圖像檢測技術(shù)的發(fā)展和應(yīng)用
發(fā)布日期：2022-04-27 點擊率：93
在科技發(fā)達的今天，運輸系統(tǒng)逐漸朝著智能化（ITS）發(fā)展，而檢測的方法上亦漸漸趨向以高科技的檢測方式替代傳統(tǒng)人工調(diào)查的方式，可以避免漏記或調(diào)查員的投機取巧，并且精簡調(diào)查成本，在執(zhí)法方面，各個城市大量采用了電子警察，使得在許多裝有電子警察的交*口和路段交通秩序要好于其它路段。所以，車輛檢測器的發(fā)展在現(xiàn)代計算機化的交通管理中扮演著非常重要的角色，其準確度常受到檢測方式、檢測器布設(shè)形式、數(shù)量與位置的影響。
現(xiàn)有的各種交通參數(shù)檢測方式中，只有圖像檢測器（Video Image Detector）是一種可以取得最豐富的交通信息的面式檢測器。視覺為基礎(chǔ)的攝影系統(tǒng)在現(xiàn)今的發(fā)展已更加的成熟，而且，比那些點式的感應(yīng)系統(tǒng)更為有用（例如：環(huán)形線圈與壓力式檢測器），因為圖像檢測器所提供的信息可以進行進一步的車輛跟蹤與分類，這對于執(zhí)法是至關(guān)重要的。而其它檢測手段均有較大的限制，點式檢測器僅用于車流上的量測與計數(shù)，或是解決特定的子問題（如等候檢測或擁擠車流上的檢測），缺乏一般性的應(yīng)用。
以計算器進行圖像處理，改善圖像品質(zhì)的有效應(yīng)用開始于1964年美國噴射推進實驗室（J.P.L）用計算機對宇宙飛船發(fā)回的大批月球照片進行處理，獲得顯著的效果。1970至1980年代由于離散數(shù)學(xué)的創(chuàng)立和完善，使數(shù)字圖像處理技術(shù)得到了迅速的發(fā)展，隨著電腦的功能日益增強，價格日益低廉，使得圖像處理在各行各業(yè)的應(yīng)用已經(jīng)成為相當(dāng)普遍的工具之一，舉凡在醫(yī)學(xué)工程、工業(yè)應(yīng)用、交通領(lǐng)域應(yīng)用等。1980年代開始，有關(guān)交通量估測的研究漸漸有了成果。到1985年以后，各國對于交通圖像偵測系統(tǒng)已有實際的成品發(fā)展出來。另外，近年來結(jié)合類神經(jīng)網(wǎng)絡(luò)加速圖像處理速度形成一個研究趨勢。
在進入圖像處理之前，我們首先對圖像做一個概略性的探討。所謂“圖像”泛指所有實際存在含有某種消息的信號，如含有人、事、物等的照片，而紅外線攝影所獲得的信號，則表示某些物體的溫度分布。
我們常說“一幅圖勝過千言萬語”，即是指每張圖像中含有許多的信息，根據(jù)我們的目的而進行處理，得出想要的結(jié)果。“數(shù)字圖像”是將傳統(tǒng)照片或錄像帶模擬訊號經(jīng)取樣（sample）及數(shù)字化后達成。數(shù)字化的原因在于方便計算機運算與儲存。所儲存的亮點成為圖像的基本單位，稱為象素（Pixel）。象素的亮度以灰度值（Gray-level）表示，灰度值被劃分為256階，最暗為0，最亮為255。一張圖像被數(shù)值化成方塊格子所組成的畫像元素，每一格子中都標有一對坐標，一個代表其行值，另一則代表其列值。行值從這張圖像的最左邊開始標幟自0一直到n，n表示行值中最大值。相同的，列值從最上方起定為0，往下移動至m值，m表示圖像全部列數(shù)。
所謂圖像處理就是為了某種目的對圖像的強度（灰度值）分布視為一連串整數(shù)值的集合，經(jīng)由不斷的運算執(zhí)行某些特定的加工和分析。
1、圖像處理原理
