基于OpenCV的车辆检测论文 - 图文

摘 要

智能交通系统(ITS)是目前世界交通运输领域正在研究和广泛关注的课题。 近年来，智能交通系统的应用给交通运输业带来了巨大的经济效益，对于道路设 计、流量监控和高速公路管理起到了越来越重要的作用。论文所研究的视频车辆 检测技术在ITS中占有很重要的地位，与传统的车辆检测方法相比，视频车辆检测技术不仅具有安装维护便捷且费用较低、可监视范围广等诸多优点，同时可对道路现场图像进行智能化分析和处理。

本文利用OpenCV中对运动物体检测的数据结构、函数库，建立了一个视频车辆分析系统，用于道路上车辆的检测。检测过程是首先对视频图像进行预处理，比如二值化、去噪等；然后进行背景的提取及更新，由于背景差分法是通过当前帧和背景帧相减来提取运动目标，所以实时的背景更新尤为重要，本文采用多帧求平均的方法来更新背景，避免了光照条件和气候环境等带来的不利影响；最后利用背景差分法检测出运动车辆。经过实验验证，该方法可以较准确地检测出车辆目标，检测的成功率可达到90%以上。

关键字： 视频处理 车辆检测 OpenCV

ABSTRACT

Intelligent Transportation Systems (ITS) is the subject of study and attention in the world's transportation sector.In recent years, the application of intelligent transportation systems has brought enormous economic benefits to the transportation industry,and it has played an increasingly important role in the road located design, traffic monitoring and highway management.The video vehicle detection technology in this thesis study plays an important role in ITS.Compared with the traditional method of vehicle detection, video vehicle detection technology has easy installation and maintenance,low cost, wide range that can be monitored and many other advantages , while it can do intelligently analysis and processing to the image of the road scene.

This thesis sets up a video vehicle analysis system for detecting vehicles on the road by the moving object detection data structure and function library in OpenCV. Detection processes include:First,video image pre-processes,such as binary,removing noise;Next,background extraction and update, as background subtraction is based on that subtract the current frame from background frame to extract moving target,real-time background update is particularly important, we use multi-frame averaging method to update the background,which avoids the the adverse impact of light conditions and climatic and environmental;Finally, the detection of moving vehicles by background subtraction.Experimental results show that this method can accurately detect the vehicle target, the success rate of detecting is up to 90%.

Key words: Video Processing Vehicle Detection OpenCV

目 录

第一章 绪论 ????????????????????????????1 1.1 课题背景和研究意义???????????????????????1 1.2 国内外研究现状?????????????????????????1 1.3 OpenCV概述?????????????????????????2 1.4 本文研究内容??????????????????????????4 1.5 本文章节概括??????????????????????????5 1.6 本章小结????????????????????????????5 第二章 基于视频的车辆检测技术概述?????????????????6 2.1 引言??????????????????????????????6 2.2 视频车辆检测技术实例发展历程??????????????????6 2.3 视频车辆检测技术未来趋势????????????????????7 2.4 本章小结????????????????????????????7 第三章 车辆检测算法设计??????????????????????9 3.1 引言??????????????????????????????9 3.2 车辆检测算法流程图???????????????????????9 3.3 图像预处理??????????????????????????10

3.3.1 设定感兴趣区域?????????????????????10 3.3.2 高斯低通滤波处理????????????????????10 3.3.3 二值化阈值分割?????????????????????10 3.4 背景初始化与更新???????????????????????11 3.5 提取前景运动目标???????????????????????11 3.6 本章小结???????????????????????????12 第四章 实验结果与分析??????????????????????13 4.1 引言?????????????????????????????13 4.2 实验配置???????????????????????????13 4.3 实验结果与分析????????????????????????13 4.4 本章小结???????????????????????????16 第五章 总结与展望????????????????????????17 5.1 本文总结???????????????????????????17 5.2 工作展望???????????????????????????17 谢辞???????????????????????????????19

参考文献?????????????????????????????20 附录??????????????????????????????21

大连交通大学2015届本科生毕业论文

第一章 绪论

1.1 课题背景和研究意义

随着当今经济的高速发展，机动车的保有量迅速增加，导致交通状况的不断恶化。现在无论哪个国家都毫无例外的受到不同程度的交通问题的困扰，在中国，这种情况尤为突出并严重影响了人类生活的质量，给环境、经济和社会带来了严重的后果。为从根本上解决交通拥挤堵塞的问题，人们开始运用各种新技术，如信息技术、计算机技术、通信技术、控制技术等，将人、车、路紧密联系起来，不仅有效地解决了交通阻塞问题，而且对交通事故的应急处理、环境的保护、能源的节约都有了显著的效果。

基于视频的运动车辆检测是自动交通事件检测系统的首要步骤及重要组成部分，它为后续的车辆检测，车辆跟踪与统计提供保证。对交通安全和交通控制具有非常重要的理论意义和实用价值，是基于视频智能交通系统的基础。 视频检测技术在传统的电视监视系统基础上将计算机视觉引入到交通信息 检测之中，通过计算机从数字图像中提取出高级交通信息，同时又像其它车辆检 测器一样能向交通监控中心提供图像和交通参数如车速、车流量等。已有的成 熟的商用视频车辆检测系统主要有Autoscope，Traficon以及Peek等。

视频序列图像运动目标分析的基本内容是利用成像系统或现有文件，从连续 的视频序列图像中提取出运动目标，同时对提取出的运动目标进行识别和跟踪， 并对其行为进行理解和描述。视频图像的运动分析以数字图像处理为基础，内容 涉及数字图像处理、模式识别、计算机视觉、人工智能等诸多领域和学科。目前， 开发视频序列图像运动目标分析系统不但在实时性、鲁棒性上有很高的要求，也 逐步重视其通用性和可移植性，这些都给视频运动分析带来了挑战。

