畢業(yè)設(shè)計（論文）文獻綜述：智能小車視頻信號分解與處理

文獻綜述文獻綜述二級學院計算機科學與工程學院班級學生姓名學號（智能小車視頻信號分解與處理文獻綜述）摘要：智能小車視頻信號分解與處理的核心是車輛的快速檢測和定位，只有準確地檢測和定位出車輛才能進行實時的跟蹤。涉及的核心技術(shù)主要有運動目標檢測技術(shù)和運動目標跟蹤技術(shù)。關(guān)鍵詞：運動目標檢測跟蹤背景差分基于輪廓引言隨著社會的發(fā)展，越來越多的家庭開始擁有汽車，在帶給我們方便的同時，城市中大量增加的汽車也給我們帶來了嚴重的交通堵塞和交通安全等問題，對交通運輸管理提出了挑戰(zhàn)[1]。于是，為了大范圍、全方位、實時、準確、高效地進行交通運輸管理，智能交通系統(tǒng)（IntelligentTransportationSystem，ITS）這一新的研究領(lǐng)域便應(yīng)運而生，并作為未來交通系統(tǒng)的發(fā)展方向而迅速地發(fā)展起來[2]。ITS中首要的問題就是交通信息的采集和處理，包括車輛的檢測與跟蹤。因此，對于運動車輛的檢測與跟蹤的研究將成為研究的熱點，對此的研究將有著巨大的意義[3]。應(yīng)用及相關(guān)研究視頻圖像處理在道路交通狀況檢測中的應(yīng)用主要包括：車速的識別，從移動時間和距離來判斷車的速度車型的識別，從車長來區(qū)別大車、小車車牌的識別，通過視頻圖像處理的手段識別車牌號碼交通流量的監(jiān)視，從車輛存在的位置來獲得交通流量目前已投入運行的高速公路不停車自動收費系統(tǒng)中的車輛和車牌的自動識別都是圖像處理技術(shù)成功應(yīng)用的例子[4]。另外，一個在智能交通系統(tǒng)中應(yīng)用廣泛的方向是車載導航。通過在車輛前方裝載的攝像頭捕獲交通環(huán)境視頻信息，利用視頻和圖像處理技術(shù)對于捕獲的視頻信息進行分析和理解，結(jié)合機器視覺和模式識別技術(shù)實現(xiàn)為車輛駕駛中的道路環(huán)境識別、車輛和障礙物檢測、危險環(huán)境預判、車輛和環(huán)境參數(shù)及和其他交通參數(shù)獲取。以上的信息最后轉(zhuǎn)換為駕駛員可以直觀理解的視覺或者聽覺信號，給出駕駛提示和危險預警，為車輛和駕駛者提供詳盡和直觀的駕駛幫助和提示，起到減少駕駛員負擔的作用，同時讓車輛更加智能、更加安全[5]。運動車輛檢測與跟蹤用到的技術(shù)3.1車輛檢查技術(shù)[6]運動目標檢測的目的是將序列圖像中的運動目標從背景圖像中檢測并分割出來。關(guān)于運動目標檢測的研究大致可分為兩類：一是攝像頭隨著運動目標移動，始終保持目標在圖像的中心附近；二是攝像頭相對處于靜止狀態(tài)，只對視場內(nèi)的目標進行檢測、定位。背景差分法是運動目標檢測最常用的方法之一，它的基本思想是：通過背景建模，利用相鄰序列圖像估計視頻中不變的或有規(guī)律變化背景，將輸入圖像與背景圖像進行比較，從中分割出前景運動目標。背景圖像通常是整個場景中變化相對緩慢的部分，如交通視頻圖像中的道路（與移動的車輛相比它的變化相對緩慢）[16]。與幀差方法相比，背景差分法可以檢測出短時間靜止的車輛，也不受車速快慢的限制，而且，背景差分法可以通過簡化算法降低計算量，滿足視頻檢測的實時性要求[17]。雖然背景消減法可以提取出完整的目標圖像，但在實際應(yīng)用中任由許多問題需要解決，實際應(yīng)用中一幅標準的背景圖像總是不容易得到的，一種簡單的獲得背景圖像的方法是當場景中午任何目標出現(xiàn)時就捕獲背景圖像，很顯然隨著時間的推移，外界的光線會變化，這會引起背景圖像的變化，因而這種人工的非自適應(yīng)的方法獲得的背景圖像，會隨著時間的推移，對場景中光照條件、大面積運動和噪聲比較敏感，出現(xiàn)許多偽運動目標點，不利于目標的準確檢測。3.2車輛跟蹤技術(shù)[7]運動目標跟蹤就是在視頻圖像序列中實時地發(fā)現(xiàn)并標記運動目標，在幀與幀之間建立車輛運動的某些特征，如位置、速度、形狀和方向等之間的聯(lián)系，不斷跟蹤目標，并計算出運動目標的軌跡?；趧討B(tài)輪廓的跟蹤思想是利用封閉的曲線輪廓來表達運動目標，并且該輪廓能夠自動連續(xù)地更新[18]。