车辆运动（精选7篇）
车辆运动 篇1
在实际环境中,摄像机获取的车辆图像,由于车辆和摄像机之间的相对运动,往往造成图像模糊。为了有效地利用这些图像,需要对运动模糊图像进行复原,从而得到可视效果较好的图像。模糊图像复原的常用方法是维纳滤波[1,2],参数估计是模糊图像复原的关键,文献[3]采用人工方法选取维纳滤波中的噪信功率比参数。文献[4]使用图像空间梯度方法估计点扩展函数的长度参数。文献[5]对运动模糊图像的频谱进行累加增强,然后利用观察,估计点扩展函数长度参数。
笔者研究了1种运动模糊图像复原方法,采用维纳滤波进行复原,使用误差-参数分析法估计点扩展函数的长度参数,基于概率统计的方法估计噪声参数,并对振铃效应进行处理,实验结果表明,该方法在信噪比较低的情况下仍能准确地估计模糊长度参数,对噪信功率比参数具有较强的鲁棒性,对运动模糊图像具有较好的复原效果。
1 图像复原建模
1.1 图像降质与复原模型
运动模糊图像降质模型可以描述为:
式中:f(x,y)为原始图像;g(x,y)为模糊图像;h(x,y)为点扩展函数;n(x,y)为加性噪声。
式(2)为式(1)在频域中的表达式,大写字母为相应原函数的傅里叶变换。
使用维纳滤波进行图像复原的频域模型为:
式中:|H(u,v)|2=H*(u,v)H(u,v),H*(u,v)为H(u,v)的复共轭。Sn(u,v)为噪声功率谱,Sf(u,v)为未退化图像功率谱。
1.2 点扩展函数参数估计
运动模糊的点扩展函数可以表示为:
式(4)为1个水平方向运动模糊的点扩展函数,d是运动模糊长度。若运动模糊的方向不在水平方向,则可通过坐标变换转换到水平方向。
本文采用误差-参数分析法[6]辩识点扩展函数,该方法在观测图像的信噪比较低、运动模糊长度较大时也可得到较好的估计效果。误差-参数分析法利用误差度量E估计参数d,其步骤如下:
1) 选定1个长度参数搜索范围,用长度初始值d0、步长Δd和搜索步数k来表示。
2) 由参数d产生点扩展函数h,实施复原算法,依据h和观测图像g决定复原图像的估计值f′。计算复原误差e=‖g-f′×h‖2或频域误差E=‖G-F′H‖2。
3)作出E-d曲线,曲线在d的真实值附近的变化率将显著变小,由此估计点扩展函数的参数d值,并获得相应的点扩展函数。
为了能得到较为准确的估计值,常设定几个不同的信噪比参数,以获得多条曲线,从而便于曲线的分析和观察。在估计点扩展函数的参数d时,常取E-d曲线中较平缓的位置作为估计值,在估计点扩展函数范围时,一般无法做到十分精确,当设定搜索范围较大时,有时会出现几个可能的估计值,需要通过实验对其进行筛选。
1.3 噪声参数估计
实际图像由于受多种因素影响,维纳滤波复原模型中的噪信功率比参数往往难以得到,可以利用降质图像估计噪信功率比[7]计算降质图像中各局部方差,取局部方差的最大值作为图像方差σ
在实际应用中,由于受平坦区域寻找的合理性、噪声类型等影响,对估计的图像噪信功率比参数往往还需进行一定的修正。
2 振铃效应处理
图像复原时,在图像灰度变换剧烈的地方出现了干扰条纹,称之为振铃效应,若不对其进行处理,会对复原结果造成很大的影响。在离散傅里叶变换中,要求图像数据具有周期性,而实际图像无法满足这个要求,必须在图像边缘补充像素点以满足傅里叶变换的要求。若直接使用维纳滤波,扩展部分像素点默认为0,会带来很大的边缘误差,可以通过采用平滑的方法来解决这个问题。
设原始图像为,平滑边缘后图像为。
按此规律将图像进行扩展,这样既可以满足傅里叶变换的要求,又可以减小灰度变换剧烈的边缘,有效的抑制振铃效应。
3 实验结果
为检验本文图像复原方法的有效性,分别对实验图像和实际图像进行测试。
首先,对1幅清晰车牌图像加模糊长度为10像素、方向为45°的运动模糊,并加均值为0、方差为0.000 1的高斯噪声,如图1所示,此时降质图像的噪信功率比为0.008 8。
观察模糊图像及其频谱(如图2),可得到关于模糊图像方向和模糊长度范围的大致信息。从频谱信息可以得到运动模糊的方向(与条纹呈90°夹角),约为45°。根据第1.2节介绍的方法计算E-d曲线(如图3),选取曲线变化较为平缓处的值为7像素和9.5像素。利用1.3节介绍的方法估计噪声参数,得到噪信功率比为0.001 7。
依据上述得到的参数,利用维纳滤波对模糊图像进行复原,复原结果见图4。从图4可以看出,模糊长度取7像素时,复原效果不佳,模糊长度取9.5像素时取得了较好的复原效果,图5是图4(b)振铃处理后的结果,可见振铃处理使条纹减弱,图像恢复效果更佳。本文方法的信噪比估计值为0.001 7,调整至真实值0.008 8,复原效果如图6所示,可以看出,调整噪信功率比参数后,复原图像在细节上更加清晰。
为了进一步验证复原效果,对实际拍摄的运动模糊图像进行复原。图7(a)是模糊图像,由模糊图像的频谱信息和E-d曲线,估计运动模糊方向为130°、模糊长度为21像素、噪信功率比为0.002,复原结果见图7(b),可见本文方法具有很好的复原效果。
4 结 论
本文研究了1种运动模糊图像处理方法,该方法对运动模糊图像具有较好的复原效果。实验结果表明:①采用E-d曲线可以较准确地估计模糊长度参数;②基于概率统计方法估计信噪比参数虽然存在一定误差,但使用维纳滤波对图像进行复原仍可得到较好的复原效果,维纳滤波复原模型对信噪比参数具有较强的鲁棒性;③通过平滑边界的方法可减小振铃效应,改善复原效果。
参考文献
[1]张德丰,张葡青.维纳滤波图像恢复的理论分析与实现[J].中山大学学报,2006,45(6):44-47
[2]Furuya,Hiroko.Image restoration via wiener filte-ring in the frequency domin[J].WSEAS Transac-tion on Signal Processing,2009,5(2):63-73
[3]明文华,孔晓东,屈磊,等.运动模糊图像的恢复方法研究[J].计算机工程,2004,30(7):133-135
[4]陈前荣,陆启生,成礼智,等.运动模糊图像点扩散函数尺度鉴别[J].计算机工程与应用,2004,40(23):15-19
[5]蔡慧敏,张艳宁,王志印,等.一种匀速直线运动模糊参数估计方法[J].计算机工程与应用,2008,44(19):175-177
[6]Zou Mouyan,Unbehauen R.An iterative method ofblur identification and image restoration[C]//Pro-ceedings of the International Conference on ImageProcessing,Switzerland:1996
[7]邹谋炎.反卷积和信号复原[M].北京:国防工业出版社,2001
基于视频的运动车辆检测算法研究 篇2
运动车辆检测是智能交通系统的一个重要课题,在车辆违章、车流量检测等方面具有广泛的应用前景,常见的运动车辆检测方法主要有帧间差分法、光流法、时间差分法和背景差法等[1]。其中,帧间差分法检测速度较快,运算算法相对简单,可以在实时性要求高的场景下检测。光流法计算比较复杂耗时,很难做到实时检测。时间差分法适用于动态变化的场景,但很难完整地分割运动对象,故无法作进一步的对象分析和识别。背景差法一般应用在摄像机相对固定的条件下,在算法速度和检测效果方面的综合性能最好[2],背景差分法的重点在于怎样建立背景,并做到实时动态地更新背景。
1 运动车辆检测与常用方法
1.1 帧间差分法
帧间差分方法是通过对视频中2个或3个相邻帧图像作差分运算,并通过阈值来提取运动车辆轮廓的算法。帧间差分法是基于视频流中相邻的图像帧,将相邻两帧或多帧图像中像素相减,消除图像中的背景及静止的物体,可以适用于多个运动目标的检测[3]。