圖像處理涵蓋的范圍十分很廣泛，但是，所采用的基本原理和方法是一致的。整體說來，圖像處理這門科學(xué)所研究的主要內(nèi)容包括了圖像數(shù)的模數(shù)轉(zhuǎn)化（A/D Image Transform）、圖像的增強與復(fù)原（Image Enhancement and Restoration）、圖像編碼與壓縮（Image Encoding and Compression）、圖像切割（Image Segmentation）、圖像的表示和描述（Image Representation and Description）、圖像特征匹配（Image Feature Matching）等等。
所謂切割就是企圖將圖像中之標的物析出的處理過程。圖像切割可說是圖像的分析過程中最重要之步驟之一，在一般所采用的方法主要為邊緣的檢測(Edge Detection)及臨界值法(Thresholding)。
圖像特征匹配，特征匹配法的"特征"，需先加以定義。舉例而言，若要描述一個人，最好先說明他的特征。在外表方面，例如身高、體重、胸圍....等等；在心理方面，例如和善的、好勝的、沉默的....等等；在事業(yè)方面，例如職業(yè)、收入....等等。不同特征適用于不同描述目的，例如描述一個人的健康，需要上述的身高、體重特征；若要描述一個人的成就，所需特征就多得多，舉凡上述特征之外，還可能需要這個人的生平事跡等等。據(jù)此了解，一個人的特征能夠代表一個人，故特征具備了代表性。除外，若現(xiàn)需將每個人由高至矮排序，所需特征只身高一項，其它體重、性格等等數(shù)據(jù)無需獲得，因此使用特征亦具備簡化使用信息量之目的。
所謂匹配（Matching）或被翻譯成“比對”，即將物體的特征與預(yù)存在計算機中之原型（Proto types）或樣版（Template）的特征加以比較，若相似度（Similarity）或非相似度（Dissimilarity）小于或大于某預(yù)設(shè)的門檻值（Threshold），則稱兩者匹配成功。匹配較傾向?qū)儆趫D形辨認（Pattern Recognition）范圍，因其中含有“分類”（Classification）或“辨認"（Repetition）意味之故。建立計算機中原型或樣版特征之過程稱"訓(xùn)練"（Training），做法為事先采取某些樣品（Sample）或典型（Typical）之特征加以儲存之。特征匹配的常用方法有許多種：最近鄰居法（Nearest Neighbor Method）、二元決策樹法（The Binary Decision Tree Method）、屬于動態(tài)規(guī)畫法（Dynamic Programming）的DP匹配法等。
特征匹配目的在使具有相同或類似待征的物體產(chǎn)生關(guān)聯(lián)，以便于辨認或分類。就交通方面而言，特征匹配法可用來區(qū)分不同的交通工具。舉例而言，若圖像中某物體長度4公尺，寬2公尺，形狀呈矩形（以上皆為特征），該物體極可能被分類為小汽車；若為長10公尺，寬2.5公尺的矩形，則可被分類為大型車（巴士、大貨車）。
2、圖像處理應(yīng)用于交通
早期圖像處理技術(shù)的應(yīng)用范圍受到圖像處理設(shè)備價格昂貴以及處理速度緩慢的影響，僅局限于某些領(lǐng)域；及至70年代后至今，隨著理論的發(fā)展與集成電路革命造就計算機科技的進步，使得圖像處理的應(yīng)用范圍漸廣。
