车辆检测模块的设计和实现 - OpenCV技术实现的交通检测系统

　　3车辆检测模块的设计和实现

　　3.1 车辆检测模块的算法流程

　　使用 DirectShow，我们可以从交通视频中取得一帧一帧连续的图像，车辆的检测和发现操作就是

　　基于对这些连续图像帧的处理和分析的。按照一般的运动检测方法和目标跟踪手段，我们将取到的原始真彩色图像帧首先做灰度化处理，然后进行平滑操作，并基于背景差分法和帧间差分法进行感兴趣区域的提取，最后得到二值化的感兴趣区域图像。根据连续帧的二值图像检测出新进入画面的车辆，之后进行基于自适应边框的精确车辆定位，从而完成车辆的检测。本章的后面部分将对其中各个步骤进行详细的介绍。

　　3.2 视频图像帧的预处理

　　3.2.1 图像灰度化处理

　　一般的图像处理运算都是在灰度图像上面进行的，灰度图是只保留了图像的亮度信息的图像，因为灰度图像可以在保留足够的内容信息的同时，有效的降低运算量。所以，我们首先要将原始的视频帧图像进行灰度化处理，即将真彩色图像中的每个像素点都转换成 8bit 长度的亮度值，使所有像素的灰度值都在［0，255］范围之内。

　　程序 3 是 OpenCV 中对图像进行颜色模型转换的函数，而图像的灰度化也属于一种颜色模型的转换：

　　void cvCvtColor（const CvArr* src， CvArr*dst， int code）; （程序 3）

　　此函数将 RGB 颜色空间表示的真彩色图像进行灰度化的内部算法如公式（1）所示：

　　Y=0.212671*R+0.715160*G+0.072169*B（1）

　　我们平时比较常用的将 RGB 真彩色图像灰度化的算法如公式（2）所示：

　　Y=0.299*R+0.587*G+0.114*B（2）

　　这两个公式都是依据在 R、G、B 三个颜色通道中亮度值的贡献比例而得到的。

　　3.2.2 图像平滑处理

　　视频图像在采集的过程中会不可避免的引入噪声，噪声的来源主要有电磁转换和光电转换引入的噪声、获取图像时存在的不确定因素以及自然起伏性的噪声。

　　为了去除视频图像中的噪声，从而使图像中的有用信息更加清晰，我们就需要对已经进行了灰度化的图像进行平滑操作。运算要求能够有效的减少各种类型的噪声的同时，也要能够很好的保留原图像中的轮廓信息。

　　void cvSmooth（const CvArr* src， CvArr* dst，

　　int smoothtype=CV_GAUSSIAN， int param1=3，

　　int param2=0， double param3=0，

　　double param4=0）; （程序 4） OpenCV 中提供的图像的平滑处理的函数为

　　cvSmooth，它的声明如程序 4 所示，这个函数提供了很多种平滑算法供选择，包括简单不带尺度变换的模糊、简单滤波、高斯滤波、中值滤波和双向滤波等。在这里，我们采用了中值滤波来对经过了灰度化的图像进行滤波。

　　中值滤波的计算原理为：对于一幅图像，选取 N*N 像素大小的窗口，其中 N 为奇数，对于图像中的每一个能够放置这个窗口的位置，取出这个窗口中的所有像素点，将所有像素点的灰度值排序。由于 N 为奇数，那么在所有的 N*N 个像素点中必有一个中值，然后用此中值代替原窗口中心像素点的像素值。