帧间差分法的优点是检测的算法容易实现,复杂度低;对光线等背景变化不太敏感,可以适应不同的动态环境,可靠性高。缺点是很难提取到待检测运动目标的所有区域,仅能提取待检测目标的边界,检测效果取决于所选择图像帧的时间间隔。
1.2 光流法
光流是空间运动目标表面被观测的像素点在视觉传感器的成像,它包含了运动物体表面结构与动态行为的信息[4]。光流的应用研究主要采用图像帧中像素的时域变化与其相关性来确定像素位置的“运动”[5],光流场是采用二维图像表示运动目标的三维运动的速度场。
光流法的优点是可以在不需要预先知道场景的相关信息的情况下就能够检测独立运动的目标,在拍摄像机移动的时间也能进行检测,有非常强的适用性,可以工作在时时变化的背景环境中。光流法的缺点是处理数据量很多,计算复杂度高,不容易实现,耗时长,实时性差,抗干扰能力弱。
1.3 背景差分法
背景差分法是运动目标检测中最常用的一种方法,采用当前图像帧和背景图像的差分来检测运动区域,其性能主要依赖于背景建模技术[6]。背景差分法中背景图像的建模的质量,决定着运动车辆检测的有效性。
背景差分法优点是检测运动目标速度较快,检测相对准确,比较容易实现,其关键是背景图像的建模与获取。在实际应用中,由于背景图像的不断改变,静止背景是不易获得的,需要通过视频序列的帧间信息来计算和重建背景。
2 基于背景差分法的改进
鉴于背景差分法在运动目标检测中的优势,本文采用一种改进的背景差分法对运动车辆进行检测。首先是背景初始化运用多帧图像求平均的方法,这样建立的背景模型比较接近真实环境;其次采用自适应调节速率的算法更新背景模型,使得动态变化的背景有较高的精度与准确性;最后运用了数学形态学方法对差分二值化图像进行滤出噪点、填补空洞、边缘平滑等处理。
2.1 背景建模
背景模型的准确性是车辆检测的关键,本文是采用基于多帧图像求平均的背景建立方法。背景建模过程是在图像帧中用累加求和运算对背景的像素进行累加,用视频图像平均灰度值来代替目标车辆出现的区域,这样能消除背景对待检测目标车辆的影响。算法的具体步骤如下。
Setp1:在待检测的视频流中每隔10帧图像就采集1帧图像。
Setp2:对采集到的图像进行前后两两相减运算得到差分图像,再对差分图像进行累加与求平均运算。
Setp3:假若差分图像中的灰度值小于给定的阈值,则用下一帧图像中对应位置的灰度值代替;假若差分图像中的灰度值大于给定的阈值,则用图像的灰度平均值来代替此处位置的灰度值。
Setp4:将各背景图像再次进行累加平均运算就能得较真实的背景图像。
2.2 背景模型的更新
背景模型建立后,因背景环境的不断变化,需要对背景模型进行更新。为了在背景不断更新的情况下保持运动车辆检测的稳定性,要求背景差分算法具有较强的鲁棒性,能够能适应背景在不同光照下的变化,能适应出现背景振动(如树叶晃动、监视器屏幕闪烁等),能适应背景中物体的变化(如背景中物体的增加与消失),能消除运动车辆或物体的阴影对背景的影响。
为了解决这些问题,本文采用自适应调节更新速率的方法进行背景模型更新,根据当前图像帧中像素灰度值来确定更新的速率。假若当前图像帧中某处像素的灰度值跟前一帧频相应的灰度值相关较大,那么应该降低背景更新的速率,反之就加快背景更新的速率。
2.3 阈值的选取
在采用背景差分法的运动车辆检测中,需要对背景差分运算所获得的图像进行二值化处理。图像二值化处理是指运用图像分割算法把前景目标像素点从背景像素中分割开来,因此怎样分割图像是关键。图像分割是指用一个或多个阈值把视频图像的灰度分成不同的部分,认为属于同一个部分的像素应该就是同一个物体。阈值取得过大,则可能将运动车辆的像素点误以为是背景的像素点,阈值取得过小,则可能将背景像素点误以为是运动车辆的像素点。故本文提出一个用当前图像平均灰度值来确定动态阈值的算法。
Step1:计算出图像中最大灰度值与最小灰度值,令初始始阈值为最大和最小灰度值的平均值。
Step2:根据初始阈值把图像分割为背景与目标2个部分,计算出这2个部分的平均灰度值L1和L2。
Step3:令分割阔值Th为L1与L2的平均值。
2.4 运动目标的提取
运动目标的提取是先确定图像的分割阈值,然后按阈值把差分后的图像进行分割,若是小于阈值的则此区域应为背景,若是大于阈值的则此区域应为前景。在对图像进行阈值分割的同时进行二值化处理,即分割为背景的像素点灰度值就置为0,而被分割为前景的像素点灰度值就置为1。算法如下。
if hk(i,j)Tk,Ik(i,j)为前景,则Ik(i,j)=255;
else Ik(i,j)为背景,则Ik(i,j)=0。
经过背景图像差分处理、阈值分割、二值化处理等步骤后,基于视频的运动车辆的提取工作就算基本完成。
2.5 基于形态学的图像后处理
车辆检测的正确性是运动车辆检测中的关键,由于天气原因如风雨交加,背景因刮大风导致树叶晃动,大型机动车行驶过程引起摄像机抖动等,导致拍摄的视频图像中常常有大量的噪声与斑点。即使进行了图像二值化处理,还会存在部分噪声和斑点,这样不但不能准确地提取运动车辆相关特征值,还会影响运动车辆检测的效果。因此,需要采用数学形态学方法对二值化后图像进行滤出噪点、填补空洞、边缘平滑等处理。
3 实验结果与分析
为了验证本算法对运动车辆检测的有效性,采用了广西柳州市东环路一段道路监控视频片段进行了实验。算法是在Microsoft Vc++6.0和OpenCV上实现的,计算机操作系统为Microsotf Windows 7 SP1,CPU是Intel G2030 3 GHz、内存是4GB,视频是由型号为警视卫D-30CP专业监控摄像机拍摄,像素为1 080×960,频率为25 fps。实验结果如图1至图10所示。
从实验结果证明,与传统基于高斯模型的算法相比,本文所构建的背景模型在车辆检测时能够完整地检测出运动车辆,能有效地抑制摄像机抖动与树叶晃动,所产生的噪声更少,具有良好的车辆检测精度和效果。
4 结语
笔者给出了一种改进的基于背景差分法的运动车辆检测算法,该算法改进了背景模型的构建,并运用了数学形态学方法对差分二值化图像进行滤出噪点、填补空洞、边缘平滑等处理。通过实验证明了算法对基于视频的运动车辆检测的有效性和实时性。该算法在雨雪天气的检测效果不是很理想,下一步将继续对本算法进行完善与优化。
摘要：文章针对道路交通监控中的运动车辆检测问题,提出了一种改进的基于背景差分算法的运动车辆检测方法。该方法改进了背景模型的构建,并运用了数学形态学方法对差分二值化图像进行滤出噪点、填补空洞、边缘平滑等处理。实验结果证明了算法对基于视频的运动车辆检测的有效性和实时性。
关键词：运动车辆检测,背景差分法,形态学滤波
参考文献
[1]Piccard M.Background subtraction techniques:a review[J].IE EE International Conference on Systems,Man and Cybernetics,2004(4):3099-3104.
[2]Cheung S S,Kamath C.Robust background subtraction with foreground validation for urban traffic video[J].EURASIP Journal on Applied Signal Processing,2005(14):2330-2340.
[3]RT Collins,AJ Lipton,T Kanade.Introduction to the Special Section on Video Surveillance[C].IEEE trans.Pattern Analysis and Machine Intelligence,2000,22(8):745-746.
[4]查成东,王长松,巩宪锋,等.基于改进K-均值聚类算法的背景提取方法[J].计算机工程与设计,2007,28(21):5141-5143.
[5]李辉.智能交通系统中基于视频的车辆检测与跟踪方法研究[D].上海:华东师范大学,2010.
