智能交通视频流监控系统软件可行性报告
一、总述
1．系统基本要求
利用VisualC++6.0进行程序设计，主要实现以下目标：
（1）通过对视频流中的车辆进行跟踪检测，统计车道流量和平均车速。（2）在视频流中锁定逆行车辆，并给出抓拍信号。
（3）在视频流中确定违规停车车辆，并进行锁定，同时给出抓拍信号。（4）通过对视频流中的车辆进行跟踪检测，当车轮压过黄线的时候能够识别出来，并给出抓拍信号。
2．软件结构分析
从系统的基本要求出发，软件结构如图1所示。
图1系统结构框图
3．相关技术
通过分析，相关技术主要包括基于图像处理的以下技术：（1）车辆目标的识别技术。
（2）车辆目标的提取技术。
（3）车辆目标的定位技术。
（4）多目标物的检测技术。
（5）多目标物的跟踪技术。
下面分别对这些技术进行分析。
二、研究现状
1．车辆目标识别技术
（1）光流法。利用帧间图像中同一像素关于时间的变化来获得运动参数。首先，从图像序列的灰度变化（一阶和二阶导数）中计算速度场。然后利用一些约束条件从速度场中推测出运动参数和物体的结构。缺点是由于光流法是假设物体表面光滑变化，所以易受噪声影响，且耗时太多很难满足实时性要求。
（2）背景差分法。分为固定背景法和实时更新背景法。
①固定背景法。选取背景图像，其它图像与其差分，得到的差分图像再进行图像分割，常用的是设定一个阈值对其不同灰度分割，得到车辆目标。缺点是，当背景整体发生变化时，差分图像中目标物之外的部分灰度值偏大，不利于阈值设定。
②实时背景法。和固定背景法一样，也是通过两幅图像做差分得到的图像进行处理。不同的是，这里实时更新背景，用相邻或者相近的两帧图像差分，然后也是对得到的差分图像的灰度进行运算，从而得到目标物，以及目标物实时的变化情况。优点是，实时更新背景，因此对环境的光线变化不敏感，即不受环境光照等环境的影响。
（2）基于角点的车辆识别。原理为：如果某一点向任一方向小小偏移都会引起灰度的很大变化,则说明该点是角点。优点是该方法不受摄像机姿态及光照的影响,检测精度很高，并且，因为只对图像中一些特殊点进行运算，不需要对整幅图像运算，所以在对车型的精确检测中实时性较好。
（3）连续帧间差分法。用图像序列中的连续两帧进行差分，然后二值化该灰度图像来提取运动信息。优点是它只对运动的物体敏感，实际上它只是检测出相对运动的物体，而且因为两帧图像的时间间隔较短，差分图像受光线变化的影响小。但是两帧间物体重叠部分不能检测出来，即只检测出物体的一部分；其次，检测出的物体在两帧中的位置信息不够准确，容易把当前帧显露出来（上一帧中被目标覆盖）的背景区域（即显露背景）也检测出来，造成检测的不准确。
（4）二次差分法。重复做两次连续帧间差分法。这种方法克服了连续帧间差分法的缺点。
2．车辆目标提取技术
（1）腐蚀/膨胀、开运算/闭运算。
（2）边界分割。通过检测边界来识别并提取物体。
（3）区域分割。分为串行区域分割和并行区域分割。并行区域分割通常是指通过给灰度直方图设定一个阈值对其二值化，从图像中分割出目标物。串行区域分割指通过边界跟踪或者区域生长等方法提取出目标物。
（4）投影法目标物提取。这是一种和差分法配合的目标物提取方法。图像差分后得到的数据，在目标物的内部常常形成“空洞”，对目标物的提取造成困难。对目标物通过投影向量进行直方图投影，再提取目标物，可以消除目标物内部的空洞。
3．车辆目标定位技术
（1）重心法。在识别出目标物的基础上，通过提取目标的最小外接矩形，找到目标的位置和跨度，对其几何运算求出几何中心，即为目标物的重心位置。
（2）边缘检测定位法。通过图像边缘检测和分割技术，检测物体的边缘，对边缘的位置准确定位，从而确定车辆目标的位置。
（3）灰度峰值法。分别检测_和y方向的灰度的峰值位置，确定目标的大致位置。
4．多目标物检测技术
