)(x,y+1),(x+1,y-1),(x+1,y)(x+1,y+1)(3.8)為了方便地敘述上面所說的“將原圖中的每一點的灰度和它周圍八個點的 灰度相加，然后除以9,作為新圖中對應(yīng)點的灰度”這一操作，我們采用如下 的表小方法：1 1 1-乂 1 I 191 1 1(3.9)這種表示方法有點像矩陣，我們稱其為模板(template)。中間的點表示中心元素，即用哪個元素做為處理后的元素。而這樣往往會導(dǎo)致圖像變得模糊， 特別是邊沿和細節(jié)處且其鄰域越大越模糊。當(dāng)然通過采用不同的模板可以得到 不同的效果，這要根據(jù)具體的圖像處理要求來確定。圖3-2隨機噪聲鄰域平均法F

25、ig. 3-2 Random noise with neighborhood averagemethod圖3.3椒鹽噪聲鄰域平均法Fig. 3-3 Salt noise with neighborhood average method如圖3-2和圖3-3所示為使用鄰域平均法處理的汽車圖像。從處理結(jié)果可 以看出：鄰域平均法雖然能夠有效的去除隨機噪聲，但是會嚴(yán)重影響圖片的質(zhì) 量，使圖片變得模糊；在處理椒鹽噪聲時，基本沒有處理效果而且還會使圖片 質(zhì)量下降3.2.3中值濾波中值濾波是一種非線性的信號處理方法，與其對應(yīng)的中值濾波器也是一種 非線性的濾波器。中值濾波在衰減噪聲的同時不會使圖像的邊界模糊，這

26、也是 中值濾波得到廣泛應(yīng)用的原因。本文應(yīng)用該方法主要是在圖像預(yù)處理環(huán)節(jié)，因 此可以不用考慮其不適合處理多細節(jié)圖像中的缺點。中值濾波去除噪聲的效果依賴于 2個要素：領(lǐng)域的空間范圍和中值計算中 涉及的像素數(shù)。一般說來，小于濾波器面積一半的亮或暗的物體基本上會被濾 除，而較大的物體幾乎會原封不動地保存下來。因此，中值濾波器的空間尺寸 必須根據(jù)現(xiàn)有的問題來進行調(diào)整。較簡單的模板是n n的方形（注:此處的n通常 是奇數(shù)），計算時將使用到所有的n n個像素點。如圖3.4所示，以像素P5為中 心點的3 3領(lǐng)域（一般為3 3或5 5的方形領(lǐng)域），然后將領(lǐng)域中的各個像素 Pi, P2Pn的灰度值進行排序，取其中

27、間值作為中心點像素灰度的新值，這里 的領(lǐng)域通常被稱為窗口，當(dāng)窗口在圖像中上下左右進行移動后，利用中值濾波 算法可以很好地對圖像進行平滑處理。圖3.4中值濾波Fig. 3-4 Median filtering具體步驟如下：a）讀取模板中Pi, P2.P9像素點對應(yīng)的灰度值；b）將這9個灰度值從低到高排序；c）求中間值，則P5的新值即為該值；中值濾波的輸出像素是由窗口的中間值決定的，因而中值濾波對極限像素值（與周圍像素灰度值差別較大的像素）遠不如平均值那么敏感，從而可以消除孤立的噪聲點，又可以使圖像產(chǎn)生較少的模糊。二維情況下的中值濾波可定義為2、(3.10)Y,j medianXi,j media

28、nXi mJ n；m,n WXij；i,j Z )(3.10)圖3-5隨機噪聲中值濾波Fig. 3-5 Random noise with median filtering圖3-6椒鹽噪聲中值濾波Fig.3-6 Salt noise with median filtering如圖3-5和圖3-6所示，中值濾波對隨機噪聲處理效果比鄰域平均法要好, 但也會使圖片模糊。中值濾波對椒鹽噪聲的處理效果明顯比鄰域平均法要好， 圖片變得非常清晰。綜合以上，不難得出下面的結(jié)論：中值濾波容易去除孤立點、線的噪聲同 時保持圖象的邊緣；它能很好的去除二值噪聲。要注意的是，當(dāng)窗口內(nèi)噪聲點 的個數(shù)大于窗口寬度的一半時，

29、中值濾波的效果不好，這是很顯然的。當(dāng)視頻 圖像出現(xiàn)較多噪點時，采用此方法降噪，可以明顯提高運動車輛檢測率和車型 識別率。另外，二維中值濾波的窗口形狀和尺寸設(shè)計對濾波的效果影響較大， 不同的圖像內(nèi)容和不同的應(yīng)用要求，通?？梢圆捎貌煌男螤詈统叽?。常用的 二維中值濾波窗口有線狀、方形、圓形、十字形、和圓環(huán)形等。結(jié)合本文實際需要，為了保持車輛輪廓的清晰，同時又要去除高頻噪聲，本文采用了3*3窗口的中值濾波的方法。3.3銳化圖像在傳輸和變換的過程中會受到各種干擾而退化，典型的就是圖像模糊。 而在圖像的觀看和識別中，常常需要突出目標(biāo)的輪廓或邊緣信息。這樣，看起 來更愜意，對目標(biāo)的識別也更容易一些。圖像的

