智能小車視頻信號(hào)分解與處理【畢業(yè)論文】

1、<p>　　本科畢業(yè)設(shè)計(jì)（論文）</p><p><b>　　（20 屆）</b></p><p>　　智能小車視頻信號(hào)分解與處理</p><p><b>　　摘 要</b></p><p>　　隨著社會(huì)的不斷進(jìn)步以及城市化建設(shè)的逐步普及，越來越多的家庭開始擁有汽車，汽車的數(shù)量也越來越多

2、，在帶給我們便利和迅捷的同時(shí)，也讓我們不得不面對日益提升的交通密度、日益嚴(yán)重的交通堵塞和交通安全等難題，對我們的交通運(yùn)輸管理提出了巨大的挑戰(zhàn)。為了解決這些難題，為了大范圍、全方位、系統(tǒng)、實(shí)時(shí)、準(zhǔn)確、高效地進(jìn)行交通運(yùn)輸管理，于是產(chǎn)生了智能交通系統(tǒng)（ITS）這一新的研究和應(yīng)用領(lǐng)域。而智能交通系統(tǒng)必須面對的首要問題就是對交通信息的采集和處理，也就是對汽車進(jìn)行檢測和跟蹤。在眾多的車輛檢測和跟蹤方法中，視頻檢測和跟蹤以其高效、低廉、維護(hù)簡單等優(yōu)點(diǎn)

3、，具有更好和更為廣泛的應(yīng)用前景，因此對智能小車視頻信號(hào)的分解與處理的研究將有巨大的價(jià)值和意義。本論文旨在研究智能小車視頻信號(hào)的分解與處理，主要涉及到背景圖像的獲取、目標(biāo)的檢測和分割、目標(biāo)的實(shí)時(shí)跟蹤以及軌跡的繪制等方法的研究。</p><p>　　在背景圖像的獲取研究方面，介紹了三種當(dāng)前使用得比較多的獲取方法，并對其中的優(yōu)缺點(diǎn)進(jìn)行了比較和闡述。</p><p>　　在目標(biāo)的檢測和分割研究方面

4、，通過背景圖像建模，利用相鄰序列圖像對視頻中不變的或有規(guī)律變化的背景進(jìn)行估計(jì)，將輸入圖像和背景圖像進(jìn)行比較，從中分割出前景運(yùn)動(dòng)目標(biāo)。并對目前常見的運(yùn)動(dòng)目標(biāo)的檢測方法進(jìn)行了介紹和優(yōu)缺點(diǎn)的比較和闡述。</p><p>　　在目標(biāo)的實(shí)時(shí)跟蹤以及軌跡繪制研究方面，由于車輛運(yùn)動(dòng)中外環(huán)境會(huì)不斷變化，車輛的輪廓也會(huì)出現(xiàn)不規(guī)則變化，考慮到車輛是長方形的，可以采用中心點(diǎn)的思想，對車輛邊緣輪廓上的所有點(diǎn)進(jìn)行統(tǒng)計(jì)，求出這些點(diǎn)的中心點(diǎn)，

5、用其中心點(diǎn)及其周圍四個(gè)點(diǎn)來表示運(yùn)動(dòng)物體，根據(jù)中心點(diǎn)位置移動(dòng)繪制車輛軌跡。</p><p>　　關(guān)鍵詞：智能交通系統(tǒng) 背景圖像 目標(biāo)檢測和分割 實(shí)時(shí)跟蹤 軌跡繪制</p><p><b>　　Abstract</b></p><p>　　With the development of society and the popularizat

6、ion of urbanization, more and more families have owned the car, and the number of car is increasing, at the same time when it brings us convenience and high speed life, there are also comes some tough problems that we ha

7、ve to face to, such as the increasing of the traffic density, the severe of traffic jam and security of traffic, it’s a big challenge for the management of traffic transport. In order to settle such tough problems down,

8、and for e</p><p>　　In the image acquisition, I introduced three methods which used widely, compared it’s advantages with disadvantages, and find out the best method .</p><p>　　In the detection a

9、nd division of target, i use the sequential serial image to estimate the background on video which is constant or changes orderly ,compared the input image with the background to get the division of foreground moving tar

10、get through building the model of background .And introduced some methods which is common and use frequently ,compared it’s advantages with disadvantages too.</p><p>　　In the real time following of target an

11、d path tracking ,the outer environment would change frequently ,and the outline of car would change irregularly ,because the car is a rectangle , we can use the thought of middle point and count all the point on the outl

12、ine , work the middle point out ,and express the moving car with this middle point and the other four point from outline ,drawing the moving track with this middle point . </p><p>　　Key words: ITS ,Backgrou

13、nd Image ,Target detection and division ,Real time following ,Draw path </p><p><b>　　目 錄</b></p><p><b>　　摘 要1</b></p><p>　　Abstract2</p><p>&

14、lt;b>　　目 錄3</b></p><p><b>　　1緒論5</b></p><p>　　1.1本課題研究意義5</p><p>　　1.1.1智能交通的背景、現(xiàn)狀和意義5</p><p>　　1.1.2車輛檢測和跟蹤技術(shù)的發(fā)展趨勢6</p><p>　　1.

15、2本論文的結(jié)構(gòu)7</p><p><b>　　2關(guān)鍵技術(shù)9</b></p><p>　　2.1常用目標(biāo)檢測算法9</p><p>　　2.1.1幀差法9</p><p>　　2.1.2 背景差分法10</p><p>　　2.1.3運(yùn)動(dòng)場估計(jì)法11</p><p&g

16、t;　　2.2常用目標(biāo)跟蹤算法13</p><p>　　2.2.1 基于模型的跟蹤13</p><p>　　2.2.2 基于動(dòng)態(tài)輪廓跟蹤13</p><p>　　2.2.3 基于區(qū)域跟蹤13</p><p>　　2.2.4 基于特征的跟蹤14</p><p>　　2.3其他技術(shù)14</p>&

17、lt;p>　　2.3.1灰度圖像處理14</p><p>　　2.3.2高斯平滑14</p><p>　　2.3.3二值化處理15</p><p>　　2.3.4開閉和運(yùn)算15</p><p>　　2.4 本章小結(jié)15</p><p>　　3 系統(tǒng)需求分析16</p><p>

18、　　3.1系統(tǒng)功能需求分析16</p><p>　　3.2 系統(tǒng)處理流程分析17</p><p>　　3.7 本章小結(jié)18</p><p><b>　　4 系統(tǒng)設(shè)計(jì)20</b></p><p>　　4.1系統(tǒng)架構(gòu)20</p><p>　　4.1.1 總體結(jié)構(gòu)20</p>

19、<p>　　4.1.2 系統(tǒng)流程21</p><p>　　4.2 文件打開模塊的設(shè)計(jì)22</p><p>　　4.3背景提取模塊的設(shè)計(jì)22</p><p>　　4.4智能小車檢測與跟蹤模塊的設(shè)計(jì)25</p><p>　　4.5繪制軌跡模塊的設(shè)計(jì)28</p><p>　　4.6 本章小結(jié)28<

20、/p><p><b>　　5 系統(tǒng)實(shí)現(xiàn)29</b></p><p>　　5.1 環(huán)境配置29</p><p>　　5.2 文件打開模塊的實(shí)現(xiàn)34</p><p>　　5.3 背景提取模塊的實(shí)現(xiàn)34</p><p>　　5.4 智能小車檢測與跟蹤模塊的實(shí)現(xiàn)34</p><p

21、>　　5.5 軌跡繪制模塊的實(shí)現(xiàn)35</p><p>　　5.6本章小結(jié)35</p><p><b>　　6 應(yīng)用示例36</b></p><p>　　6.1 示例概述36</p><p>　　6.2 示例實(shí)現(xiàn)過程36</p><p>　　6.3本章小結(jié)40</p>

22、<p><b>　　7 結(jié)束語41</b></p><p>　　7.1本文工作總結(jié)41</p><p>　　7.2 進(jìn)一步的研究課題及展望42</p><p><b>　　參考文獻(xiàn)44</b></p><p><b>　　1緒論</b></p>

23、<p>　　1.1本課題研究意義</p><p>　　1.1.1智能交通的背景、現(xiàn)狀和意義</p><p>　　隨著社會(huì)的不斷進(jìn)步以及城市化建設(shè)的逐步普及，整個(gè)社會(huì)對交通運(yùn)輸?shù)男枨笕找嬖黾?，越來越多的家庭開始擁有汽車，汽車的數(shù)量也越來越多，城市公路交通系統(tǒng)的壓力不斷地增大。出現(xiàn)了諸如堵車、交通事故等大量的公路交通問題，為了解決這些棘手的難題，更好的進(jìn)行交通運(yùn)輸管理，提高現(xiàn)有道路

