基于线阵ccd像机的车辆检测技术研究

《基于线阵ccd像机的车辆检测技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

分类号：U4910710-20050669该步走海硕士学位论文基于线阵CCD像机的车辆检测技术研究导师姓名职称申请学位级别李佳慧宋焕生教授硕士学科专业名称交通信息工程及控制论文提交日期2008年5月20日论文答辩日期2008年6月4日学位授予单位长安大学答辩委员会主席学位论文评阅人孙朝云教授陈文艺教授 摘要现有的视频检测系统大多采用面阵CCD像机，然而基于面阵CCD图像的检测技术存在一些难以解决的问题：(1)视频图像中除了所关心的目标，存在大量的背景目标，而从复杂背景中提取出感兴趣的目标在图像处理中是一个很棘手的问题：(2)面阵CCD图像的帧(场)速率一般都较低，较难实现高的检测精度；(3)面阵CCD图像的数据量很大，为了保证实时性，较难采用很复杂的算法，因此其检测性能受到限制。而基于线阵CCD像机的检测技术具有如下优点：(1)线阵图像序列构成的图像中仅包含运动目标，因此在运动目标检测时避免了复杂背景的干扰；(2)线阵CCD像机的空间分辨率、像素灰度级和采样速度可以较高，可以实现较高的检测精度；(3)线阵图像数据量相对较小，便于实现复杂的图像处理和分析算法。本论文对基于线阵CCD成像检测系统的几个关键技术进行了研究，具体说来，本论文所做的主要研究工作可概括如下：(1)在研究常规图像分割算法的基础上，提出了一种适用于线阵CCD图像的目标分割算法，该算法主要是基于图像的纹理特征。首先利用小波变换提取路面的纹理特征，以此作为二值化的依据，然后为每个逻辑车道建立若干计数器，并根据二值化的结果进行车辆分割。现场实验结果证明，该算法可有效消除车灯和阴影对车辆分割的干扰，可以实现对车辆的准确分割。(2)在车辆分割的基础上，提出了标识车辆目标的投影算法，该算法利用已经建立的若干计数器确定目标的上下边界及左右边界，该算法可以准确地对目标车辆进行标识。(3)用SQLServer开发了车辆管理数据库系统，该系统主要有车辆数据库管理、车辆数据分析、系统设置、系统容错等功能。关键词：车辆检测、车辆标识、车辆分割、图像采集、线阵CCD AbstractTherearemanyvideodetectiontechnologies，butthemostisbasedonareaCCDcameratoobtainimage．However,basedontheareaCCD．videodetectiontechnologyishardtosolvesomeproblems．(1)Withtheinterestedobjectofthevideoimage，therearealotofbackgroundobjects，andintheimageprocessingitisdifficulttoextracttheinterestedonesfromthecomplexbackground；(2)Thefield(frame)speed，andthepixelgradlevelarelow,SOthatitisdifficulttoachievethehigherdetectionaccuracy；(3)Dataofvideostreamingislargeamount(normally10Mb／s)，inordertoensurereal-time，itishardtousethecompleximageprocessingandanalysisalgorithms，SOitisrestrainedtoimprovethedetectionperformance．ComparedwithtraditionalvideodetectionmethodofareaCCDcamera,ithasthefollowingadvantagesbasedonline—CCDcamera：(1)Itonlycontainsthemovingonesinthelinerimagesequences，becausethereisonbackgroundobjects，itavoidstheinterferenceofthecomplexbackground；(2)Itcouldbehigherofspatialresolution，pixel-levelandsamplingrateofline—CCDcamera；(3)Arrayofimagedataisquitesmall，SOitiseasytoachievethecompleximageprocessingandanalysisalgorithms；Thispaperstudiesseveralkeyproblemsbasedonline—CCDimagingsystem，specifically,themajorworkmaybesummarizedasfollowed：(1)Basedonthestudyofconventionalvehiclesdetectionalgorithm，itproposesavehicledetectionalgorithmwhichismoreappliedontheline-CCDimage．Thealgorithmismainlybasedontheimagetexture，firstlyusingthewavelettransformextractthetexturefeaturesfromtheroad，whichareasthebasisforthebinaryversions，secondlyitestablishessomecountersforeachlogicallane，andfinallyitsegmentsthevehicleinaccordancewiththeresult．Itisconformedthatthevehicledetectionalgorithmiscorrectandvalidatebytheexperimenton-site，thealgorithmcaneffectivelyeliminatetheinferenceofthelightsandshadows．(2)Onthebasisofvehiclesegmentation，itachievestheobjectvehicleidentificationalgorithmbyprojectionmethod，thealgorithmcouldrealizevehiclerecognitionaccurately．(3)IntroducingthedetailsofimagingsoftwareofSQL，itmainlyimplementsvideorecordingandplayback，imagesegmentation，matchingvehicles，licenseplaterecognition，vehicledatabasemanagement，dataanalysisvehicle，fault-tolerantcapabilities．Keywords：vehicledetection，vehiclerecognition，vehiclesegmentation，imageacquisition，line．CCDII 论文独创性声明本人声明：本人所呈交的学位论文是在导师的指导下，独立进行研究工作所取得的成果。除论文中已经注明引用的内容外，对论文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。本论文中不包含任何未加明确注明的其他个人或集体已经公开发表的成果。本声明的法律责任由本人承担。论文作者签名：巷／f毛嫠，力矿箨∥月／日论文知识产权权属声明本人在导师指导下所完成的论文及相关的职务作品，知识产权归属学校。学校享有以任何方式发表、复制、公开阅览、借阅以及申请专利等权利。本人离校后发表或使用学位论文或与该论文直接相关的学术论文或成果时，署名单位仍然为长安大学。(保密的论文在解密后应遵守此规定)论文作者签名：导师签名：巷代藿’伊≥≯罨年≤只；日砌年<弱f日 长安大学硕十学位论文第一章绪论1．1引言智能交通系统是目前世界交通运输领域的前沿研究课题，它融合了电子信息技术、通信技术、自动控制理论、计算机技术和传统的交通工程学理论等多个学科的理论，并将其应用于现代的交通运输管理体系中，从而实现交通运输服务和管理智能化【l】。作为智能交通系统的基础部分，车辆检测系统在其中占有极其重要的地位，它为智能交通系统提供必要的数据来源。对于车辆信息的检测，已存在着多种检测方法【21。例如：感应线圈检测、红外线视频检测、数字视频检测、磁力计检测、微波检测、超声波检测和声学检测等【31。我们主要介绍以下三种：(1)感应线圈检测：其工作原理为，预先在公路下面铺设一个线圈并加以高频电流，当车辆从上面通过时，由于车辆大部分由金属制成，因而会在线圈内部产生涡流而使线圈电感量减小，从而获得交通流量信号。该检测方法工作稳定，在恶劣天气条件下仍具备出色的性能，价格低廉，检测精度高，目前这种手段较多。但是要求设置于路面土木结构中，对路面有损坏，施工和安装不便，而且安装的数量多；可检测参数较少，而且误差较大；可扩展性差，不能进行调节和移动，发生故障时，一般不能维护，只有等多个检测器严重故障时，才进行破路施工换掉失效的检测器。另外感应线圈的埋置深度、线圈本身的性能和寿命、线圈与导线接头的可靠性和防潮绝缘性能都需要进一步的完善和改进。(2)红外线检测：这种检测方法是非接触遥控测量、响应速度快、灵敏度高，红外检测器外观不显眼，布线简单易于安装，有无光线都可以工作，可以很好的解决昼夜转换的问题。但是由于检测灵敏度与热辐射率相关，红外线检测受车辆本身热源的影响，抗噪声的能力比较差，在检测时对时间．温度关系要求严格，另外测得的交通参数比较少。(3)视频检测：这种检测方法为现在智能交通所青睐，现在被广泛地应用，它主要由摄像头、数据设备和多媒体PC机监视终端等组成。与其他类型的检测方法相比有很多优点：安装简便，无需破坏路面，施工时不影响交通，易于移动、调整检测器位置，维护费用低；对周围环境没有影响，不会造成污染，相同检测器之间也不会发生相互干扰。它属于面式检测，便于管理人员干预，检测范围大、直观可靠，还可以利用原有的监控设备，最大限度地发挥原有资源的作用；能提供交通中大量所需要的信息，如可检 第一章绪论测所有交通控制所需的参数：车流量、车辆速度、道路占有率、停车等待时间、车型(大、中、小三类)、排队长度、路口拥塞状况等；维护简单、扩展性强、精度高，而且能提供可视图像信息。缺点是：对于遮挡问题比较敏感，比如大型车辆遮挡随行的小车辆，容易引起误判；阴影也是影响测量误差的一个重要的因素，另外还有昼夜的转换也是引起测量误差的一个不可忽视的因素。现有的视频检测技术大都是基于面阵CCD摄像机获得的图像，CCD按其像元排列形式分为两大类型【4J：线阵(Linear)CCD和面阵(Area)CCD。线阵CCD～般为非成像型CCD，广泛应用于定位检测、尺寸测量、光谱测量以及激光衍射粒径分布检测等方面；面阵CCD像元成两维排列，当光学系统成像在CCD表面(称为CCD的靶面)后，光学信号可以转换成电信号，主要应用于摄像领域。面阵CCD由成像区(光敏区)、暂存区和水平读出寄存器3部分构成。每个成像单元称为一个像素(pixel)。假定有M个转移沟道，每个沟道有N个成像单元，那么整个成像区共有M*N个像素。