基于模型的目标提取及其在智能交通中的应用

随着图像处理和模式识别技术以及计算机硬件水平的提高,越来越多的信息是通过对图像或视频的处理和分析来获得的。在智能交通系统中两个非常重要的信息——交通工具标识码以及道路交通信息就可以通过对图像或视频的处理和分析来获得。本论文主要研究了从复杂的背景中提取出静态的交通工具标识码以及动态的运动车辆的主要关键技术和算法。 实际中通过摄像机采集到的交通工具图像中往往包含有大量的噪声,因此交通工具标识码往往很难通过简单的处理直接获得。为此,首先提出了一种鲁棒的图像预处理算法。该算法在突出交通工具图像中的文字特征的同时,抑制了图像中的各种噪声,并且最大程度地降低了光照的不均匀对字符提取的影响。在图像预处理过程中,结合了自适应线性滤波以及自适应非线性滤波各自的特点,使得预处理后的图像通过简单的投影直方图分析即可得到较好的定位结果。然后根据实际中的交通工具标识码中各字符间的相互位置和排列关系,提出了一系列的标准字符排列模型。最后计算定位得到的各备选字符行中各字符之间的排列关系,将所有备选字符行字符的排列关系依原始位置进行组合后,再与标准排列模型进行匹配即可得到标识码的自动分割结果。基于排列模型的交通工具标识码自动提取算法可以很好地抵抗图像中其他字符或标识的影响,试验证明具有很高的正确提取率。 对于运动车辆的检测或提取,一种广泛采用的方法是背景减法。背景减法进行运动目标检测的关键技术之一是背景的建模方法。一种好的背景建模方法得到的背景模型应能准确地反映真实背景的变化。本论文中提出了两种有效的背景建模方法:基于判决反馈的背景建模方法和基于近似中值滤波的背景建模方法。基于判决反馈的背景建模方法根据背景减法后象素属于前景或背景的判决结果来进行背景的更新,只有那些被判为背景的当前点才参与当前背景的更新中。通过这种方法,可以很好地消除运动目标在背景更新过程中造成的“拖尾”效应。基于近似中值滤波的背景建模方法克服了传统中值滤波运算量大和对内存需求高的缺点,采用近似方法迭代得到图像序列的中间值,并以其作为背景的估计。考虑到利用图像的颜色信息能够更加准确地进行运动目标的检测,论文中还使用了一种运算简单的颜色空间模型——rgs颜色空间模型。试验结果表明,基于颜色信息的判决反馈法背景建模以及基于颜色信息的近似中值滤波法背景建模均能取得很好的背景模型,同时基于颜色信息的运动目标检测能够有效消除运动车辆的阴影对车辆检测的影响。 在论文的最后,讨论了运动车辆检测在整个交通信息采集系统中的作用,并