它相对传统车辆检测技术具有如下优点：安装维护方便，摄像头架设在路边，安装维护不需要封闭道路，挖掘路面，不会影响正常交通；一个普通的CCD摄像头就可以检测几百米内的多车道交通信息，迄今为止还没有一种传感装置能够像基于计算机视觉处理那样提供如此直观、详细的交通信息参数(如精确的车辆行驶路线、车型、车辆尺寸以及车辆颜色等等)；可以对交通现场录像，供以后查询；同时视觉系统也是一个被动的感知系统，它对于周围的环境几乎没有影响，即使相同的视觉系统之间也不会发生干扰。

基于上述的优越性，基于视频图像的车辆检测技术对于智能交通系统的发 展有巨大的推动作用，对于日常生活和国家的经济发展都有很大的实际意义。

1.2 国内外研究现状

随着计算机视觉技术的蓬勃发展，作为其中的一个重要分支-运动物体的检

1

大连交通大学2015届本科生毕业论文

测与跟踪技术也吸引了国内外专家学者的强烈兴趣。其原理是对视场内的运动目标进行实时的图像采集，并在此基础上运用图像处理的相关技术对观测对象进行行为分析，自动得到观测结果。车辆视频检测作为其中的一个重要运用，吸引了很多著名公司和研究机构参与其中。

国外的视频检测技术研究开始的较早，经过十几年的发展，技术己经相当成 熟，视频检测与线圈检测技术相比具有的优越性和高性价比己得到业内人士的公 认，代表了未来车辆检测领域的发展和应用方向。美国ISS公司的AUTOSCOPE， 是一个较为成功的商业系统，具有实时检测交通参数的能力，是国际上交通信息 采集中最具竞争力的视频检测系统之一。另外国外还有一些公司在这方面也从事 了应用研究和开发工作，也推出了各自成熟的系统级产品。比如ITERIS公司Vantage系列视频检测处理单元的最新视频检测器产品：Vantage Edge2，比利时Tmficon公司推出的Monitor系列等。

美国、日本等国家在车辆视频检测方面展开了大量的研究。早在1982年，东京大学教授S.Takab等就提出样本点的方法来检测车辆，此系统实际应用时的车辆计数误差小于5%，速度误差小于10%。T.Abramczuk教授则在1984年提出一种应用图像帧差的方法来检测车辆，其原理是在每一条道路上均设置一条与道路相平行的检测线，通过车辆沿车道的方向分割出运动车辆，此方法运用于瑞典皇家技术院研制的道路监控系统中取得了良好的效果。

视频车辆检测技术虽然在国内研究起步比较晚，但经过这些年的迅速发展， 也取得了很多研究成果，如中国科学院自动化研究所模式识别国家重点实验室谭铁牛研究员从20世纪90年代初就开始研究基于三维模型的智能视觉监控系统，领导视觉监控小组，针对系统中若干关键性问题像车辆检测、跟踪以及车辆基于OpenCV的视频道路车辆检测及跟踪行为分析，进行了深入的研究和探讨，提出了自己的见解和主张，取得了一系列的研究成果。

同时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，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。这些产品大多数功能都比较单一，虽说有的也比较好的实现了视频检测的功能，但在实际的推广当中效果并不明显，还远远没有达到实际应用的要求，同国外的产品相比还有相当的差距。因此，我国在这方面的研究还要继续加强，不断开发和完善技术，真正推出适合于国情的交通视频检测产品。

1.3 OpenCV概述 OpenCV，全名为Open Source Computer Vision Library，是Intel公司资助的

开源计算机视觉库。它由一系列C函数和少量C++类构成，提供了针对各种形式

2

大连交通大学2015届本科生毕业论文

的图像和视频源文件(如：bitmap图像，video文件和实时摄像机)的帧提取函数和很多标准的图像处理函数，实现了图像处理和计算机视觉方面的很多通用算法。

其重要特性包括：

（1）拥有包括300多个C函数的跨平台的中、高层API。它不依赖于其它的外部库一尽管也可以使用某些外部库。 （2）对非商业应用和商业应用都是免费的。

（3）为Integrated Performance Primitives(IPP)提供了透明接口。这意味着如果有为特定处理器优化的的IPP库，OpenCV将在运行时自动加载这些库。 以往传统的开发方法要求工程人员在完成的硬件设计的同时，自己编码实现所有底层的算法，所有的图像处理函数都要从头编写，既造成时间和精力上的浪费，又难以保证稳定性、实用性和通用性，越来越难以满足现实的需求。为了解决理论到应用的难题，出现了众多的计算机视觉和图像处理软件包。例如，TargetJr及其后续版本VXL(the Vision something Libraries)就是这样一个C库的集合，在满足小型、快速和稳固的系统开发要求的同时提供了多平台移植性。Gandalf提供了计算机视觉和数值计算库，适合于可移植平台的视觉应用软件的开发。Delft科学图像处理库DIPlib是另一个科学图像处理C程序库，包含了许多图像数据多维分析和处理函数。同时许多商用图像处理和计算机视觉软件包也得到相应开发。MVTec公司开发的HALCON是其中之一，它包含了C／C++代码的图像处理库。LabView在NI图像处理硬件的支持下能加速图像处理。由微软公司开发的SDK是一个底层的图像操作分析的C++库。在Matlab中的图像处理工具包以及在Mathematica中的数字图像处理软件包都是较为强大的图像处理工具，同时这两个软件包兼有许多高级数学计算功能。由Aurora公司开发的LEADTOOLS是一套商用化计算机视觉包，它包括了图像处理服务器开发工具，允许用户创建各种基于网络的图像处理服务程序。

这些软件包为计算机图像分析和机器视觉提供了极大的便利，但也存在一些 不足之处：

（1）大多数软件包没有高级数学计算函数。并且这些软件包都不包括如目标跟踪、摄像机标定、姿态识别、脸谱识别和三维重建等高层函数。

（2）Matlab是功能较为强大的科学计算和分析平台，它提供了图像处理工具包，也提供了较为丰富的数学计算函数，但在Matlab环境下的运行速度令人担忧。虽然Matlab可以通过编译器将m文件转化为C代码。但是转换后的C代码的执行效率和可读性存在较大问题。