车辆运动 篇3
车辆检测是智能运输系统(ITS)的重要组成部分。随着视频相关设备和高性能计算机硬件的发展以及视频处理技术的成熟,目前基于视频的车辆检测器已成为交通运输领域的研究热点。视频车辆检测器具有安装维护简便、提供视频监视、同时提供多种交通参数等优点。运动车辆信息的提取是交通流检测以及交通状况分析的基础。实际应用中,获得的视频在形成、传输、接受和处理过程中,不可避免的存在着外部干扰和内部干扰;夜间场景下,视频图像的整体亮度非常低,使摄像机的成像质量下降,噪声增多;车辆灯光时强时弱、时有时无造成了光强的剧烈变化,同时夜间大型货车增多使路面容易产生共振而造成摄像机的抖动;这些都使噪声进一步增加,恶化图像质量,给运动车辆的提取带来很大困难。
解决上述夜间运动车辆检测中存在的难题,目前主要有三种常用的方法:一是从硬条件着手,通过改善检测区域的照明条件和摄像机的性能,以提高夜间场景下图像的成像质量,这种方法的经济投入较高。二是采用特定的算法抑制夜间灯光的影响[1,2,3],比如文献[1]用一种叫做Re-tinex的算法进行预处理来消除光照的干扰,文献[2]对原始图像做“浮雕”处理,消除车灯对检测结果的影响,这种方法的计算复杂度高,同时灯光抑制的效果并不是很好。国内外也有很多学者研究夜间运动车辆的显著特征[4,5,6,7],比如车头灯和车尾灯等。文献[5,6]通过车尾红灯的颜色特性与运动信息来提取车尾灯区域,文献[7]则通过车头灯高亮度特征,采用区域特征分析的方法提取车头灯。特征提取法计算复杂度低、准确度高;但是该方法很难获得车型和车道占有率等交通信息,同时对摄像机的安装和拍摄方向也有一定要求,白天模式和夜间模式之间的切换也是个难题。
本文提出了一种联合时间域与空间域信息的运动车辆提取方法,能很好地提取运动车辆的完整信息。在时间域上,改进了帧间差分法,对差分图像进行均值平滑滤波,消除噪声影响;然后采用大津方法进行阈值分割,获得二值化图像;最后对二值图像进行空间域分析,引入了“D(distance)聚类”概念,通过判断每个像素点的距离属性来消除帧间差分法带来的空洞现象。实验结果表明该算法实时性好,提取的运动车辆效果好。
1 时域分析
1.1 时域分割方法
时域分割是利用运动对象的时间相关性和像素点的变化信息,来进行运动对象的分割。通常采用变化区域检测的方法,即通过检测序列图像帧上的变化区域与不变区域,将运动物体从静止背景中分割出来。常用的时域分割方法有背景差分法和帧间差分法,以及由此改进的多帧差分法与二次差分法等。
背景差分法是将当前图像帧与背景模型图像比较,从而得出运动目标区域;帧间差分法是将相邻两帧图像进行比较,获得运动变化区域。考虑背景模型建立和更新的计算复杂度高,以及夜间场景下视频图像的亮度变化大、噪声多,本文采用了帧间差分法。
1.2 平滑滤波去噪
夜间视频图像的噪声非常多,造成车辆的误判现象比较严重,因此需要对其进行滤波处理。图像的平滑滤波方法可以分为空域滤波和频域滤波两种,由于频域滤波需要进行不同域之间的转换,所以在实时性要求较高的视频检测领域应用不多。在空域滤波方法中,应用最广泛的是中值滤波和均值滤波,前者在去除椒盐噪声时效果好,而后者能起到抑制高斯噪声作用。通过分析夜间交通场景视频的特点,本文采用了3×3的8领域均值滤波模版去噪。
1.3 自动分割阈值的选取
理想的阈值选取方法应满足不受图像质量及图像类型的限制、能保留足够的图像特征信息、可实现对不同图像阈值的自动选择、时间开销可以忍受等几方面的要求。目前有多种自动选取分割阈值的方法,常用的有双峰法、迭代法和大津法[8]等。
大津方法的原理是把图像直方图用某一灰度值分割成两组,当被分割成的两组间方差最大时,此灰度值就作为图像二值化处理的阈值,其主要依据是概率统计和最小二乘法。设T为前景与背景的二值化阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1。图像的总平均灰度为:u=w0×u0+w1×u1。从最小灰度值到最大灰度值遍历T,当T使得值b=w0×(u0-u)2+w1×(u1-u)2最大时,T即为二值化的最佳阈值。
方差是灰度分布均匀性的一种度量,方差越大,说明背景与目标区分得越明显,错分概率也越小。大津法选取的阈值非常理想,对不同亮度情况的图像处理效果都比较好,而且比较稳定。
1.4 时域分析效果
图1中A图是从视频流中截取的图像,B图是未经过平滑滤波之后的分割效果图,C图是经过平滑滤波后的效果图。由于车辆灯光的梯度变化不明显,而选用的帧间差分法能起到一定梯度化的效果,所以差分后能起到抑制灯光的效果。均值滤波可以去除孤立噪声点,同时又使运动车辆的轮廓信息更加丰富。夜间视频图像的对比度非常低,而大津法是一种基于类间方差最大化的方法,自动提取的分割阈值能得到很好的分割效果。时域分割后能锁定运动区域,保留较多的运动信息。
2 空域分析
通过上述的时域分割结果可以标记出运动目标的大概位置,但是大量存在的空洞容易引起车辆的误判断。帧间差分法形成空洞的主要原因是车体存在亮度相同的大面积区域,而背景差分法形成空洞的主要原因是车体有部分区域的亮度与背景相同,因此必须采用空间域分析,来消除运动车辆空洞。传统的二维图像空间域分析方法[9]有形态学处理、模糊聚类、区域生长与合并和分水岭分割法等。
为了快速有效地去除时间域分割带来的空洞,本文引入了“D聚类”的概念,即通过分析每个像素点离前后运动前景的距离来判断该点是否属于空洞区域。欧氏距离是一种通常采用的距离定义,其在二维空间的计算公式为:
提出一种快速有效的计算图像欧氏距离的方法,用于计算任何点距离图像前景点或者边缘点的最小距离。算法原理描述如下,P0为原点,p1、p2、p3和p4是其8领域内点,k1、k2、k3和k4为不同方向的权重,根据车道与图像垂直方向夹角的不同而定。采用如下公式求p0的最小值:
Step1扫描时域分割后的二值图BW,将运动前景点的值置0,将背景点的值置无穷大inf。
Step2正向(自上而下,自左向右)扫描BW图像,采用公式(2)求图2A所示的领域的最小值。该步骤可以获得所有像素点距离左上方运动前景的最小距离值矩阵GU。
Step3逆向扫描BW图像,采用公式(2)求图2B所示的领域的最小值。该步骤可以获得所有像素点距离右下方运动前景的最小距离值矩阵GD。
Step4设定某阈值T,如果GU(x,y)+GD(x,y)小于T,则BW(x,y)为1,否则为0。
阈值T设得太小不能很好地消除空洞,阈值设得太大则会将前后两辆车误判断为车体内的空洞。因此阈值的设定与图像垂直分辨率R,摄像机的高度h和视场夹角θ,摄像机与目标的水平距离d,车头间的最小距离D等因素有关。在三维空间向二维图像转化后,图像的每个实际像素点代表的实际长度L为:
通过估算检测区域中心离摄像机的水平距离d、车头最小距离D,即可求得阈值T的最大值。
求得各像素点距离前后运动车辆的距离之和如图3 (A3,B3,C3)所示。图中黑色像素点表示距离为0,对应原来二值图中白色像素点。不同程度的灰色像素点表示的是它离前后运动目标的距离和,灰度越低表示距离前后运动目标的距离和越小,灰度越高表示距离前后运动目标的距离和越大。而距离图中白色的像素点表示的它距离前后的运动目标距离和无穷大,当它的前面、后面或者前后都没有运动车辆时,求得的该值为无穷大。
3 实例分析
图3所示的三组图像为本文算法在不同交通场景下的测试效果。A组和B组图像来自京珠高速中山段的红外监控视频,c组图像采集于广州市滨江东路某地下隧道入口处,图像的帧率都是25帧/秒。图A2,B2和C2是经过时域分析(帧间差法、均值滤波和二值化)后的运动区域矩阵图像;图A3、B3和C3是采用本文的“D聚类”方法,求得的每个像素点距离前后运动车辆距离和的矩阵图像;图A4、B4和C4是进行空域分析后的运动车辆轮廓矩阵图像。
由图3可见,夜间交通场景的视频图像亮度低、车辆灯光影响明显、噪声多。基于帧间差分的时域分析方法能抑制车辆自身灯光,有利于对车型和车速的判断;同时又能消除其它车辆形成的光晕的影响。但是时域分割后的运动车辆区域存在较多空洞甚至断层,影响交通信息的准确提取。采用距离分析方法可以获得空洞内的像素点距离前后运动前景的距离,最后通过距离聚类可以获得完整的运动车辆信息,同时避免将前后运动车辆误合并。
对于处在图像底部的运动车辆,由于图像信息比较丰富,分割效果好;而处于图像中上部的运动车辆,该方法也很难提取完整的车辆轮廓;而对于只剩车灯的车辆,由于它的车身轮廓不可见,甚至将被全部抑制。
4 结论
联合时空信息提取夜间运动车辆的算法,即利用了帧间时域上的强相关信息,又利用了帧内空间上的特征,取得了不错的分割效果。本文方法计算量少、鲁棒性高,能满足交通视频检测的实时性要求,可移植性强。准确提取交通流参数和交通状况是本文的下一步研究目标。
参考文献
[1]llkwang Lee,Hanse okko,David Khan.MultiPle Vehicle Tracking Based on Regional Estimation in Nighttime CCD Images[C]//IEEE Intemation Conference on,2002,4:3712-3715.