24、的利用率、提高道路交通的安全程度，于是將整合了各種先進(jìn)的技術(shù)，產(chǎn)生了智能交通系統(tǒng)（ITS）這一新的研究和應(yīng)用領(lǐng)域。</p><p>　　西方國家在這方面的發(fā)展是相當(dāng)早的，在20世紀(jì)80年代末，就已經(jīng)制定并實(shí)施了開發(fā)計(jì)劃。歐洲的研究是由官方與民間并行進(jìn)行的，1994年完成了DRIVE計(jì)劃，用于提高道路設(shè)施的服務(wù)水平。該計(jì)劃主要進(jìn)行需求管理、車輛輔助駕駛、城市間綜合交通情況管理、單個(gè)城市綜合交通管理等內(nèi)容的研究。而美

25、國，于1991年，國會(huì)投票通過了旨在利用高新技術(shù)和合理最優(yōu)交通分配方案來使整個(gè)交通網(wǎng)絡(luò)變得高效的“綜合地面運(yùn)輸效率方案”，并為此撥款6.6億美元，用于進(jìn)行相關(guān)的研究工作。地方政府還和聯(lián)邦政府共同提供經(jīng)費(fèi)，在全美一共建立了3個(gè)致力于從事智能交通系統(tǒng)研究的研究中心。2001年，美國在華盛頓召開了智能交通系統(tǒng)的全國范圍的高層討論會(huì)，為智能交通系統(tǒng)的在二十一世紀(jì)前十年的發(fā)展制定了總體規(guī)劃。</p><p>　　日本和新加

26、坡等國家也分別制定了其相應(yīng)的計(jì)劃。日本財(cái)政2001年度預(yù)算中用于智能交通系統(tǒng)計(jì)劃的資金就達(dá)到了883億日元。目前有五個(gè)機(jī)構(gòu)致力于并負(fù)責(zé)智能交通系統(tǒng)相關(guān)的活動(dòng)，并聯(lián)合其他組織和機(jī)構(gòu)共同來促進(jìn)智能交通系統(tǒng)的發(fā)展。而且智能交通系統(tǒng)的商品化發(fā)展已經(jīng)逐漸形成產(chǎn)業(yè)。新加坡于1995年，就已經(jīng)組織完成了諸如綠波系統(tǒng)、交通掃描系統(tǒng)、道路信息管理系統(tǒng)等項(xiàng)目。已經(jīng)擁有了一個(gè)比較成熟的綜合工作平臺(tái)。</p><p>　　我國政府非常的

27、重視智能交通系統(tǒng)的發(fā)展，在1996年就已經(jīng)組織和開始了這一領(lǐng)域的國際交流與合作，支持這一領(lǐng)域在我國的研究和發(fā)展。1999年，成立智能交通系統(tǒng)協(xié)調(diào)小組，提供了一個(gè)能夠基于指導(dǎo)文件的組織機(jī)構(gòu)。2000年，制訂了體系框架的研究和規(guī)范標(biāo)準(zhǔn)，建立了與國際接軌的標(biāo)準(zhǔn)體系，為我國的智能交通系統(tǒng)的發(fā)展提供了綱領(lǐng)性的指導(dǎo)文件，并且確定了諸如通信協(xié)議、系統(tǒng)構(gòu)成、功能模塊和接口等內(nèi)容。2005年，于上海召開第一屆“中國智能交通年會(huì)”，為智能交通技術(shù)的各方面都

28、提供了可靠的支持，例如從開發(fā)研究、產(chǎn)品開發(fā)到最后的產(chǎn)業(yè)化等方面。然而我國只完成了一些基礎(chǔ)性的工作，在開發(fā)和應(yīng)用方面僅僅處于初級階段，還有很多地方都需要進(jìn)行提高。在實(shí)際的開發(fā)和應(yīng)用方面，已經(jīng)取得了一些成功的成果，并在一些局部地區(qū)形成了智能交通系統(tǒng)的雛形，或?qū)崿F(xiàn)了其中的部分功能。在國內(nèi)使用的比較多的電子收費(fèi)系統(tǒng)就是智能交通系統(tǒng)應(yīng)用的一個(gè)良好的體現(xiàn)，已經(jīng)得到了廣泛的好評。此外，不單單引進(jìn)國外先進(jìn)技術(shù)和產(chǎn)品，同時(shí)也和國外的廠商進(jìn)行交流與合作，大

29、大的提高了我國在這方面的技術(shù)水平，為我國智能交通系統(tǒng)的發(fā)展提供了技術(shù)支持。</p><p>　　最近幾年來，我國建成了各種各樣的城際或者城內(nèi)高斯公路，并且始終保持著前所未有的高速的發(fā)展速度，讓世界各國矚目。隨著我國經(jīng)濟(jì)水平的持續(xù)快速提高，我國的汽車數(shù)量不斷地在增大，伴隨著城市化進(jìn)程的不斷加快，出現(xiàn)了各種各樣的交通問題，體現(xiàn)了交通對城市經(jīng)濟(jì)的發(fā)展的重要性，也讓我們不得不面對各種新的挑戰(zhàn)。例如：</p>

30、<p>　?。?）城市公路交通不斷增大的壓力。根據(jù)行業(yè)年度報(bào)告，2004年年底，我國已經(jīng)達(dá)到了2742萬輛的汽車保有量，達(dá)到了12.4%的增長率?，F(xiàn)有的城市公路交通設(shè)施已經(jīng)沒有辦法滿足車輛數(shù)量增長的需求了。</p><p>　　（2）消耗巨大的能源問題?，F(xiàn)目前，我國公路交通運(yùn)輸?shù)闹饕獎(jiǎng)恿δ茉慈匀灰揽康氖鞘秃吞烊粴狻?005年，我國的石油消耗量達(dá)到了驚人的2.5億噸，</p><p

31、>　　按照如此的消耗量，不單單會(huì)消耗掉我們的油氣資源，同時(shí)還會(huì)增加我國對于國外油氣資源的依賴性。</p><p>　　（3）交通事故頻發(fā)、擁堵嚴(yán)重、市民缺乏安全感。據(jù)統(tǒng)計(jì)，2005年，我國交通事故共發(fā)生了45萬余起，共造成9萬8千余人死亡，47萬人受傷，直接的經(jīng)濟(jì)損失就達(dá)到了驚人的18.1億元。</p><p>　?。?）環(huán)境污染問題。汽車尾氣污染已經(jīng)是一個(gè)眾所周知的問題，近年來城市

32、熱島效應(yīng)頻頻發(fā)生，大氣污染，空氣質(zhì)量差等更嚴(yán)重的影響著老百姓的身體健康，也制約了城市的發(fā)展，大大降低了城市的形象。</p><p>　　而智能交通技術(shù)的出現(xiàn)，給我們帶來了希望。</p><p>　　首先，公路交通的利用效率提高了，公路交通的安全性也提高了。據(jù)專家估計(jì)，采用智能交通系統(tǒng)后，每年可減少30%~70%的交通事故死亡人數(shù)，減少交通的擁堵現(xiàn)象，提高公路交通利用率。</p>

33、<p>　　其次，降低了能源的消耗率。擁堵現(xiàn)象減少了，汽車中途繞道行駛的現(xiàn)象減少了，油耗自然也跟著減少了。</p><p>　　再者，提高了公路交通網(wǎng)絡(luò)的使用頻率，提高了運(yùn)輸效率，達(dá)到了效益最大化，對經(jīng)濟(jì)的高速發(fā)展也產(chǎn)生了積極的影響。</p><p>　　最后，還可以帶來新的市場，提供大量的就業(yè)崗位，促進(jìn)就業(yè)。</p><p>　　因此，對智能交通系統(tǒng)

34、技術(shù)的研究是大勢所趨，對我們的經(jīng)濟(jì)發(fā)展有著巨大的作用，深遠(yuǎn)的意義。</p><p>　　1.1.2車輛檢測和跟蹤技術(shù)的發(fā)展趨勢</p><p>　　早期的交通情況監(jiān)測采用的是人工的方式，耗時(shí)耗力，而且統(tǒng)計(jì)數(shù)據(jù)單一，效率低下，不利于進(jìn)行長久的車輛監(jiān)測。</p><p>　　第二代交通情況監(jiān)測采用的是地感線圈。由于能夠進(jìn)行自動(dòng)檢測，對于監(jiān)測人的需求就沒那么多了，降低了監(jiān)