（3）除Matlab和LEADTOOLS。大部分软件包不支持网络服务器结构的应

3

大连交通大学2015届本科生毕业论文

用程序的开发；Mmlab的网络接口机制较为复杂，且同样存在运行效率的问题。绝大多数软件包不支持可嵌入性。

本文选取OpenCV进行视频序列图像运动分析，与上述软件包相比，OpenCV 的优势在于：

（1）C代码，源代码开放。

（2）丰富的函数功能，强大的图像和矩阵运算能力：OpenCV提供了数组、序列、矩阵、树等基本结构，也包含了差分方程求解、傅立叶分析、积分运算、特殊函数等众多高级数学计算函数，以及各种图像处理操作和目标跟踪、摄像机校准、三维重建等高级视觉函数。

（3）平台无关性。基于OpenCV开发的程序可以直接在Windows，Unix，Linux，MacOS X，Solaris，HP等平台之间相互移植，无需对代码进行任何修改。 （4）方便灵活的用户接口。OpenCV作为一个开放的计算机视觉函数库在使用上必然没有Matlab那样解释执行来得方便，而Softlmegration将CH和OpenCV绑定起来推出的CH OpenCV，解决了这一使用上的瓶颈。

（5）可嵌入性：与C／C一编译器不同。Ch能嵌在C／C++应用程序和硬件的机器脚本中。它为用户减轻了丌发维护应用程序庞大机器代码的沉重负担。统一的结构和功能定义，基于Intel处理器指令集开发的优化代码。可见，作为一个基本的图像处理、计算机视觉和模式识别的开源项目，OpenCV可以直接应用于很多领域，作为二次开发的理想工具。

OpenCV开发平台的搭建很简单，首先安装下载得到的OpenCV应用程序，然后在Visual Studio 2008下编译所要的静态和动态链接库文件，包括1ib路径的设置、include files路径的填写，再进行工程项目的链接设置就可以了。 在VS2008中建立新工程以后，在工程设置里添加需要的OpenCV库，并在程序文件中包含OpenCV的头文件，就可以在Windows下面利用VS2008进行基于OpenCV的图像程序开发了。

1.4 本文研究内容

随着社会的发展及汽车的普及，交通拥挤日益加剧、交通环境恶化等问题也变得日趋严重。近年来,智能交通系统的应用给交通运输业带来了巨大的经济效益和环境效益, 其中，基于视频的车辆检测技术在智能交通系统中占有很重要的地位，已经成为智能交通系统的重要研究课题。与传统的车辆检测方法相比，基于视频的车辆检测技术具有安装维护便捷且费用较低、可监视范围广等许多优点，具有广阔的研究和应用前景。

本文以交通道路视频为研究对象，主要对车辆检测技术进行研究。研究了如何准确的在视频中检测车辆，设计算法并进行测试分析。

4

大连交通大学2015届本科生毕业论文

1.5 本文章节概括

第一章：本章为绪论，主要介绍了基于OpenCV的车辆检测这一课题的来源及研究意义、国内外在这一领域的研究现状，从车辆检测角度概述了OpenCV的优势和特点，并对全文章节进行概括。

第二章：本章主要研究了基于视频的车辆检测技术的发展及趋势，通过对已有的视频车辆检测技术及其发展趋势的分析，说明基于OpenCV的视频车辆检测的优势和可研究性。

第三章：本章通过对车辆检测算法的分析，针对于一个道路交通视频做了图像预处理、背景提取与更新、前景目标检测等工作，为后续实验步骤提供理论基础。

第四章：本章介绍了完成实验的实验配置，并对整体实验结果进行分析和总结，提出实验过程中出现的问题及该方案的需要改进之处。

第五章：总结全文并分析基于OpenCV的车辆检测的发展前景。

1.6 本章小结

本章主要阐述课题的来源、目的和意义，同时对查阅的文献资料进行总结，

分析了车辆视频检测的国内外研究现状，概述OpenCV，叙述本文研究内容及以后各章节大致安排。

5

大连交通大学2015届本科生毕业论文

第二章 基于视频的车辆检测技术概述

2.1 引言

目前，无论哪个国家都存在着不同程度的交通困扰问题。因此，人们运用各种新技术，如信息技术、计算机技术、通信技术、控制技术等，将人、车、路紧密联系起来，以缓解交通阻塞问题，改善交通事故的应急处理、环境保护及能源节约的问题。因此，智能交通系统应运而生。这个系统可以归纳为，人们将现金的信息技术、数据通讯传输技术、电子控制技术、传感器技术以及计算机处理技术等有效地综合运用于整个交通系统，从而建立起一种在大范围内全方位发挥作用的实时、准确、高效的交通综合管理系统。其目的是使人、车和路密切地配合、和谐地统一，极大地提高交通运输效率、保障交通安全、改善环境质量和能源利用率。视频车辆检测技术在智能交通系统中占有重要地位，与传统的车辆检测方法相比，视频车辆检测技术不仅具有安装维护便捷且费用较低、可监视范围广等优点，同时通过对道路现场图像的智能化分析和处理，能够采集到所需要的多种交通流参数，在现代交通系统中得到了广泛的应用。

在上一章中，已经对视频车辆检测的国内外发展状况做的简要介绍，这一章中，将具体地研究视频车辆检测的发展历程，并分析其发展趋势，证明研究基于OpenCV的车辆检测技术的必要性。

2.2 视频车辆检测技术实例发展历程

1978年.美国JPT(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的检测的方法，指出其是传统检测方法的一种可行的替代方案。几年后，美国明尼苏达大学的研究人员研制了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的测试结果良好，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的研究也在欧洲和日本广泛展开此后十年间基于视频的车辆检测技术取得了长足的进步。

1991年，美国加州理工大学对在高速公路上运用视频方法的检测技术进行了评估，在评估报告中对当时采用的不同的视频车辆检测技术详尽地进行了分类。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系统已经具备了投入实际使用的潜力。

1994年Mn/DOT(明尼苏达运输部)为FHWA(美国联邦公路局)进行了更详尽严格的测评，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，人们已不满足于检测出车辆，FHWA进一