美國于1978年由聯(lián)邦高速公路局委托E.E. Hilbert、C. Carl、W. Gross、G.R. Hanson、M.J. Olasaby及A.R. Johnson發(fā)展寬域檢測系統(tǒng)（Wide Area Detection System , WADS），其它各國如日本、法國、英國、瑞典等也已陸續(xù)投注了相當(dāng)?shù)难芯浚⒂胁诲e的成績。相對于國外，國內(nèi)將圖像處理技術(shù)應(yīng)用于交通的發(fā)展，在近年已經(jīng)有相當(dāng)程度的進步，如國內(nèi)目前相當(dāng)熱門的車牌識別，有多個廠家推出了相應(yīng)的產(chǎn)品。下面將針對圖像處理技術(shù)在交通上的應(yīng)用分車輛檢測、車種識別、車輛跟蹤三個部分做簡單介紹。
1）、車輛檢測
車輛檢測的方法可大致歸類為樣本點檢測、檢測線檢測以及全畫面式檢測等途徑，另外針對夜間車輛檢測進行說明如下：
（1）、樣本點檢測
在車道的某一部分選取類似矩陣的樣本點，當(dāng)車輛通過時，樣本點之灰階值與原路面不同，若兩者相減的統(tǒng)計值超過某一門檻值，即表示車輛的存在。
（2）、檢測線檢測
此法是于垂直或平行車流方向布設(shè)由象素組成之虛擬檢測線，如圖2所示。一般由亮點來組成，以方便區(qū)隔路面與檢測線的象素深度。當(dāng)車輛通過檢測線時，線上的灰階值與沒有車輛通過路面時有差異；若灰階值的差異大于某門檻值，則表示有車輛通過。由于樣本點或檢測線檢測法僅擷取部分象素資料進行處理，處理的資料量明顯減少，因此運算時間縮短許多；為了達到實時（Real-Time）檢測的要求，目前已實際運用于交通檢測的圖像處理系統(tǒng)AUTOSCOPE便是以檢測線做處理。
在車輛運行單純的路段，以樣本點或檢測線作為車輛檢測的途徑可獲得不錯的結(jié)果；但在復(fù)雜的路口內(nèi)，如何布設(shè)樣本點或檢測線將是首先遭遇的難題，因為路口內(nèi)車輛除直行外，尚有轉(zhuǎn)向行為，任何位置均可能有車輛出現(xiàn)。
（3）、全畫面式檢測
以全畫面作處理的車輛檢測方法所能獲得的信息較多，但相對地要處理的資料量也明顯增加許多。屬于此法的檢測方式有背景相減法與二值化法兩種：背景相減法系取一張無車輛存在的圖像作為背景，當(dāng)含有車輛的圖像與背景圖像逐點相減后，車輛的部分即被減出，如TRIP系統(tǒng)。二值化法將圖像以某一門檻值進行切割，象素深度高于該值的成為255（白），低于該值者則變成0（黑），如此可將物體與背景分離。
背景相減法與二值化法均存在許多缺點，前者如背景需要經(jīng)常更新，后者則過程繁復(fù)，而二者共同的缺點便是當(dāng)物體顏色與背景相近時將面臨切割失敗的命運，此外，門檻值確立不易，故有多值切割方法的提出，但過程益顯復(fù)雜。
（4）、夜間車輛檢測
國外R. Taktak、Rita Cucchiara、Cucchiara等人認為由于夜間圖像所具有的信息與白天圖像相當(dāng)?shù)牟煌虼嗽谒惴ǖ氖褂蒙吓c檢測流程上會有相當(dāng)程度的不同。一般而言在夜間與較暗的照明度之下，唯一醒目的視覺特征為車頭燈與其光柱、街燈以及高度反射光線的型態(tài)（如斑馬線）。他們認為夜間圖像并不適合用移動檢測算法。
2）、車輛識別
（1）、車輛識別
由于國內(nèi)與國外交通組成的不同，國外的研究僅對大車與小車兩種作辨認，而國內(nèi)則較復(fù)雜，但一般研究均簡化車種為大車、小車與機車，以此三類做識別。
以檢測線或樣本點作為識別車種的途徑時，由于所取資料量少，較不利于車種識別，故以此法進行者較少。就日間圖像的車輛識別來說通常以車輛的特征如：外型、尺寸為分類準則。相關(guān)文獻整理如下。