暂存区的结构和单元数与成像区相同，暂存区与水平读出寄存器均作遮光处理。工作时，图像经物镜成像到光敏区，光敏区上面的电极加有适当的偏压时，光生电荷被收集到电极下方的势阱里，这样就将光学图像变成了电荷包图像。当光积分周期结束时，Dn至tl成像区和暂存区电极上的时钟脉冲使所有收集到的信号电荷迅速转移到暂存区中，然后经由水平读出寄存器，在时钟脉冲控制下，经输出级逐行输出一帧信息。在第一帧读出的同时，第二帧信息通过光积分又收集到势阱中。这样可以一帧一帧连续地读出l引。然而从理论上分析，基于面阵图像的视频检测技术存在一些难以解决的问题：(1)视频图像中除了所关心的车辆目标，存在大量的背景目标，而从复杂背景中提取出感兴趣的目标在图像处理中是一个很棘手的问题；(2)视频检测器一般基于标准的电视信号，图像分辨率、场(帧)速率和像素灰度级都较低(一般水平分辨率为500线左右，场(帧)速率为50(25)场(帧)／秒，像素灰度级为256级)，因此较难实现高的检测精度和检测速度；(3)视频流的数据量很大(一般为10Mb／s以上)，为了保证实时性，同时考虑系统成本，较难采用很复杂的图像处理和分析算法，因此其检测性能的提高受到限制。与传统的基于面阵CCD摄像机的视频检测方法相比，基于线阵CCD摄像机的检测技术具有如下重要优点：(1)线阵图像序列构成的图像中仅包含运动目标，而完全不存在复杂的背景目标，因此避免了复杂背景的干扰；(2)线阵CCD摄像机的空间分辨率、像素灰度级和采样速度可以较高(一般水平分辨率大于1000线，像素灰度级大于1024级，帧速率大于1000帧／秒)，可以实现较高的检测精度；(3)线阵图像数据量相对较小，2 长安大学硕士学位论文便于实现复杂的图像处理和分析算法；(4)线阵CCD摄像机成像系统的辅助照明可以采用红外线激光源，能够较好地解决夜间补光的问题，而面阵CCD需要大功率、大范围的补光照明；(5)线阵CCD摄像机具有灵敏度高、动态范围大和没有图像拖尾(Smear)的问题。鉴于智能交通的广泛应用和数字视频检测系统部分的不足，本文对智能交通系统中的关键技术一运动车辆的检测技术进行了分析和研究，以进一步完善智能交通中运动车辆的准确检测。智能交通中利用计算机代替传统的监控人员完成监控任务，即由计算机系统负责自动完成运动车辆的检测、跟踪、分类以及行为分析，并维护图像序列数据库，当有异常情况发生时，如有超速、闯红灯以及交通堵塞时，完成自动抓拍，记录当时的有关视频信息，并将其存储在数据库中，同时将相关图像信息传送到监控中心，供有关人员及时掌握路况情况，把车辆和道路综合起来考虑161。加强车辆、道路、使用者三者之间的联系，从而形成的一种实时、准确、高效的综合运输系统，最终使交通运输服务和管理智能化，使路网上的交通流运行处于最佳状态，改善交通拥挤和阻塞，最大限度地提高路网的通行能力，提高整个公路运输的机动性、安全性和运行效率，并有助于解决目前存在的许多实际问题，具有重要的理论和应用价值。1．2基于视频的车辆检测技术的国内外发展状况1．2-1国外发展状况1978年，美国加州帕萨迪纳市的喷气推进实验室首先提出了运用机器视觉来进行车辆检测，指出其是传统检测方法的～种可行替代方案。几年后，美国明尼苏达大学的研究人员研制出第一个可以投入实际使用的基于视频的车辆检测系统。该系统使用了当时最先进的微处理器，在不同场景和环境下进行测试，结果良好【『71，说明了利用视频传感器实时检测车辆的可行性。同期，基于视频的车辆检测技术的研究也在欧洲和日本广泛展开【8，9，101。此后十年间，基于视频的车辆检测技术取得了长足的进步。1984年，美国明尼苏达大学运输研究中心的帕诺斯麦克鲁波洛斯博士发明了AUTOSCOPE一视频车辆检测系统。该车辆检测系统是用一台普通工业电视摄像机对多达6．8个车道的交通流量进行同时监视和检测。从摄像机上人为设置的特定检测区域内得到的图像信号，经过一台286(或386)微机的数字化和格式化处理，可以得到车辆存在、车辆通过、车速、车种、排队长度、流量、占有率、车间时距、拥挤程度、密度等交通数据，并可以实现交通录像带的脱机分析。数据收集之齐全，可以实现包括现在的各种环形线圈检测器的所有检 第一章绪论测功能ll¨。1991年，美国加州理工大学对在高速公路上运用视频检测技术检测车辆进行了评估。在评估报告中，对采用的视频车辆检测技术进行了详尽的分类。三年后，美国休斯飞机公司评测了当时存在的几种检测技术，包括视频检测技术。测评结果指出，基于视频图像处理的车辆检测技术已经具备了投入实际使用的潜力。1994年，明尼苏达运输部为美国联邦公路局进行了更详尽、更严格的测评，结果表明，视频检测器的检测准确性和可靠性可以达到令人满意的程度。同时，随着视频车辆检测技术的发展，人们已不满足于仅仅检测出车辆，而是希望利用此技术进一步提取交通参数，如交通流量、十字路口的车辆转向信息等【12】。事实上，与其它几种车辆检测技术相比，基于视频图像技术的检测方法具有直观、可监视范围广、可获取更多的交通参数以及费用较低等优点，因而可以广泛的应用于交叉道口和公路干线的交通监视系统中‘13,14】。1992年，明尼苏达的图像传感系统公司和Econ01ite控制产品公司联合推出AUTOSCOPETM．2003型视频车辆检测系统，并将该系统用于多车道、多方向的大范围交通车辆检测。该系统的长宽高分别为0．48mx0．14mx0．26m，可安装在交通柜中或控制器里，符合美国电气制造者协会(NEMA)的标准。该系统能够同时接收并处理4台摄像机送来的图像信息，可以检测至少48个区域，可用于高速公路、桥梁、隧道等不同道路的检测。其次，通过该系统内部非易失的快速擦写存储器(Flash)或管理机的硬盘，可以收集大量的交通参数以便进行实时或脱机的交通分析。同时，利用该系统，还可以进行事故检测。欧、美、日己经广泛地推广和使用了AUTOSCOPE．2003视频车辆检测系统，其中密执安州奥克兰县公路委员会实施的FAST-TRACATMSATIS规划是AUTOSCOPE应用的一个实例。目前，已经推出了AUTOSCOPE．2004视频车辆检测系统。1994年，加州大学伯克莱分校D．Koller和他的研究小组【l5】提出了在同一时刻检测和跟踪多辆车，并得到车辆形状信息的方法。此方法应用图像帧差技术进行运动分割，背景图像用Kalman滤波进行更新。图像帧差得到的结果用来初始化每一个运动区域的轮廓或蛇形线，在连续图像中用Kalman滤波跟踪轮廓的位置和形状，通过检测闭合线得到车辆的形状信息，速度和流量检测是通过踉踪图像序列的特征来检测的，首先提取图像中角点，然后应用相关性在图像序列中跟踪每一个角点，由同一车辆运动的一致性条件把同一车辆的角点组合在一起，通过车辆在图像序列中出现规律可计算出速度和流量，此方法在实际系统中得到了较好的应用。4 长安大学硕士学位论文1．2．2国内发展状况中国是当今世界上道路等基础设施建设速度最快的国家，又是交通需求增长最快的国家。运输效率低下、城市交通堵塞等问题已经成为我国各大中城市面临的迫切需要解决的问题之一。未来十年，正是智能交通系统在世界主要国家进入全面实施的阶段，因此，中国也迫切需要根据中国交通的实际需求尽早研究开发智能交通系统，以实现交通运输的可持续发展目标。视频检测技术虽然在国内研究起步比较晚，但是目前也有不少公司在这方面作了许多努力，如清华紫光与清华大学合作开发的新一代视频交通流量检测系统VS3001，深圳神州交通系统有限公司开发的VideoTrace，厦门恒深智能软件系统有限公司开发的HeadSunSmartVeiwer-II视频交通检测器，湖南天翼信息技术有限公司推出的智能交通视频图像处理系统，哈尔滨工业大学的VTD2000系列视频交通动态信息采集系统，亚洲视觉公司的路段交通信息系统等等。东南大学的肖旺新等【16】基于小波变换的多尺度自适应闭值图像边缘检测的新方法应用于交通图像边缘检测，可以很好的解决从局部高频信号中区分噪声与边缘的问题。用大尺度的滤波器去抑制原图像的噪声，可靠地识别噪声，用小尺度滤波器为图像边缘精确定位。四川大学计算机学院图像图形研究所的周欣等【17】，再分形维的基础上提出了方向分形维的算法，结合图像的灰度特征，用来提取车辆边缘并分割高速公路上的车辆。处理结果显示了方向分形维较强的分割能力和对特殊背景噪声的鲁棒性。我们国家在交通信息采集设备的开发也已经在很多机构展开，但现在国内已有的交通信息采集设备中，并不能全面、正确、稳定的采集道路上的车流量、车速、车型分类、占道率、交通密度，以及车辆排队长度、车辆转弯信息。尤其在背景复杂时，车辆的检测分割和跟踪、交通拥挤时各辆车之间的分割技术的研究不足，随着交通日益拥挤和对智能交通管理系统的需求越来越高，越来越突出。另外这些产品在成本，可维护性，可升级性方面存在着许多缺陷。因此，我们要研究根据合适的方法，采集道路上的交通信息，并且硬件设备必须能在各种天气、光照情况下工作，克服各种不利的环境因素的影响，并不间歇地稳定提供服务。要研究功能强大的信息实时处理分析软件，从原始的信号中，提取交通流量、车辆速度、车辆类型、占道率、交通密度，以及车辆排队长度、车辆转弯等信息。其中，复杂的背景、光线的变化将影响到车辆检测的准确度，所以要设计相应算法来克服。 第一章绪论1．3本文的主要工作本研究课题受江西交通厅科技项目“基于线阵CCD摄像机的交通信息采集及事件检测技术研究"支持。论文主要研究了基于线阵CCD摄像机的车辆分割算法，并在高速公路上了进行了实验。论文主要包括以下几部分内容：(1)在研究常规图像分割算法的基础上，提出了一种适用于线阵CCD图像的分割算法，该算法主要是基于图像纹理进行处理，首先利用小波变换提取路面的纹理特征，以此作为二值化的依据，然后为每个逻辑车道建立若干计数器，并根据二值化的结果进行车辆分割。通过现场实验验证了基于图像纹理的车辆检测算法的正确性与有效性，该算法有效消除了车灯和阴影对车辆分割的干扰，从而实现了对车辆的准确分割。(2)在车辆分割的基础上，采用投影法实现了车辆目标标识算法的研究，该算法利用已经建立的若干计数器确定目标的上下边界及左右边界，该算法可以准确地对目标车辆标识。(3)用SOLServer开发的数据库系统，该软件系统主要有车辆数据库管理、车辆数据分析、系统设置、系统容错等功能。本文内容结构围绕基于线阵CCD的车辆分割算法、目标车辆标识算法以及车辆管理数据库系统软件实现等方面展开。在章节安排上，第一章为绪论，论述选题的背景和意义。第二章介绍了基于线阵CCD摄像机的交通信息采集系统。第三章研究基于路面纹理的车辆分割算法。第四章研究利用投影法进行车辆目标识别算法。第五章重点描述了车辆管理数据库系统软件的实现及功能。最后一章对全文工作进行总结，强调文章的主要创新内容并对未来工作进行展望。6 长安大学硕士学位论文第二章基于线阵CCD像机交通信息采集系统视频检测技术具有安装维护方便、可以检测较多的交通参数㈣19201和检测范围大的优点，但也存在致命的缺陷，其中最主要的是环境适应性较差和检测精度不高，特别是在晚间照明条件不太好的情况下，其检测性能会严重下降。本文提出了基于线阵CCD摄像机的交通信息采集和交通事件检测系统，该系统利用线阵CCD摄像机连续快速记录通过检测断面的车辆的线阵图像，并从该序列线阵图像中获取各种交通参数和交通事件描述，相比传统的视频检测技术，其可以实现高的检测精度、高的稳定性和高的实时性。2．1系统构成及工作原理2．1．1系统构成基于线阵CCD摄像机的交通信息采集和检测系统的主要包括：成像模块、处理模块、接口模块和补光模块。结构如图2．1示。图2．1系统结构示意图成像模块主要由面阵相机、线阵相机以及控制电路组成。