6

大连交通大学2015届本科生毕业论文

步利用此技术来提取交通参数，如交通流量、十字路口的车辆转向信息等。

事实上，与其他几种车辆检测方法相比，基于视频的车辆检测技术具有直观、可监视范围广、可获取更多种类的交通参数以及费用较低等优点、因而可广泛应用于交叉路口和公路干线的交通监视系统中。

2.3 视频车辆检测技术未来趋势

（1）智能化

视频车辆检测技术经过多年的发展，检测精度、深度、范围等指标都有很大的提高，但系统的智能化程度还十分有限，距离“人脑”的判断能力还很远。

（2）视觉检测立体化

体视觉是计算机被动测距方法中最重要的距离感知技术之一。该方法可以克服单一视角由于遮挡或深度影响而容易产生的分歧，能够有效解决遮挡问题，扩大车辆检测的有效范围。

（3）网络化

进行区域交通系统状态特征提取和信息融合，实现区域交通状况的评价、预报和报警，建立区域交通系统状况的集成应用系统。

（4）低成本、集成化

目前视频车辆检测系统结构比较复杂、价格比较昂贵，这给视频检测技术的普及带来了一定的困难。今后应加大低成本、高性能、结构优化产品的研发，以增强视频车辆检测技术的市场竞争力。

2.4 本章小结

本章对基于视频的车连检测技术进行了综合性的概述，主要从实例发展历程方面进行阐述，同时分析了视频车辆检测技术未来的发展趋势。

综上所述，视频车辆检测技术在整个智能交通系统中的重要地位是时代发展必然性所决定的，而本文在第一章中已经介绍了OpenCV的优越性，接下来将具体讲述基于OpenCV的车辆检测的算法流程、实验测试和结果分析。

7

大连交通大学2015届本科生毕业论文

第三章 车辆检测算法设计

3.1 引言

从最早的 80 年代起至今，专家和学者们提出了许多卓有成效的车辆检测方法。总的来说，车辆检测的原理主要可以分为以下两类：宏观检测法和微观检测法。宏观检测法对整幅图像进行检测，而微观检测法主要针对图像的 ROI（感兴趣区域）进行检测。

宏观检测法对整幅图像进行检测，采用这种检测方法图像蕴含的信息量丰富，能把整幅图像中的所有车道的车辆都检测出来。车辆的一些行驶特征，如左转右转也能被检测出来，但是这种算法的缺点也是显而易见的。首先，由于是对整幅图像进行检测，必然导致处理的运算量大，系统开销大，在视频检测这种实时性要求极高的系统中使用必然造成严重的延时；其次，由于场景中包含如路边花坛、树木、红绿灯杆等大量的干扰比较严重的前景物体，容易成为干扰因素，引起检测时误差的增大；第三，整幅图像检测容易造成物体分割不明显，对静止的物体检测效率低下。

微观检测法则对图像的局部区域进行检测，包括有线性检测法和窗口检测法。线性检测法的原理是通过在图像的固定位置设置一条检测线，通过统计检测线的图像特征变化如灰度跳变、色彩突变来判断有无车辆通过。这种线式的检测方式运算量小、实时性好、检测精度也较高，但是由于其检测区域的限制，这种方式的鲁棒性不高，容易受光线变化的影响引起误检。窗口检测法的原理则是通过在图像的特定区域设置一个较小的检测矩形框，通过统计矩形框内的图像特征变化来判断车辆是否通过，和线性检测法相比，检测的区域要大些。

最常见目前运用最多的是区域检测法，该方法融合了宏观检测法和线式检测法的优点。它的检测原理是通过在图像设置若干处 ROI（感兴趣区域），通过检测区域内的图像特征达到判断有无车辆通过的目的，区域检测法通常有光流场法、帧间差分法和背景差分法几种。几种方法各有利弊，本文将运用背景差分法完成对交通视频中的车辆检测。

3.2 车辆检测算法流程图

本章是全文的重点章节，本章将对车辆检测算法的具体流程进行详细的介绍。主要包括读取视频、设定感兴趣区域、图像预处理、检测运动目标及背景参数的实时更新等几个部分。

如图3-1所示，主要工作是：

（1）获取视频帧：本文所用道路交通视频来自网络，是一个709KB的媒体文件（.avi），其视频时长为30秒，帧宽度为640mm，帧高度为480mm，数据

8

大连交通大学2015届本科生毕业论文

速率为161kbps，总比特率为193kbps，帧速率为25帧/秒。

（2）视频图像预处理：对采集的视频流转换到需要的色彩空间进行处理，滤除图像的噪声，设置图像的感兴趣区域。将前景与背景进行分割，阈值化处理得到车辆的二值化图像。

（3）背景初始化与更新：如果此时背景没有初始化，则需要对交通场景图像进行初始化，并对背景进行实时更新。

（4）提取前景运动车辆：主要涉及到的操作包括有检测运动车辆，用红色矩形框标出。

图3-1 车辆检测算法流程图

3.3 图像预处理

3.3.1 设定感兴趣区域

为了尽可能的减少噪声以及交通场景中其他前景物体的影响，本文采用设定

9

大连交通大学2015届本科生毕业论文

局部检测区域的方式对交通图像进行划分，以达到实时性和降低误检的作用。局部检测区域的设置遵循以下规则：

（1）检测区域不包含明显前景物体，如围栏、花坛或树木。

（2）检测区域内应包含有所有需要检测的车道，实际系统中是对全景摄像机的视频流进行检测，因此，需要使检测区域涵盖所有车道才能满足检测要求。

（3）检测区域的图像高度应该有1-2辆正常小轿车的距离。

OpenCV 通过函数 cvSetMouseCallback 设置鼠标事件的回调函数，通过此函数可以直接在图像上进行操作，再通过鼠标响应函数调用 cvRectangle 函数画出鼠标圈定的区域，这样就完成了检测区域的设置。设置完成后，再通过函数 cvSetImageROI就可以设定 cvRectangle 标定的矩形框部分，以后的所有操作都会只对该区域进行处理。