[2]Tan Rongwei,Lei Yunqi,Chen Baisheng.Vehicle Detection under Night Illumination [J].计算机工程与应用,2005,13:227-228.
[3]陈柏生,陈锻生.采用梯度滤波方法的夜间车辆检测[J].华侨大学学报,209,30(1):42-44.
[4]Cucchiara R,Piccardi M.Vehicle Detection under Day and Night Illumination [C]//Pro of ISCS-IIA99,Special session on vehicle traffic and surveillance,1999.
[5]Liu Bo,Zhou Heqing,Wei Mingxu.Vehicle Detecion at Night Using Color and Motio Information[J].Journal of Image and Graphics,2005, 10(2):187-191.
[6]周俊杰.基于单目视觉的夜间车辆和车距检测[D].南京:南京理工大学,2007.
[7]Li Xiying,Xiao Jingwen.Vehicle video fast detection algorithm based on color-connected domain[J].Opto-Electronic Engineering,2005,32 (2):64-66.
[8]Otsu.A Threshold Selection Method from Gray-Level Histogram[J].IEEE Trans on SMC-9,1979:62-66.
运动车辆横向振动半车模型分析 篇4
以上这些关于汽车动力学的研究均是将车体模型化为刚性体,而忽略了车体本身的弹性.而且以前的研究都没有考虑运动速度对车体振动的影响.对轴向运动系统的研究发现,运动速度对系统的振动影响很大[8,9].为了更全面地了解车体的振动特性,为驾驶系统、悬挂系统等的设计提供参考,本文考虑车体弹性,即将车体模型化为轴向运动的EulerBernoulli梁,将车轮对车体的作用模型化为处于车体内部弹性支撑的半车模型,研究运动车体的横向振动特性.
由于描述轴向运动系统的非线性模型,甚至线性模型在数学上很少有解析解,数值方法就成为常用的途径.Chen等[8]通过4阶Galerkin截断方法研究了轴向运动梁的非线性动力学行为[8].Ding等[9]运用8阶Galerkin截断研究了超临界速度下轴向运动梁的横向振动频率,证明Galerkin截断方法是分析轴向运动系统的有力工具.
虽然Galerkin截断在轴向运动连续体的研究中有一定的应用,但是还没有用于处理两端自由边界的论文发表.本文通过取两端自由边界下的静态梁模态函数为试函数,运用高阶Galerkin截断方法计算半车模型车体横向振动固有频率.
1 控制方程
汽车在水平路面行驶的半车模型如图1所示.其中,设其水平平衡位置为x轴,T为时间坐标.将汽车车身简化为轴向运动梁,即以速度Γ沿着x方向作匀速运动,其长度为L,a和b分别代表两个车轮的位置,密度为ρ,截面积为A,其弹性模量为E,惯性矩为I,梁内有初始张力P,车轮的弹性系数分别为K1和k2.
根据达朗伯原理,分析梁微元横向平衡,得到车身横向振动的控制方程[9]
两边自由的边界条件为
式中X=0或L.为了便于分析,把梁横向运动的控制方程及边界条件做无量纲化处理.引入如下无量纲变量及参数
代入方程,得到无量纲控制方程
以及边界条件
式中下角标表示对下角标变量的求导
2 Galerkin方法
在文献[8,9]中,均是以相同边界下静态梁的模态为权函数和试函数,通过Galerkin截断方法计算运动梁的运动特性.受此启发,这里以两端自由静态梁的模态函数为试函数,即试函数取为
其中
超越方程(6)有无穷多个解.通过数值方法可以计算得到前10阶特征根为β1=4.730,β2=7.853,β3=10.996,β4=14.137,β5=17.279,β6=20.42,β7=23.562,β8=26.704,β9=29.845,β10=32.987.
假设控制方程的解满足
代入方程
若设权函数为
则在方程两边乘Φj(x),根据模态正交性,两边同时对梁长积分,满足
做n阶截断,并写成向量形式
其中
假设横向振动的形式解满足[9]
代入向量方程,有
根据方程有非零解的充要条件,即
可以实现Galerkin截断方法对半车模型车体的横向振动频率的计算.
3 数值结果
图2给出了车身取不同的弯曲刚度时,系统前两阶固有频率的8阶Galerkin截断计算结果.图中车轮弹性系数k1=k2=1000,车轮位置参数为a=0.3,b=0.7.经观察发现,系统的前两阶固有频率的值随车身刚度的增大而增大.文献[7]在采用Nastran SOL103求解车身结构模态时发现,车速不大时,车身具有代表性的车身结构模态固有频率范围为36.54～147.0Hz.文献[7]同时说明,车的响应随运动速度增大.观察图2发现,车的速度增大将导致车的固有频率降低.而参照文献[7]的路面低频激励问题,低固有频率将更加接近激励频率,因而引起更大的振动响应.
图3 给出了Galerkin截断不同截断阶数系统前两阶固有频率随运动速度的变化.图中车轮弹性系数k1=k2=1000,车身的弯曲刚度kf=0.8,车轮位置参数为a=0.3,b=0.7,运动速度γ=1.观察图3发现,在Galerkin截断的阶数取为6,8,10时,系统前两阶固有频率的收敛性较好,尤其是第1阶固有频率,不同截断阶数的数值结果基本重合.与文献[6]采用简支边界Galerkin截断计算车路耦合响应所得结论相比较,本文的模型简单,因此Galerkin截断的收敛速度更快.
4 结论
将运动车辆车体模型化为两端自由的轴向运动Euler-Bernoulli梁,车轮模型化为两个弹性弹簧,建立半车模型.仅考虑平滑路面上的运动车辆.建立了描述半车模型车体横向振动的数学模型.以两端自由的弹性Euler-Bernoulli梁的模态为试函数和权函数,通过高阶Galerkin截断计算车体横向振动的频率.数值结果表明,车体横向振动的前两阶固有频率随车辆运行速度的增大、车体刚度的减小而减小.计算得到的车体振动频率对整车垂向振动研究有一定参考作用.
摘要：通过半车模型,数值研究平滑路面上运动车辆车体的前两阶横向振动频率.将车体模型化为两端自由的Euler-Bernoulli梁,半车模型的车轮模型化为两个弹性不等的弹簧.建立半车模型的数学模型描述车体的横向振动.以两端自由的静态梁的模态为试函数和权函数,通过高阶Galerkin截断计算车体横向振动的频率,并研究车辆运行速度、车体刚度、弹簧刚度等参数对车体振动频率的影响.