其中，两个高分辨率的快速线阵CCD摄像机用于采集相邻一定距离(300mm左右)的两个道路段面上的线阵图像数据，其布局如图2．2所示。这里采用2组图像数据的目的是为了通过其相关匹配计算估计出车辆通过两条扫描线的时间间隔，从而精确计算出车辆的瞬时速度。控制电路能够对成像进行实时的调整。7 第二章基于线阵CCD像机交通信息采集系统图2．2线阵CCI)摄像机布局图补光模块是一个专用的较大功率的红外激光器，两个大灯，两个电子镇流器和一个光控开关组成，经过调整对CCD摄像机的采集断面进行补光，确保成像系统在晚间可以正常工作，如图2．3所示。接口电路采用千兆网卡传输实时交通视频图像，并上传实时的交通信息。图2．3补光激光源布局图处理模块包含硬件处理电路、DSP处理器和外围电路以及各种分析处理算法，其作用是把图像处理算法载到DSP处理器中配合硬件处理电路实现对图像序列的实时处理。系统的工作流程为：CPU通过PCI总线向CCD成像及控制电路发出各种配置命令，双CCD成像及控制电路准备就绪；运行软件执行开始采集命令，CPU通过PCI总线向CCD成像及控制电路写入开始采集命令，成像控制电路启动CCD摄像机连续扫描检测断面，通过光电转换耦合阵列得到检测断面的图像数据：在夜间或光线较暗的情况下，控制电路自动开启激光补光器对线阵CCD摄像机的检测断面进行补光，确保CCD摄像机得到清晰的数据图像；CCD成像及控制电路把检测断面的图像数据连续的传送到图像分析处理模块。DSP处理器及其外围电路和硬件处理电路是系统的核心，它完成数据8 长安人学硕上学位论文暂存和所有的处理分析算法，给出关于交通参数和交通事件描述的结果，并将图像数据进行压缩，最后由接口电路将交通信息和视频图像传送到信息中心。2．1．2工作原理系统现场布局如图2．4所示。线阵CCD摄像机l和摄像机2一直处于工作状态，监视路面状况。机柜里的目标识别程序根据摄像机1所采集到的线阵图像，判断是否有车辆经过，当有车辆进入线阵CCD摄像机1的视野范围时，车辆存在检测软件检测到车头后，立刻记录当前的系统时间T1，并采集全景摄像机和目标所在车道的摄像机的当前场图像(如果车辆在两个车道的中间，则采集辅助摄像机图像)，进行压缩后，得到一幅近景图片和远景图片；同时，调用牌照识别程序进行牌照识别，以便保存该车的车牌信息。同理，当车辆进入线阵CCD摄像机2的视野范围时，车辆存在检测软件检测到车头后，立刻记录当前的系统时间T2，根据车辆通过检测断面的时间差即可计算出车辆瞬时速度，根据线阵CCDl采集的图像可提取车辆轮廓、类型、交通占有率等交通参数，并将结果存入数据库。对于超速车辆，机柜将自动把其车牌号码、车速等相关信息传到监控中心，便于中心人员进行相应的处理。监控中心也可向路边机柜发出查询请求，路边机柜将把相应的查询结果传送到监控中心。路边机柜中的数据库和图像库将按照用户设定的时间自动清空，防止磁盘空间不足导致现有的数据无法保存。9 第一二章基于线阵CCD像机交通信息采集系统2．2系统功能本系统具有以下功能：(1)视频触发功能图2．4系统现场布局俯视图10 长安大学硕十学位论文图2．5视频触发示意图当车辆通过第一个线阵CCD相机时，系统能够自动检测到车辆从而产生触发抓拍信号。当车辆通过后，也能检测到车的结束，从而产生触发匹配信号，如图2．5所示。图2．6为本系统通过触发信号抓拍到的面阵CCD图像。一 第二章基于线阵CCD像机交通信息采集系统(4)对不同车型按相应的限速标准分别处罚的功能大型车与小型车的限速标准往往不同。本系统通过自动识别牌照的颜色，或者利用车长将车型进行分类，并在系统内分别设定大、小型车的限速标准。当车辆信息上传至管理子系统后，系统判断其车型，参照其车型对应的限速标准确定其是否超速，这样就达到了对超速车辆按大、小型车分别处罚的目的。(5)车型识别和交通量统计功能本系统可以由线阵CCD相机的成像和车速计算出车长，以确定车型(对于本系统，车长=速度X成像线数／1000)。此外，可以利用数据库对交通量进行分时或分车型进行统计。(6)车辆通行记录功能本系统还可实现对过往车辆的记录功能，每条记录包括车辆的牌照号、状态(例如是否超速)、行车道、通过时间等信息，并可通过通行记录界面观看到车辆的远景和近景，这样可以为处罚提供有利的证据。2．3基于背景估计的车辆检测算法2．3．1背景提取简单的背景提取算法就是直接用图像序列的某一幅图像作为背景。虽然在选取该背景图像有一定的要求(例如在车辆较少的时刻选取背景图像)，但是该算法很不稳定，并且不能动态的更新和校正。为了克服这一缺点，有些文献【21’22，23】用多幅图像的平均作为背景图像，该方法可以更新背景图像。但是这种背景图像中可能包含有残留的车辆目标信息，若与原始图像相减会去掉车辆目标信息。在本系统中，本文提出了一种背景估计算法，该算法可以得到实际背景的估计值，并且可以动态的更新背景图像。我们关心的问题是对于设定的检测断面有没有车辆通过，以及通过车辆的一些具体信息，因此，可以重点考虑图像的纵向数据信息而减少对图像横向的分析。具体步骤如下：第一步，小波变换。对一幅图像的每列像素进行小波变换，得到一列图像的频率变化曲线。其中变化比较平缓的曲线段可以认为是背景，而变化剧烈的曲线段为前景(即车辆)。原因是由于路面的信息基本保持不变，所以曲线变化比较缓和，而车辆的纹理比较复杂，所以当车辆到达时，必然会导致图像的像素有较大的变化，即曲线变化比较剧烈。第二步，统计直方图。把每列像素中的背景像素数据作一个统计直方图，取直方图的积分中位数，把该值作为该列背景估计值，用同样的方法可以得到其它列的背景估计值，这样就可以得到一帧(即一线)的背景估计图像。第三步，动态更新。可以实时12 K宣大学碗十学位论文对背景图像进行更新，通过计算得到当前图像的背景，结合前几帧估计的背景图像进行加权求和，得到最终的背景估计。另外，对于特殊情况，如交通阻塞，很难得到准确的背景数据；这时可以使用前面估计的背景进行处理．并暂时停止背景的更新，直到车辆正常行驶时再恢复动态更新背景数据。经实验验证，该算法可以得到较好的背景估计，并能实时的更新背景。如图27所示。佃1原始图像圉Ef灞(h)提取出来的背景图2．7利用本文方法估计背景实验图232车辆分割当得到背景图像之后，可以用当前的图像减去背景，得到差值图像。差值图像中主要包含目标数据，选取适当的阐值对差值图像进行二值化处理，就可以得到目标。对车辆存在的检测，其实质就是要判断是否有车辆经过检测断面。对采集的每行数据进行}述处理，若出现连续几行都有目标数据，则认为有车辆到达。继续分析后续的图像数据，若检测到没有目标的行数超过一个事先定义的闽值，则认为浚车辆已经结束。如图28，2．9所示。 第章皋0碱PrCCD像机交通信息采集系统圈2．8原始图像图2．9利用本文方法图像分割实验图233车型匹配牟辆速度也是交通信息的一个重要方面。为了得到车辆速度信息，本系统已录了不同时刻同一车辆信息，为后续的测速工作打F基础。图210显示了不同叫刻的同一辆车的匹配。 长安大学颂l。学位论文圈2．10不同时刻的汽车图像234车辆测速车辆速度的测量由两个CCD共同完成，2个ccD相距一定距离L，根据2个摄像机检测到同辆车的时间差T，可以得到车辆的速度v；L厂r。当两个摄像机创L很小时，可以认为同一车辆经过2个CCD时变化较小，如图211所示．这样筇车辆配准的算法。图2．“匹配时候两个图像序列的区域 第三章图像分割图像分割使图像被划分成或分隔成具有相近特征的区域。它是图像处理中的一个重要问题，也是一个经典难题。至今还没有一个成形的图像分割理论。因此，还没有一个单一的标准图像分割方法。然而，有很多特定的方法已经在一定程度上被广泛使用。因为这些方法都有其特定的适用范围，因而它们在其适用范围内是很有效的。Haralick和Shapiro／24】曾对一种良好的图像分割方法建立了一个定性的标准：“图像分割的区域对于某些特征(如灰度色调、或纹理)应该均匀一致。区域内部特征单一没有空洞。分割段的邻近区域内的特征的值应与该分割段的特征的值明显不同。每一分段的边缘都应该光滑无毛刺且必须精确”。然而，到现在为止还没有一种定量的图像分割度量标准产生。对于图像分割，其最基本的特征是：单色照片图像的亮度振幅和彩色图像的彩色元素。图像边缘和纹理也是对分割很有用的特征1251。由于场景中的诸多因素，包括照明情况、场景中物体的物理性质(特别是表面的反射性质)、成像系统的特性以及光源、物体和成像系统之间的空间关系等，所以数字化后的图像或多或少的都会带有各种噪声。从采集的图像来看，其中影子和车灯对二值化的影响最为突出。本文提出了一种适用于线阵CCD图像的车辆检测算法，包括基于图像纹理特征的车辆分割算法。该方法能有效抑制车灯和阴影对车辆分割的干扰，实现车辆的实时准确分割。3．1基于小波变换的背景提取背景图像指的是道路上没有车辆运行的图像。在车辆不是很多的时候，可以拍到无车时的图像作为背景，这也是获取背景的一个方法i但是需要按照时间段将不同时间的背景图片存到数据库中，然后根据当前的时间将背景的图片读取出来作为背景。这种方法前期工作量大，受周围环境影响很大，鲁棒性不好，而且需要在数据库中建立按季节、日照时间的背景信号模型。目前的背景提取方法主要有以下几种：高斯分布模型(SingleGaussianmodel)、混合高斯分布模型(MixtureofGaussian，MOG)、非参数化模型(Non．parametricModel)等；基于预测的方法，如卡尔曼滤波器方法(KalmanFilter，KF)、维纳滤波器方法[26,27,28】(Wienerfilter)等；C．Stauffer等人提出的混合高斯模型能跟踪多模态的场景，但是它计算复杂，模型参数对其检测的效果影响很大，并且混合高斯模型在光线突然变化和光线较暗的情况下，运动检测常常出错。C．R．Wren等在系统中使用了高斯分布背景模型，即对背景的每个像素按照高斯分布模型建模，据此更16 长安大学硕士学位论文新背景图像，该系统在室内经过一段时间的初始化后用来跟踪人体运动。单个高斯模型相对混合高斯模型来说计算简单，但不适合多模态场景，且模型参数对背景提取影响很大。本章结合小波变换的特点，针对线扫描图像，提出了一种基于小波变换的背景提取方法。实验结果表明，该方法能够有效的消除灯光等噪声的影响。3．1．1小波变换简介小波变换【291是从传统的Fourier变换的基础上发展起来的一种时．频分析方法，近年来迅速发展成为一种新的数学分析方法。经过人们十几年的研究，小波分析的数学形式体系已经建立，广泛地应用于众多学科中，成为令人关注的焦点。小波变换是时域和频域同时局部化的方法，它能够有效的从信号中提取信息。通过伸缩和平移等运算功能可实现对信号进行多尺度的细化分析，解决了Fourier变换不能解决的诸多困难问题。它所涉及的应用范围广泛，包括图像处理【30】，模式识别，信号分析【”l，故障检测【321，通信与电子等领域㈣。二十世纪九十年代，法国学者Mallat给出了小波分解与重构快速算法，应用快速算法作时-频分析时，仅需要分析信号的有关数据和双尺度方程的传递系数{吃)和{岛)，不必关注尺度函数和小波函数的具体表达式。分解算法是：在{矽(f一甩))是标准正交基条件下，已知{《+1)，{gn)和{吃}，求{《)和{刷)。经推导‘341，可得分解公式：f《=2。1佗∑《“魂一：。{dnJ=2-1／2圭∥‰。。J’每个尺度j所存储的数据{《}都是按整数编号的。以j尺度层为基础来观察j+l尺度层，j尺度层的采样编号n对应着j+1尺度层上编号为2n的采样点，这也是j+l尺度的采样点在J尺度采样节点基础上均匀加密的结果。若以j+l尺度层为基础来观察J尺度层，则j+1尺度层上隔2取样的节点正好对应着j尺度层上的采样节点。