35、測人員的數(shù)量，降低了人工成本。但是這種方式的缺點(diǎn)是儀器容易損壞、維修不易，而且地感線圈的安裝位置固定，檢測的精度低，檢測參數(shù)少，無法識(shí)別出監(jiān)測車輛的基本信息，只能進(jìn)行簡單的車流量的統(tǒng)計(jì)。而且此檢測設(shè)備需要在關(guān)閉相應(yīng)道路的情況下才能進(jìn)行感應(yīng)器的安裝與維修，感應(yīng)器使用壽命有限，需要重新翻開路面才可以再次進(jìn)行安裝或維修，不利于公路的保養(yǎng)和維護(hù)。</p><p>　　第三代交通情況監(jiān)測采用了視頻檢測和圖像識(shí)別的技術(shù)，更加

36、智能，更加簡便。第三代交通情況監(jiān)測系統(tǒng)一般是由電子攝像機(jī)、數(shù)字圖像采集卡和計(jì)算機(jī)等部分組成。首先，由攝像機(jī)對一定區(qū)域范圍內(nèi)的道路進(jìn)行攝像，獲取的圖像再經(jīng)傳輸線路導(dǎo)入數(shù)字圖像采集卡，進(jìn)行模數(shù)轉(zhuǎn)換和格式轉(zhuǎn)換等，再交由計(jì)算機(jī)進(jìn)行數(shù)字圖像的處理，實(shí)時(shí)識(shí)別出經(jīng)過這一區(qū)域范圍的車輛，并判別其車型，對其他交通控制參數(shù)作進(jìn)一步的推導(dǎo)。還可以根據(jù)需要由計(jì)算機(jī)向監(jiān)控系統(tǒng)中的主控機(jī)提供信號(hào)，并根據(jù)此信號(hào)確定控制方式，接著發(fā)出控制命令給執(zhí)行機(jī)構(gòu)。而且由于是對攝

37、像機(jī)獲取的圖像進(jìn)行識(shí)別和監(jiān)測，因此可以可以進(jìn)行遠(yuǎn)程無線的監(jiān)測，不但可以監(jiān)測車流量，對于車輛的基本信息同樣可以進(jìn)行監(jiān)測，有利于進(jìn)行交通管制。最重要的是，此視頻交通監(jiān)測系統(tǒng)不用破壞路面，對基本交通影響大不，而且拆裝簡便，成本相較于感應(yīng)線圈低很多，現(xiàn)在已經(jīng)逐步取代環(huán)形線圈監(jiān)測系統(tǒng)成為主要的監(jiān)測手段。在現(xiàn)代交通控制系統(tǒng)中視頻交通檢測系統(tǒng)可以說是未來的智能交通系統(tǒng)發(fā)展的基礎(chǔ)。但是目前存在著很多的問題，比如，圖像處理的實(shí)時(shí)性差、整個(gè)系統(tǒng)軟硬件對車輛

38、的檢測精度的限制等等。盡管如此，伴隨著數(shù)字圖像處理技術(shù)的日益進(jìn)步和</p><p>　　因此，視頻交通檢測技術(shù)得到了世界各國從事智能交通系統(tǒng)研究人士的高度重視，有著廣闊的應(yīng)用前景。視頻車輛檢測系統(tǒng)在現(xiàn)代交通系統(tǒng)中有著很重要的地位，可以說是未來的智能交通系統(tǒng)發(fā)展的基礎(chǔ)。</p><p>　　基于視頻技術(shù)的交通檢測技術(shù)重點(diǎn)研究的是如何提高圖像識(shí)別的準(zhǔn)確性和實(shí)時(shí)性。目前，基于圖像處理的視頻交通檢

39、測技術(shù)正處于研究的開發(fā)階段，隨著技術(shù)的不斷完善，不但可以解決交通擁堵的頑疾，還可以預(yù)測和發(fā)現(xiàn)交通事故。因此，基于視頻技術(shù)的交通檢測技術(shù)的研究，必將成為未來交通檢測技術(shù)的一部分，并產(chǎn)生重要影響。</p><p>　　基于視頻技術(shù)的交通檢測是計(jì)算機(jī)視覺技術(shù)應(yīng)用于智能交通系統(tǒng)的一個(gè)典型的實(shí)例，基于視頻技術(shù)的交通檢測通過攝像機(jī)拍攝道路交通圖像，采用圖像處理技術(shù)對道路交通圖像進(jìn)行處理，自動(dòng)檢測車輛。應(yīng)用廣泛，可用于路口交通

40、監(jiān)控系統(tǒng)、車輛自動(dòng)導(dǎo)航系統(tǒng)、車輛輔助駕駛系統(tǒng)、停車場車輛調(diào)度監(jiān)控系統(tǒng)等等，機(jī)動(dòng)靈活，優(yōu)點(diǎn)繁多，有很大的應(yīng)用前景。具體如下：</p><p>　?。?）監(jiān)測效率高。相較于人工檢測方法，基于視頻技術(shù)的交通教程提高了監(jiān)測效率，節(jié)省了許多人力，物力，降低了成本；同時(shí)還能進(jìn)行其他違章行為的監(jiān)測，比如闖紅燈、交通事故等。</p><p>　?。?）監(jiān)測范圍大?？赏瑫r(shí)進(jìn)行路口和路段的監(jiān)測。</p&

41、gt;<p>　?。?）施工方便、周期短。不需進(jìn)行路面改造，不會(huì)損害公路設(shè)施，降低了施工時(shí)間，縮短了施工周期。</p><p>　　（4）信號(hào)傳輸方式多，傳輸速度快?？梢岳猛S電纜、雙絞線、光纖或者無線射頻等多種方式進(jìn)行視頻信號(hào)的傳輸，傳輸速度更加快捷。</p><p>　?。?）可進(jìn)行后續(xù)處理。能夠提供現(xiàn)場情況錄像，可供專家進(jìn)行現(xiàn)場情況后續(xù)分析。</p>&

42、lt;p><b>　　1.2本論文的結(jié)構(gòu)</b></p><p>　　，本文緒論部分。主要闡述了智能交通系統(tǒng)的背景、現(xiàn)狀和意義以及車輛檢測和跟蹤技術(shù)的發(fā)展趨勢，還介紹了論文的結(jié)構(gòu)安排。</p><p>　　，詳細(xì)介紹了目前常用的目標(biāo)檢測算法和目標(biāo)跟蹤算法，還對系統(tǒng)中涉及到了一些關(guān)鍵技術(shù)進(jìn)行了簡單介紹，根據(jù)各自的優(yōu)缺點(diǎn)選取最適合的方法進(jìn)行實(shí)現(xiàn)。</p>

43、<p>　　，系統(tǒng)需求分析。本章通過對圖像處理系統(tǒng)的功能分析，提出了智能小車視頻信號(hào)分解與處理系統(tǒng)的主要功能需求，分別是文件打開、背景提取、小車檢測、小車跟蹤、繪制軌跡。通過對這些功能的描述使得智能小車視頻信號(hào)的分解與處理系統(tǒng)功能更加明確，結(jié)構(gòu)更加清晰。</p><p>　　，系統(tǒng)設(shè)計(jì)。本章主要介紹了智能小車視頻信號(hào)分解與處理系統(tǒng)的設(shè)計(jì)，首先是對系統(tǒng)架構(gòu)的設(shè)計(jì)，其中包括總體結(jié)構(gòu)和系統(tǒng)流程的設(shè)計(jì)，然后

44、是分別對文件打開模塊、背景提取模塊、車輛跟蹤與檢測模塊、軌跡繪制模塊做了詳細(xì)的設(shè)計(jì)。通過本章內(nèi)容不僅可以了解智能小車視頻信號(hào)分解與處理系統(tǒng)的系統(tǒng)架構(gòu)而且可以知道此系統(tǒng)的詳細(xì)功能。</p><p>　　，系統(tǒng)實(shí)現(xiàn)。本章主要介紹了智能小車視頻信號(hào)分解與處理系統(tǒng)的具體實(shí)現(xiàn)過程，介紹了系統(tǒng)的開發(fā)環(huán)境的環(huán)境配置，也介紹了各個(gè)功能模塊的實(shí)現(xiàn)，例如變量定義模塊、文件打開模塊、背景提取模塊、車輛跟蹤與檢測模塊、軌跡繪制模塊的實(shí)現(xiàn)