（1）面积法。由和背景的差分图像求出所有目标物的面积总和，然后由目标物的区域和目标的总面积值估算出目标物的个数。优点是算法简单实现容易，但是面积提取受环境影响较大，因此不够准确，加上车辆目标的面积值差别很大，因此很难达到要求，只能够应用于非常粗略的估算或者对主算法的验证。
（2）区域分割。分为阈值分割法和区域生长法。
①阈值分割法。自适应阈值/固定阈值。
②区域生长法。包括种子点的选取、生长准则、停止条件三个因素。传统的区域生长方法是，扫描并标记种子点相邻4个/8个像素点，如果符合准则就标记并压入存放种子点的堆栈，成为接下来要扫描的种子点，扫描完堆栈中的点后再继续下一个种子点的扫描，具有迭代性质，因此算法较为复杂。
一种创新的区域生长算法，即扫描边增长，顺序扫描每一行的所有像素，标记其相邻的4个/8个点，扫描完所有像素点后，目标区域就全部识别出来了。这种新算法的复杂度较低。
5．多目标物跟踪技术
在多目标的识别基础上，可眼用下面方法跟踪多个目标。
（1）传统帧差法。通过与背景差分的图像确定每一帧中目标物的位置，然后对目标物的特征（比如角点特征、边缘特征、颜色特征等）进行匹配识别，达到跟踪目的。
（2）基于_方向和y方向灰度极值变化的方法。对帧差分图像进行分析，多个目标时求出_方向和y方向上的多个极值的位置和该峰值区间（即为目标物的位置和大小范围）。此方法优点是算法简单，但对目标位置的定位不够精确，并且需要对非目标物的误检测进行有效过滤。
（3）基于目标物运动方向预测的估算。优点：运算速度快，实时性较强。
三、拟采用的方法
1．车速、流量统计
流程图如图2所示。
图2车速、流量统计流程图
（1）由视频流读入图像后，对图像的预处理采用中值滤波，有效消除噪声。
（2）对多辆车辆的实时更新背景，与当前帧图像作差分运算，得到帧差图
像。然后用改进的区域生长识别多个目标，并通过标记这些目标进行计数。
（3）多个目标跟踪，结合运动趋势预测的方法对目标位置进行跟踪。
（4）多车辆的车速检测，对每个车辆的车速进行估计，然后对当前监控区域的所有车辆车速计算均值并输出。
2．压黄线检测
流程图如图3所示。
图3压黄线检测流程图
（1）由视频流读入图像后，对图像的预处理采用中值滤波，有效消除噪声。
（2）对多辆车辆的实时更新背景，与当前帧图像作差分运算，得到帧差图像。然后用改进的区域生长识别多个目标，并对每个目标定位。定位方法拟采取重心法。
（3）对黄线的识别采用Hough变换法，该方法擅长检测不连续的边缘像素点，抗干扰性较强。
（4）对车辆目标和黄线的相对位置进行定位，判断车辆是否压黄线。
3．违章停车检测
流程图如图4所示。
图4违章停车检测流程图
（1）由视频流读入图像后，对图像的预处理采用中值滤波，有效消除噪声。
（2）对多辆车辆的实时更新背景，与当前帧图像作差分运算，得到帧差图像。然后用改进的区域生长识别多个目标，并对每个目标定位。定位方法拟采取车辆的边缘检测法。
（3）当（2）检测到车辆目标出现后，对目标进行跟踪，通过相邻帧差分检测目标物运动或静止，如果静止则判定违章停车。
4．逆行检测
流程图如图5所示。
图5逆行检测流程图
（1）由视频流读入图像后，对图像的预处理采用中值滤波，有效消除噪声。
（2）对多辆车辆的实时更新背景，与当前帧图像作差分运算，得到帧差图像。然后用改进的区域生长识别多个目标，并对每个目标定位。定位方法拟采取车辆的边缘检测法。
（3）当（2）检测到车辆目标出现后，对目标进行跟踪。这里跟踪只需要确定目标的运动方向或趋势，不需要测速。
（4）如果车辆目标运动方向与预设的方向不同，则判定违规。
四、主要功能模块
为了保证系统性能，并增加软件的重用性，程序中图像处理的相关部分大致划分如下功能模块进行实现：
（1）读入图像和预处理。
（2）车辆的识别（和计数）。
（3）黄线识别。
（4）目标物跟踪。
（4）速度统计。
（5）运动趋势（方向）判断。
（6）绝对位置的判定。
（7）结果/信号的输出模块。
这些模块的算法蕴含在前面“拟采用的方法”中。不过，有些算法在实施时可能需要改选别的算法，也可能需要进一步改进。
下载本文