近年發(fā)展迅速、應(yīng)用到許多領(lǐng)域的“類神經(jīng)網(wǎng)絡(luò)（Neural Network）”也被應(yīng)用到車種的識別上。此外，亦可藉由車輛牌照途徑，將號碼圖像二值化，以特征匹配的方式識別并記錄該車牌號碼，透過數(shù)據(jù)庫的比對，每個號碼可對應(yīng)于某一車種，可用于抓拍違章車輛、車輛計數(shù)、車種識別、起迄點調(diào)查與旅行時間分析等。
（2）、車牌識別
車牌識別的技術(shù)近年來在國內(nèi)已經(jīng)日趨成熟。有些學(xué)者認為車牌識別可分三階段：前處理，將圖像二值化后進行清除噪聲。而后車牌定位，利用連接組件標示法，找出圖像中之連接組件加以分析，進而判斷車牌位置。字符識別，分割字符完畢后依文字大小設(shè)定結(jié)構(gòu)組件之大小，最后利用型態(tài)學(xué)的方法找出文字特征加以比對。
還有一些學(xué)者采用其它方法，如搜尋車牌后以圖素分割法切割字符住后利用類神經(jīng)網(wǎng)絡(luò)識別字符；或者利用灰階轉(zhuǎn)換數(shù)之計算找出可能之車牌位置，再分割字符，在利用筆劃分析法識別字符；或者利用圖像中灰階值之變化特性尋找車牌位置，在利用垂直投影直方圖分割字符，以灰階值關(guān)連度進行識別。
（3）、車輛跟蹤
連續(xù)圖像中，車輛軌跡的記錄即稱為跟蹤。Anthony P.Ciervo最先提出以檢測車輛并配合預(yù)測車輛位置的方式，連續(xù)跟蹤車輛的軌跡。其中以樣本點或檢測線方式做跟蹤者，由于選取的象素僅局限于某固定范圍，處于被動狀態(tài)，較不利跟蹤之進行。N.Hoose便是以各臨近方向均為雙向二車道的 T 字型路口為例，在進入路口前及離開路口后之車道上布設(shè)橫向檢測線屏蔽（Mask），以記錄車輛進入與離開之臨近方向編號，同時對車輛在圖像上的形狀、大小與位置等資料作記錄，以跟蹤車輛，但誤差頗大。總結(jié)而言，車輛跟蹤的方法有下列四種：模式基礎(chǔ)跟蹤（Model based tracking）、區(qū)域基礎(chǔ)跟蹤（Region based tracking）、輪廓基礎(chǔ)跟蹤（Active contour based tracking）、
國外研究文獻中僅針對各車道的單一車輛進行跟蹤，要了解路口內(nèi)車輛運作之機制，非得在同時間針對路口內(nèi)所有方向的車輛做跟蹤處理不可，否則取得的僅為殘破的信息，對整體的助益有限。
3、光的特性
先不考慮車流行為所造成的問題，而單單就圖像處理技術(shù)部分來說，利用圖像處理技術(shù)搜集交通參數(shù)，在夜間的情況下到底會遇到什么樣的問題呢？我們來對此做一個初步的了解。
我們針對夜間拍攝圖像所會遇到的問題逐一做說明。拍攝時氣候皆為晴天，問題陳述如下。
路面反光因素
由于是晴天的因素，所以路燈照射路面所造成的反光并不嚴重。前車燈所造成的路面反光較嚴重。要如何定義前車燈或后煞車燈（雨天較嚴重）所造成的路面反光也是一個問題。
夜間光源因素
我們可以很明顯的看到橋邊有路燈照明，使得整個圖像環(huán)境不至于太黑暗。但經(jīng)由仔細觀察則可以發(fā)現(xiàn)，路燈是每隔一段距離設(shè)置于路邊，因此照射于路面的燈光布置情況也是呈現(xiàn)亮暗間格分布，如果經(jīng)由二值化處理可能會有問題待解決。
陰影因素
由于夜間仍有路燈的照明，因此當(dāng)照射到車體本身或路旁物體的時候，也會形成路面的陰影。由于整個背景的亮度不同，因此夜間產(chǎn)生陰影的處理方式，勢必與白天產(chǎn)生陰影的處理方式不同。
當(dāng)攝影機以較水平的角度拍攝面對攝影機開來的車輛的時候，較嚴重會使得拍攝出來的畫面整個呈現(xiàn)泛白，畫面中看不到我們所要拍攝的景物。