相對于基于區(qū)域的跟蹤方法，輪廓表達有計算復雜度小的優(yōu)點，如果開始階段能夠合理地分開每個運動目標并實現(xiàn)輪廓初始化，即使在有部分遮擋存在的情況下也能連續(xù)地進行跟蹤，然而輪廓初始化通常是很困難的。3.3其他技術(shù)3.3.1灰度圖像處理圖像的灰度處理就是將彩色圖像轉(zhuǎn)化成為灰度圖像的過程。在彩色圖像中，R、G、B三個分量決定了每個像素的顏色，而每一個分量可以有255個值，一個像素點的顏色的變化范圍就可以達到1600多萬（255*255*255）；而灰度圖像R=G=B，一個像素點的變化范圍就只有255，因此將大大的減少后續(xù)圖像的計算量，但是卻會讓圖像失真。圖像的灰度處理一般可用兩種方法來實現(xiàn)[8]。一種方法是通過求出每個像素點R、G、B三個分量的平均值，然后將這個平均值賦值賦值為這三個分量。另一種方法是根據(jù)YUV的顏色空間中，Y的分量的無力意義是點的亮度，由該值反映亮度等級，根據(jù)RGB和YUV顏色空間的變化關(guān)系可建立亮度Y與R、G、B三個顏色分量的對應(yīng)：Y=0.3R+0.59G+0.11B，以這個亮度值表達圖像的灰度值[9]。3.3.2高斯濾波高斯濾波(Gaussfilter)實質(zhì)上是一種信號的濾波器，其用途為信號的平滑處理，數(shù)字圖像用于后期應(yīng)用，其噪聲是最大的問題，因為誤差會累計傳遞等原因，大多圖像處理教材會在很早的時候介紹Gauss濾波器，用于得到信噪比SNR較高的圖像（反應(yīng)真實信號）。高斯平滑濾波器對于抑制服從正態(tài)分布的噪聲非常有效[15]。在圖像處理中，高斯濾波一般有兩種實現(xiàn)方式，一是用離散化窗口滑窗卷積，另一種通過傅里葉變換。最常見的就是第一種滑窗實現(xiàn)，只有當離散化的窗口非常大，用滑窗計算量非常大（即使用可分離濾波器的實現(xiàn)）的情況下，可能會考慮基于傅里葉變化的實現(xiàn)方法[10]。3.3.3圖像二值化處理圖像的二值化，就是將圖像上的像素點的灰度值設(shè)置為0或255，也就是將整個圖像呈現(xiàn)出明顯的只有黑和白的視覺效果[11]。一幅圖像包括目標物體、背景還有噪聲，要想從多值的數(shù)字圖像中直接提取出目標物體，最常用的方法就是設(shè)定一個閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群。這是研究灰度變換的最特殊的方法，稱為圖像的二值化（BINARIZATION）[12]。二值化是圖像處理的基本操作，任何圖像處理基本離不開二值化的操作。其應(yīng)用非常廣泛。根據(jù)閾值選取的不同，二值化的算法分為固定閾值和自適應(yīng)閾值。比較常用的二值化方法則有：雙峰法、P參數(shù)法、迭代法和OTSU法等。3.3.4開閉和運算數(shù)學形態(tài)學(MathematicalMorphology)誕生于1964年，是由法國巴黎礦業(yè)學院博士生賽拉(J.Serra)和導師馬瑟榮，在從事鐵礦核的定量巖石學分析及預測其開采價值的研究中提出“擊中/擊不中變換”，并在理論層面上第一次引入了形態(tài)學的表達式，建立了顆粒分析方法。他們的工作奠定了這門學科的理論基礎(chǔ)，如擊中/擊不中變換、開閉運算、布爾模型及紋理分析器的原型等。數(shù)學形態(tài)學的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對應(yīng)形狀以達到對圖像分析和識別的目的。數(shù)學形態(tài)學是由一組形態(tài)學的代數(shù)運算子組成的，它的基本運算有4個：膨脹（或擴張）、腐蝕（或侵蝕）、開啟和閉合，它們在二值圖像和灰度圖像中各有特點。基于這些基本運算還可推導和組合成各種數(shù)學形態(tài)學實用算法，用它們可以進行圖像形狀和結(jié)構(gòu)的分析及處理，包括圖像分割、特征抽取、邊緣檢測、圖像濾波、圖像增強和恢復等。數(shù)學形態(tài)學方法利用一個稱作結(jié)構(gòu)元素的“探針”收集圖像的信息，當探針在圖像中不斷移動時，便可考察圖像各個部分之間的相互關(guān)系，從而了解圖像的結(jié)構(gòu)特征。數(shù)學形態(tài)學基于探測的思想，與人的FOA(FocusOfAttention)的視覺特點有類似之處。