3.3.2 高斯低通滤波处理

由于受环境，光照条件变化以及采集设备的性能影响，从摄像机采集的图像都是降质图像，带有比较多的噪点信息，这些往往影响到后期的车辆特征提取，降低检测的准确性。因此需要在获得视频图像后，先对帧序列进行预处理，这其中包括的主要步骤有色彩空间映射、图像平滑滤波、对比度增强。

本文主要对视频图像平滑滤波进行了研究。滤波分为线性滤波和非线性滤波，滤波的主要目的是减小噪声，可以在提取主要的前景目标之前去除图像的一些琐碎细节，如桥接直线或曲线的摩擦。线性滤波的方法算法简单、速度比较块，但容易造成图像模糊；非线性滤波方法则可以很好的去除信号噪声也能很好的保持信号的局部特征，但速度稍微慢些。对于要想保持整幅图像的整体和局部特征的图像来说，采用非线性滤波如高斯低通滤波不失为一种理想的滤波方式。

在高斯低通滤波法中，用 H ( u)表示频率域，则二维高斯滤波方程可表述为：

H(u,v)?Ae?D(u,v)/2?（

223-1）

0其中，σ为高斯曲线的标准差， D ( u , v)是距傅立叶变换原点的距离。当??D时，高斯滤波器可以表示为如下形式：

H(u,v)?Ae?D(u,v)/2D0

22（3-2）

D0为截止频率，当D?u,v??D0时，滤波器下降到它的最大值的0.607处。采用高斯平滑滤波后得到的图像，可以增强图像的细节，去除图像的局部噪音。

3.3.3 二值化阈值分割

在图像预处理完成后，接着要做的工作就是通过前景图像和背景图像，提取视频中的前景图像，即运动车辆。这一步要做的工作是将车辆目标从图像中提取出来，目前常采用的方法是通过图像分割技术来实现，常用的分割技术有边缘检

10

大连交通大学2015届本科生毕业论文

测、阈值分割以及区域生长三类。

对获得的车辆前景和背景差图像，采用阈值分割化技术是一种常用的提取运动物体的分割技术。阈值分割的原理其实是先确定一个处于图像灰度范围内的灰度值，然后通过将图像中各个像素的灰度值和该阈值比较，然后由比较的结果将图像划分为两类：像素灰度大于阈值的一类和像素灰度小于阈值的一类。阈值分割主要分成两个步骤：

1）确定分割阈值 T。

2）通过确定的阈值T分割图像像素并二值化。

3.4 背景初始化与更新

由于视频检测系统的应用场合为各种交通要道或十字路口，而这种户外环境会受到光照条件和气候环境以及各种人为的原因而造成不断的变化，因此检测的道路场景中背景是不断的变化的，而在视频检测系统中，如何提取有效而实时的背景更新算法对车辆信息的提取有着决定性的作用。

本文采用的背景初始化算法是多帧平均法，其原理为在一定的时间内，取视频图像帧进行加运算，再求平均值，该平均值即可认为是真实的背景。该算法认为临时物体如车辆，行人等运动物体会在这帧图像的均值化过程中被滤除掉，可以近似忽略不计。这种算法虽然计算量比较大、背景更新速度较慢，但其简单易行、错误率低，并不是不可取的。当下常用的背景更新算法还有：滑动平均更新法、选择更新算法、混合高斯背景模型法等，由于本人能力有限，故只采用了最为简便的方法，此处还可进行深入研究。

3.5 提取前景运动目标

交通视频检测最基本的任务就是对道路上行驶的各种车辆的检测,即从采集到的视频图像序列中检测出运动的车辆。运动车辆的检测是交通信息获取的基础,几乎下一步处理需要的车辆参数都源于对车辆的检测。在实际监控中,对运动车辆目标的检测会存在多种问题,包括天气,光线等外界环境的变化,以及阴影和不属于车辆的扰动物体等干扰,对车辆的检测以及随后的处理带来很大问题,所以运动车辆的检测一直是交通视频系统的热点问题。

视频车辆检测是运动目标检测的一部分,目前用于车辆检测的常用的运动目标检测算法有三种:光流场法、帧差法、背景差分法,其各自都有自身的优缺点,本文针对车辆检测的特点,对其基本原理进行分析与研究,得出运用背景差分法进行视频车辆检测。

背景差分法的基本思想是选取视频图像序列的一帧或是提取背景图像做为参考图像,然后将待检测图像与背景参考图像逐像素相减,经过阈值T划分得到目标的二值化图像,定义公式形式如(3-15)所示。

11

大连交通大学2015届本科生毕业论文

Dn(x,y)??1 |fn(x,y)?Bn(x,y)|?? 0 otherwise（3-15）

这种方法进行运动车辆检测时可以克服帧间差分法的缺点,可以比较完整和精确地对运动目标进行检测。背景差分法这种优点可以应用于运动车辆检测中,但是这种方法无法自适应,要想适应环境的变化,必须对背景实时升级,这必然会涉及背景模型,其包括背景的提取和背景的更新。通常会遇到如下一些问题：

(l)背景的提取。当前背景的提取方法大致分为两大类,一类是无运动车辆存在时背景的提取方法,如W4法，这种无运动车辆存在的条件在车辆检测环境下很难满足,且需要人为的实时监控；另一类是有运动车辆存在时的背景提取方法,如基于统计的方法包括平均值法,中值法等,然而这种方法在运动物体所占面积较大和在大量帧中出现时,估计出的背景帧不理想且处理时间较长。

(2)背景的更新。其需要背景模型应迅速跟上实际背景关照的变化、运动物体静止下来时应及时收入到背景帧中、静止物体移走后应及时从背景模型中消失,否则会出现大范围的噪声和误检测现象。