关键词：半车模型,横向振动,频率,Galerkin截断
参考文献
[1]李皓玉,杨绍普,李韶华.车、路的相互作用下沥青路面动力学特性分析.振动与冲击,,2009,28(4):86-102(Li Haoyu, Yang Shaopu,Li Shaohua.Dynamical analysis of an asphalt pavement due to vehicle-road interaction.Journal of Vibration and Shock,2009,28(4):86-102(in Chinese))
[2]肖勇刚,朱素红.车桥耦合系统的非线性动力分析.振动与冲击,2007,26(8):104-108(Xiao Yonggang,Zhu Suhong. Nonlinear dynamic analysis of vehicle-bridge coupled interaction system.Journal of Vibration and Shock,2007, 26(8):104-108(in Chinese))
[3] Zhu XQ,Law SS.Identification of moving interaction forces with incomplete velocity information.Mechanical Systems and Signal Processing,2003,17(6):1349-1366
[4] Law SS,Bu JQ,Zhu XQ,et al.Vehicle axle loads identification using finite element method.Engineering Structures, 2004,26:1143-1153
[5]吴龙,闻霞.6自由度半车悬架解耦及其分层振动控制的研究.汽车工程,2010,32(2):148-154(Wu Long,Wen Xia.A research on the decoupling of a 6 DOF half vehicle suspension and its hierarchical vibration control.Automotive Engineering,2010,32(2):148-154(in Chinese))
[6]李韶华,杨绍普.重型汽车与路面的耦合作用研究.振动与冲击, 2009,28(6):155-158(Li Shaohua,Yang Shaopu.Dynamical interaction between heavy vehicle and road pavement. Journal of Vibration and Shock,2009,28(6):155-158(in Chinese))
[7]陈昌明,孙威.路面激励引起的车内噪声仿真分析研究.振动与冲击,2008,27(8):102-105(Chen CM,Sun W.Numerical simulation and analysis of cab interior noise with the consideration of road surface roughness.Journal of Vibration and Shock,2008,27(8):102-105(in Chinese))
[8] Chen LQ,Yang XD.Transverse nonlinear dynamics of axially accelerating viscoelastic beams based on 4-term Galerkin truncation.Chaos,Solitons and Fractals,2006, 27(3):748-757
车辆运动 篇5
在实际的监控视频中,由于自然界光线被物体遮挡会造成阴影现象,而在目标检测[3]中,阴影常常会影响到检测结果。在车辆视频监控中,常常看到车辆阴影伴随着车辆一起运动,如果不加区分地把阴影看做车辆的一部分,可能会使检测结果中的运动区域增加,也有可能导致不同车道或同一车道上的多辆车连成一片区域,无法区分不同的车辆。这些都会影响到车辆的检测及车流量统计的准确性,因此,对车辆检测目标阴影的去除是十分必要的。
1 去除阴影的基本方法
在实际阴影分析中,车辆视频监控图像中的阴影一般具有以下几个特征:阴影区域只是亮度会明显降低,但并没有改变覆盖区域路面或其他基础设施的纹理;运动车辆与它的阴影有共同的运动属性[4];虽然阴影主要是由车辆遮挡了光线的传播造成的投影,但阴影区域的形状大小与车辆自身的差距很大。基于这些特征,目前的阴影检测方法主要可以分为基于目标物体的形状特性[5]和基于阴影图像[6]的性质两大类。第一种方法主要是先了解检测目标的立体结构,然后在不同特性光源下计算阴影的形状和位置,但是在实际系统中需要大量的计算和存储空间,很难做到这一点。第二种方法主要通过分析阴影图像在色彩、亮度、形状等不同方面的特征来识别阴影区域,不容易实现。由于第一种方法具有局限性,因而第二种方法得到了广泛的研究和应用。
目前主要运用的阴影检测方法是基于RGB和HSV颜色空间的检测方法。RGB阴影检测[7]方法是利用阴影部分在3个颜色通道中的分量,依此以B,G,R顺序降低的特性来对阴影进行检测。有人提出了一种通过归一化色彩模型处理阴影[8]的方法,该方法首先获取彩色图像的RGB这3个通道分量,并对各个通道分量进行归一化处理,由于B通道分量包含阴影信息最多,所以对归一化和原始B分量进行阈值判决,最后通过小区域去除、形态学处理等手段,得到了比较准确的阴影区域。HSV[9]阴影检测方法的主要特点是利用色度(H)与饱和度(S)差别小,而图像像素的亮度值(V)在阴影区域的部分明显小于目标区域的特性进行阴影检测的。比较经典的一个判断阴影图像的公式如下
式中:F(x,y)表示图像中的阴影区域;1表阴影区,0表示非阴影区;I(x,y)表示当前帧图像;B(x,y)表示当前帧的背景图像;α和β是亮度阈值,必须满足0<α<β<1,根据当前帧光线强弱,调整α值的大小,若光线变强,阴影变暗,阴影的最低亮度值变小,则α变小,β限定了当前帧图像阴影区的亮度不能太接近背景亮度;γS是饱和度的阈值,实验证明,当背景区被覆盖成阴影时,该区域的饱和度会降低;γH是色度阈值,它的应用有助于取得更精确的检测结果,但γS和γH的值常常根据经验取得,自适应性弱。
当采用这类方法时,会使车辆自身与影子颜色相似的部分也被消除,造成车辆目标信息缺失,如图1所示,采用基于HSV颜色空间去除阴影效果图。很显然,虽然该方法有效地去除了车辆目标的阴影部分,但也使车辆边缘、车窗等部分区域被误判为阴影去除了。近些年,也有许多学者对这类方法提出了改进,改善了检测效果。如韩中民等人提出的一种综合色度、亮度和边缘信息的检测方法,但是算法复杂并且在特定的环境中才有较好的检测效果,在实际复杂的环境中很难做到较好地自适应检测,所以导致其使用受到一定的限制。
2 帧间差分法
帧间差分法是一种基于图像视频序列中具有较强相关性的相邻两帧做差分运算来获取运动目标轮廓的方法,也可以是多帧图像或间隔几帧来互相做差分运算。其基本原理是:当运动目标经过图像采集设备的范围时,相距间隔比较近的几帧图像在运动目标附近区域会出现比较大的差别,选取两帧图像相减,就能得到运动目标变化区域亮度的绝对值,通过判断它与阈值的大小关系来确定目标物体。假设第m帧和第n帧图像用gm(x,y)和gn(x,y)表示,它们之间的差分图像用f(x,y)表示,T表示阈值,m与n之间差的绝对值可以等于1,也可以大于1,则帧间差分法可以表示为