45、。通過本章可以對智能小車視頻信號(hào)分解與處理系統(tǒng)的整個(gè)實(shí)現(xiàn)過程有個(gè)詳細(xì)的了解。</p><p>　　，應(yīng)用示例。本章主要是對智能小車視頻信號(hào)分解與處理系統(tǒng)應(yīng)用的章節(jié)，在本章會(huì)舉一個(gè)例子來應(yīng)用智能小車視頻信號(hào)分解與處理系統(tǒng)，通過此示例能了解智能小車視頻信號(hào)分解與處理系統(tǒng)的核心技術(shù)，核心功能，同時(shí)能體會(huì)到智能小車視頻信號(hào)分解與處理系統(tǒng)在處理過程中的效率，也能在此基礎(chǔ)上進(jìn)行擴(kuò)展。</p><p>

46、　　，結(jié)束語。對論文進(jìn)行總結(jié)，并指出進(jìn)一步的研究課題和未來展望。</p><p><b>　　2關(guān)鍵技術(shù)</b></p><p>　　2.1常用目標(biāo)檢測算法</p><p>　　日常生活中，運(yùn)動(dòng)的目標(biāo)無處不在，利用獲取的圖像對目標(biāo)進(jìn)行檢測和識(shí)別能夠被應(yīng)用于各個(gè)領(lǐng)域中，有著巨大的實(shí)用價(jià)值?；谟?jì)算機(jī)視覺的對運(yùn)動(dòng)目標(biāo)的檢測和識(shí)別已經(jīng)具備了技術(shù)可行性

47、和經(jīng)濟(jì)可行性，對此的研究也越來越多，而運(yùn)動(dòng)目標(biāo)檢測和識(shí)別已經(jīng)發(fā)展成為計(jì)算機(jī)視覺中的一個(gè)基礎(chǔ)的、關(guān)鍵的任務(wù)，甚至可以說是視覺系統(tǒng)的一個(gè)重要功能。</p><p>　　智能小車檢測的目標(biāo)是把圖像序列當(dāng)中的運(yùn)動(dòng)目標(biāo)——智能小車從背景圖像中檢測出來。現(xiàn)目前，主要分為攝像頭隨目標(biāo)移動(dòng)以及攝像頭相對處于靜止?fàn)顟B(tài)兩類。前者，需要始終保持目標(biāo)在圖像的中心附近，例如制導(dǎo)系統(tǒng)，攝像頭必須安裝在導(dǎo)彈上，并隨導(dǎo)彈實(shí)時(shí)移動(dòng)。而后者，只能對

48、視場內(nèi)的目標(biāo)進(jìn)行檢測和定位，例如路口電子警察，攝像頭安裝于路燈或?qū)Ｓ脵z測區(qū)域。目前絕大多數(shù)小車檢測跟蹤算法的研究都是基于第二種情況的。</p><p>　　然而，要實(shí)現(xiàn)對運(yùn)動(dòng)目標(biāo)的檢測卻有很多的困難，例如圖像獲取時(shí)的光照的變化、光照下運(yùn)動(dòng)目標(biāo)的影子、攝像機(jī)錄制過程出現(xiàn)抖動(dòng)等等，都會(huì)對目標(biāo)的正確檢測產(chǎn)生影響。</p><p>　　同時(shí)，為了進(jìn)行進(jìn)一步的跟蹤處理，必須正確快速地檢測出運(yùn)動(dòng)目標(biāo)。

49、因此，對于運(yùn)動(dòng)目標(biāo)的檢測和識(shí)別是計(jì)算機(jī)視覺研究中的一項(xiàng)重要課題。</p><p>　　目前常見的運(yùn)動(dòng)目標(biāo)的檢測方法主要有幀差分法、背景差分法。如下所述：</p><p><b>　　2.1.1幀差法</b></p><p>　　幀差法是目前最為常用的一種運(yùn)動(dòng)目標(biāo)檢測和分割方法?；舅枷刖褪牵和ㄟ^對一個(gè)圖像序列連續(xù)相鄰的兩幀或者三幀間的圖像像素做

50、差，去除掉其中靜止或移動(dòng)相對緩慢的物體，得到一個(gè)差值圖像，然后對該差值圖像進(jìn)行二值化處理，若此時(shí)的像素值大于某一閾值，則可以用此像素值表示運(yùn)動(dòng)目標(biāo)，達(dá)到檢測的目的。</p><p>　　由于連續(xù)相鄰兩幀間的時(shí)間間隔很短，用當(dāng)前幀的前一幀圖像作為背景模型進(jìn)行差值計(jì)算有很好的實(shí)時(shí)性，而且背景實(shí)時(shí)更新，且計(jì)算量很小、速度很快、算法的實(shí)現(xiàn)相對簡單，還可以避免光照變化影響。但是缺點(diǎn)就是不能對靜止不動(dòng)的車輛進(jìn)行檢測，必須要是

51、運(yùn)動(dòng)的車輛才可以進(jìn)行檢測，處理的效果和車速相關(guān)，車速必須適中，才能檢測，過快，可能會(huì)對目標(biāo)圖像進(jìn)行誤分割，達(dá)不到檢測的效果，而過慢，會(huì)造成圖像的覆蓋過多，對檢測產(chǎn)生影響。</p><p><b>　　幀差法原理如下：</b></p><p>　　圖2-1 幀差法原理</p><p>　　2.1.2 背景差分法</p><p&

52、gt;　　背景差分法也是目前最為常用的一種運(yùn)動(dòng)目標(biāo)檢測方法，通過對圖像序列中的當(dāng)前幀圖像（輸入圖像）和背景參考模型（背景圖像）的圖像像素做差，從中分割出前景目標(biāo)來檢測運(yùn)動(dòng)物體的一種方法。在背景差分法中，最為重要的就是背景圖像的獲得，背景圖像的準(zhǔn)確度將直接影響檢測的效果。由于圖像很容易受到外界其他因素的干擾，例如：光照、攝像機(jī)抖動(dòng)等，使得背景的提取變得比較困難。</p><p><b>　　其原理如下：&

53、lt;/b></p><p>　　圖2-2 背景差分法原理</p><p>　　相較于幀差方法，背景差分法有不受車速快慢的限制、可以檢測出短時(shí)間內(nèi)處于靜止?fàn)顟B(tài)的車輛、簡化算法降低計(jì)算量和滿足視頻檢測的實(shí)時(shí)性要求等優(yōu)點(diǎn)。但是在實(shí)際應(yīng)用中，背景的獲取比較困難。</p><p>　　現(xiàn)目前比較常用的背景建模方法主要有以下3種：</p><p>

54、;<b>　　均值法背景建模</b></p><p>　　均值法背景建模就是在視頻圖像中，選取其中的連續(xù)N幀，計(jì)算出這連續(xù)N幀圖像的像素灰度值的平均值，并以此平均值作為背景圖像的像素灰度值。</p><p><b>　　中值法背景建模</b></p><p>　　中值法背景建模也是在視頻圖像中，選取其中的連續(xù)N幀，并按照圖

55、像像素灰度值進(jìn)行從小到大的排序，選取中間值作為背景圖像中對應(yīng)像素點(diǎn)的灰度值。</p><p><b>　　建立自適應(yīng)模型</b></p><p>　　主要有卡爾曼濾波、單高斯分布模型、多高斯分布模型等。</p><p>　　2.2常用目標(biāo)跟蹤算法</p><p>　　運(yùn)動(dòng)目標(biāo)跟蹤就是在視頻圖像序列中實(shí)時(shí)地發(fā)現(xiàn)并標(biāo)記運(yùn)動(dòng)目

56、標(biāo)，在幀與幀之間建立車輛運(yùn)動(dòng)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(biāo)，并計(jì)算出運(yùn)動(dòng)目標(biāo)的軌跡。</p><p>　　目前運(yùn)動(dòng)目標(biāo)跟蹤的方法有很多，針對視頻圖像中運(yùn)動(dòng)目標(biāo)的跟蹤方法主要有以下幾種：</p><p>　　2.2.1 基于模型的跟蹤</p><p>　　基于模型的目標(biāo)跟蹤算法主要就是利用線圖法、二維輪廓、立體模型來表達(dá)運(yùn)動(dòng)目標(biāo)。基于立

57、體模型的跟蹤方法被應(yīng)用于估計(jì)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)，從二維圖像中推斷出運(yùn)動(dòng)目標(biāo)的立體形狀。基于模型的方法的優(yōu)點(diǎn)是能夠利用模型知識(shí)在復(fù)雜駕駛和明顯交通堵塞等情形下也能跟蹤到結(jié)果，缺點(diǎn)是計(jì)算工作量大，實(shí)時(shí)性較差、穩(wěn)健性不夠高，攝像機(jī)的微小角度變化就可能造成檢測失敗、遮擋情況下會(huì)發(fā)生誤檢。</p><p>　　2.2.2 基于動(dòng)態(tài)輪廓跟蹤</p><p>　　基于動(dòng)態(tài)輪廓跟蹤的思想就是利用封閉的曲線輪廓