按此过程可快捷的获得{《}。为便于表达，记c’={《}，D7={彤)。计算子H：，2一，2，计算子G：，2专，2，则式(3．1)变为17 第三章图像分割f(HCpl)。=2一彪∑《+1玩勘{(oc／+·)。：2一-，2圭《+-＆一2。(3·2)lp1)。=2。1佗∑《“％。r一7采用算子表示后，C’=HM-JCM，D。=GH肛川CM。即C肘经H算子M-j次作用后即可获得C。，C肘经H算子M-j+1次作用后经G算子作用1次即可获得D／，只要采样间隔的尺度层次上给定CM，就可快速获得粗采样间隔的尺度层次上的Co与D。(0≤／≤M-1)，若cM有N个数据，则M—l尺度层上c肌1和∥。1各有N／2个数据，并假设{岛}，{吃)各有X个数据，则以C材计算c肌1和∥。1需x+N次运算，从M一1到M一2层仅需前次一半的运算次数，则运算到c’和D’仅需2剧(三+互1+⋯+歹1)次运算，可见这种塔式多分辨分解算法是快速的。重构算法即为分解算法的逆过程。3．1．2基于小波变换的背景提取本文假设背景每隔门线更新一次，而每一线上有m个像素。把采集的玎线的灰度数据看成一个二维数组I(f，，)，其中f(0≤f≤n-1)为线数，J(0≤i≤m-1)为当前线的第歹个像素。初始背景的获取(1)令J=0；(2)对二维数组I(f，／)中第．Jf列灰度数据，做小波变换后得到高频分量h(i)(0≤i≤丹一1)，按列统计其中高频分量的绝对值小于阈值％的所有点；(3)如果该列上统计的点数少于阈值口，，则认为该帧前景过多，不利于提取背景，取下一帧重复第(1)步；否则，转第(4)步；(4)求出该列已统计的所有点的灰度的中位数B。(／)，并将其作为该列的初始背景灰度值；(5)令J=j+l，如果J=m，则停止计算，否则，转第(2)步。背景的更新利用当前帧采集的数据和上一帧估计的背景，更新背景。(1)令k=0；(2)置J=0，i=0：(3)当II(i，j)-B。(_，)I<％时，采用(3．3)式求出该点新背景 ＆安大学硕f‘学位论文n(i，∥=B^(，)+。【I(f，，)一Bt(，)】(33)否则，采用下式求出该点新背景B(i，，)7=B^(，)+fl[1(i，』)一B±(川(34)其中，钙为阐值，口、卢为滤波因子，通常口>>卢；背景更新的速度出网子口和芦决定，口越大，背景更新速度越慢，口越大时，背景更新速度越快。(4)置i=i+1，如果i=H，转第(5)步，否则，转第(3)步；(5)求出该列所有点新背景B(i0)的中位数B¨(，)，并将其作为改列的新背景；(6)置，=，+l，如果J=m，转第(7)步，否则，置i=0，转第(3)步；(7)如果收到停止更新背景指令，则停止计算，否则，置k=I+】，转第(2)步。313实验结果为了验证本章提出的基于小波变换的背景提出方法的效果，我们利用由线阵CCD摄像机获得的图像进行了仿真实验，其中线扫描的每一行为1024个像素，每1024行后更新背景。我们进行了大量的仿真实验，选择其中两幅图如图3．1(a)所示。从实验结果可以看出，利用本章提出的基于小波变换的背景提取算法能够较好的提取出背景．如图3l(b)所示，利用提取出来的背景，非常容易的就可以提取出目标。从实验结果还可以看，该方法能够有效的消除汽车自身的灯光噪声。同时，该方法能自动跟踪背景，即使中间某一帧背景估计错误，也能随着采集帧数的增多而自动调整。(a)原始图像 第=章图像分割(b)提取出来的背景图3．1利用本文方法提取出的背景实验图3．2数学形态学滤波图像噪声是指在图像生成，保存和传输过程中．由外部干扰加进图像中的冗余信息。如在图像拍摄和数字化过程中．由于摄像设备和拍摄环境等多种因素影响，数字化后的图像或多或少的带有各种噪声，因此，图像预处理的首要任务就是要消除这些噪声。在视频图像处理中，图像传感器带来的噪声为主要噪声来源。一般将其划分为三部分：电了噪声、光电子噪声、感光颗粒噪声。消除图像噪声的工作在图像处理中称为图像平滑。平滑的目的有两个：改善图像质量和抽出对象特征。亦即采用依据小区域平均化方法的滤波，从数学上讲就是采用一种具有能够除去高频成分性质的积分运算。数学形态q￡：(MathematicalMorphology，也称图像代数)””是一种应用于图像处理和模式识别领域的新理论和新方法，1964年由法国G．Matheron和J．Serra在积分几何的基础上首次创立。它主要以积分几何、几何代数及拓扑论为理论基础，将对象模型化，对集合进行研究，它认为集合结构等信息存在于对象之间的关系可通过结构元素联系，用具有一定形态的结构元素去度量和提取图像中的对应形状，以达至Ⅱ对图像分析和_【}{别的目的。结构元素是对象集合的一个子集，比较简单而且一定是凸的紧致集合，它与图像处理的模板有相似作用，但性能比模板更强，它对图像进行移位、叟、并等集合运算构成形态学的各种处理算法，其基本思想如图3．2所示。输入图像瓦磊吲．阿合运算l’⋯”l————1—_J————竺塑苎苎1兰兰兰兰图3．2教学形态学基奉思想20 长安大学硕上学位论文数学形态学包括一组基本的形态学运算‘36】：)莴蚀(Erosion)、膨胀(Dilation)、开启(Opening)和闭合(Closing)，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。正是由于数学形态学在图像处理中优异的性能，在本文车辆检测算法中采用了该方法。膨胀和腐蚀是基于阴影集和表面函数来定义的。下面给出基于离散数字空间的定义。设输入图像为砸，j)，结构元素为b(ij)，则b对f的膨胀定义为：(fob)(s)=max{f(s-x)+b(x)lx绣，3(s-x)9}(3．5)b对f的腐蚀定义为：(／06)(J)=111in{厂(J+x)一6(x)Ix∈见，V(s+x)∈哆}(3．6)其中D，和眈分别为f和b的定义域，S和x为整数Z2空间中的向量。可见，对于膨胀运算，结构元素b的反射与输入图像f的交不为空(也就是说，只要有一个相交即可)。相反，对于腐蚀运算，只有当结构元素b全部位于f内时，才能对f进行腐蚀。从几何上讲，膨胀能扩大图像形态，而腐蚀则能缩小图像形态。数学形态学的开启和闭合运算是由膨胀和腐蚀运算复合而成的。b对f的开启定义为：厂ob=(fob)ob(3．7)b对f的闭合定义为：fob=(fob)ob(3．8)开启运算能够去除图像上与结构元素不相吻合的凸区域，同时保留那些相吻合的区域。而闭合运算则填充那些图像上与结构元素不相吻合的凹区域，同时保留那些相吻合的凹区域。运用数学形态学的四个基本运算的组合，可以设计出非凡的实用非线性算法，从而获得惊人的图像处理效果。除噪运算就是其中一种效果明显的除噪算法，可以由下式表示：(厂。b)·b2{[(徊6)06】06)ob(3．9)这一过程事实上通过先腐蚀然后连续进行两次膨胀，最后再腐蚀一次得到的。噪声在某些区域可能会先扩大，然后逐步去掉的。实践证明，只有当噪声比结构元素小时，才能去除噪声。数学形态学的有两个基本性质：性质1：腐蚀和膨胀具有平移不变性，即：印06=(aob)p，ap@b=(aob)p；2l 第三章图像分割此性质表明对图像a进行腐蚀和膨胀运算结果只取决于a与b的结果，而与a的位置无关。性质2：对开运算和闭运算，有axb∈a∈aob，其意义是：开运算使图像缩小，闭运算使图像增大。针对运动目标分割后图像产生的像孤立点、断点、空穴、毛刺等种种噪声，我们可以用数学形态学的方法来消除细小斑块、填补空穴、光滑边界。它使噪声的滤除更合理，使处理后的图像在保持了原有的信息的同时，提高了目标检测的精确度。3．3灰度图像的二值化图像的二值化处理是将图像简单的分成背景和目标物体，最常用的方法就是选取一个阈值秒，用秒将图像分成两大部分，大于9区域(通常为目标物体)和小于目的区域(通常为背景)，若输入图像为f(x，y)，输出图像为g(x，y)，则贴川-{嬲三：@-。，如果物体灰度分布在几个不相邻的区间内，二值化可表示为：贴川-{嚣@∥垮①(3．11)其中①是组成物体各灰度值的集合。3．3．1基于路面纹理特征的二值化算法从采集图像看，高速公路的路面纹理特征比较明显，并且受光照条件影响较小，因此考虑用小波变换提取路面的纹理特征，并以此作为二值化的依据。利用小波变换获取一行数据的小波系数，找出其中的局部极大点和极小点，并量化为仅包含l、．1和O的序列，每20行进行一次累加，统计5000行数据中累加和出现的频数最高的数值，作为新的背景纹理，以此每隔5000行更新一次背景；逐行进行二值化，获取当前行与前19行数据小波变化量化后的累加和，并将其逐段与背景纹理相比较，如果大于某个阈值，则认为该行中的该段为目标，置为l，否则置为0，以此对该行数据进行二值化，基于路面纹理特征的二值化算法流程图如图3．3所示。为方便描述算法，把二值化结果为1的小段称为目标段，二值化结果为0的小段称为空段。基于图像纹理特征的二值化算法的具体实施步骤如下：(1)变量初始化。找到背景标志bFindBack=false；当前行行号AL=0，背景行数 长安大学硕士学位论文计数器nBlock-0，20行数据按列累加的和nSum[】=0，统计各段数据出现的频数aBlocklnfo[][]--0，二值化参数Q=0．35，13=2．0：(2)从内存中读取一行数据，置AL=AL+I，nBlock=nBlock+l；(3)对该行数据进行三级小波变换，取出小波系数，存于数组pDWTData[】中；(4)将数组pDWTData[】转化为只包含．1、0、1的序列，存于AR[]中。其中，将pDWTData[】中的局部极大点标记为l，局部极小点标记为一1，其他点标记为O；(5)如果AL<20，转步骤(2)；(6)按列累加最新20行数据的AR值，并存于数组nSum[】中；(7)取窗口大小为16，对nSum[】中的数据按窗口进行处理，在窗ISl范围内取一个最大值作为该窗IZ]内所有像素点的值，并存于数组nSumAvg[]中，即一行数据被划分成64段：(8)如果bFindBack=false，转步骤(11)；(9)根据背景aBack[】，按如下条件进行二值化；if(nSumAvg[j]<=a幸aBack[j]&&nSumAvg[j]>=p宰aBack[j])该行第J段数据所对应的像素点二值化为1；else该行第j段数据所对应的像素点二值化为0；(10)对一行数据的二值化结果进行进一步处理，如果位于两个目标段之间的空段长度≤2，则把该空段对应的像素填充为l，如果前一个目标段的长度≤2，并且它距离后一个目标段的距离>t7，则把前一个目标段对应的像素置为0；(11)统计最新20行数据的AR值出现的频数，并存于数组aBlockInfo[][]qb，该数组第一维代表AR的取值，第二维代表段号；(12)如果nBlock<5000，转步骤(2)；(13)根据aBlocklnfo[][]的统计信息，找出各段出现频数最多的数值作为新的背景，并存于aBack[】中，置nBlock=0，修改背景标志bFindBack--tme，并置aBlocklnfo[][]=0；(14)如果收到终止指令，则停止数据处理，否则转步骤(2)。 第三章图像分割r开始、＼／上变量初始化bFindBack----faIse；AL--一0；nBIock=0；nSum[1=O；aBIocklnfo[IIl=0；a卸．35；B-----2．01．，-。11i一扩、读取一行数据并置AL产AL+1；nBlock=nBIock+lJr对该行数据进行小波变换，取出小波系数，存于pDWTData【1上pDWTData[]转化为只包含l、0、1的序列，并存于AR[川，人N／／lT，，二：；、＼／＼≤=岁夕Y按列累加最新20行数据的AR值，并存于nSumlJ聂J'nSum11中的数据按窗口进行处理，将处理结果存响SumAv[[】．