30、銳化可在空域或頻域中進行。微分算法圖像的模糊相當(dāng)于圖像被平均或被積分，為實現(xiàn)圖像的銳化，必須用它的 反運算“微分”，加強高頻分量的作用，從而使圖像輪廓清晰。由于模糊圖像的 特征各不相同，要進行銳化應(yīng)該采用各項同性、具有旋轉(zhuǎn)不變的線性微分算子。圖像處理中最常用的微分方法是求梯度。對于圖像f(x,y),它所在的梯度是 一個矢量，定義為:T(3.11)Grad f(X, y) x y(3.11)(f )(f )2 ( f )2GM(x,y) | Grad f (X, y) |(3.12)對數(shù)字圖像用微分算法運算不方便，一般用差分來近似。常用的梯度差分有:有:22- 1/2(3.13)(3.14)GM

31、(x,y) f (x, y) f (x 1,y)f(x,y) f(x,y 1) (3.13)(3.14)為了運算簡便，可以化簡為:GM (x, y) | f(x,y) f(x 1,y)| | f (x, y) f (x, y 1)|常用的梯度算子還有Laplacian算子。Laplacian算子是仿效屬性上的2222x y ,它是用二階差分實現(xiàn)的。f (x,y) f (x 1,y) f(x 1,y) f (x, y 1) f(x, y 1) 4f(x, y)(3.15)用模板算子來表示為：容易看出拉普拉斯模板的作法：先將自身與周圍的4個象素相減，表示自身與周圍象素的差別；再將這個差別加上自身作

32、為新象素的灰度。可見，如果 一片暗區(qū)出現(xiàn)了一個亮點，那么銳化處理的結(jié)果是這個亮點變得更亮，增加了 圖象的噪聲。但它的優(yōu)點是各向同性，即旋轉(zhuǎn)不變。圖3-7圖3-7銳化處理Fig. 3-7 Sharpening如圖3-7所示，圖像經(jīng)銳化處理后邊界明顯變得清晰，圖像模糊程度減弱,更易于觀看及區(qū)分車輛的外形及輪廓。3.3.2高通濾波方法圖像中的邊沿或線條與圖像頻譜中的高頻分量相對應(yīng)，因此，可以采用高 通濾波的方法，使低頻分量得到抑制，從而達到增強高頻分量，使圖像的邊沿 或線條變得清晰，實現(xiàn)圖像的銳化。常用的高頻濾波器有：.理想高通濾波器理想高通濾波器的轉(zhuǎn)移函數(shù)為：0h(u，0h(u，v) 1D(u,v

33、) D。D(u,v) Do(3.16)(3.17)其中Do(3.17)其中Do為截止頻率，階數(shù)n控制曲線的形狀圖3-8理想高通22 、1/2其中D0為截止頻率，D(u,v) (u v )是點(u,v)到頻率平面原點的距離2.Butterworth 濾波器Butterworth 濾波器的轉(zhuǎn)移函數(shù)為：1H (u,v)i M2nD(u,v)Fig. Ideal high pass圖 3-9 Butterworth 濾波器Fig. 3-9 Butterworth filter如圖所示，高通濾波器會忽略低頻特性，只顯示高頻部分，可以清晰的看出圖片的線條和輪廓4.圖像的邊緣檢測邊緣檢測概念邊緣檢測技術(shù)網(wǎng)對

34、于處理數(shù)字圖像非常重要，因為邊緣時所要提取目標(biāo)和 背景的邊界線，提取出邊緣才能將目標(biāo)和背景區(qū)分出來。在圖像中，邊界表明 一個特征區(qū)域的終結(jié)和另一個特征區(qū)域的開始，邊界所分開區(qū)域的內(nèi)部特征或 者屬性是一致的，而不同區(qū)域內(nèi)部的特征或?qū)傩允遣煌?，邊緣的檢測正是利 用物體和背景在某種圖像特征性上的差異來實現(xiàn)的，這些差異包括灰度、顏色、紋理特征。邊緣檢測實際上就是檢測圖像特性發(fā)生變化的位置。由于噪聲和模糊的存在，檢測到得邊界可能會變寬或在某些點處發(fā)生間斷， 因此，邊界檢測包括兩個基本內(nèi)容：首先抽取出反映灰度變化的邊緣點，然后剔 除某些邊界點或者填補邊界間斷點，并將這些邊緣連接成完整的線。邊緣檢測技術(shù)可