58、來表達(dá)目標(biāo)，并可以自動(dòng)連續(xù)的進(jìn)行輪廓更新?；趧?dòng)態(tài)輪廓的方法相較于基于區(qū)域，計(jì)算復(fù)雜度小，如果開始階段能夠合理的分開每個(gè)運(yùn)動(dòng)目標(biāo)并實(shí)現(xiàn)輪廓初始化，在部分遮擋的情況下也能連續(xù)進(jìn)行跟蹤，只是不易于對輪廓進(jìn)行初始化。</p><p>　　2.2.3 基于區(qū)域跟蹤</p><p>　　基于基于區(qū)域跟蹤的思想是把每個(gè)物體與某個(gè)運(yùn)動(dòng)區(qū)域相聯(lián)系，然后對該區(qū)域進(jìn)行跟蹤。區(qū)域跟蹤實(shí)現(xiàn)較為簡單，在許多系統(tǒng)中得

59、到了廣泛的應(yīng)用?；趨^(qū)域的跟蹤方法對遮擋問題不敏感，能夠改善圖像的分割，而且該方法是在跟蹤目標(biāo)之前完成最后的圖像分割，在形狀突變或者目標(biāo)突然消失的情形下也能正確分割圖像，缺點(diǎn)是出現(xiàn)大車影子對小車地遮擋情況將不利于車輛的跟蹤。</p><p><b>　　2.3其他技術(shù)</b></p><p>　　2.3.1灰度圖像處理</p><p>　　圖像

60、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(gè)分量決定了每個(gè)像素的顏色，每個(gè)分量有255個(gè)值，每個(gè)像素點(diǎn)的變化范圍就可以達(dá)到1600多萬（255*255*255）；而灰度圖像中，R=G=B，一個(gè)像素點(diǎn)的變化范圍就只有255，因此對圖像進(jìn)行灰度處理將大大的減少后續(xù)圖像的計(jì)算量，不足之處就是會(huì)使圖像失真。灰度圖像處理一般可用求R、G、B分量的平均值和RBG與YUV顏色空間的變化關(guān)系兩種方法來實(shí)現(xiàn)。</p&

61、gt;<p><b>　　2.3.2高斯平滑</b></p><p>　　由于攝像機(jī)獲取的視頻是來源于室外環(huán)境，不可避免的會(huì)受到噪聲、光照變化等客觀因素的影響，數(shù)字化后的圖像肯定會(huì)多多少少帶有噪聲，因此在圖像處理中都會(huì)進(jìn)行濾波降噪處理，而高斯平滑是其中比較常用的方法。在圖像處理中，一般通過離散化窗口滑窗卷積和傅里葉變換兩種方式實(shí)現(xiàn)。</p><p>　　

62、2.3.3二值化處理</p><p>　　圖像的二值化，就是將圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，讓整個(gè)圖像只呈現(xiàn)黑白的視覺效果，在一幅圖像中，不單有目標(biāo)物體和背景，還有噪聲等其他因素，為了更好的直接提取出目標(biāo)物體，通過設(shè)定一個(gè)閾值T，將圖像的數(shù)據(jù)分成大于T和小于T的兩個(gè)像素群，分別反映圖像整體和局部的特征。</p><p>　　二值化的應(yīng)用非常的廣泛，是圖像處理的基本操作。</

63、p><p>　　2.3.4開閉和運(yùn)算</p><p>　　數(shù)學(xué)形態(tài)學(xué)是以形態(tài)為基礎(chǔ)對圖像進(jìn)行分析的數(shù)學(xué)工具，其中的開閉運(yùn)算一般被用來完成對二值化后的圖像的補(bǔ)空洞的處理?；镜男螒B(tài)學(xué)運(yùn)算就是膨脹和腐蝕。</p><p>　　腐蝕運(yùn)算可以消除邊界點(diǎn)，使邊界內(nèi)部收縮，腐蝕一般用來消除細(xì)小并且沒有意義的目標(biāo)。在OpenCV中可調(diào)用cvErode函數(shù)來對圖像進(jìn)行腐蝕運(yùn)算。而膨脹運(yùn)

64、算和腐蝕運(yùn)算相反，則是合并接觸的背景點(diǎn)，使邊界向外擴(kuò)張，填補(bǔ)目標(biāo)區(qū)域當(dāng)中出現(xiàn)的漏洞。在OpenCV中則通過調(diào)用cvDilate函數(shù)來實(shí)現(xiàn)。</p><p><b>　　2.4 本章小結(jié)</b></p><p>　　本章對智能小車視頻信號(hào)分解與處理系統(tǒng)中用到的關(guān)鍵技術(shù)，視頻圖像中運(yùn)動(dòng)目標(biāo)的檢測與跟蹤技術(shù)做了詳細(xì)敘述，并對系統(tǒng)中出現(xiàn)的一些算法做了簡單的敘述，介紹了各自的優(yōu)

65、缺點(diǎn)以及使用范圍。</p><p><b>　　3 系統(tǒng)需求分析</b></p><p>　　需求分析是一項(xiàng)重要且困難的工作。</p><p>　　本章通過對圖像處理系統(tǒng)的功能分析，提出了智能小車視頻信號(hào)分解與處理系統(tǒng)的主要功能需求，分別是文件打開、背景提取、小車檢測、小車跟蹤、繪制軌跡。通過對這些功能的描述使得智能小車視頻信號(hào)的分解與處理系統(tǒng)

66、功能更加明確，結(jié)構(gòu)更加清晰。</p><p>　　3.1系統(tǒng)功能需求分析</p><p>　　智能小車視頻信號(hào)分解與處理是基于windows的應(yīng)用程序，主要處理的是AVI格式的視頻文件，并對視頻文件中的運(yùn)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)跟蹤。主要功能如下：</p><p>　　讀入AVI格式的視頻文件，并得到每幀圖像。</p><p>　　對視頻前幾幀進(jìn)行處理

67、，獲取背景圖像。</p><p>　　通過背景差分法得到前景目標(biāo)圖像。</p><p>　　對前景圖像進(jìn)行處理，檢測和分割出目標(biāo)圖像。</p><p>　　對目標(biāo)圖像進(jìn)行實(shí)時(shí)跟蹤，并繪制出軌跡。</p><p>　　圖3-1 系統(tǒng)總體結(jié)構(gòu)</p><p>　　3.2 系統(tǒng)處理流程分析</p><p&

68、gt;　　本系統(tǒng)是一個(gè)應(yīng)用程序，主要實(shí)現(xiàn)上述對視頻文件的中運(yùn)動(dòng)目標(biāo)的分解與處理，達(dá)到檢測與跟蹤的效果。從載入一個(gè)視頻文件到最后得到視頻文件中運(yùn)動(dòng)小車的軌跡，整個(gè)系統(tǒng)的處理流程是比較連貫的，因此流程也比較清晰。在載入一個(gè)視頻文件后，處理的并不是視頻文件，而是幀圖像，因此必須獲取視頻文件中的幀圖像，并對幀圖像的有效性要進(jìn)行判斷。如果是有效的就可以提取視頻圖像背景了，這時(shí)有多種方法可以采用，本文采用的是累加連續(xù)圖像序列求幀圖像平均值的方法。接

69、著就可以利用背景差分法將當(dāng)前幀和背景圖像幀做絕對值差求出前景目標(biāo)小車了。為了更好的獲取前景目標(biāo)小車，還必須進(jìn)行開閉和運(yùn)算，腐蝕和膨脹運(yùn)算對處理過程的空洞部分進(jìn)行填補(bǔ)。最后采用基于動(dòng)態(tài)輪廓的思想，通過計(jì)算中心點(diǎn)和小車四周的點(diǎn)的判斷對小車進(jìn)行實(shí)時(shí)跟蹤，并掃描跟蹤中心點(diǎn)數(shù)組，繪制出小車運(yùn)動(dòng)軌跡。</p><p>　　圖3-2 系統(tǒng)流程圖</p><p><b>　　3.7 本章小結(jié)&l