式中:255(白)表示前景运动目标;0(黑)表示背景。
帧间差分法的优点是因为不同帧之间相隔时间短,光照强度变化不大,所以对光照条件变化的环境具有较强的适应性。该算法的运算简单,检测速度快,程序设计复杂度低。但是也存在一些不足之处:很难检测出运动目标完整的区域,尤其对于纹理较简单的运动目标,检测结果常常存在断裂或有大片区域空洞只有边界的情况,这些都会对后续的处理造成一定的影响;对于快速运动的物体如果选择的时间间隔不合适,就会产生虚影,导致检测的运动目标增大,甚至会出现两个完全分开的目标;对于目标物体运动较慢的,应该选择时间间隔小的帧做差分,否则在两幅几乎完全相同的图像上检测不到任何物体。尤其在城市道路中,车辆速度慢,在有红路灯的路口需要等待,这样的问题就更容易凸显出来。
以相邻两帧图像差分为例仿真结果如图2所示。
3 单模高斯分布模型
单模高斯分布模型[10]的原理是假设图像像素都服从均值为μ,方差为σ2的高斯分布,对每个像素点来说,这样的分布都是独立的。单模高斯分布模型建立背景并不需要使用多帧连续图像,但容易出现拖影现象,造成背景误判。
假设用gk(x,y)代表第k帧图像坐标(x,y)处的像素值,k可取1,2,3,…,N,且所有N帧图像(x,y)处的像素值服从均值为μ,方差为σ2的高斯分布N(μ,σ2),高斯分布函数表示为
T表示概率阈值,如果下一帧图像在该点的像素值大于等于T,该值归为背景,否则判别为前景,然后根据判决结果更新均值μ和方差σ2。
设Bk(x,y)表示第k帧的背景图,则判决公示表示为
4 本文提出的帧差法阴影去除方法
本文主要研究的是基于背景差分法对交通车辆进行检测,但是车辆阴影面积较大时会造成车辆粘连,多辆车检测结果为一辆,造成漏检;或者把其他车道的阴影当成车辆,造成误检。这些都会影响到车辆计数的准确性。由于传统的去除阴影的方法大都是基于颜色空间模型的,这种方法一般都需要较多的参数,计算量较大。本文提出了基于帧间差分法去除阴影的方法,因为车辆在道路中以运动为主,所以研究重点对象是运动车辆,所有的计算基于灰度图像的处理。
4.1 算法的基本原理
对于道路中的运动车辆来说,车辆的阴影是随着车辆一起移动的,而且阴影内部的像素值分布比较均匀。随着电子技术的发展,视频采集技术已经可以达到很高的帧率,因此,在视频序列相邻两帧中的运动车辆位移会变得很小。对这两帧图像进行差分,就可以消除两帧图像中重叠的阴影部分,而车辆自身由于色彩丰富,绝大部分都会保留下来。对此时差分后的图像再进行灰度化并二值处理,选取合适的阈值可以去除阴影重叠部分,但是阴影的外边缘很难去除;当差分后图像的阴影部分与车身部分灰度值接近的情况下,很难选取合适的阈值来区分车辆与阴影,从而使车辆与阴影都被判为前景,或大部分车辆也被判为背景,影响检测结果。
由前面的帧差法可以看出,相邻帧图像做差有去除阴影的作用,由此本文提出一种基于三帧差法去除阴影的算法。读取视频序列中三帧图像,为了减少运算量,选取的图像间隔以三帧图像车辆首位大致相连接为准,也可以有部分重叠,即如果把三帧图像重叠起来会使车辆的长度约为原车辆的二到三倍,再把三帧图像进行灰度化处理。然后将第一帧图像与第二帧图像差分后记为M1,将第二帧图像与第三帧图像差分后记为M2,两图像之间由于车辆位置错开,它们的阴影位置也会互相分离。其次再将两幅帧间差分图像M1与M2做一次差分,就会将第二帧图像中车辆阴影部分的像素值降低到接近零值,而车辆自身由于丰富的灰度而保留下来;另外,由于车辆前挡风玻璃和车体其他部位亮度差异大,会使该部位与车辆其他部位多次互相差分之后,车体的主要部分仍然保持较大的像素值。这三帧图像差分之后,只有第二帧图像车辆的阴影部分被去除,而其他主要部分都被保留了下来。最后将第二帧图像通过单模高斯背景模型获取的前景图像与最后差分后的图像求取共同的部分,就得到去除阴影后的目标车辆。
4.2 算法步骤
通过单模高斯模型背景建模获取前景包括阴影在内的目标图像,再与帧差法结合去除阴影的主要算法步骤为:
1)根据车速和帧率选择合适的帧间隔提取图像,对连续提取的三帧图像分别做第一、二帧和第二、三帧的差分,并将差分后的图像灰度化,再将灰度图像做一次差分,得到消除第二帧图像阴影的三帧差分图像。
2)通过单模高斯背景模型获取背景,与提取的第二帧图像差分获得前景图像,并得到前景灰度图。然后对前景灰度图做滤波和形态学处理。
3)对得到的三帧差分图像和前景图像做与操作,获取两幅图像共同的车体部分,并进行二值化。
4)对上面取得二值化的图像进行中值滤波去除噪声,并用开运算和闭运算修整车辆边缘,填补车辆内部存在的空洞。
5 仿真实验及结果分析
综合上述算法,在实际环境中得到了验证。实验中,在阳光强烈的道路中提取视频素材,实验条件为:Visual Stidio 2010开发平台,运用Open CV2.3.1进行编程实现。对研究对象做灰度图像处理,如图3所示。
实验结果可以看出图3f中的大部分阴影已经去除,但是检测结果中的车身部分有些失真,代表了车辆绝大部分的位置,为了分割准确,可以对检测结果进行外接矩形的提取,从带有阴影的灰度图或背景差分完的前景图像中提取车辆区域。
6 结束语
本算法虽然采用了三帧差分法去除了第二帧图像中车辆的阴影,但是现实城市道路中运行的车辆不仅有小型车辆,还有公交车等大型车辆,因此很难选取同时满足不同类型车辆的帧差间隔,而且检测出来的车辆总是第二帧的信息,不是当前第一帧的最新信息,在实时性上有一定的差距。针对这两方面的问题还有待进一步的改进。
参考文献
[1]陈继国,沈超敏.单幅图像的保纹理阴影去除[J].计算机工程,2010,36(22):219-221.
[2]ARBEL E,HELOR H.Texture-preserving shadow removal in color images containing curved surfaces[C]//Proc.IEEE CVPR 2007.Minneapolis,USA:IEEE,2007:1-8.
[3]袁博,阮秋琦,安高云.改进的自适应灰度视频序列阴影检测方法[J].信号处理,2014,30(11):1370-1374.
[4]SALVADOR E,CAVALLARO A,EBRAHIMI T.Cast shadow segmentation using invariant color features[J].Computer vision and image understanding,2004,95(2):238-259.
[5]王圣男,郁梅,蒋刚毅.智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述[J].计算机应用研究,2005,22(9):9-14.
[6]魏岩,涂铮铮,郑爱华,等.结合RGB颜色特征和纹理特征的消影算法[J].计算机技术与发展,2013,23(10):72-79.
[7]谭歆,武岳.基于Open CV的运动目标检测方法研究与应用[J].电视技术,2010,34(S1):184-193.
[8]PRATI I,MIKIC M,TRIVEDI M,et al.Detecting moving shadows:algorithms and evaluation[J].IEEE transactions on pattern analysis and machine intelligence,2003,25(7):918-924.
[9]李媛,张艳珠,渠彪,等.HSV空间特征和纹理特征的阴影检测算法研究[J].沈阳理工大学学报,2012,31(4):11-15.