作為探針的結(jié)構(gòu)元素，可直接攜帶知識（形態(tài)、大小、甚至加入灰度和色度信息）來探測、研究圖像的結(jié)構(gòu)特點。開閉和運算就是利用腐蝕和膨脹運算去除雜點[13]。腐蝕運算可以消除邊界點，使邊界內(nèi)部收縮，腐蝕一般用來消除細小并且沒有意義的目標。在OpenCV中可調(diào)用cvErode函數(shù)來對圖像進行腐蝕運算。而膨脹運算和腐蝕運算相反，則是合并接觸的背景點，使邊界向外擴張，填補目標區(qū)域當中出現(xiàn)的漏洞。在OpenCV中則通過調(diào)用cvDilate函數(shù)來實現(xiàn)[14]。存在的問題和未來的發(fā)展趨勢視頻檢測器與傳統(tǒng)檢測器相比有其明顯的優(yōu)勢，近年來在智能交通系統(tǒng)中得到了越來越廣泛的應(yīng)用。雖然視頻檢測器有著諸多優(yōu)點，但仍然存在許多需要解決的問題。一個可以投入實際使用的基于視頻圖像的交通檢測系統(tǒng)應(yīng)該具備處理時間短、計算量低和可靠性高的特點。而且，這種系統(tǒng)所采用的方法必須對重建3D場景的誤差、車輛運動所引起的圖像噪聲、視頻檢測器的偏移等干擾有足夠的穩(wěn)健性。存在的問題主要是：一是視頻檢測器的檢測精度是隨著光照情況的變化而變化的，當光照良好時如正午時檢測精度最好，反之如傍晚、雨雪天氣則較差；另一個問題是陰影問題，陰影是造成視頻檢測方法誤檢測的主要原因，陰影通常有三種：車輛自身的運動陰影、道路場景中的靜態(tài)陰影、緩慢移動的陰影如浮云造成的陰影；同時車輛在道路場景中的相互遮擋也是必須考慮的問題。未來這一領(lǐng)域的發(fā)展應(yīng)該是圍繞上述問題的解決而展開。發(fā)展趨勢主要是：首先，注重準確率、綜合使用多種檢測方法是未來車輛檢測的一大發(fā)展趨勢；另外，車輛檢測中的多檢測器信息融合也是未來研究的重點；同時，與基于視頻圖像車輛檢測緊密聯(lián)系的相關(guān)研究領(lǐng)域，交通視頻圖像的壓縮和多媒體數(shù)據(jù)挖掘，也是未來研究的熱點。參考文獻：［1］楊杰，張翔．視頻目標檢測和跟蹤及其應(yīng)用．2012．上海．上海交通大學出版社［2］刑延超，皇甫偉．數(shù)字視頻處理原理及DSP實現(xiàn)［M］．北京．電子工業(yè)出版社，2011:184-228［3］刑延超，皇甫偉．數(shù)字視頻處理原理及DSP實現(xiàn)．2011.12．北京．電子工業(yè)出版社［4］喬傳標，王素玉，卓力，沈蘭蓀．智能視覺監(jiān)控中的目標檢測與跟蹤技術(shù)［J］．測控技術(shù)，2008,27（5）：22-24［5］馬加慶．視頻運動目標的跟蹤方法［M］．北京．電子工業(yè)出版社，2013：1-132［6］李勁菊，朱青，王耀南．一種復雜背景下運動目標檢測與跟蹤方法［J］．儀器儀表學報，2010，31（10）：2242-2247［7］劉亞，艾海舟，徐光佑．一種基于背景模型的運動目標的檢測與跟蹤算法［J］．信息與控制，2002，31（4）：315-319［8］劉富強，王新紅，宋春林．數(shù)字視頻圖像處理與通信．2009.12．北京．機械工業(yè)出版社[9]沈晶，劉海波，周長建．Visualc++數(shù)字圖像處理典型案例詳解．2012.7．北京．機械工業(yè)出版社[10]王耀貴.圖像高斯平滑濾波分析.2009年山東山東省濰坊衛(wèi)生學校［11］范勇，游志勝，張建州，鄭文琛，馮子亮．一種快速運動目標檢測與跟蹤算法［J］．光電工程，2000，27（6）：30-33［12］馬加慶．視頻運動目標的跟蹤方法．2013.6．北京．電子工業(yè)出版社[13]劉銳寧，梁水，李偉明．學通Visualc++的24堂課．2011.6．北京．清華大學出版社[14]Zoeter,OnnoYpma,AlexanderHeskes,TomDeterministicandStochasticGaussianParticleSmoothing[15]MingJiang.MathematicalModelsincomputervisionandImageProcessing.2001DepartmentofInformationScience,SchoolofMathematics,PekingUniversity.[16]Fritsch,DanielE.1;C