70、t;/b></p><p>　　本章主要描述了智能小車視頻信號(hào)分解與處理系統(tǒng)的需求分析，通過對文件打開、背景提取、小車檢測、小車跟蹤、繪制軌跡的分析使得智能小車視頻信號(hào)分解與處理系統(tǒng)的功能明確。通過這章的內(nèi)容可以了解到智能小車視頻信號(hào)分解與處理系統(tǒng)的基本功能和所需要實(shí)現(xiàn)的目標(biāo)。</p><p><b>　　4 系統(tǒng)設(shè)計(jì)</b></p><p&

71、gt;　　本章主要介紹了智能小車視頻信號(hào)分解與處理系統(tǒng)的設(shè)計(jì)，首先是對系統(tǒng)架構(gòu)的設(shè)計(jì)，其中包括總體結(jié)構(gòu)和系統(tǒng)流程的設(shè)計(jì)，然后是分別對文件打開模塊、背景提取模塊、車輛跟蹤與檢測模塊、軌跡繪制模塊做了詳細(xì)的設(shè)計(jì)。通過本章內(nèi)容不僅可以了解智能小車視頻信號(hào)分解與處理系統(tǒng)的系統(tǒng)架構(gòu)而且可以知道此系統(tǒng)的詳細(xì)功能。</p><p><b>　　4.1系統(tǒng)架構(gòu)</b></p><p>

72、;　　本節(jié)主要是對智能小車視頻信號(hào)分解與處理系統(tǒng)在系統(tǒng)架構(gòu)上的說明，系統(tǒng)架構(gòu)包括總體結(jié)構(gòu)和系統(tǒng)流程兩部分，總體結(jié)構(gòu)是對系統(tǒng)各個(gè)模塊功能的說明，系統(tǒng)流程是對系統(tǒng)整個(gè)工作步驟的說明，通過這兩部分的說明將體現(xiàn)出系統(tǒng)的整個(gè)架構(gòu)和流程。</p><p>　　4.1.1 總體結(jié)構(gòu)</p><p>　　本小節(jié)主要是對智能小車視頻信號(hào)分解與處理系統(tǒng)的總體結(jié)構(gòu)做詳細(xì)的描述，總體結(jié)構(gòu)是指系統(tǒng)中實(shí)現(xiàn)功能的分層架

73、構(gòu)，此系統(tǒng)一共包括5個(gè)模塊，如圖4-1所示。</p><p>　　圖4-1 智能小車視頻信號(hào)分解與處理系統(tǒng)總體結(jié)構(gòu)</p><p>　　從上圖4-1可以看出，智能小車視頻信號(hào)分解與處理系統(tǒng)的總體主要由5部分組成，分別是背景建模、智能小車檢查、智能小車分割、智能小車跟蹤、繪制軌跡。從圖中可以看出此系統(tǒng)的重難點(diǎn)主要就在于這5個(gè)模塊。</p><p>　　4.1.2 系統(tǒng)

74、流程</p><p>　　本節(jié)主要是介紹了智能小車視頻信號(hào)分解與處理系統(tǒng)系統(tǒng)流程，所謂系統(tǒng)流程就是智能小車視頻信號(hào)分解與處理系統(tǒng)從開始載入一個(gè)視頻文件，到最后視頻播放完畢繪制出軌跡的整個(gè)過程。具體的流程如下圖4-4所示：</p><p><b>　　圖4-2系統(tǒng)流程</b></p><p>　　雖然系統(tǒng)載入的是視頻文件，但實(shí)質(zhì)上處理的是視頻中的

75、幀圖像，因此首先，讀入一幀，并判斷其有效性，若是有效的，繼續(xù)進(jìn)行處理，利用背景差分法獲取前景目標(biāo)，并用開閉和運(yùn)算腐蝕和膨脹進(jìn)一步分割出前景圖像，然后提前中心點(diǎn)，并用此中心點(diǎn)繪制圖像。</p><p>　　4.2 文件打開模塊的設(shè)計(jì)</p><p>　　文件打開模塊主要就是打開一個(gè)視頻文件，然后從文件讀出幀文件，因?yàn)榻酉聛硇枰幚淼亩际菐瑘D像，所以文件打開模塊就顯得非常重要。具體流程如下：&

76、lt;/p><p>　　圖4-3 文件打開模塊流程</p><p>　　4.3背景提取模塊的設(shè)計(jì)</p><p>　　背景建模主要目的就是為了獲取背景圖像?，F(xiàn)目前，主要有這三種方法：通過求多幅圖像的像素點(diǎn)均值得到、求多幅圖像的像素點(diǎn)中值、建立自適應(yīng)模型。</p><p>　　本課題選用的是通過多幅圖像的像素點(diǎn)均值得到的背景模型，可以用如下公式表示

77、：</p><p>　　其中，表示時(shí)刻的背景圖像幀，表示時(shí)刻的輸入圖像幀，表示幀的總數(shù)。</p><p>　　一般通過攝像機(jī)采集的圖像，不僅增大了內(nèi)存的開銷，也大大的降低了處理速度。為了使后續(xù)圖像的計(jì)算量小一點(diǎn)，還調(diào)用了灰度轉(zhuǎn)化函數(shù)，進(jìn)行了圖像的灰度處理。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(gè)分量決定了每個(gè)像素的顏色，每個(gè)分量有255個(gè)值，每個(gè)像素

78、點(diǎn)的變化范圍就可以達(dá)到1600多萬（255*255*255）；而灰度圖像中，R=G=B，一個(gè)像素點(diǎn)的變化范圍就只有255，因此對圖像進(jìn)行灰度處理將大大的減少后續(xù)圖像的計(jì)算量，不足之處就是會(huì)使圖像失真。灰度圖像處理一般可用求R、G、B分量的平均值和RBG與YUV顏色空間的變化關(guān)系兩種方法來實(shí)現(xiàn)。由于原始圖像在獲取和傳輸?shù)倪^程中會(huì)受到各種噪聲的干擾，使圖像的質(zhì)量下降，不利于分析圖像，于是使用高斯平滑對圖像進(jìn)行降噪。圖像平滑處理有很多種方法，

79、領(lǐng)域平均（CV_BLUR）、中值濾波（CV_MEDIAN）、高斯濾波（CV_GAUSSIAN）等。高斯濾波是跟根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器，對出去服從正態(tài)分布的噪聲很有效果，對圖像處理來說，常用的是二維零均值離散高斯函數(shù)，表達(dá)式如下：</p><p>　　由于目前的還是幀圖像，要進(jìn)行圖像的累加，必須進(jìn)行格式轉(zhuǎn)換。接著，就可以求這多幅像素點(diǎn)的均值得到背景圖像了。背景獲取流程如下：</p>

80、<p>　　圖4-4 背景獲取模塊流程</p><p>　　為了更好的獲得背景，只讀取視頻的前140幀圖像，然后按順序獲取一幀圖像，然后判斷此幀圖像是否有效，若是有效幀，進(jìn)行幀數(shù)統(tǒng)計(jì)，接著判斷是否是第一幀，若是第一幀，就要先申請內(nèi)存，進(jìn)行圖像的初始化，若不是，就對圖像進(jìn)行灰度處理，簡單化計(jì)算量，并用高斯平滑去噪，然后格式轉(zhuǎn)換為數(shù)組，進(jìn)行圖像的累加預(yù)算，最后通過此連續(xù)圖像的累加值求平均值的方法，獲的背

81、景圖像。</p><p>　　4.4智能小車檢測與跟蹤模塊的設(shè)計(jì)</p><p>　　智能小車檢測的目標(biāo)是把圖像序列當(dāng)中的運(yùn)動(dòng)目標(biāo)——智能小車從背景圖像中檢測出來?，F(xiàn)目前，主要分為攝像頭隨目標(biāo)移動(dòng)，攝像頭相對處于靜止?fàn)顟B(tài)兩類。前者，需要始終保持目標(biāo)在圖像的中心附近，而后者，只能對視場內(nèi)的目標(biāo)進(jìn)行檢測和定位。</p><p>　　本課題選用的是第二種情況攝像頭相對處于

82、靜止?fàn)顟B(tài)下的背景差分法。</p><p>　　背景差分法是運(yùn)動(dòng)目標(biāo)檢測最常用的方法之一，利用背景建模得到的背景圖像和輸入圖像進(jìn)行比較，然后得到前景運(yùn)動(dòng)目標(biāo)。為了接下來分割的進(jìn)一步處理，還需對得到的前景運(yùn)動(dòng)目標(biāo)圖像進(jìn)行二值化處理。二值化處理也就是讓圖像出現(xiàn)黑白效果，把圖像的像素點(diǎn)的灰度值設(shè)置為0或者255。圖像的二值化處理能夠使圖像變得簡單，減小圖像的數(shù)據(jù)量，凸顯出目標(biāo)的輪廓，將大大的有利于圖像的進(jìn)一步處理，有助于

