“泰迪杯”挑战赛-通过图像处理和数据挖掘实现车辆检测与跟踪

最新推荐文章于 2024-06-24 19:48:41 发布

原创

最新推荐文章于 2024-06-24 19:48:41 发布 · 2.6k 阅读

挖掘目标
分析方法与过程
2.1. 总体流程
2.2. 具体步骤
2.3. 结果分析
结论
参考文献

1. 挖掘目标

在建设平安城市的进程中，安全是政府日常管理工作中的重要任务。随着城市报警和监控系统的建设，对于监控数据的分析也日显重要。

本次建模的目标：利用基于机器视觉的车辆检测、跟踪技术以及图像处理技术，对道路监测系统中车辆压双黄线的视频图像进行处理和综合分析，从中得到所需要的事件、信息及数据，实现对道路上突发的车辆压双黄线交通事件进行实时检测，减少交管部门人工排查违章投入。

交通监控视频分析主要涉及到以下几个大类：目标的检测（包括运动目标的检测以及静止目标的检测，比如：双黄线的检测等）、目标的分类、运动目标的跟踪、目标行为的描述等几个大方向。基于竞赛组委会提供的分析数据，通过前面提及的几类大分析，得出视频数据中关于车辆目标压双黄线等的核心结论。这对城市道路建设以及交通管理都具有重要指导意义。

2. 分析方法与过程

2.1. 总体流程

在这里插入图片描述

研究分析监控视频主要包括以下几个步骤：

步骤一：交通监控视频中双黄线的自动检测标志；
步骤二：基于背景帧差法以及高斯混合模型法的车辆目标检测；
步骤三：车辆阴影的检测与去除；
步骤四：人与车辆目标的区分以及人的伪影去除；
步骤五：车辆压双黄线检测处理；
步骤六：基于虚拟光圈的双向车流量检测；
步骤七：车型的初步判断。

2.2. 具体步骤

2.2.1 车辆压双黄线检测技术特点分析

在设计一个智能分析系统对道路监控视频中运动车辆压双黄线进行检测前，我们需
要对系统设计过程中，需要解决的核心技术问题进行思路梳理：

（1）基于机器视觉的车辆检测、跟踪技术以及图像处理技术；
（2）着重需要解决以下几个方向性的问题：

①准确对研究对象进行检测与跟踪
②对车辆在阳光下行驶过程中产生的阴影进行去除
③区分好行人与研究对象：运动车辆
④可适当增加双向车流量的统计功能

以上几个方面是车辆压双黄线检测的核心技术问题。

2.2.2 视频图像预处理

现实中，成像系统获取的图像(即原始图像)由于受到种种条件限制和随机干扰，图像特征的多样性和复杂性对图像的分析和处理造成了困难。因此，为便于后续对图像的特征进行提取，提高图像识别的准确度，基于此，我们在对图像进行真正的分析前，还需对视频图像数据进行预处理。图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割的可靠性。

(1)图像滤波平滑去噪

图像平滑的主要目的是减少图像噪声。图像噪声产生的原因有很多，主要是因为系统外部和内部的干扰。系统外部干扰主要是电磁波干扰，内部干扰主要是摄像机热噪声、抖动噪声等。实际拍摄的图像或者视频中都含有很多噪声。图像处理中的常见噪声主要有以下几种:加性噪声、乘性噪声、量化噪声、“椒盐噪声”；交通视频监控中常用到的图像滤波方法主要有均值滤波[11-13]和中值滤波。本文采用的是均值滤波。

2.2.3 道路双黄线自动提取标记

对交通道路的双黄线自动提取标记进行设计时，本文根据城市道路图像中双黄线区域的特征，用变形 Sobel算子加大双黄线区域纹理，分割出图像中双黄线区域粗略位置；应用最大类间方差和数学形态学方法求出满足纹理条件区域的二值图像，从而得到双黄线区域准确位置。

(1) 用变形Sobel算子加大双黄线区域纹理
一般的图像模板算子定义为设给定图像f (x,y) 大小N×N，模板D(i,j) 大小m×m(m为奇数)，g(x,y) 为用模板和图像相关运算后的结果，使模板中心D((m-1)/2,(m - 1)/2)与f(x ,y)对应，则

$\cdot f(x,y)=\sum_{j=0}^{m-1} \sum_{i=0}^{m-1} D(i,j)f(x+i- \frac{m-1}{2},y+i- \frac{m-1}{2})$

标准的Sobel模板算子定义D 为

在这里插入图片描述
标准的Sobel模板算子通常是用于检测图像中因为灰度变化而产生的边缘。如果使用标准的Sobel模板算子对道路图像进行运算，只能够得到双黄线区域外侧和内侧的细小边缘，要通过这些边缘的信息得到图像中双黄线区域位置是很困难的。为此定义一种变形Sobel模板D:D(i,j)大小m×n (m为奇数)，n-2 >1，使模板中心D((m-1)/2,n-1)与f(x,y)对应，并对图像进行相关运算。

$\cdot f(x,y)=\sum_{j=0}^{m-1} \sum_{i=0}^{n-1} D(i,j)f(x+i- \frac{m-1}{2},y+i- (n-1))$

在这里插入图片描述
设图像中双黄线位置的三个小区域的宽度相等，并且宽度为w，取n=w+2 ，[w/2]+2,[w/4 ]+2；如果递归地多次使用新定义的变形Sobel算子对图像进行模板运算，双黄线区域特征不仅不会消失，而且在运算后会得到更清晰、更有规律的双黄线区域纹理特征图像。用上面定义运算得到的道路双黄线区域纹理特征情况如图1所示。

在这里插入图片描述
（2）双黄线区域二值图像的获

设如果道路中车辆密集，遮挡住了黄线区域，这样的图像不能用来提取双黄线位置。根据图像用新模板运算后产生的双黄线区域纹理特征，可以粗略地确定出双黄线所在位置,不满足纹理特征的图像区域，则可以认为是噪声区域，而在进一步的处理中不需要再考虑。把满足纹理条件的原灰度图像区域分割出来，对分割出的原灰度图像区域使用动态全局二值化方法求出它的二值图。在此综合使用P-参数法和最大类间方差求出全局阈值。P-参数法是根据对象物体在图像中所占的面积比率，将灰度直方图中面积比率为p%的点作为阈值。最大类间方差方法依据是背景和物体之间类间方差最大，而背景之间以及物体之间的类内方差最小。设图像f(x,y) (x = 1 m；y = 1 n)，Hk为灰度直方图(k= 0 255)，则最大类间方差方法阈值计算公式如下:

$\sum_{x=i}^{m} \sum_{y=i}^{n} f(x,y) \\ dots = mn \\ a = \sum_{k=0}^{g}k \cdot H_k\\ b = \sum_{k=0}^{g} H_k\\ t_1 = b \cdot dots - b \cdot b\\ t_2=sum \cdot b - dot \cdot a t=\frac{t_1 t_2}{t_1 \cdot dots \cdot dots}$