基于线阵CCD成像交通信息采集和检测技术的研究

论文摘要

智能交通系统ITS（Intelligent Transportation System）是新一代的交通信息管理和控制系统，它充分利用现代电子、控制、计算机和数据通讯等技术，能大大提高交通运输的安全性和运行效率，及时提供道路车辆流量和路况信息，记录违章车辆，增强突发交通事故的处理能力，为人们的出行提供快捷、舒适的交通服务，从而促进交通运输事业的迅速发展。作为智能交通系统的重要组成部分，道路交通信息的实时采集是智能交通信息采集的关键内容之一。及时、准确地获取各种交通参数是实现交通控制智能化的必要前提条件，道路交通检测器及其检测技术的高低将直接影响道路交通系统的整体运行效率和管理水平。由于基于图像分析及计算机视觉为基础全天候对车辆进行监测和识别的技术逐渐成熟，交通检测也由人工观察交通现象、手动控制交通信号转向视频检测。视频检测方法能够利用视频跟踪车辆的手段，自动检测以交通流量为主的交通参数，实现交通信号控制并对危险事件进行报警，无疑它是一种有发展潜力的交通信息采集方法。本论文对基于线阵CCD（Charge-Coupled Devices）成像检测系统的几个关键技术进行了研究，着重就交通场景下的背景提取、交通视频图像中车辆的检测和跟踪、车牌识别以及交通视频监控系统的实现等重要而基本的问题进行了深入的探讨。具体说来，本论文所做的主要研究工作可概括如下：（1）提出了一种基于小波变换的背景提取方法及利用平均方差代替均值的Otsu阈值选取方法。结合小波变换的特点，针对线阵CCD扫描图像，提出了一种基于小波变换的背景提取方法。该方法能够有效的消除灯光等噪声，能够较好的提取出背景信息。同时，针对在背景提取过程中，阈值的选取对背景的提取具有较大的影响，本论文利用图像的灰度平均方差反映了图像灰度分布的特性，提出了一种利用平均方差代替均值的Otsu阈值选取方法，即改进的Otsu分割方法。（2）提出了一种基于主动轮廓外力场模型PMF（Perona-Malik Field）的车辆分割方法。该方法利用经典的Perona-Malik各向异性去噪模型具有保护边界信息的特点，将经过Perona-Malik模型处理后图像的负梯度作为外力场，研究其对车辆分割结果的影响，从而提出了一种基于主动轮廓外力场模型PMF的车辆分割方法。该方法不仅能够保持车辆的边界信息，克服了传统外力场不能进入车辆图像凹部的缺陷，而且对初始曲线的约束较少。（3）提出了一种加权迭代车辆匹配方法。现有的大部分匹配方法都是基于均方误差最小的原理，即最小二乘法。当噪声是高斯噪声时，最小二乘法是最优的，但在实际过程中，经常会出现一些出格数据，若把出格数据当作高斯噪声，那就有可能导致错误的结果。针对这种噪声，本论文提出了一种加权迭代车辆匹配方法，该方法首先利用加权来进行车辆匹配，再利用各点余差的倒数作为下一次迭代的权值，如此循环，就可以使出格数据的权值接近于0，最后完成高精度的车辆匹配。本方法可以克服最小二乘法鲁棒性差及随机抽样方法计算量大的缺点，模拟实验和真实实验数据结果表明，该匹配方法具有运算量小、鲁棒性好等优点。（4）提出了一种用于牌照识别的图像增强方法。牌照区域分割是牌照识别的关键步骤，增强图像中的牌照区域，抑制背景区域，可以有效降低牌照区域分割的难度。本方法将图像分解为一组二值图像的组合，然后在二值图像上计算各连通分量及其特征参数，利用牌照区域和背景区域对应的连通分量的特征差别，可以有效抑制背景而保留牌照。处理后的二值图像可重构出牌照区域增强的部分。本论文还采用等高线标记代替连通分量标记，以减少计算量，使得该方法具有实用性。实验显示，该方法能够有效地突出了牌照区域而抑制了背景，提高了牌照定位分割的效果，可以很好地用于实际的牌照识别系统中。