前面冬Y—巡：：：=竺多一、N根据aback[J对该行数据二值化，并去除散点统计改行各段数据值出现的频数，并存于aBIcklnfoII¨一YJ／根据aBIocklnfoII11的统计信息，更新背景，存于aBackll，并置nBIock=0；bFindBack=true；aBIcklnfoIlIi=0＼LN一(结束)图3．3基于路面纹理特征的二值化算法流程图 长安^学顶±学位论R32实验结果图3．5是对图3．4的原始图二值化后的图像，实验结果表明：基于路面纹理特征的二值化算法可以有教的分出目标与背景，完全可以达到系统要求。图3,4原始图像图3*5原始图像-二值化后的效果图像如图36(舢所示是白天采集到的车辆图像，在图像中可以清楚地看到车辆影子，而图3甜b)所示是二值化后的图像．其中可以看到影子被清除了，不会影响后续处理。传懑湿霾褂疆濯疆灌濯灌濯 第-章幽像分割I车辆阴影去除的方法往往将运动目标中的部分区域也误当作阴影剔除掉了，从而造’月标的不完整，对这类方法的改进只能减少误检的情况却无法完全消除这种情况。i文提出的算法不仅u丁以很好的去除阴影同时也保证了目标的完整性。(a)白天的原始车辆图像(b)二值化后的车辆图像图3．6白天的二值化车辆图像如图3．“a)所示是在夜晚采集到车辆，其中目标车辆的影子以及车灯明显，采用本出的算法进行二值化后，消除车辆阴影和车灯的效果明显，如图3．“b)所示。而传去除阴影和车灯的方法往往不能完全去除阴影和车灯，容易将车灯误当作目标车造成日标车辆的不完整，而本文提出的算法不仅可以完全去除车辆阴影，还可以有消除车灯的影响，保证了目标的完整性。 K安人学碰I学位论文佃)夜晚的原始车辆(b)二值化后的车辆图像图3．7夜晚的二值化车辆图像本章主要研究了运动车辆的分割问题，在借鉴前人研究经验的基础上提出7波变换的背景提取算法和基于路面纹理特征的二值化算法。并分别对白天和晚J进行了实验，结果表明本文提出的算法不仅可以准确地分割车辆，还可以有效州影和消除车灯的影响， 第pq章车辆目标标识第四章车辆目标标识在所获得的连通区域中，属于车辆目标的区域还是不能确定，因为这些分割出来的目标区域可能是人或车辆，也可能是重叠的车辆，或者分裂的车辆，还有可能是噪音，所以要对这些区域进行识别，并对虚假区域进行去除和合并。对二值化图像的连通区域分析的同时得到了连通区域的属性(面积、质心、外接矩、长、宽)。统计数据显示，不同的车辆显示在图像上的长宽比和面积存在一定的规律。因此本文在进行车辆标识、去除虚假目标时主要的依据是运动区域的长宽比和面积。具体的判断标准需参考现场标定结果决定。该过程也是去噪的一种处理方法。首先应对运动车辆区域进行定位。本文采用从粗到细的定位算法，首先利用差分图像获取的二值物体模板，根据投影原理大致确定运动车辆所在的运动区域。从实验结果看，该从粗到细的定位算法对车辆目标识别定位具有很好的效果。4．1车辆区域定位车辆区域的定位就是要确定出车辆区域的上下左右边界，即为以后的工作确定车辆窗口大小。常用的方法有连通区域搜索和利用投影原理确定区域大小【371。4．1．1区域连通标记连通区域有四连通和八连通之分，四连通区域指的是各像素与其相邻的上下左右四个方向上的像素(四邻域像素)的连通路径相连接形成的区域，八连通区域指各像素与其上下左右加上对角线上的四个点的八个邻域像素的连通路径相连接形成的区域【381。一个八连通区域的算法也可以用在四连通区域上，对二值图像从左到右从上到下进行扫描，主要就是标记当前正被扫描的像素，检查它与之前扫描到的若干近邻像素(主要是左邻域和上邻域)的连通性。这里有几种不同的情况需要分别考虑，如果当前正被扫描像素是“l"，则将它标记为与之相连通的目标像素；如果其左邻域和上邻域的标记不同，则选择其中一个标记，并把另一个标记和这个标记为等价标记；如果发现是从“0"到“1"的过渡，则赋一个新的目标标记。一次扫描结束后，需要进行二次扫描，主要有两个目的：一是将等价标记修改为同一标记；二是计算各个连通区域的面积，对于面积小于设定阈值的区域，可以认为该区域为噪声，将其滤除。阈值的选择与图形中车辆的面积有关[39,40】。上述方法不受车辆的位置的影响，但是当分割出的目标车辆不完整，即目标区域中间有空洞等情况，容易将一个目标区域分成多个连通域，造成错误的区域定位。因此本 长安火学硕上学位论文论文在基于二值化图像的基础上进行投影操作，可以准确的确定出运动车辆区域。4．1．2投影法介绍一个平面二维对象的形状可以用其在某个方向上的投影来描述⋯。图像ffm，n)在任意9方向上的投影可以定义为该图像诸像素在该方向上对应投影之和。根据上述定义，数字图像f(ij)(i-0，1，⋯，M-1,j=0，l,'--N一1)在水平和垂直方向上的投影分别为：M-1M-lM-I(∑f(i，o)，∑们，1)，．．．，Ef(i，N-1))篙N‘羔。8N：1(4．1)Ⅳ～1一l一＼⋯，(∑f(O，n∑f(1，m．．，∑f(M-1，朋j=O如图4．1(a)所示，而f(i，j)在任意方向臼上的投影如图4．1(b)所示。一个具体的二值图像投影实例如图4．2所示，其中图像中的1表示目标位置，没有标注的表示背景0。口：900JV．-l∑f(O，力枷、＼JV．_I∑f(M一1，i-O掣m．o)⋯∑厂(‘N-1)∑厂(f．o)⋯台八k图4．1数字图像在水平、垂直和任意方向上的投影示意图图4．2二值图像在几个方向上的投影 第四章车辆目标标识图像的投影表示有如下一些用途：(1)提取特征。如当某二值图像中含有某个方向上的直线时，则在与相垂直的方向上的方向上将具有较大的投影值，如图4．2中两条垂直直线段和在450及1350方向上的两条线段，它们分别在水平、垂直以及450和1350方向上有较大的投影值。(2)识别目标。如果已知被寻找的目标的投影特性时，则可在未知图像中判别是否含有该种目标。本文利用投影原理对运动车辆的区域进行定位，确定出车辆的大致位置所在。4．2二值图像投影定位投影原理受车辆位置的影响较大，容易将视场中横向或纵向重叠的两个目标车辆确一个运动区域。本文在标定图像的基础上，利用差分图像获取的二值模板，根据投理【42】确定运动车辆所在的运动区域。由于经过标定后的图像是正投影图，即类似于从路面正上方拍摄所得的图像，以一条车道两边为界，进行水平投影，确定出最初车辆区域，在这个区域范围内确定各个车辆目标的上下边界，然后在已得到的上下边界范围内再进行垂直投影，以确定车体的左右边界。视频序列图像的大小为M*N，假设t时刻的二值模板图BOM在其中一条车道(假设-宽度为Ⅵ的连续水平投影矢量彬为：谚：(q，吐，⋯，％)，：(∑WB伽(‘，M，f)，⋯，∑WB伽(一，％，f))(4．2)I=l，=l式4．2表示对二值模板图BOM按行统计像素点个数，对最初运动区域进行定位。-+HRI=arg彳(彬)=arg爿(q，(02，．．．，嘶)(4．3)_其中彳(彬)表示HRI的生成必须是彬同时符合下列条件：fq>砜{洲={黧>砜p观(4．4)-其中砜为矢量彬中元素必须符合的阈值，巩表示连续个数必须符合的阈值，B(k)表示满足条件k的连续个数，由式4．4可以确定出图像中所有车辆目标的一个总的最初区域。考虑到车辆串道的问题，要将正在串道的车辆运动区域也定位出来：30 长安大学硕士学位论文HR2=arg彳(彬)=ar94(q，(02，．．．，嘶)(4．5)I巩>皑>巩／21洲={罂M>巩他p巩H石’确定最初运动区域HRl和HR2中各车辆目标的上下边界：在每个最初运动区域内进行从_kN下的搜索，当遇到第一个哆大于巩时，将此q所对应的像素纵坐标定为车体的上边界‰，遇到第一个co,小于巩时，将此q所对应的像素纵坐标定为车体的下边界色。肋。。依此规则继续往下搜索，直到搜索完整个最初运动区域，找出各个车辆目标的上下边界。在确定车体的左右边界时，对HRl和HR2的操作有所不同，在车体上下边界范围内，在HRl中搜索范围是一条车道宽度W，假设HRl的范围是W'R1，RI表示已经确定的车辆目标的长度，在这个范围内进行垂直投影：t4,=(啊，坞，．．．，‰。)=(∑BOM(xi，只，帆．，∑BOM(xw，Yi，f))(4．7)式4．7表示对二值图BOM在范围平W'R1中按列统计车辆像素点个数。在W'R1范围内从左到右进行搜索，确定车辆目标左右边界：{髦东嚣淼戮@8，1％，=p(忽)，如果曩为第一个满足岛<巩、7式中巩为矢量1-1,中元素必须符合的阈值，p(曩)表示红所对应的像素横坐标。而在HR2中由于车辆串道，搜索范围是两条车道宽度2*W。假设HR2的范围是2W'R2，R2同样表示在HR2中已经确定的车辆目标长度。在这个范围内进行垂直投影来确定车体左右边界：／41,=(JizI，吃，⋯，％：)=(∑BDM(jcl，M，f)，⋯，BOM(x2缈，Yi，f))(4．9)基于二值图像投影法按车道进行粗定位，确定最初的运动区域，在此区域内再进行各个车辆目标得准确定位，而且考虑到车辆串道问题，很好地克服了投影原理易受车辆位置影响的缺点，在车辆并排交错时可以准确地定位出车辆目标。4．3算法流程当线阵CCD视场中出现了车辆，要及时启动面阵CCD抓拍车牌，并进行车牌识别， 第四章车辆目标标识同时计算车辆速度。因此，为了保证实时触发和车辆目标标识，需要设计出新的车辆目标标识算法。本算法主要采用投影法进行目标标识。为便于描述车辆目标标识算法，将线阵CCD视场按照近景摄像机视场划分成三个逻辑车道(对应于被监控的两个物理车道)，每个车道包含若干信息：预触发标志、确认触发标志、空行计数器、目标存在计数器、目标左边界、目标右边界、目标开始行号、目标结束行号、预触发中点位置、目标水平投影计数器、触发的确切行数。车辆目标标识算法的流程图如图4．3所示，具体实施步骤如下：(1)车道信息初始化。将每个车道的预触发标志、确认触发标志置为false，将空行计数器、目标左边界、目标右边界、目标开始行号、目标结束行号、目标水平投影计数器、触发的确切行数置为0，定义目标段长度阈值啊，合并车辆的水平阈值伤，确定是车头的水平投影累加和阈值％，确认触发的目标宽度阈值n4，确认触发的目标长度阈值愧，确认目标结束的空行数魄，目标最大长度伟，目标的最小长度，zB，确定不是车头的水平投影累加和阈值n9；(2)读取最新一行数据的二值化结果；(3)定位下一个目标段的起始位置；(4)如果连续的目标段个数超过，zl转步骤(5)，否则转步骤(3)；(5)判断该连续的目标段是否可以合并到已触发的车道，如果可以合并，则转步骤(6)，否则转步骤(7)。根据连续目标段的中点判断其所属车道，为了防止误触发，需要判断该连续的目标段是否属于已预触发的车辆。定义目标段到已预触发车道的距离为：如果该连续的目标段与已触发车道的车辆水平范围有交集，则认为该目标段属于该车道已触发的车辆，其距离为0；否则，取连续的目标段的左右边界分别距离已触发车道的车辆的左右边界的最小距离作为其距离，如果该距离超过阈值惕，则认为该目标段不属于该车道已触发的车辆，否则认为该目标段属于该车道已触发的车辆；(6)修改该车道车辆的边界信息。目标水平投影计数器逐段统计目标段的个数，修改目标的结束行号，如果该目标段的左右边界超出了该车道的左右边界范围，则修改目标的左右边界，转步骤(8)；(7)在连续目标段所属的车道上新建车辆信息，置预触发标志为true，开启目标水平投影计数器，并设置目标的左右边界、开始行号、结束行号；(8)判断是否处理完该行数据的所有小段，如果处理完毕，转步骤(9)，否则转32 长安大学硕上学位论文步骤(3)；(9)逐车道处理车辆信息；(10)如果该车道上有目标段出现，空行计数器置0，转步骤(11)，否则转步骤(14)；(11)如果该车道还没有确认触发，转步骤(12)，否则转步骤(15)；(12)判断是否满足确认触发的条件，如果满足，转步骤(13)，否则转步骤(16)。