3.6 本章小结

本章通过对车辆检测算法的分析，针对于一个道路交通视频做了图像预处理、背景提取与更新、前景目标检测等工作，基本可以完成检测道路交通视频中运动车辆的任务。

12

大连交通大学2015届本科生毕业论文

第四章 实验结果与分析

4.1 引言

在上一章中，已对基于OpenCV的车辆检测整体算法设计和具体流程做了详细地介绍，本章中将对实验结果进行细致地分析和总结。

4.2 实验配置

本文实验配置为：

处理器：Intel（R）Core（TM）i5-3210M CPU @ 250MHz 内存：2.00GB

操作系统：Windows7 64位操作系统

操作平台：Microsoft Visual Studio2008和开源计算机视觉库OpenCV

4.3 实验结果与分析

基于上述车辆检测算法，编写程序（将附录），运行结果如下图所示： （1）设定感兴趣区域实验结果如图4-1所示：

图4-1 感兴趣区域效果图

图中红色框内为实验设定的感兴趣区域，即对视频中车辆的检测是在这个区域内进行的，此步骤使实验更具精准性，只对主干道车辆进行检测，排除视频图像中其他运动物体对检测结果的影响，为后续实验提供坚实的环境基础。

（2）二值化阈值分割实验结果如图4-2所示：

13

大连交通大学2015届本科生毕业论文

图4-2 二值图像

实验通过阈值分割技术，成功提取运动车辆，并确定分割前景与背景的最佳阈值。

（3）背景更新实验结果如图4-3所示：

（a） （b）

（c） （d）

图4-3 背景更新效果图

如图4-3（a）、图4-3（b）、图4-3（c）、图4-3（d）所示，实验完成了对视频图像背景的实时更新功能，为后续运用背景差分法提取运动车辆的实验步

14

大连交通大学2015届本科生毕业论文

骤提供背景基础。

（4）提取前景目标实验结果如图4-4所示：

（a）检测1辆车 (b)检测3辆车

(c)未检测非汽车车辆 (d)未检测非汽车车辆

图4-4 车辆检测结果图

图4-1（a）中为一辆车经过感兴趣区域的情况，图4-1（b）中为3辆车经过感兴趣区域的情况，从实验结果中可以看出，本实验能够准确检测出经过感兴趣区域的车辆，同时，对于非检测目标，也能排除在外，如图4-1（c）、图4-1(d)所示，图中蓝色圆圈标出的摩托车未被检测。实验在运动车辆的检测和非目标车辆的排除方面都取得了良好的实验效果，但同时该算法也有误检和漏检的情况，如图4-5所示：

a 误检情况 b 漏检情况

图4-5 实验结果中存在的问题

15

大连交通大学2015届本科生毕业论文

如图4-5（a）中所示，当两辆车同时通过时，会有一定几率出现误检情况；图4-5（b）中，由于部分车辆与背景颜色过于接近，导致实验结果中出现漏检情况。

对于检测结果的统计如下表所示：

表4-1 实验结果统计表 帧序列号 经过车辆数 检测车辆数 误检率 10 2 2 0 50 1 1 0 100 2 2 0 150 0 0 0 200 3 3 0 250 0 0 0 300 1 1 0 350 2 2 0 400 3 2 33% 450 1 1 0

由上表可知，视频车辆检测准确率极高，应用此方案对交通车辆进行检测是可行的。

4.4 本章小结

本章对整体实验结果进行了分析和总结，其中包括设定感兴趣区域、阈值分割、背景初始化与更新以及前景运动车辆的检测。从总体数据来说，视频中共经过车辆32辆，检测到车辆29辆，实验比较成功，能够完成对道路交通视频中的车辆检测。

16

大连交通大学2015届本科生毕业论文

第五章 总结与展望

5.1 本文总结

随着图像处理技术和计算机视觉的飞速发展，纯视频检测系统必然会成为以后主导的电子警察系统的检测方式。通过视频检测这种检测方式，可以自动实时获得交通车辆的多种参数，并且不需要破坏路面、使用寿命长、不会产生硬件损耗，发展前景无限。本文在基于 OpenCV 开发环境的基础上，充分利用该视觉库的特点和优越性，进行了视频车辆检测相关技术的研究，具体包括有图像采集与读取、图像预处理、背景初始化与更新以及基于背景差分法的前景目标检测，另外，在整体的实现上，本文设计了一套完整的车辆视频检测流程，该算法充分考虑了实时性以及准确性的要求，在查阅大量相关文献资料和研究的基础上，本文主要作了以下研究：

（1）阐述了课题的研究背景和研究意义，并说明了当前研究的难点，以及本课题所要解决的问题和创新点。介绍了OpenCV函数库，并实现实验平台的搭建。

（2）综合比较背景检测几种常用的方法，采用背景差分法，设计并实现了完整的一套视频车辆检测的流程，实现起来简单有效，并且充分考虑到各种可能对检测造成影响的因素并滤除，如在检测区域的设置上，充分滤除明显的前景物体，之后通过该检测区域内的局部虚拟线圈来达到提取车辆的目的，在阈值选择方面使用OTSU阈值算法，实现对前景运动车辆的二值化处理，最终完成对交通视频中的车辆检测。

5.2 工作展望

基于OpenCV的车辆检测技术在智能交通系统中的应用是一个具有广阔前景的研究方向。本文只是对其进行了初步研究,为今后的进一步研究确定了一定方向。由于本人能力有限和时间上等的一些客观原因,本文实现的车辆监测系统未在更多的环境下验证,离真正的实际应用还有一段差距,主要存在以下问题:

（1）本实验研究所用视频背景单一，只对白天场景进行了研究,而夜间视频车辆检测,车头灯及其投射的光束和路面的反光等对运动车辆的检测有很大影响,同时雨天、雪天等环境下也缺乏实验分析,下一步将考虑夜间及各种天气环境下的车辆检测,以实现系统的通用性和实用性。

（2）在设定感兴趣区域步骤中，矩形的感兴趣区域形状固定，不能适用于一些特殊情况，若能设定任意形状的感兴趣区域，会使该方案更具有实用性。

（3）在二值化阈值分割步骤中，实验效果图不是特别明显，如再对其进行膨胀处理，使二值图像更为清晰，更加有利于后续的实验研究。

17

大连交通大学2015届本科生毕业论文

（4）在背景更新中，背景更新算法过于简单，而当代有许多新的背景更新算法，如滑动平均更新法、选择更新算法、混合高斯背景模型法等，如在实验中运用新的算法，会使实验结果更准确。

