由于城市人口的不斷增加,機動車需求量呈上升趨勢增長,因車輛的普及隨之帶來了一系列的交通問題,最為明顯的就是交通事故的逐年增多。而造成交通事故發(fā)生的最主要原因就是車輛駕駛者不遵守交通規(guī)則,不能夠保證安全駕駛。為了更好管理和規(guī)劃道路上的車輛,智能交通系統的開發(fā)被國內外政府及相關研究機構廣泛關注,車輛違章行為檢測技術作為智能交通系統中不可或缺的一部分,具有重要的研究價值。隨著圖像處理、模式識別等技術手段的快速發(fā)展,基于視頻分析的多種智能控制系統方面的研究也越來越多。本文首先對圖象預處理的相關知識進行了研究,詳細介紹了圖像灰度、圖像濾波、邊緣提取、膨脹腐蝕、空洞填充等算法。在運動目標檢測過程中,首先介紹了一些常用的運動目標檢測算法,并分析了這些算法的優(yōu)缺點,詳細介紹了Vibe算法的原理和實驗過程。在傳統的Vibe算法基礎之上進行了改進,在Vibe算法的背景建模階段使用擴大樣本鄰域范圍進行選取的方法;使用動態(tài)背景度量的方法,自適應調整Vibe算法的閾值,使其能夠適應動態(tài)背景下對檢測結果造成的影響;使用基于邊緣信息的陰影去除方法,消除陰影對檢測結果的干擾。經過與傳統Vibe算法的實驗結果對比,改進... 

【文章來源】：沈陽理工大學遼寧省

【文章頁數】：78 頁

【學位級別】：碩士

【部分圖文】：

中值濾波輸出結果圖

第2章圖像預處理-11-己確定，本文因將其方法應用在二值化圖像的前景目標中，將種子像素點的顏色定義為黑色，用其填充二值化圖像中不連通區(qū)域的白色像素點，經過空洞填充運算后，得到完整的前景目標�？斩刺畛鋄11]的基本步驟如下：首先將原圖像向外延伸1到兩個像素點，并將像素點填充為背景顏色黑色，防止因為目標太大而使目標邊緣和圖像邊緣重合，之后對圖像進行填充操作，以黑色的種子像素點為起點，將圖像背景存在不連通區(qū)域的黑色像素點經過漫水填充都轉換成白色像素點，將得到的二值化圖像取反，得到新的二值化圖像，此時新二值化圖像上白色像素點都是目標內部空洞的集合，去掉延伸的區(qū)域，將填充好的圖像進行裁剪為原圖像的大小，將此時的二值化圖像與原始的二值化圖像相加，得到的圖像就是目標內部空洞填充好的圖像，如圖2.6所示為目標空洞填充的結果圖。圖2.6目標空洞填充的結果圖Figure2.6targetfiguretheresultsofcavityfilling2.6邊緣檢測邊緣檢測就是將圖像中各物體的輪廓信息使用邊緣檢測算子檢測出來，各物體的邊緣信息表現物體內部在與邊緣附近的像素點灰度變化極其明顯，邊緣檢測的目的就是要檢測出這些灰度值發(fā)生明顯變化的區(qū)域，邊緣就是一個區(qū)域的結束，也是另一個區(qū)域的開始，大部分算法是根據增強灰度變化的區(qū)域，減小灰度變化較慢的區(qū)域的微分來實現的邊緣檢測在圖像處理被廣泛應用，常見的邊緣檢測算子有Laplacian（拉普拉斯）算子、Sobel算子、Canny算子等，利用邊緣算子來分割圖像。2.6.1Laplacian算子Laplacian（拉普拉斯）算子是n維的歐式空間中的一個二階微分算子，它的二階微分比一階微分邊緣定位能力更強[12]，但因拉普拉斯算子具有旋轉不變性，

沈陽理工大學碩士學位論文-14-要的時間更多，但對圖像的邊緣檢測效果更好，Canny算子的優(yōu)越性能使其在圖像處理領域中應用最為廣泛，本文選用Canny算子作為邊緣檢測算子。(a)原圖(b)Canny邊緣檢測(a)Originaliamge(b)Cannyedgedetection(c)Laplacian邊緣檢測(d)Sobel邊緣檢測(c)Laplacianedgedetection(d)Sobeledgedetection圖2.8三種邊緣檢測方法對比Fig2.8Comparisonofthreeedgedetectionmethods2.7本章小結本章主要講述了圖像處理當中的一些基本理論知識以及常見的圖像預處理方法，包括圖像的灰度化與二值化、圖像濾波、直方圖均衡化和圖像形態(tài)學處理等,研究了幾種邊緣檢測技術對圖像進行邊緣提取和連接，并使用Canny算子對圖像邊緣進行提取，是道路上黃線獲取和車輛輪廓獲取的關鍵步驟。

【參考文獻】：
期刊論文
[1]基于高斯-椒鹽噪聲的濾波算法[J]. 張旭濤.  計算機科學. 2019(S1)
[2]多場景下復雜監(jiān)控視頻的前景目標提取[J]. 李琢,周旭,張春輝,萬欣.  數學的實踐與認識. 2018(15)
[3]基于Vibe算法的視頻前景目標提取[J]. 李健斐,王倩蓉,王巨,王利平.  數學的實踐與認識. 2018(15)
[4]改進的HOG-CLBC的行人檢測方法[J]. 程德強,唐世軒,馮晨晨,游大磊,張麗穎.  光電工程. 2018(08)
[5]城市智能交通管理系統的研究與設計[J]. 高美蓉.  電子測量技術. 2018(08)
[6]一種基于改進視覺背景提取算法的前景檢測[J]. 陳樹,丁保闊.  計算機工程與科學. 2018(04)
[7]基于混合高斯模型與五幀差分的運動目標檢測算法[J]. 李戰(zhàn)明,譚向陽.  計算機與數字工程. 2018(02)
[8]背景差分與幀間差分相融合的遙感衛(wèi)星視頻運動車輛檢測方法[J]. 袁益琴,何國金,王桂周,江威,康金忠.  中國科學院大學學報. 2018(01)
[9]基于多特征融合與AdaBoost算法的軌面缺陷識別方法[J]. 閔永智,程天棟,馬宏鋒.  鐵道科學與工程學報. 2017(12)
[10]面向復雜道路環(huán)境的車道線快速檢測方法[J]. 程文冬,沈云波,魏慶媛.  機械設計與制造. 2017(11)

碩士論文
[1]基于機器視覺的交通壓線判別方法研究[D]. 胡鵬.西安科技大學 2017
[2]基于深度圖像繪制中的空洞填充[D]. 曹東華.重慶大學 2016
[3]基于多特征級聯分類器的消防通道車輛檢測技術研究[D]. 陳瀚.重慶大學 2016



本文編號：3590437