　　3.3 背景差分法和帧间差分法的结合

　　在交通检测系统中，由于车辆颜色各异，有一些

　　车辆的灰度范围与道路背景的灰度范围比较接近，在这种情况下，使用背景差分法往往很难得到清晰完整的车辆运动区域，往往会出现区域不联通和边界不清

　　const CvArr* src2，

　　CvArr* dst）; （程序 5）

　　在 OpenCV 中实现两帧差分运算的函数为cvAbsDiff，如程序 5 所示，它的功能就是将两幅灰度图像做差再取绝对值，它得到的结果也是灰度图像。

　　图 1 展现的是交通视频中的某一帧图像经过一系列处理而得到的灰度图与此时动态生成的虚拟背景做差分之后的二值化图像。此时，车辆和行人已经能够分辨出来了。

　　类似的方法，通过函数 cvAbsDiff 将当前帧的灰度图像与上一帧的灰度图像做差分，车辆的边缘信息得到了比较好的保留，但帧间差分法也导致了车辆区域内部形成了一定程度的空洞，这是由于车辆内部的颜色比较一致而导致的。而这个缺点就可以通过融合背景差分法而得到弥补。

　　背景差分法与帧间差分法相结合，就是先分别通过这两种方法所得到灰度图像，并分别对它们进行二值化处理，最后对这两幅二值图像进行按对应像素或运算而得到的。在 OpenCV 中，两幅图像的对应像素进行或运算的函数如程序6 所示，其中参数src1 和src2 是两幅输入图像的指针，而参数dst 是存放结果的图像指针，mask 参数仍然表示一个蒙板，只有当mask 中与输入图像对应像素的元素值为1 时，才对输入图像中的对应像素进行运算，从而使两幅图片的或运算能够更加灵活的实现。而在本系统所使用的方法中，两幅图像直接无蒙板做或运算即可。图3显示了图2与图1进行或运算之后得到的结果。可以看出，相比图1和2，图3的车辆内部更加饱满，边缘也更加清晰，每一辆车的白色块相对更加的完整，用肉眼也可以比较容易分辨出一辆一辆的车，这样能够为后续的车辆的识别运算提供保障。

　　void cvOr（const CvArr* src1， const CvArr* src2， CvArr* dst，

　　const CvArr* mask=NULL）; （程序 6）

　　3.4 车辆的发现

　　在得到二值化的感兴趣区域之后，我们就开始使用得到的二值图像进行车辆的发现，本系统采用了一种基于检测线的方法进行车辆的发现。该方法的基本流程如下：

　　1）通过视频与真实世界的空间透视关系，能够估计出车辆的长宽的大致范围。在车辆可能进入的垂直方向设置检测线，检测线的宽度大概在估计出的车辆长度的一半。如图4 所示，车辆可能进入的位就在视频图像的下部与上部两个地方，于是我们就设置两条宽度不同的检测线。

　　2） 将检测线纵向切割成宽度为两个像素的小矩形条。根据每个小矩形中的感兴趣区域的多少来决定　它是否是一个合格的区域，计算方法如公式（3）所示：

　　其中，F（rec）表示参数rec合格的区域，WRITE（rec）表示该小矩形内感兴趣像素点的个数，而SUM（rec）表示该小矩形内像素点的总数，P表示一个阈值，在本系统中取P=0.7。

　　3） 算法从检测线上左边第一个小矩形开始判断，遇到第一个F（rec）的结果为TRUE 的小矩形，记录它的位置，然后维续向右判断，直到遇到第一个F（rec） 结果为FALSE 的小矩形时，就结束这个感兴趣区块的扩TRUE的充。此时，从记录的第一个F（rec）的结果为小矩形到最后一个F（rec）的结果为TRUE 的小矩形就产生了一块连续的“合格”小矩形区间。

　　4） 判断这个区间的宽度是不是大于预设的一个阈值W，如果大于W，那么认为从第一个“合格”小矩形到最后一个“合格”小矩形所构成的大矩形就是一个候选的新的车辆位置，否则就认为它是噪声。

　　5） 重复步骤3-4，直到判断到检测线中最后的一个小矩形为止。

　　6） 对于新产生的候选车辆位置，进行重复性判断，如果这个矩形与任何标示现存车辆的矩形的重合度小于一个阈值P，那么就认为这个候选区域是一个新发现的车辆，建立这个车辆的对象，否则，则认为它是现有车辆的一部分。其中。P=D（AB） D（A）+D（B）.D（AB 表示区域A与区域B重合的区域的大小，而D（A）与D（B）分别表示区域A与区域B的面积。