（5）背景差分法本身的缺点，采用图像背景差分法来进行目标检测,则背景的建立和及时更新就会成为算法成功的关键。在监视过程中,由于室外光照强度和方向的经常变化,以及一些不可预测的天气状况的突然变化,背景图像都会发生变化,同时针对交通检测的一般情况背景提取即有运动车辆存在时的背景提取方法,应采取相应的背景图像建立和更新策略的背景模型。如果采用以帧间差分法与背景差分法相结合的自适应背景模型（详见参考文献[3]），实验效果会更好。

通过本文的研究可以看出,应用视频图像处理技术的智能交通系统在监测运动车辆目标方面有着较好的性能而且直观,可得到较全面的数据,对交通参数分析和交通监控发挥着极大的作用。所以在未来的智能交通系统中,基于OpenCV的车辆检测技术将被越来越多的人所研究，该系统将扮演越来越重要的角色。

18

大连交通大学2015届本科生毕业论文

谢 辞

值此毕业论文完成之际，我的四年大学生涯也接近尾声，回首往昔，颇多遗憾，颇多欣喜。遗憾的是四年中没有抓住每一个学习的机会，错过了很多有意义的东西；欣喜的是在学到很多专业知识的同时，养成了良好的生活习惯，明白了许多做人的道理，有了崭新的人生观和价值观。大学中有其他地方没有的学习生

活环境，而我的成长与老师们的教导、同学们的帮助、家人的关怀是分不开的。 首先，我要感谢我的毕业导师贾世杰老师。他做事认真、责任心强，专业技术过硬。他曾说过“经得起打磨，耐得起寂寞，扛得起责任，肩负起使命，人生才会有价值！”，正是他这种高尚的人格魅力深深打动了我，也正是他对我的严格要求、悉心指导和热忱帮助，才使我能够顺利完成此次毕业设计，贾老师平易近人的谦逊作风,无私奉献的工作精神使我终生难忘。

其次，我要感谢帮助我学习C语言及OpenCV相关知识的刘畅学姐。她在自己有学习任务的情况下，不遗余力地帮助我，从最初的选定课题，到查阅资料、学习OpenCV计算机视觉，再到设计车辆检测算法、编码调试，最后完成实验、对结果分析总结，每一步都有她的建议和指导，对于之前素不相识的我，她能够做到如此细致入微，我真的该由衷地对她说声谢谢。

最后，我要感谢我的父母，虽然他们们不在我的身边，但是给予我生活上的关怀和精神上的鼓励是我永远保持前进的动力。

19

大连交通大学2015届本科生毕业论文

参考文献

[1] 侯穆.基于OpenCV的运动目标检测与跟踪技术研究[D].西安电子科技大学，2012. [2] 董辉.视频中运动物体检测与跟踪的OpenCV实现[D].安徽理工大学，2012. [3] 梁锡宁.基于OpenCV的目标跟踪软件与系统实现[D].电子科技大学，2011. [4] 夏良正.数字图像处理[M].南京：东南大学出版社，2012. [5] 边肇祺，张学工.模式识别[M].北京：清华大学出版社，2010. [6] 赵保佑.基于视觉的车辆检测与跟踪技术研究[D].武汉理工大学，2009. [7] 崔芳园.基于视频的车辆检测研究与应用[D].北京工业大学，2009.

[8] 钱志明，杨家宽，段连鑫.基于视频的车辆检测与跟踪研究进展[J].中南大学学报，2013，

44（2增刊）：18-25

[9] 金红,周源.基于内容检索的视频处理技术[J].中国图像图形学报，2000.5（4）：276-283 [10] 严捷丰.交通视频监控中的车辆检测与分割方法研究[D].中国科学技术大学，2008. [11] 佟守愚.基于视频技术的交通违章检测与识别理论及方法研究[D].吉林大学，2006. [12] 韩超.视频车辆检测技术背景及国内外研究现状[J].无线互联科技，2012，13(3):56-71 [13] Qiang Ji,xiaojie Yang.Real-time eye,gaze,and face pose tracking for monitoring driver

vigilance[J].Real-Time Imaging,2002,8(2):357-377

[14] 方帅.计算机智能视频监控系统关键技术研究[D].东北大学，2005. [14] 欧晓丹.多车粘连情况下的车辆跟踪算法研究[D].北方工业大学，2011.

[15] Jen-Chao Tai,Shung-Tsang Tseng,Ching-Po Lin,Kai-Tai Song. Real-time image tracking for

automatic traffic monitoring and enforcement applications[J]. Image and Vision Computing, 2004,22(6):485-501

[16] 谢俊.基于OpenCV的视频检测系统设计与实现[D].电子科技大学，2012. [17] 陈吉庐.基于OpenCV的红外运动目标检测与跟踪算法研究及实现[D].南京理工大

学.2010.

[18] 吕杉.基于OpenCV的视频运动检测中背景减除算法的研究与改进[D].吉林大

学，2011.

[19] 梁锡宁.基于OpenCV的目标跟踪软件与系统实现[D].电子科技大学，2011. [20] Zhiqiang Wei,Xiaopeng Ji and Peng Wang.Real-time moving object detection for video

monitoring systems[J].Journal of Systems Engineer and Electronics,2006,17(4):73l-736

20

大连交通大学2015届本科生毕业论文

附 录

通过以下代码，在Microsoft Visual Studio 2008下运行，完成图像预处理、背景更新及前景运动车辆检测等工作。

#include #include #include #include #include \#include using namespace cv; using namespace std; #ifdef _DEBUG

#define new DEBUG_NEW #undef THIS_FILE

static char THIS_FILE[] = __FILE__; #endif

void main()

{//打开文件/////////////////////////////////////////////////// IplImage* pFrame = NULL; IplImage* pFrImg = NULL; IplImage* pBkImg = NULL; IplImage* pFrImg1 = NULL; CvMat* pFrameMat = NULL; CvMat* pFrMat = NULL; CvMat* pBkMat = NULL; CvMat* pFrMat1 = NULL;