83、接下來的圖像的分割。</p><p>　　智能小車檢測流程如下：</p><p>　　圖4-5 檢測模塊流程</p><p>　　首先，從視頻結(jié)構(gòu)順序獲得一幀圖像，判斷是否有效，是有效幀，對幀圖像進(jìn)行灰度處理，轉(zhuǎn)換為灰度圖像，減少圖像的計(jì)算量，接著進(jìn)行平滑處理，利用高斯平滑降噪，利用背景差分法，對當(dāng)前幀圖像和上一步背景建模過程獲得背景圖像做絕對值差，得到前景目標(biāo)圖像

84、，然后對當(dāng)前獲得前景目標(biāo)圖像進(jìn)行二值化處理，黑白化灰度圖像，凸顯出目標(biāo)輪廓。</p><p>　　智能小車目標(biāo)分割是圖像處理到圖像分析的關(guān)鍵步驟，一般要進(jìn)行腐蝕和膨脹運(yùn)算去除雜點(diǎn)。因?yàn)楦g可以消除邊界點(diǎn)，使邊界內(nèi)部收縮，腐蝕一般用來消除細(xì)小并且沒有意義的目標(biāo)。在OpenCV中可調(diào)用cvErode()函數(shù)來對圖像進(jìn)行腐蝕運(yùn)算。而膨脹和腐蝕相反，則是合并接觸的背景點(diǎn)，使邊界向外擴(kuò)張，填補(bǔ)目標(biāo)區(qū)域當(dāng)中出現(xiàn)的漏洞。在Op

85、enCV中則通過調(diào)用cvDilate()函數(shù)來實(shí)現(xiàn)。具體流程如下：</p><p>　　圖4-6 分割模塊流程</p><p>　　利用小車檢測模塊獲得的小車前景目標(biāo)圖像，對前景目標(biāo)圖像做腐蝕和膨脹運(yùn)算，去除雜點(diǎn)，分割出小車，達(dá)到智能小車分割的目的。</p><p>　　智能小車的跟蹤就是在視頻圖像序列中實(shí)時(shí)地發(fā)現(xiàn)運(yùn)動(dòng)小車并將其標(biāo)記出來?，F(xiàn)目前，針對視頻圖像運(yùn)動(dòng)目標(biāo)

86、跟蹤有很多種方法，比較常用的有基于模型、基于區(qū)域、基于特征和基于動(dòng)態(tài)輪廓等方法。</p><p>　　本課題選用的是基于動(dòng)態(tài)輪廓的跟蹤方法。</p><p>　　在基于動(dòng)態(tài)輪廓方法中，為了表達(dá)運(yùn)動(dòng)運(yùn)動(dòng)目標(biāo)，利用的是一個(gè)能夠自動(dòng)連續(xù)實(shí)時(shí)更新的封閉的曲線輪廓。此方法的優(yōu)點(diǎn)就是完成輪廓初始化后，可以在部分遮擋的情況下繼續(xù)進(jìn)行跟蹤，而缺點(diǎn)則是輪廓的初始化比較困難。具體流程如下：</p>

87、<p>　　圖4-7 車輛跟蹤模塊流程</p><p>　　首先，對目標(biāo)圖像進(jìn)行邊緣檢測，發(fā)現(xiàn)輸入圖像的邊緣并在輸出圖像中識(shí)別這些邊緣。因?yàn)槭怯眯≤嚨闹行狞c(diǎn)坐標(biāo)來表示小車的，所以計(jì)算出小車的中心點(diǎn)。然后對中心點(diǎn)圖像進(jìn)行清零，初始化為黑色。判斷是否有五個(gè)點(diǎn)，因?yàn)椴捎玫闹行狞c(diǎn)思想，需對車輛邊緣輪廓所以點(diǎn)進(jìn)行統(tǒng)計(jì)，并求出中心點(diǎn)，考慮到汽車是長方形的，因此只需用五個(gè)點(diǎn)就可以表示小車了。因此用判斷是否有五個(gè)點(diǎn)

88、來證明是否有運(yùn)動(dòng)小車，對小車進(jìn)行跟蹤。然后再將這五個(gè)點(diǎn)設(shè)置為白色，進(jìn)行標(biāo)記即可。</p><p>　　4.5繪制軌跡模塊的設(shè)計(jì)</p><p>　　繪制軌跡是系統(tǒng)的最終目標(biāo)。由于在跟蹤過程中已經(jīng)取得中心點(diǎn)，并保存進(jìn)了一個(gè)專門的數(shù)組，因此只需對此數(shù)組進(jìn)行掃描，讀出里面的數(shù)值，按照此數(shù)值繪制曲線就好了。需要注意的是需將軌跡背景圖像和視頻圖像的大小設(shè)置一致，保證物體實(shí)際運(yùn)動(dòng)路線和軌跡的對比效果。

89、具體流程如下：</p><p>　　圖4-8 軌跡繪制模塊流程</p><p>　　首先，申請內(nèi)存，創(chuàng)建一個(gè)和背景圖像大小一致的的圖像，清零初始化圖像。然后掃描存儲(chǔ)小車運(yùn)動(dòng)軌跡的數(shù)組，按照里面的數(shù)值繪制小車運(yùn)動(dòng)軌跡曲線。</p><p><b>　　4.6 本章小結(jié)</b></p><p>　　本章主要詳細(xì)介紹了智能小車

90、視頻信號(hào)分解與處理系統(tǒng)的設(shè)計(jì)，首先介紹了系統(tǒng)的系統(tǒng)架構(gòu)其中包括總體架構(gòu)和主要流程，這是密不可分的兩個(gè)架構(gòu)，這兩個(gè)架構(gòu)只有在同時(shí)存在的情形下才能夠構(gòu)成整個(gè)框架的架構(gòu)。然后分別對每個(gè)模塊做了詳細(xì)的設(shè)計(jì)如文件打開模塊、背景提取模塊、智能小車檢測與跟蹤模塊、繪制軌跡模塊。</p><p><b>　　5 系統(tǒng)實(shí)現(xiàn)</b></p><p>　　本章主要介紹了智能小車視頻信號(hào)分解

91、與處理系統(tǒng)的具體實(shí)現(xiàn)過程，介紹了系統(tǒng)的開發(fā)環(huán)境的環(huán)境配置，也介紹了各個(gè)功能模塊的實(shí)現(xiàn)，例如變量定義模塊、文件打開模塊、背景提取模塊、車輛跟蹤與檢測模塊、軌跡繪制模塊的實(shí)現(xiàn)。通過本章可以對智能小車視頻信號(hào)分解與處理系統(tǒng)的整個(gè)實(shí)現(xiàn)過程有個(gè)詳細(xì)的了解。</p><p><b>　　5.1 環(huán)境配置</b></p><p>　　本節(jié)主要介紹要使用智能小車視頻信號(hào)分解與處理系統(tǒng)

92、所必需的環(huán)境配置，只有在正確的環(huán)境的支持下才能夠運(yùn)行系統(tǒng)。在運(yùn)行框架之前所必需的環(huán)境有Visual Studio、OpenCV、CMake等，系統(tǒng)環(huán)境配置的步驟如下：</p><p>　　步驟一：編譯OpenCV。</p><p>　　用CMake導(dǎo)出VC++項(xiàng)目文件</p><p>　　運(yùn)行cmake-gui，設(shè)置where is the source code路

93、徑為OpenCV安裝路徑，并在安裝路徑的build文件夾下新建一個(gè)my文件夾，設(shè)置where to build the binaries路徑為此文件夾路徑。</p><p>　　然后點(diǎn)擊Configure，在彈出的對話框中選擇 Visual Studio 9 2008。</p><p>　　可根據(jù)操作系統(tǒng)修改選項(xiàng)，修改后再次選擇“Congfigure”，完成后選擇“Generate”。&l

94、t;/p><p>　　圖5-1 CMake 主界面</p><p>　　編譯 OpenCV Debug和Release版本庫</p><p>　　完成上一步驟后，系統(tǒng)會(huì)在my文件夾下生成OpenCV.sln的解決方案文件，啟動(dòng)Visual Studio 2008開發(fā)環(huán)境，打開OpenCV.sln，在Debug下，右鍵解決方案“OpenCV”，運(yùn)行"重新生成解決