确认触发条件为：车头信息的水平投影累加和超过阈值吃，并且目标的宽度超过阈值‰，目标的长度超过阈值n5；(13)置确认触发标志为true，触发的确切行数置为目标的开始行数，转步骤(19)；(14)该车道空行计数器加l，如果空行长度超过阈值‰，则认为目标结束，转步骤(18)，否则转步骤(19)；(15)判断目标长度是否超过阈值惕，如果超过，则认为目标结束，转步骤(18)，否则转步骤(19)；(16)判断是否满足取消触发的条件，如果满足，则转步骤(17)，否则转步骤19)。取消触发条件为：目标长度超过阈值愧，或者目标长度超过％并且车头信息的水平投影累加和小于阈值n9；(17)取消触发，置预触发标志、确认触发标志置为false，将空行计数器、目标左边界、目标右边界、目标开始行号、目标结束行号、目标水平投影计数器、触发的确切行数置为0，转步骤(19)；(18)进行车辆分割。根据目标水平投影计数器确定车辆的左右边界，根据车辆的开始行号和结束行号确定车辆的前后边界，标识车辆范围，并且置预触发标志、确认触发标志置为false，将空行计数器、目标左边界、目标右边界、目标开始行号、目标结束行号、目标水平投影计数器、触发的确切行数置0；09)判断是否处理完所有车道，如果处理完毕，转步骤(20)，否则转步骤(9)；(20)如果收到终止指令，则停止数据处理，否则转步骤(2)。 第四章车辆目标标识图4．3车辆目标识别算法流程图34N 砼生夫学硕±学位论女4．4实验结果日国镬(”如)圈4．4线阵CCD图像如图44(a)所示是阴影不明显的车辆图像，图(b)是对其二值化后的效果图，图(c)是采用投影法得到的车辆目标识别图，效果显著。 辩口章年辆日杯标识图4．5白天采集的线阵O印图像为了验证车辆标识算法的有效性，利用本系统采集到车辆的线阵CCD图像，如图45(a)所示为白天采集的线阵CCD图像，由于太阳的影响，图像中存在车辆阴影。采用基于图像纹理特征的二值化算法处理效果如图4．5(b)N示，击除了阴影的干扰，图45(c)为车辆目标识别效果，可见本算法能够有效抑制阴影对车辆分割的影响．具有较好的车辆标识效果。 长安大学碰I‘学位论文一湖幂醪囊缫黼季。”：《缈攀裂1罐‘}姥黔二：零浮一Li塑-瞪鋈(a)(b)1图4．6晚上采集的线阵CCI)图像图4．6(a)为晚上采集的线阵CCD图像，由于车灯以及补光的影响，存在车灯，而且存在阴影。采用基于图像纹理特征的二值化算法处理效示，去除了灯光和阴影的干扰，图46(c)为车辆目标标识效果，可见本制阴影和车灯对车辆目标识别的影响，具有较好的标识效果。 第五章车辆管理数据库系统软件设计基于线阵CCD的交通信息采集系统利用线阵CCD连续快速记录通过检测断面的车辆的线阵图像，并从该序列线阵图像获取各种交通参数和交通事件描述，该技术可以很好地用于交通量调查统计、公安“卡口”系统中的车辆测速和图像抓拍触发、公路监控系统中的交通信息采集和公路及特殊路段(桥梁、隧道)的交通事件自动检测等领域，并有助于解决目前存在的许多实际问题，具有重要的理论和应用价值。基于线阵CCD摄像机的交通信息采集系统由线阵CCD摄像机、面阵摄像机、补光设备、高性能工控机等四部分组成，该系统不仅可以检测高速公路过往车辆的速度，还可以对车辆的车牌进行识别并存放在数据库中。根据数据库中的车速及车牌信息可检测出车辆超速、堵车、事故的交通事件。该系统由硬件和软件两部分组成，软件是整个系统的核心组成部分。软件主要实现相机及辅助光源控制、图像数据采集、视频录制及回放、图像分割、车辆匹配、车牌识别、车辆数据库管理、车辆数据分析、系统设置、系统容错等功能。本章将重点阐述车辆管理数据库系统软件的设计思路和实现方法。5．1系统软件功能设计本系统可以满足如下技术要求：(1)可以实时监测通过车辆的瞬时速度；(2)可以对通过车辆进行统计分类；(3)可以实时检测交通流的流量、占有率等参数；(4)可以实时检测所在区域的交通事件。经过对系统的硬件结构、工作原理进行深入了解及软件需求分析，我们设计了如图5．1所示的软件结构模型：操作系统运行在整个软件的最底层，是所有应用程序的运行平台。软件系统由硬件驱动程序、动态链接库接口程序、基于Windows界面的应用程序三部分组成。其中驱动程序则运行在操作系统的RingO级，直接跟硬件板卡通信，负责对硬件板卡的10控制和数据读写。动态链接库接口程序是联系应用程序与驱动程序之间通信的桥梁，它封装了一系列板卡操作函数，为应用程序对硬件进行各种设置和操作提供接口。与用户直接打交道的是基于Windows界面的应用软件，应用软件采用VisualC++开发，由图像采集与控制软件、图像分析软件【431、车辆数据库管理软件、系统维护软件四部分组成。应用软件的功能模块图如图5．2所示，各模块实现如下功能： 长安大学硕上学位论文系统自动维护软件系统操驱动车辆数据库管理软件硬作动态件系程链图像分析软件接部统序库图像采集与控制软件分VisualC++6．0开发工具计算机图5．1系统软件结构模型5．1．1图像采集与控制软件该模块主要负责线阵相机和面阵相机的控制以及图像数据的采集，摄像机控制主要包括电子快门和模拟增益的控制，保证摄像机在自然光照条件变化的情况下(包括：阴天、下雨、正午强光、日出、日落、夜间等情况)，背景灰度保持在一个较理想的区域内，恒定的背景便于后期的图像处理和分析。图像数据的采集包括线阵相机的数据采集和面阵相机的数据采集。线阵相机的数据采集速率高达1000帧／秒，每帧为1024个像素，每个像素12位精度‘44,45,46】，与计算机之间通过千兆网进行数据通信，计算机中的高性能驱动程序直接将图像数据存储在内存中。图像采集软件通过中断方式，每隔10ms取出10帧数据进行分析，判断是否存在车辆触发，从而决定是否抓拍近景和远景图片。面阵相机通过4路PCI图像采集卡进行图像数据采集【47】，近景图片通过DMA方式循环存放静态内存中，远景图片则直接存放至显卡。当采集软件判断出线阵的数据中存在车辆触发时，立刻将静态内存中和显存中最近时刻的图像数据提取出来并进行识别、显示、压缩、存盘。39 第五章车辆管理数据库系统软件设计1基于线阵ccD的交通信息采集系统软件【匝巫墓垂圃犀堕匦匿亟囹『_⋯‘}‘‘⋯。jr⋯⋯⋯⋯1I|l线ll面ll线1l面1l阵lJ阵JJ阵IJ相JI相Il相ll机lI机{{机JI图ll图II控Il控ll像l1像}l制II制Il采Il采lUU幽倒图5．2软件功能模块图5．1．2图像处理与分析该模块由线阵图像处理和面阵图像处理两部分组成，线阵图像处理包括背景估计、图像二值化、判断车辆触发、判断车辆结束、车辆分割、车速匹配等功能。由于高速公路的路面纹理特征比较明显，并且受光照条件影响较小，因此对每帧图像进行小波变换，统计若干帧相邻像素灰度变化情况，将出现概率最大的情况作为背景纹理特征，并逐帧对数据进行二值化和分析处理。将线阵CCD视场划分成三个逻辑车道(对应于面阵CCD监控的两个物理车道)，并为每个逻辑车道建立若干计数器，统计各个逻辑车道目标出现情况。如果某一车道连续有30行数据均有目标出现并且其目标点总数超过一定的阈值，则认为该车道有车辆出现，向主程序发送触发消息，启动相应程序进行抓拍，如果某一车道的空行数超过一定的闽值，并且该车道已经触发过，则判断该车道的目标是否满足车辆的长宽限制，如果满足，则向主程序发送车辆结束消息，启动测速模块，否则，则向主程序发送取消触发消息，将抓拍的图像和车牌识别结果从数据库中删除。面阵图像数据包括车牌识别及图像压缩等功能，车牌识别流程如图5．3所示，分为图像二值化、牌照定位、字符分割、字符识别等4个步骤。 长安^学硪』学位论立图像采集数字图像躺麓兰：I■_字符识别(OCR)h字符分割·牌照定位-牌照号码’牌照底色京EG6572蓝色圈”车牌识别流程图像中牌照区域的确定(牌照定位)是牌照识别的关键步骤．本系统中90％左右的牌照可以由定向反射图像很好地定位，定向反射图像中牌照区域非常突出，所以利用普遍采用的水平垂直直接投影删除的方法就可以获得很好的效果。牌照反光表面严重损伤或没有反光特性的少数汽车牌照(约有10％)的定位问题，也就是自然光图像牌照定位问题最难解决自然光图像中包含大量的背景目标，如何从这些复杂的背景目标中将汽车牌照区分出来是问题的关键14849]。本系统中，我们利用局部区域的最大梯度差(maximumgradientdifference-MGD)描述车牌字符笔画的纹理特征，并由其实现车牌的粗定位，在粗定位的基础上通过计算文字像素点和背景像素点的灰度统计实现局部阐值的二值化，再根据车牌字符的连通域特征提取车牌字符，是后结合车牌字符的结构实现车牌的精确定位。汽车牌照的字符排布总是遵循几种标准的模板，因此牌照字符的分割可以采用标准模板匹配的方法牌照字符分割的模板匹配过程为：(1)利用垂直投影方法获得字符的初始位置：(2)通过标准模板的伸缩和位置偏移去寻找和字符初始分害4位置“屉接近”的一个模板；(3)再通过垂直投影信息作进一步的细微调整．最后给出字符的水平位置信息和垂直位置信息(用于货车尾牌和新式牌结构)。字符识别方法目前主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法首先将分割后的字符二值化并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，最后选最佳匹配作为结果。基于人工神经网络的算法有两种：一种是先对待识别字符进行特征提取，然后用所获得特征来训练神经网络分配器；另一种方法是直接把待处理图像输入刚络，由网络自动实现特征提取直至识别出结果。由于计算机硬盘空间有限，因此抓怕的近景 第五章车辆管理数据库系统软件设计及远景图片必须压缩后存储到硬盘，图像压缩采用标准JPG2000格式进行压缩，压缩比达75％，一幅384*288的图片经压缩后，容量约为20．30k，按每辆车2幅图片，每天2000辆车，80G硬盘可存储约2年的车辆图片。5．1．3车辆数据库管理软件DAO(数据访问对象)是第一个面向对象的接口【501，它可直接调用MicrosoftJet数据库引擎，ADO是DAO的后继产物。ADO访问数据库是通过访问OLEDB数据提供程序来进行的，提供了一种对OLEDB数据提供程序的简单高层访问接口。ADO包含2个基本接口：ConnectionPtr接口、RecorderPtr接口。ConnectionPtr接口返回一个记录集或一个空指针。通常使用它来创建一个数据连接或执行一条不返回任何结果的SQL语句，通常同CDatabase一样，使用它创建一个数据连接，然后使用其它对象执行数据输入输出操作。RecorderPtr接口是一个记录集对象。它对记录集提供了许多控制功能，如记录锁定、游标控制等。它可以用一个连接串代替连接指针赋给RecorderPtr的connetion成员变量，让它自己创建数据连接‘511。如果要使用多个记录集，最好的方法是使用已经创建了数据连接的全局ConnectionPtr接口，然后使用RecorderPtr执行存储过程和SQL语句。数据库基本流程图如图5．4所示。ADO库I．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．_|广—————————]厂—————————]ConnectionPtr接D_RecorderPtr接El∥．．