车辆运动 篇6
运动车辆的检测是自动跟踪的前提,常用的方法有光流场法[1—4]和图像差分法[5,6]。基于光流场法的运动目标检测由于噪声、多光源、阴影、透明性和遮挡性等原因,使得计算出的光流场分布不是十分可靠和精确,且光流场的计算实时性和实用性较差,因此它多适用于图像噪声比较小,目标运动速度不大的情况。图像差分法又分基于帧间差分的方法和基于背景差分的方法,前者可以提取出物体的运动信息,但由于相对运动与物体位置并非完全一致,检测出的区域会大于物体实际存在的区域,并且区域的大小与物体的运动速度有关;后者定位精确、速度快,但缺乏合理的背景更新方法。为此有人提出许多方法的融合改进,如基于边缘的背景去除法[7],但该类方法存在着由于运动目标边缘与背景边缘可能有一定交叠,使部分运动目标信息被去除的缺点。又如C.Vieren[8]提出一种获取运动物体精确位置的方法,但该方法需要连续3帧图像,并要计算梯度图像,计算量大并且有一帧时间的滞后性。
本文研究考虑到ITS系统中运动目标检测的实时性要求,及运动背景随光线等环境因素变化的情况,提出了一种栅格算法:在图像差分算法的思想基础上,采用当前帧与背景帧图像相比较,通过计算栅格不相似度来检测是否有运动车辆进入摄像机的视场,而不是通过获得差分图像来检测运动车辆。算法中使用的背景图像也不是固定不变的,而是通过更新机制不断的进行更新,以适应光线和噪声的影响。
1系统框架
运动车辆检测的前提条件为:
1)检测的对象为在一个车道上运动的单一车辆,并且假设车辆之间没有遮挡;
2)在进行运动车辆检测时,摄像机是固定不动的。
系统框架如图1所示。由于BMP图像文件格式结构清晰,操作方便,所以本文采用BMP图像文件格式来实现对运动车辆模板的保存和读取,以下对各部分进行说明。
1.1 图像的采集、存储与背景更新机制
采用双缓存机制实现运动车辆图像的采集和存储,即在内存中开辟两块缓冲区Buffer0和Buffer1。Buffer1存放当前帧图像,Buffer0存放参考帧(背景)图像,通过比较Buffer1与Buffer0中的图像来检测有无运动车辆进入摄像机的视场。
为了达背景更新的目的,将Buffer0中存放的参考帧图像每隔4帧更新一次,也就是每隔4帧将当前帧图像同时存放在Buffer0和Buffer1中,通过不断地更新参考帧的图像,以适应光线的变化以及噪声的影响。
1.2 图像的预处理
本文研究的运动栅格算法是在车辆检测过程中,通过优化选择沿道路方向(车辆行驶方向)的像素,对这些像素依次进行灰度化,中值滤波等处理获得要检测的图像数据,减少数据处理量,来满足实时性要求。
1.3 运动车辆自动检测的栅格算法
1.3.1 图像数据的栅格化
为了检测沿道路方向由右向左行驶而进入摄像机视场的运动车辆,把沿道路方向右端大小为400 × 100个像素的图像均匀分割成100个栅格,每个栅格的大小为20 × 20个像素,如表1所示。
1.3.2 栅格不相似度的计算
将图像数据栅格化后,通过计算当前帧与参考帧对应栅格的不相似度来检测是否有运动车辆进入视场。不相似度计算公式如(1)式[10]。
undefined
(1)
(1)式中,DisSimil—栅格不相似度;
Mbuffer0—参考帧某一栅格内像素灰度值的均值;
Mbuffer1 —当前帧对应栅格内像素灰度值的均值;
Sbuffer0 —参考帧某一栅格内像素灰度值的标准方差;
Sbuffer1 —当前帧对应栅格内像素灰度值的标准方差。
公式(1)是两个集合或者两类点集之间的基于距离的相似度的一种表示方法。由公式(1)可知,当两帧图像完全相同时,DisSimil=1,而且可以证明1为公式(1)的最小值。
当不相似度DisSimil的值小于某个阈值T1时,称这个栅格是“静止”的,否则称这个栅格是“运动”的。当“运动”的栅格数目大于某个阈值T2时,就认为有运动车辆进入视场,此时参考帧就不再进行刷新了。当“运动”的栅格数目大于某个阈值T3时,就认为整个运动车辆全部进入视场。
1.3.3 运动车辆位置的确定
当检测到有运动车辆进入视场后,下一步就要确定出运动车辆在栅格中的位置。由于运动车辆与背景之间在灰度值上的差异,当运动车辆进入视场时,就会引起对应栅格不相似度值的较大变化,而剩余栅格的不相似度值不会发生较大的变化,因此可以通过计算不相似度值的变化来确定出运动车辆在栅格中的位置。
首先将上述100个栅格的不相似度值按列进行平均,设yi (i=1～100)表示每个栅格的不相似度值,设xi (i=1～20)表示每列栅格不相似度值的平均值,则
undefined (2)
然后将得到的每列栅格不相似度值的平均值xi按照从大到小的顺序进行排序,得到xi',并记录对应的栅格的列号。定义不相似度下降率DSDR (DisSimil Descend Rate)为:
undefined (3)
(3)式中,A —一列栅格不相似度值的平均值;B—另一列栅格不相似度值的平均值。
计算xi'中相邻两列的DSDR,找到DSDR最大值所对应的列,即为运动车辆与背景的边界。下面通过一个实例对以上算法进行说明。表2为计算得到的一组数据,
由计算可知DSDR的最大值为99.724%,即表2中用粗实线标出的位置,此位置即为运动车辆与背景之间的分界线,粗实线以上的表格代表了运动车辆,而粗实线以下的表格代表了背景。由表1可知,运动车辆所占的列数为9～19列。图2是与表1对应的图像,
由图2可以清楚地看到,在实际的图像中运动车辆所占的列数为9 ～ 19列,与计算得到的运动车辆的位置完全相同。也就是说,利用DSDR法可以比较准确地确定出运动车辆在栅格中的位置。
1.3.4 运动车辆数据的提取与模板保存
当确定出运动车辆在栅格中的位置后,就可以将对应栅格内的图像数据提取出来,并保存为BMP格式的模板图像。另外还需要保存的数据包括:模板的中心位置、模板的宽度、模板的高度、模板中栅格的数目、每个栅格像素灰度值的均值及每个栅格像素灰度值的标准方差。
根据以上对栅格算法的分析,通过栅格算法得到的运动车辆模板的保存实例如图3所示。
2 总结
运动车辆的自动检测是自动跟踪的前提,实时性和准确性是处理运动序列图像的基本要求,本文以自动检测的图像差法为基础,提出了运动车辆检测的栅格算法,总结如下:
1) 采用双缓存机制采集和存储图像,加快了图像的采集、传输和处理的速度,以满足实时性要求;通过背景更新机制,使参考帧的图像得到及时的更新,以适应光线的变化以及噪声的影响。
2) 优化选择图像数据减少了图像数据的处理量,提高了处理速度;对图像进行灰度化和中值滤波处理,为运动车辆的自动检测做好了准备。
3) 对图像数据进行了栅格划分,通过计算当前帧与参考帧的栅格不相似度来检测是否有运动车辆进入视场;定义了栅格不相似度下降率DSDR,并利用DSDR比较准确的确定出了运动车辆在栅格中的位置。
4) 给出了运动车辆自动检测栅格算法的详细流程图和车辆模板的保存实例。
摘要：对运动车辆的检测进行了研究。在图像差分算法的基础上,研究提出了运动车辆自动检测的栅格算法,该方法通过计算当前帧与参考帧对应栅格的不相似度来检测是否有运动车辆进入视场,定义了不相似度下降率DSDR。基于此,可以比较准确地确定出运动车辆在栅格中的位置,并可方便地将车辆图像作为模板保存下来。实验结果表明,利用DSDR法比较准确地确定了运动车辆在栅格中的位置。
关键词：智能交通系统,运动车辆,检测,栅格算法,不相似度
参考文献
[1]张泽旭,李金宗,李宁宁.基于光流场分割和Canny边缘提取融合算法的运动目标检测.电子学报,2003;31(9):1299—1302
[2]屈有山,田维坚,李英才.基于并行隔帧差分光流场与灰度分析综合算法的运动目标检测.光子学报,2003;32(2):182—186
[3]Sasa G,Loncaric S.Spatio-temporal image segmentation using optical flow and clustering algorithm.First Int1'Workshop on Image and Sig-nal Processing and Analysis.Pula,Croatia,2000:63—68
[4]Smith S M,Brady J M.ASSET-2:Real-time motion segmentation and shape tracking.IEEE Trans,1995;8(17):814—820
[5]Jong Bae Kim,Hang Joon Kim.Efficient region-based motion seg-mentation for a video monitoring system.Pattern Recognition Letters,2003;24(1—3):113—128
[6]Needham C J,Boyle R D.Tracking multiple sports players through occlusion,congestion and scale.British Machine Vision Conference,2001;1:93—102