95、方案"；如編譯無誤，再選擇此項(xiàng)目，運(yùn)行“生成解決方案”。在Release下，同上操作。</p><p>　　當(dāng)全部都運(yùn)行完畢后，針對此系統(tǒng)的OpenCV庫就生成了。</p><p>　　圖5-2 OpenCV庫</p><p>　　步驟二：配置Visual Studio 2008。</p><p>　　配置include路徑，何處去

96、找OpenCV頭文件。</p><p>　　選擇菜單“工具”→“選項(xiàng)”→“項(xiàng)目和解決方案”→“VC++目錄”→“包含文件”，輸入：</p><p>　　D:\Program Files\OpenCV2.3.1\opencv\build\include；</p><p>　　D:\Program Files\OpenCV2.3.1\opencv\build\inclu

97、de\opencv；</p><p>　　D:\Program Files\OpenCV2.3.1\opencv\build\include\opencv2 </p><p>　　圖5-3 配置包含文件</p><p>　　配置lib路徑，何處去找OpenCV的庫文件。</p><p>　　選擇菜單“工具”→“選項(xiàng)”→“項(xiàng)目和解決方案”→“V

98、C++目錄”→“庫文件”，輸入：</p><p><b>　　32位的操作系統(tǒng)</b></p><p>　　D:\Program Files\OpenCV2.3.1\opencv\build\x86\vc9\lib</p><p><b>　　64位的操作系統(tǒng)</b></p><p>　　D:\Pr

99、ogram Files\OpenCV2.3.1\opencv\build\x64\vc9\lib</p><p>　　圖5-4 配置庫文件</p><p>　　步驟三：設(shè)置環(huán)境變量。</p><p>　　將OpenCV的dll文件所在的目錄加入Path環(huán)境變量</p><p><b>　　32位操作系統(tǒng)：</b><

100、/p><p>　　D:\Program Files\OpenCV2.3.1\opencv\build\x86\vc9\bin</p><p><b>　　64位操作系統(tǒng)：</b></p><p>　　D:\Program Files\OpenCV2.3.1\opencv\build\x64\vc9\bin</p><p>　

101、　圖5-5 配置環(huán)境變量</p><p>　　步驟四：OpenCV編程。</p><p>　　新建一個(gè)項(xiàng)目，右鍵項(xiàng)目，選擇屬性→鏈接器→輸入→附加依賴項(xiàng)，分別在Debug和Release項(xiàng)目，配置增加：</p><p>　　D:\Program File\opencv2.3.1\opencv\build\x86\vc9\lib下的所有l(wèi)ib文件（可根據(jù)實(shí)際需要?jiǎng)h減）

102、。</p><p>　　圖5-6 鏈接附加依賴項(xiàng)</p><p>　　以上是對數(shù)字圖像處理系統(tǒng)環(huán)境配置的核心步驟說明，通過這些配置后可以開發(fā)數(shù)字圖像處理系統(tǒng)，這只是一個(gè)基本環(huán)境配置的要求。通過這些配置可以了解到智能小車視頻信號(hào)分解與處理系統(tǒng)運(yùn)行環(huán)境的基本要求。</p><p>　　5.2 文件打開模塊的實(shí)現(xiàn)</p><p>　　本節(jié)主要介紹了

103、文件打開模塊的實(shí)現(xiàn)過程，實(shí)現(xiàn)的功能為從攝像機(jī)或視頻文件中讀取幀所需的信息。</p><p>　　在打開一個(gè)視頻的時(shí)候，可以選擇是用攝像頭直接獲取，也可以讀取一個(gè)錄好的視頻。用攝像頭直接獲取，在OpenCV中通過調(diào)用CvCaptureFromCAM(-1)函數(shù)實(shí)現(xiàn)；而讀入一個(gè)錄好的視頻，通過調(diào)用CvCaptureFromFile()函數(shù)實(shí)現(xiàn),其中的參數(shù)為視頻文件的存儲(chǔ)路徑。</p><p>

104、　　5.3 背景提取模塊的實(shí)現(xiàn)</p><p>　　本節(jié)介紹了背景提取模塊的實(shí)現(xiàn)，采用了求連續(xù)序列圖像的平均值的方法。</p><p>　　首先需要對讀入的當(dāng)前幀圖像進(jìn)行灰度圖像處理簡化計(jì)算量，在OpenCV中可以通過調(diào)用cvCvtColor()函數(shù)實(shí)現(xiàn)，并使用高斯平滑進(jìn)行降噪處理，通過調(diào)用cvSmooth()函數(shù)。</p><p>　　其次，因?yàn)橐M(jìn)行圖像的累加運(yùn)

105、算，必須先對圖像進(jìn)行格式轉(zhuǎn)換，在OpenCV里可以通過調(diào)用cvCvtScale() 函數(shù)實(shí)現(xiàn)，然后就可以進(jìn)行累加和求均值的運(yùn)算了，這里都是通過調(diào)用OpenCV中cvAcc() 和cvConvertScale()函數(shù)實(shí)現(xiàn)。</p><p>　　5.4 智能小車檢測與跟蹤模塊的實(shí)現(xiàn)</p><p>　　智能小車檢測與跟蹤模塊是智能小車視頻信號(hào)分解與處理系統(tǒng)的核心功能。這一模塊實(shí)現(xiàn)了對小車的檢測

106、、分割、跟蹤功能。下面介紹各功能并實(shí)現(xiàn)過程。</p><p>　　首先需要對讀入的當(dāng)前幀圖像進(jìn)行灰度圖像處理簡化計(jì)算量，在OpenCV中可以通過調(diào)用cvCvtColor()函數(shù)實(shí)現(xiàn)，并使用高斯平滑進(jìn)行降噪處理，通過調(diào)用cvSmooth()函數(shù)。</p><p>　　檢測功能主要利用了背景差分法，調(diào)用OpenCV中的cvAbsDiff()函數(shù)將背景幀和當(dāng)前幀做絕對值差，求得了前景圖像。為了凸

107、顯出前景目標(biāo)圖像的輪廓，還需對前景圖像進(jìn)行二值化處理，黑白化幀圖像。通過調(diào)用cvThreshold()函數(shù)實(shí)現(xiàn)。</p><p>　　分割功能一般需要去除圖像雜點(diǎn)。因?yàn)楦g可以消除邊界點(diǎn)，使邊界內(nèi)部收縮，腐蝕一般用來消除細(xì)小并且沒有意義的目標(biāo)。在OpenCV中可調(diào)用cvErode()函數(shù)來對圖像進(jìn)行腐蝕運(yùn)算。而膨脹和腐蝕相反，則是合并接觸的背景點(diǎn)，使邊界向外擴(kuò)張，填補(bǔ)目標(biāo)區(qū)域當(dāng)中出現(xiàn)的漏洞。在OpenCV中則通過

108、調(diào)用cvDilate()函數(shù)來實(shí)現(xiàn)。</p><p>　　跟蹤功能選用的是基于動(dòng)態(tài)輪廓的跟蹤方法，達(dá)到實(shí)時(shí)跟蹤運(yùn)動(dòng)目標(biāo)的功能。首先，對目標(biāo)圖像進(jìn)行邊緣檢測，可通過調(diào)用cvCanny()函數(shù)實(shí)現(xiàn)，發(fā)現(xiàn)輸入圖像的邊緣并在輸出圖像中識(shí)別這些邊緣。因?yàn)槭怯眯≤嚨闹行狞c(diǎn)坐標(biāo)來表示小車的，所以計(jì)算出小車的中心點(diǎn)，可通過一個(gè)for循環(huán)實(shí)現(xiàn)。然后對中心點(diǎn)圖像進(jìn)行清零，初始化為黑色，調(diào)用cvZero()函數(shù)就可以了。判斷是否有五個(gè)

109、點(diǎn)，因?yàn)椴捎玫闹行狞c(diǎn)思想，需對車輛邊緣輪廓所以點(diǎn)進(jìn)行統(tǒng)計(jì)，并求出中心點(diǎn)，考慮到汽車是長方形的，因此只需用五個(gè)點(diǎn)就可以表示小車了。因此用判斷是否有五個(gè)點(diǎn)來證明是否有運(yùn)動(dòng)小車，對小車進(jìn)行跟蹤。然后再將這五個(gè)點(diǎn)設(shè)置為白色，進(jìn)行標(biāo)記即可。</p><p>　　5.5 軌跡繪制模塊的實(shí)現(xiàn) </p><p>　　繪制軌跡模塊實(shí)現(xiàn)了對小車的運(yùn)動(dòng)軌跡的繪制功能。繪制軌跡是系統(tǒng)的最終目標(biāo)。由于在跟蹤過程中