⋯⋯ii⋯⋯⋯一臣习圈回圜图5．4数据库流程图系统采用SQLSserver2000作为数据库平台存储过往车辆的相关信息，数据库的主要字段有：检测编号、卡口号、卡口名称、车牌号码、车牌颜色、通过速度、通过时间、车长、车宽、所在车道、车辆类型等。车辆数据库管理软件具备、删、改、查等功能。每辆车通过卡口时，数据库都会自动增加一条车辆记录，数据库具有数据自动清除功能，当车辆数据达到设定数量时，将自动删除数据库中的旧数据。系统还支持各种查询功能，用户可以根据任意字段进行查询，也通过多字段进行联合查询【52】。用户通过查询可以回放车辆近景、远景、线阵图像数据，根据这些数据可以进行现场还原，作为车辆超速罚42 长安大学硕上学位论文款依据。对车辆数据库中的数据进行统计分析，可以统计出车流量的年、月、周、日的直方图分布以，及车速直方图分布和车型比例分布，对多个卡口的数据进行分析还可以检测出塞车、事故、低速、逆行等交通事件。基本程序代码如下：voidCPropertyPageDataBase：：OnBnClickedButtonAdd0{／／TODO：在此添加控件通知处理程序代码GetDlgltem(IDC—BUTTON_ADD)->EnableWindow(false)；m_iManualMode=0；)voidCPropertyPageDataBase：：OnBnClickedButtonDelete0{／／TODO：在此添加控件通知处理程序代码GetDlgltem(IDC_BUTTON_ADD)->EnableWindow(false)；m—iManualMode=1；OnBnClickedButtonConfirm0；}．voidCPropertyPageDataBase：：OnBnClickedButtonRevise0{／／TODO：在此添加控件通知处理程序代码GetDlgltem(IDC—BUTTON_REVISE)一>EnableWindow(false)；miManualMode=2；)voidCPropertyPageDataBase：：OnBnClickedButtonQuery0{／／TODO：在此添加控件通知处理程序代码UpdateData(true)；CStringstrSQL=．．T(⋯’)，str=_T(⋯’)；strSQL=”SELECT幸FROMTrafficDataWHERE”；CStringstrContent=_T(””)；if(mstrID!=””)strContent=”ID=⋯+mstrID+⋯”：if(mstrPlateNo!=””&&strContent!=⋯’1strContent=strContent+”ANDPLATENO=川+mstrPlateNo+⋯”：if(mstrPlateNol=””&&strContent一””1strContent=”PLATENO=”’+mstrPlateNo+”Ⅲ：str．Format(”％d",m_iVehType)；43 第五章车辆管理数据库系统软件设计if(m_iVehType!=-1&&strContent!=””、strContent=strContent+”ANDVEH_TYPE=⋯+str：if(m_iVehType!=·1&&strContent一⋯’)strContent=”VEH—TYPE=”+str；if(strConten户⋯){：：MessageBox(NULL，”检测编号’、’车牌号’、’车辆类型’至少有一项不为空，否则无法查询!”，”提示”，MB_ICONINFORMATION+MB一0K)；return：)else{strSQL2strSQL+strContent；m_adoRecordSet．Open((LPCTSTR)strSQL．GetBuffer0)；imnCount=m_adoRecordSet．GetRecordCount0；m_adoRecordSet．Close()；for(inti-1；i<=IlCount；i++){str．Format(”％dfI，i)；}InitGrid(1)；)return；}5．1．4系统自动维护软件系统在运行之前必须对一些参数进行设置，例如：卡口参数(包括卡口号、卡口名称、上行或下行)，数据保留时间，逻辑车道划分，相机初始化参数等。由于系统95％的时间处于无人值守的自动运行状态，因此必须具备自动维护功能，例如：系统出错自动重启功能和数据自动清理和功能。本系统采用硬件看门狗保证系统在出错、死机等情况下自动重启，磁盘空间不足时将自动清除旧的数据。系统还具有自动同志功能记录计算机的重启时间、相机参数调整时间、每天通过车辆的统计信息。系统还具有CPU占有率、内存和硬盘使用空间等系统信息。 长安^学碰士学位论文5．2车辆管理数据库系统软件功能介绍5，21系统初始化Tra@cCoIIect2毋Allright㈣～。w2。o■∞07E芒Ⅻ抬化相机图ss系统初始化界面系统开机后，将出现如图55所示的系统初始化界面，在该界面中系统将进行硬件初始化和软件初始化，这个过程大约需要2～3分钟。主要的初始化内容包括：线阵相机的初始化、面阵相机的初始化、系统参数读取及设置、车牌识别软件初始化、数据库初始化等操作。5．2．2主界面系统初始化完成后，将出现如图5．6所示的主界面，该界面由前线阵CCD图片；后线阵CCD图片画面；车辆近景图片画面：辆远景图片画面：车牌、车速、车长显示框；车辆数据库、交通流统计、车型统计、事件检测、系统日志、系统性能、系统设置选项卡：相机调试信息显示框组成。系统在运行过程中将实时显示线阵扫描相机采集的图像，当车辆进入前线阵CCD摄像机的视场中，系统将检测出车辆的存在，并画出触发线，同时启动图像抓拍线程，抓拍车辆的近景和远景照片并进行车牌识别。当车辆进入后前线阵CCD摄像机的视场中，系统将对前后线阵CCD图像中的车辆进行匹配，计算出车辆的速度和车辆的长度。当车牌识别出来之后将和车辆速度、车长、车型、触发时间、所在车道等数据一起存入数据库中。用户可以点击车辆数据库、交通流统计、车型统计、事件检测、系统日志、系统性能、系统设置选项卡中的任意一项查看相关信息。在相机 第Ⅱ章车辆管理数掘库系统软件设计调试信息显示框中用户可咀输入各种命令查看相机的工作状态，各种参数设置等，也可以通过命令设置相机的各种参数。图i6系统运行主界面523车辆数据管理用户点击选项卡中的车辆数据库选项，将出现图5．7所示的界面。系统采用SQLSserver2000作为数据库平台存储过往车辆的相关信息，数据库的主要字段有：检测编号、}口号、卡口名称、车牌号码、车牌颜色、通过速度、通过时『6J、车长、车宽、所在车道、车辆类型等。车辆数据库管理软件具备、删、改、查等功能。每辆车通过昔口时，数据库都会自动增加一条车辆记录，数据库具有数据自动清除功能，当车辆数据达到设定数量时，将自动删除数据库中的旧数据。系统还支持各种查询功能，用户可以根据任意字段进行查询．也通过多字段进行联合查询。用广点击图中数据列表中任意一条记录，主界面将显示与浚记录相关联的车辆近景、远景、线阵罔像数据．报据这些数据町以进行现场还原，打印罚单报表．作为车辆超速罚款依据。 K安大学碰+学位论文凹一t—l舢一mj胄一*i翱·一}舀“nl整x—l*_竹衍i弼而T面一$聃_4厚i丽辅艴匿薛*一mK柏阿丽而～～肫捌F一一一一一{啦tr一一{，I翔印ii—司辅长厦r一稿愧睡阿丽葡i—塑J—些J苎苎I望[鳖I壁I坚圈s7车辆数据库管理界面5．2．4交通流统计曰一一i^Im一*毒一*翱-一舀一n—i*me图5．8车菠量统计界面用户点击选项卡中的变通流统计选项，将出现如图5．8所示的界面，在该界面中，用户可以对车辆数据库中的数据进行统计分析，可以统计出车流量的年、月、周、日的直方图分布。525车型统计用户点击选项卡中的车型统计选项，将出现如图5．9所示的界面，在该界面中，用户可以对车辆数据库中的车型数据进行统计分析，可以统计出指定时间段内大、中、小、其他等各种车型的比例分市饼图。 第五章乍辆管理数据库系统轼件鞋计翻；*一1IllImam口；一”’翱·一j舀～；里一t图s9车型统计界面52．6交通事件检测到一”妇zm“*膏一*翔，一一西一t曼一”t*④mO*；o国圈5．10交通事件检涌界面用户点击选项卡中的事件检测选项，将出现如图5．10所示的界面，在该界面中，将以曲线形式显示通过车辆的速度曲线图，当车辆长时间处于低速时，系统将向监控中心发出报警，并将远景图片传送给监控中心，以便确定是否发生交通事故。对多个卡口的数据进行分析还可以检测出事故、逆行等交通事件以及车辆的区间速度。 长安大学硕士学位论文5．27系统日志圈5．11系统El志界面用户点击选项卡中的系统El志选项，将出现如图5．11所示的界面，在该界面中，用户可以看到系统的各种日志信息，包括相机参数调整信息，车牌识别结果，车速异常事件、计算机重启时问等重要参数的记录，该El志每天存储一个文件，便于日后用户分析系统长时间的运行情况。52．8系统设置；：鏊斧⋯一s丽r—f口g#Ⅲiiiii——————————————一refitm旧0i{#Em＆■÷a¨霸丽r一捌1：≈^医一彀——#^际q3mii一％蚌点日M腼嬲摊目璐鲥目F矿刁麟矾搽瞰钎*2阿丽一i．捌聃魁-睁豫目f函oo--女．^翻佩自触目#*p^翻糟r南F聊l#m㈣m阿㈣冈㈣№m冈㈣阳堕{±圈5．12系统设置界面用户点击选项卡中的系统设置选项，将出现如图5．12所示的界面，系统在运行之前必须对一些参数进行设置，例如：卡口参数(包括卡口号、卡口名称、上行或下行)，数据保留时间，逻辑车道划分，相机初始化参数等。由于系统95％的时间处于无人值守的自动运行状态，因此必须具备自动维护功能，例如：系统出错自动重启功能和数据自 第五章车辆管理数据库系统软件设计动清理和功能。本系统采用硬件看门狗保证系统在出错、死机等情况下自动重启，磁盘空间不足时将自动清除旧的数据。 长安大学硕士学位论文结论与展望1、结论本文研究了基于线阵CCD的交通信息采集系统，并对车辆分割算法进行了详细的论述。利用VisualC++实现了车辆检测算法。本文以固定摄像机获取的视频交通场景作为研究对象，以检测视频图像中的运动车辆为目的，对所涉及的背景更新、车辆检测等关键技术问题进行了深入的分析和研究，并在以上研究的基础上进行了实验仿真，可以得到以下结论：(1)在研究常规图像分割算法的基础上，提出了一种适用于线阵CCD图像的分割算法，该算法主要是基于图像纹理，首先利用小波变换提取路面的纹理特征，以此作为二值化的依据，然后为每个逻辑车道建立若干计数器，并根据二值化的结果进行车辆分割。通过现场实验验证了基于图像纹理的车辆检测算法的正确性与有效性，该算法有效消除了车灯和阴影对车辆分割的干扰，从而实现了对车辆的准确分割。(2)在车辆分割的基础上，提出了标识车辆目标的投影算法，该算法利用已经建立的若干计数器确定目标的上下边界及左右边界，该算法可以准确地对目标车辆标识(3)最后详细介绍了用SOLServer开发的数据库系统，该数据库系统主要有车辆数据库管理、车辆数据分析、系统设置、系统容错等功能。该软件具有界面友好，操作简单等优点。2、后续工作的展望交通信息采集是一个具有相当深度和难度的课题，而且与现场测试技术紧密联系，仍有大量的技术问题需要解决。本文的研究工作只是有侧重的解决了其中的部分的关键问题，还有一些内容有待继续深化和完善，主要包括以下几个方面：(1)多种传感器信息融合的技术的应用。交通检测系统必须在各种天气条件下可靠工作，在视觉的不同处理层次中，将视觉信息与来自其它传感器的信息融合起来，将会提高交通检测系统的适应性和鲁棒性，得到更好的分析和处理结果。