35、以按照處理的技術(shù)分為串行邊緣檢測以及并行邊緣檢測。所謂申行邊緣才測技術(shù)是指：要想確定當(dāng)前像素點是否屬于邊緣檢測上的一點, 取決于先前像素的驗證結(jié)果；而在并行邊緣檢測技術(shù)中，一個像素點是否屬于檢 測邊緣上的點取決于當(dāng)前正在檢測的像素點以及該像素點的一些相鄰像素點， 這樣該模型可以同時用于圖像中的所有像素點，因而成為并行邊緣檢測技術(shù)。最簡單的邊緣檢測方法是邊緣檢測算子，它利用相鄰區(qū)域的像素值不連續(xù)的性質(zhì)，采用一階或二階導(dǎo)數(shù)來檢測邊緣點。近年來還提出了基于曲線擬合的 方法，基于邊界曲線擬合的方法。其中基于曲線擬合的方法的基本思想是將灰度看成高度，用一個曲面來擬合一個小窗口內(nèi)的數(shù)據(jù)，然后根據(jù)該曲面來決

36、定 邊緣點?；谶吔缜€擬合的方法用平面曲線來表示不同區(qū)域之間的圖像邊界 線，試圖根據(jù)圖像梯度等信息找出能正確表示邊界的曲線從而達到圖像分割的 目的，而且由于它直接給出的事邊界曲線而不像一般的方法找出的事離散的、 不相關(guān)的邊緣點，因而對圖像分割的后繼處理如物體識別等高層處理有很大的 幫助。即使用一般的方法找出邊緣點，用曲線來描述它們以便于高層處理也是 經(jīng)常被采用的一種有效地方式。邊緣檢測算子常用的邊緣檢測算子主要有：羅伯特(Roberts)算子、索貝爾(Sobel)邊緣算 子、Prewitt邊緣算子、拉普拉斯(Laplacian)邊緣算子、坎尼(Canny)邊緣算子。Robert 算子0 11

37、 0100 1從上面的模板的形式可以看出，Robert計算時利用的像素數(shù)一共有4個, Robert算子邊緣定位準(zhǔn)，但對噪聲敏感。適用于邊緣明顯而且噪聲較少的圖像 分割。2 Prewitt 算子 TOC o 1-5 h z 1 0 1111101000101111Prewitt算子對噪聲有抑制作用，抑制噪聲的原理是通過像素平均。但是像素平均相當(dāng)于對圖像的低通濾波，所以 Prewitt算子對邊緣的定位不如Robert算子。3 Sobel算子 TOC o 1-5 h z 1 0 1121202000101121Sobel算子和Prewitt算子都是加權(quán)平均，但是 Sobel算子認(rèn)為，鄰域的 像素對當(dāng)

38、前像素產(chǎn)生的影響不是等價的， 所以距離不同的像素具有不同的權(quán)值， 對算子結(jié)果產(chǎn)生的影響也不同。一般來說，距離越大，產(chǎn)生的影響越小。圖4-1 Robert 算子Fig. 4-1 Robert operator圖 4-2 Prewitt 算子Fig. 4-2 Prewitt operator圖4-3 Sobel算子Fig. 4-3 Sobel operator比較3種算子檢測的邊緣圖像可以看出，Prewitt和Sobel算子生成的邊 緣線較多，圖像較為復(fù)雜，而Robert算子生成的邊緣較少，圖像較為簡單。 但 是，就邊緣檢測的效果來看 Prewitt和Sobel算子要好于Robert算子。.圖像的

39、模式識別模式識別一般我們可以認(rèn)為把圖像進行區(qū)別分類就是圖像的模式識別。模式識別研 究的目的是研制能夠自動處理某些信息的機器系統(tǒng)，以便代替人完成分類和辨 識的任務(wù)。一個圖像的模式識別系統(tǒng)可分為3個部分，如圖5.1所示：圖像信息的獲取、信息的加工處理和圖像的判決。結(jié)果待識別的圖像= 圖像信息獲取一信息處理特征提取= 判決圖5-1圖像的模式識別框圖Fig. 5-1 Block diagram of the image pattern recognition利用模板匹配可以在一幅圖象中找到已知的物體。比如獲得車輛通過的圖 像，要判斷所通過車輛的車型。這時就可以采用模板匹配的方法。所謂模板匹 配，其實想法很簡單：拿已知的模板(在本例中為汽車的圖象)，和原圖象中同樣 大小的一塊區(qū)域去對?；酒ヅ涞淖R別方法大致可以分為如下幾種：(1)區(qū)域匹配區(qū)域匹配的思想是把參考圖像的某一塊整體與實時圖像在所有可能位置上 進行疊加，然后計算某種圖像相似性度量的相應(yīng)值，最大相似性相對應(yīng)的位置 就是目標(biāo)的位置。(2)特征匹配特征匹配是在提取特征后，對特征屬性矢量(點、邊緣、線段等)作相關(guān)度訓(xùn) 一算，相關(guān)系數(shù)的峰值即為匹配的位置。Moravec在1997年就提出了利用圖像灰度自相關(guān)函數(shù)的特征點檢測算子;Harris等人提出了 Moravec算子的改進 算子，該算子對十圖像存在旋轉(zhuǎn)、照明變化和透視變形時均可以穩(wěn)