（5）实现了一种基于线阵CCD摄像机的交通信息采集和检测系统。交通信息是交通管理和规划的基础和关键，实时动态地采集描述交通流的各种参数和检测各种交通事件，并对这些信息进行有效地处理和应用，对提高交通系统的运行效率、减少交通事故、提高紧急事件的应急能力、优化交通系统的规划设计和有效评价交通系统的运行指标具有很重要的作用。为了获取交通信息，本论文实现了一种基于线阵CCD摄像机的交通信息采集和检测系统。该系统主要由数据库、图像库、视频触发、图像抓拍、断面计时、参数获取和牌照识别等主要功能模块组成，具有视频触发、瞬时速度检测、超速实时处理、车型识别和交通量统计、车辆通行记录等功能。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 智能交通系统
• 1.2 交通检测技术的发展现状
• 1.3 交通视频的采集处理与分析
• 1.4 研究的目的和意义
• 1.5 本论文的主要工作内容
• 1.6 本论文的章节安排
• 第二章 背景提取
• 2.1 基于小波变换的背景提取方法
• 2.1.1 小波分解的特征以及小波函数的选择
• 2.1.2 基于小波变换的背景提取方法描述
• 2.1.3 实验
• 2.2 动态阈值的确定
• 2.2.1 Otsu方法
• 2.2.2 Otsu单阈值分割
• 2.2.3 otsu双阈值分割
• 2.2.4 基于方差的Otsu阈值选取方法
• 2.2.5 实验
• 2.3 本章小结
• 第三章 车辆分割
• 3.1 图像分割
• 3.2 主动轮廓跟踪模型
• 3.2.1 蛇
• 3.2.2 高斯力场
• 3.2.3 GVF
• 3.3 基于Perona-Malik模型的各向异性外力场PMF
• 3.4 实验
• 3.4.1 力场矢量图比较
• 3.4.2 分割实验
• 3.5 本章小结
• 第四章 车辆匹配
• 4.1 图像匹配
• 4.1.1 匹配的关键要素
• 4.1.2 匹配的基本约束
• 4.1.3 匹配方法分类
• 4.2 基于灰度的车辆匹配方法
• 4.3 RANSAC算法
• 4.3.1 RANSAC算法思想
• 4.3.2 RANSAC算法步骤
• 4.3.3 RANSAC算法的计算量
• 4.4 加权匹配方法
• 4.5 算法总结
• 4.6 实验
• 4.6.1 模拟实验
• 4.6.2 真实实验
• 4.7 本章小结
• 第五章 车牌识别
• 5.1 车牌识别系统
• 5.2 车牌图像增强方法
• 5.2.1 图像的二值化分解表示
• 5.2.2 二值图像中背景的滤除
• 5.2.3 车牌图像的增强
• 5.3 车牌图像增强结果
• 5.4 本章小结
• 第六章 基于线阵CCD摄像机交通信息采集和检测系统
• 6.1 系统结构与工作原理
• 6.1.1 系统结构
• 6.1.2 系统总体框架
• 6.1.3 工作原理
• 6.2 系统功能及特点
• 6.3 硬件系统
• 6.3.1 线阵CCD图像采集子系统
• 6.3.2 辅助照明系统
• 6.3.3 车牌抓拍及识别子系统
• 6.3.4 工业控制计算机子系统
• 6.4 车辆检测算法
• 6.4.1 基于路面纹理特征的二值化算法
• 6.4.2 车辆分割算法
• 6.4.3 车辆分割算法实验
• 6.5 速度计算
• 6.5.1 车辆速度算法
• 6.5.2 车辆速度算法实验
• 6.6 本章小结
• 第七章 结论和展望
• 7.1 本论文的总结
• 7.2 展望
• 参考文献
• 攻读博士学位期间发表的论文和科研工作
• 1 攻读博士学位期间发表的相关论文
• 2 攻读博士学位期间参加的科研项目
• 致谢