(2)虽然计算机的处理速度越来越快，然而由于图像处理十分复杂，运算量大，特别是在车型图像采集时遇到照明采光不好，雨、雾、雪等恶劣天气，或物体本身发光等，都会使得车型图像产生比较严重的噪声，处理速度和图像分割算法对于整个系统来说是至关重要的。因此研究具有良好抗噪性能、运行稳定、采用并行算法的图像分割方法就显得尤为重要。(3)视频图像可以包含丰富的信息，但是也有其自身的缺陷，如容易受到光线、 结论与展望阴影、遮挡的影响，如果能结合其他车辆数据检测方法，将几种方法融合起来对车辆及交通事件进行检测是一个不错的选择。通过本文可以看出，应用视频技术的智能交通系统在检测运动车辆目标有着较好的性能，发挥着极大的作用。目前计算机硬件技术的不断发展也为该系统的开发和应用提供了坚实的技术基础和现实可能性，在更好地提升软件性能的同时，智能交通系统的逐步应用必将产生良好的社会效益和经济效益。52 长安人学硕士学位论文[1】【2】【3】【4】【5】【6】参考文献魏明，龚家伟．智能交通运输系统(ITS)及其发展现状[J】．贵州大学学报，2002．821(5)：375．380杨俊，张玲霞，陈明．基于视觉检测的城市智能交通系统应用研究【J】．测控技术．200222(3)：53．55魏武，张起森，王明俊，黄中祥．基于计算机视觉和图像处理的交通参数检测[J】．信息与控制．2001(6)：23-24晏磊，张伯旭，常炳国．CCD图像传感器及其数字相机技术[J]．信息记录材料，2002，3(1)：45．49王庆有CCD应用技术[M]．天津：天津大学出版社，2002黄若芸，莫玉龙．用于智能交通“车流量监测”的压缩域内运动目标监测[J】．上海大学学报．2003，9(2)：100．104[7】MicchalopoulosP．G．VehicleDetectionThroughVideoImageProcessing：AUTOSCOPESystem[J]．IEEETransactionsonVehicularTechnology,1991，40(1)：21-29【8】VersavelU．，LemaireE，StedeV．．CameraandComputerAidedTrafficSensor[A]．IEEthe2ndInternationalConferenceonRoadTrafficMonitoring[C]．London，UK，1989：21-29【9】TakatooM．Trafficflowmeasuringsystemusingimageprocessing[J]，SPIE1197，1989：172一180【10】BlossevilleJ．M．，l㈤C．，LenoirE，eta1．TITAN：Atrafficmeasurementsystemusingimageprocessingtechniques[A]．1EEthe2ndInternationalConferenceonRoadTrafficMonitoring[C]．London，Ul(，1989：56—62【11】巨永锋，朱辉，黄玉贤．一种新型交通检测装置视频车辆检测系统【J】．现代电子技术，2002，(5)：20·21【12】KamedaY，MinohM．Ahumanmotionestimationmethodusing3-successivevideoframes[A]．ProceedingsofInternationalConferenceonVirtualSystemsandMultimedia[C]．Gifu,Japan，1996：135-140【13】郁梅，蒋刚毅．智能交通系统中的计算机视觉技术应用【J】．计算机工程及应用，2001，37(10)：101—100【14】王圣男，郁梅，蒋刚毅．智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述【J】．计算机应用研究，2005，22(9)：9．14【15】WilliamK．AutoscopetmVideoVehicleDetectionSystem[J]．EconomicControlProducts．1nc．3【16】MichalopoulosEG．FielddevelopmentofautoscopeTMintheFASTTRACATMS／ATISprogram[J]．TrafficEngineeringandControl，1992，(9)：475-483【17】肖旺新，张雪，黄卫．交通视频图像的多尺度自适应闽值边缘检测【J】．土木工程学报，2003，37(6)：89．94[18】GupteS．，MasoudO．，MartinR．，eta1．Detectionandclassificationofvehicles[J]．IEEETransactionsonIntelligentTransportationSystems，2002，3(1)：37-47【19】Chellappa&，QianQ，ZhengQ．，VehicleDetectionandTrackingUsingAcousticandVideoSensors[A]．ProceedingsoftheInternationalConferenceonAcoustics，Speech，andSignalProcessing[C]，Montreal，Quebec，Canada,2004，(3)：793—79653 参考文献[20】ShastryA．C．，SchowengerdtR．A．，Airbornevideoregistrationandtraffic-flowparameterestimation[J]．IEEETransactionsonIntelligentTransportationSystems，2005，6(4)：391—405[21】刘勃，周西汉，周荷琴．混合交通场景中的车辆检测和识别【J】．中国科学技术大学学报，2004，34(5)：599-606[22】HorprasertT．，HarwoodD．，DavisL．S．Arobustbackgroundsubtractionandshadowdetection[A]．ProceedingsoftheFourthAsianConferenceonComputerVision[C]，Taipei，Taiwan，2000，(1)：983·988．【23】NakamuraM．，ZhaoH．，ShibasakiR．，Trackingpassengermovementwithinfraredvideodata[A]．Proceedingsofthe22ndAsianConferenceonRemoteSensing[C]，Singapore，2001(2)：1520·1523．【24】LeeD．S．，HullJ．J．，andErolB．．ABayesianFrameworkforGaussianMixtureBackgroundModeling[A]．ProceedingsofInternationalConferenceonImageProcessing[C]．2003，3：973-976【25】刘文．基于小波分析和矩特征的车型识别研究【M】．南京工业大学．2006【26】汪亚东，关玉景，邹溪．一种基于提升小波变换的数字图像隐藏方法【J】．吉林大学学报(理学版)，2004：42(1)：67—72【27】李景宏，彭辉，杜玉远，李景华，王文辉．基于小波变换的超卢多普勒血流信号的分析【J】．东北大学学报(自然科学版)．2000：21(5)：487．489【28】贺银芝，沈松，刘正士，应怀樵．基于小波变换的奇异性检测在发动机迮杆轴承故障诊断中的应用[J】．北京工业大学学报，2000：26(4)：72-76【29】贺银芝，沈松，刘正士，应怀樵．基于小波变换的奇异性检测在发动机连杆轴承故障诊断中的应用【J】．北京工业大学学报，2000：26(4)：72-76【30】郭彤颖，吴成东，曲道奎．，J、波变换理论应用进展【J】．信息与控制，2004：33(1)：67—71【3l】徐长发，李国宽．实用小波分析(第二版)【M】．华中科技大学．出版社．2003【32】吴敏金．图像形态学【M】．上海科学技术文献出版社．1991【33】王树文，闰成新，张天序等．数学形态学在图像处理中的应用[J】．计算机工程与应用．2004，32：89-92【34】郁梅，将刚毅，贺赛龙．基于路面标记的车辆检测和计数．仪器仪表学报[J】．2002，23(4)：394．399【35】郑南宁．计算机视觉与模式识别一匕京：国防工业出版社【M】．1998【36】章毓晋．图像分割．北京：科学出版社【M】．2001【37】刘勃，周西汉，周荷琴．混合交通场景中的车辆检测和识别【J】．中国科学技术大学学报，2004，34(5)：599-606【38】J．S．J．Lee．MorphologicedgeDeteetion．IEETrans．OnRobotiesautomat[J]．1987，3：140-156【39】何斌，马天予，王运坚．VisualC++数字图像处理【M】．北京：人们邮电出版社，2002【40】王润生．图像处理[M】．国防工业出版社，1995【41】王庆有，孙学珠．CCD应用技术[M】．天津：天津大学出版社，2000，11【l】【42】金杰，徐锡林．提高CCD分辨率的一种尝试[J】．现代计量测试，1997，3【43】湛延政，吕海宝．CCD细分技术方法研究及应用【J】．光学学报，2002，11 长安大学硕十学位论文【44】田宏强，蒋建国，李小红．基于PCI总线的图像采集卡的开发与应用【J】．微计算机信息，2000，1613】【45】俞宏军．汽车车型与牌照识别系统的研究与实现【D】．长安大学，2005【46】郁炜．车型车牌自动识别技术的研究[D】．浙江工业大学．2004【47】魏朗，陈涛．VisualC++程序设计攻略教程【M】．西安电子科技大学出版社．2004【48】王瑞，于速，张雨．VisualC++数据库系统开发完全手册[M】．人民邮电出版社．2006【49】邓鲁华，张廷恒．数字图像处理【M】．机械工业出版社．2005，l55 攻读硕十学位期间发表的论文攻读硕士学位期间发表的论文[1]李佳慧，基于虚拟仪器的弹药充填计算机监控系统的研制，自动化信息，2006[2]周水生，李佳慧，基于CAN总线的稳定土厂拌设备控制系统研究，长安大学研究生科技论坛，2006年卷 长安大学硕t学位论文致谢本文是在我尊敬的导师宋焕生教授悉心指导下完成的。宋老师不仅传授给我丰富的专业知识和正确的学习方法，还使我明白了许多为人处事的道理。他严谨的治学态度、求实的工作作风、锲而不舍、勇于创新的学习精神深深地影响了我，使我受益匪浅。在此，谨向我的导师宋焕生教授表示最诚挚的谢意和深深的祝福!同时非常感谢赵祥模老师、徐志刚老师、王国强老师和李娜老师以及帮助过我的信息工程学院其他老师，感谢他们在我研究生求学阶段及论文完成中所给予的指导和帮助。衷心感谢黄征、王水波、郭亚等在研究生学习期间所有给予我关心和帮助的同学和朋友们；感谢师姐戚秀真所给予我的关心和帮助；同时感谢郑贵桢、苏书杰等师弟师妹们，在此向他们致以最诚挚的谢意!从2001年到2008年，我在长安大学整整学习、生活了7个年头，校园里留下我求学的匆匆脚步，晨读的琅琅书声以及成功的欢呼雀跃，7年的经历成为了我一生的财富。衷心感谢我的母校长安大学。最后，衷心感谢我的父母、亲人和我的朋友，感谢他们在我攻读硕士学位期间给予我的全力支持和帮助。在此向他们致以最崇高的敬意和最诚挚的谢意157