[7]Li Xiaobo,Liu Zhiqiang,Leung Kaming.Detection of vehicles from traffic scenes using fuzzy integrals.Pattern Recognition,2002;35(4):967—980
[8]Vieren C,Cabestaing F,Postaire J.Catching moving objects with snakes for motion tracking.Pattern Recognition Letters,1995;16(7):679—685
[9]何斌等.Visual C++数字图像处理.北京:人民邮电出版社,2001
车辆运动 篇7
实弹射击是每个部队每年都必须进行的训练内容,仅就装甲机械化部队而言,目前的战斗射击场,尚没有无人值守的控制目标隐显、运动的系统。过去装甲车辆战斗射击场的目标隐显系统,均为地下钢筋混凝土掩蔽工事,多采用人工或机械方式显示目标;运动车辆则采用轨道结构封闭式靶道,使整个场地配套设施繁多,造价高,维护保养复杂。这里所研制的无轨道运动车辆结构简单,方便易用;运动目标速度可调、设置简便、自带动力、无需轨道,不依赖场地设施,不需要保障人员在目标区操控,从而解决了长期困扰部队实弹射击训练时的人员安全问题。
无轨道运动车辆的工作方式为[1]电力拖动方式,即采用直流电动机作为原动机,减速机和皮带轮作为传动机构,车体作为工作机构。它依靠车体内所附带交流发电机产生电能,来驱动电动机以及电气控制系统工作,从而把电能转换成机械能。根据上面论述,它分为两部分:电力拖动部分、电气控制部分。由于电机不需要频繁的正反转,可以采用继电器和接触器实现换向,结合调速器实现调速的方案,实现系统的构架,这样就可以简化了系统的设计。拓展开来,具体可把运动目标的电控系统分为:电机正反转电路、风门控制电路、电源电路及电机保护措施等。
1 电机正反转电路
目标能够实现前进、后退、停止等动作,靠的是电机的正反转,为了实现电机的正反转,本设计使用了常规的继电器、接触器控制系统。电机正反转电路如图1示。由于控制电路使用了交流电源,因此控制器件采用了交流继电器和交流接触器[2],继电器和接触器的主要区别是接触器有主、辅触点之分,而继电器只有主触点;接触器的触点所能容许的负载电流大,而继电器的触点负载电流能力小,通常不能直接和负载相连。本设计中,考虑到车体运行时的大功率以及控制电路所需要的触点分配,继电器使用了3开1闭的触点结构,接触器使用了3开3闭的触点结构。为了近距离控制的方便,直接使用了具有3位结构的钮子开关作为前进、后退、停止的控制开关。
如果车体在高速运行的情况下失去控制,将会引起碰撞,后果将很严重,作为保护,设置了2个行程开关,一旦车体到了安全行程处,就会触发行程开关动作,切断电气控制电路,电机停转,保护了车体不受撞坏。
综合上面的考虑,电机的正反转控制电路便可以设计出来。零速继电器的常闭触点平时闭合,此时没有速度,目标处于停止状态。一旦系统接收到前进(或者后退)的命令,则1J(2J)继电器线圈得电吸合,并自保持,从而接触器1C(2C)线圈得电也吸合,调速器使能,输出电压提供给电机,电机开始转动,目标就开始运动。一旦电机转动,零速继电器的常闭触点断开,从而零速继电器触点所控制的3J线圈也失去电压,断开,其常开触点处于开的状态,这时候如果系统得到停止的命令,只要把前进或者后退的控制点断开,则1J(2J),1C(2C)也就相应的断开,调速器使能关闭,提供给电机的电枢电压为0,电机停转,目标停止运动。
2 发电机启动电路
发电机的工作可以提供交流220 V的电源供给系统作为工作电源。为了实现发电机的远程遥控启动和关闭,必须改造发电机的启动机构,并设计出合理的风门控制电路进行控制,以实现发电机的启动和关闭。
远程的发电机启动实际是采用继电器来模仿人工启动的过程。人工发电机的启动包括拉风门、启动、关闭3个动作,因此设计的电路必须能够保证包括这3种功能。在实际的设计过程中,利用了永磁直流减速电机实现了拉风门、关风门动作,通过自行设计的转接头,把电机轴承的圆周转动变为横向的伸缩动作。当小电机正转的时候,拉风门;当电机反转的时候,关风门。从而把拉风门和关风门的实现变为设计一个控制电机正反转的电路,整个思想就变得明朗化了。
小型继电器属于有触点的开关器件,常用于小功率电路中。在此设计中,永磁电机正反转时电流很大,因此决定采用大功率的场效应管MOSFET[3],这是一种无触点的电力电子开关器件。为了控制电机的正反转,决定使用比较成熟的MOS桥电路来实现电机的电枢电源的正反切换,从而改变电机的转动方向。考虑到永磁电机的工作电流和功率的因素,NMOS选择了IRF540,PMOS采用了IRF9540。
MOS桥电路如图2所示。
MOS桥电路中上面为P沟道的MOSFET,下面为N沟道的MOSFET,直流电机为永磁直流减速电机。由于采用的是12 V电压,对于P沟道和N沟道的MOS管的驱动都可以简单实现。另外,它不需要调速,也就不需要高频的工作,它只有两种运行状态,要么电机正转,要么电机反转,如果拉风门是正转,那么关闭风门就是反转,而且在一个比较长的时间1~3 s内都是这个状态。因此,驱动电路可以简单的利用4000系列的CMOS逻辑器件就可以直接电压驱动。
对于大功率的电力电子器件[4],为了其良好的工作,需要注意两点:
(1)要让其在限定能力下工作,并留出大量的裕量,使其更加安全可靠的工作,一定保持外部条件,在大电流下长时间工作时,加散热片是非常必须的;
(2)严把安装和制作工艺,电力电子器件也属于相对娇气的一种,如果不小心使用和安装,就会对之造成损坏。
在运动目标的发电机启动电路中[5],风门控制电路的逻辑控制通过了CMOS门的与非门芯片4011,它的工作电压可以在3~18 V,实际中使用12 V电源统一供电。这样不采用TTL的5 V工作电源,就可以减小提供5 V电源的LM7805芯片的压力,更能保证系统不会出现因为烧坏5 V电源芯片而导致电路不能用得可能。电路逻辑容易分析,在这里作者就不详细说明了。
发电机启动时,先启动拉风门电路,使电机正转,接下来就可以打火,发电机启动成功后,关闭风门。当发电机启动完毕,这部分电路就可以暂时休息。再使用时,切断继电器,就可以关闭发电机,实现发电机的熄火功能。
发电机瞬间启动时电流很大,为了方便,在这里采用了2个12 V、10 A的大功率、大电流的小继电器实现发电机的点火功能。
无论是电机的正反转还是发电机的点火和继电器的工作,其控制都采用了负逻辑,“0”电平输入控制有效。这样容易避免误动作。为了统一,通过了一个遥控和手动的转换开关进行切换控制信号的类型,手动时靠手按按钮,一旦按下,给电路输入了一个“0”电平信号;遥控时靠单片机的输出端口,并通过三极管把TTL电平转换成12 V电平能与发电机启动电路常用的工作电平匹配,一旦三极管导通,就有了控制信号“0”电平,电路就可以进行相应的工作。
3 电源设计
发电机启动前主要靠蓄电池提供电源,本地控制时,操作人员可以直接按动相应按钮实现发电机的启动;远程时靠单片机系统工作,接收命令来实现发电机的启动。
从以上分析来看,发电机启动前靠蓄电池提供电源,发电机启动后就可以靠发电机提供电源并可以给蓄电池充电。
因此,必须考虑直流电源和交流电源的关系,把交流的220 V电源变为单片机系统的工作电源。在这里为了减少干扰,采用了电源模块,直接把交流的220 V电源变为直流15 V电源,提供无线数传模块工作。直流15 V电源再经过7805的转换,把15 V电压变为5 V电压提供单片机工作。
蓄电池电源和经发电机的转换的电源的先后工作,通过一个二极管来切换。发电机启动前靠蓄电池提供12 V电源,发电机启动后向控制电路提供了15 V的电源,这样15 V和12 V的压差大于二极管的开启压差0.7 V,就自然的使蓄电池电源关断。具体电路如图3所示。
4 保护电路
运动目标的前进或者后退的驱动动力是电机和相应的减速装置,而运动目标的灵魂是电气控制系统。作为电气控制系统,要想长期正常的无故障运行,必须有各种保护措施。保护环节是所有电气控制系统不可缺少的组成部分,利用它来保护电动机、电气控制设备、电气控制线路以及人身安全等。
电气控制系统中常用的保护环节有过载保护、短路电流保护、零电压保护和欠电压保护以及弱磁保护等[6]。在本设计中,由于系统的功能相对简单,牵涉的电器系统器件不多,原理上可以使用热熔断器作短路保护;热继电器作过载保护;过流继电器作过流保护;电压继电器作零压保护;欠电压继电器作低压保护。
5 结语
在本文中,采用大功率的无触点开关来实现风门的开启和关闭,采用2个低电压、大功率的继电器来启动发电机。这套电路单独采用12 V电源供电,采用负逻辑工作。如果需要和单片机保持信号隔离,就需要解决隔离和共地这两个问题。这里采用2级光电隔离,解决了干扰和共地问题,使得系统运行更加可靠。
参考文献
[1]胡虔生,胡敏强.电机学[M].北京:中国电力出版社,2009.
[2]陈立定.电气控制与可编程序控制器的原理及应用[M].北京:机械工业出版社,2005.
[3]梁南丁.电力电子技术[M].北京:北京大学出版社,2009.
[4]丁坚勇,程建翼.电力系统自动化[M].北京:中国电力出版社,2006.
[5]王跃进.机械原理[M].北京:北京大学出版社,2009.