CvMemStorage * storage = cvCreateMemStorage(0);//轮廓边缘提取时的参数 CvSeq * contour = 0;//轮廓边缘提取时的参数

int mode = CV_RETR_EXTERNAL;//轮廓边缘提取时的参数 //形态学处理时内核的大小

IplConvKernel* Element = cvCreateStructuringElementEx(13, 13, 1, 1, CV_SHAPE_RECT, NULL);

CvFont font1;//初始化字体格式 int linetype = CV_AA;

cvInitFont(&font1, CV_FONT_HERSHEY_SIMPLEX, 0.5, 0.5, 0, 1, 8);

//用字符串时一定要把using namespace std;写在前面，否则不能用,下面是用于显示的字符串 string msg[10] = { \\int No = 0;//用于记录显示车辆 bool FindCar = false;

CvPoint pt1, pt2, pt3, pt4, pt5; pt1.x = 200;//(视频中左下点) pt1.y = 200;

21

大连交通大学2015届本科生毕业论文

pt2.x = 600;//(视频中右上点) pt2.y = 320;

CvRect bndRect = cvRect(0, 0, 0, 0);//用cvBoundingRect画出外接矩形时需要的矩形 int avgX = 0;//The midpoint X position of the rectangle surrounding the moving objects int avgY = 0;//The midpoint Y position of the rectangle surrounding the moving objects int avgX1 = 0;//用来合并相近的车辆 int avgY1 = 0;

CvCapture* pCapture = NULL;

int nFrmNum = 0;//表示图像的帧数 //创建窗口

cvNamedWindow(\

cvNamedWindow(\cvMoveWindow(\

cvMoveWindow(\

pCapture = cvCaptureFromFile(\毕业设计\\\\视频\\\\2.avi\pFrame = cvQueryFrame(pCapture); int widthT, heightT;

widthT = pFrame->width; heightT = pFrame->height;

IplImage* pFrameTemp = cvQueryFrame(pCapture); pFrame = cvCreateImage(cvGetSize(pFrameTemp), 8, 3);

cvCopy(pFrameTemp, pFrame);//逐帧读取视频,cvQueryFrame从摄像头或者文件中抓取并返回一帧

while (pFrameTemp = cvQueryFrame(pCapture)) {

cvCopy(pFrameTemp, pFrame);

nFrmNum++;//如果是第一帧，需要申请内存，并初始化 if (nFrmNum == 1) {

pBkImg = cvCreateImage(cvSize(pFrame->width, pFrame->height), IPL_DEPTH_8U, 1); pFrImg = cvCreateImage(cvSize(pFrame->width, pFrame->height), IPL_DEPTH_8U, 1); pBkMat = cvCreateMat(pFrame->height, pFrame->width, CV_32FC1); pFrMat = cvCreateMat(pFrame->height, pFrame->width, CV_32FC1); pFrameMat = cvCreateMat(pFrame->height, pFrame->width, CV_32FC1); cvCvtColor(pFrame, pBkImg, CV_BGR2GRAY); cvCvtColor(pFrame, pFrImg, CV_BGR2GRAY); cvConvert(pFrImg, pFrameMat); cvConvert(pFrImg, pFrMat); cvConvert(pFrImg, pBkMat); }

else if (nFrmNum >=2)//从第三帧开始，根据完全目标档案来新增或删除运动车辆档案。 {

cvCvtColor(pFrame, pFrImg, CV_BGR2GRAY);

cvConvert(pFrImg, pFrameMat);//高斯滤波先，以平滑图像

22

大连交通大学2015届本科生毕业论文

cvSmooth(pFrameMat, pFrameMat, CV_GAUSSIAN, 3, 0, 0);//在视频中设置并画出感兴趣的区域

cvRectangle(pFrame, pt1, pt2, CV_RGB(255, 0, 0), 2, 8, 0);//当前帧跟背景图相减,cvAbsDiff计算两个数组差的绝对值

cvAbsDiff(pFrameMat, pBkMat, pFrMat);

//二值化前景图,void cvThreshold( const CvArr* src, CvArr* dst, double threshold, //double max_value, int threshold_type );

cvThreshold(pFrMat, pFrImg, 60, 255.0, CV_THRESH_BINARY);

//通过查找边界找出ROI矩形区域内的运动车辆，建立完全目标档案 cvDilate(pFrImg, pBkImg, Element, 1);

cvFindContours(pBkImg, storage, &contour, sizeof(CvContour), mode, CV_CHAIN_APPROX_SIMPLE); for (; contour != 0; contour = contour->h_next) {

bndRect = cvBoundingRect(contour, 0);

avgX = (bndRect.x + bndRect.x + bndRect.width) / 2; avgY = (bndRect.y + bndRect.y + bndRect.height) / 2; pt5.x = bndRect.x;//写字的左下角点 pt5.y = avgY;

if (avgX > 200 && avgX < 600 && avgY < 280 && avgY > 100) {

pt3.x = bndRect.x; pt3.y = bndRect.y;

pt4.x = bndRect.x + bndRect.width; pt4.y = bndRect.y + bndRect.height;

if (bndRect.width>40&&bndRect.height>45) //把长度小于某个阀值的干扰矩形去掉 {

cvRectangle(pFrame, pt3, pt4, CV_RGB(255, 0, 0), 1, 8, 0); } } }

//更新背景/////////////////////////////////////////////////// cvRunningAvg(pFrameMat, pBkMat, 0.005, 0); //将背景转化为图像格式，用以显示 cvConvert(pBkMat, pBkImg);

//显示图像//////////////////////////////////////////////////// cvShowImage(\

cvShowImage(\cvShowImage(\if (cvWaitKey(2) >= 0) break; }

}//while循环结束

cvReleaseStructuringElement(&Element);//删除结构元素

23

大连交通大学2015届本科生毕业论文

//销毁窗口

cvDestroyWindow(\

cvDestroyWindow(\cvDestroyWindow(\//释放图像和矩阵

cvReleaseImage(&pFrImg); cvReleaseImage(&pBkImg); cvReleaseMat(&pFrameMat); cvReleaseMat(&pFrMat); cvReleaseMat(&pBkMat); }

24

本文来源：https://www.bwwdw.com/article/eqdw.html