2022年机器视觉图像检测技术的发展和应用.docx

《2022年机器视觉图像检测技术的发展和应用.docx》由会员分享，可在线阅读，更多相关《2022年机器视觉图像检测技术的发展和应用.docx（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选学习资料 - - - - - - - - - 机器视觉图像检测技术的进展和应用在科技发达的今日,运输系统逐步朝着智能化（ITS ）进展,而检测的方法上亦慢慢趋向以高科技的检测方式替代传统人工调查的方式,可以防止漏记或调查员的投机取巧,并且 精简调查成本,在执法方面,各个城市大量采纳了电子警察,使得在很多装有电子警察的 交通路口和路段交通秩序要好于其它路段；所以,车辆检测器的进展在现代运算机化的交 通治理中扮演着特别重要的角色,其精确度常受到检测方式、检测器布设形式、数量与位置的影响；现有的各种交通参数检测方式中,只有图像检测器（Video Image Detector ）是一种可以取得最丰

2、富的交通信息的面式检测器；视觉为基础的摄影系统在现今的进展已更加的成 熟,而且,比那些点式的感应系统更为有用（例如：环形线圈与压力式检测器）,由于图 像检测器所供应的信息可以进行进一步的车辆跟踪与分类,这对于执法是至关重要的；而 其它检测手段均有较大的限制,点式检测器仅用于车流上的量测与计数,或是解决特定的 子 问 题 （ 如 等 候 检 测 或 拥 挤 车 流 上 的 检 测 ） , 缺 乏 一 般 性 的 应 用 ；以运算器进行图像处理,改善图像品质的有效应用开头于 1964 年美国喷射推动试验室（J.P.L）用运算机对宇宙飞船发回的大批月球照片进行处理,获得显著的成效；1970 至 19

3、80 岁月由于离散数学的创立和完善,使数字图像处理技术得到了快速的进展,随着电脑 的功能日益增强,价格日益低廉,使得图像处理在各行各业的应用已经成为相当普遍的工具之一,举凡在医学工程、工业应用、交通领域应用等；1980 岁月开头,有关交通量估测的讨论慢慢有了成果；到 1985 年以后,各国对于交通图像侦测系统已有实际的成品进展出 来 ； 另 外 , 近 年 来 结 合 类 神 经 网 络 加 速 图 像 处 理 速 度 形 成 一 个 研 究 趋 势 ；在进入图像处理之前,我们第一对图像做一个概略性的探讨；所谓“图像 ”泛指全部实际存在含有某种消息的信号,如含有人、事、物等的照片,而红外线摄影

4、所获得的信号,就表示 某 些 物 体 的 温 度 分 布；我们常说 “一幅图赛过千言万语”,即是指每张图像中含有很多的信息,依据我们的目的而进 行 处 理 , 得 出 想 要 的 结 果 ； “ 数 字 图 像 ” 是 将 传 统 照 片 或 录 像 带 模 拟 讯 号 经 取 样（sample ）及数字化后达成；数字化的缘由在于便利运算机运算与储存；所储存的亮点成为图像的基本单位,称为象素（Pixel ）；象素的亮度以灰度值（Gray-level ）表示,灰度值被划分为 256 阶,最暗为 0,最亮为 255 ；一张图像被数值化成方块格子所组成的画像元素,每一格子中都标有一对坐标,一个代表其

5、行值,另一就代表其列值；行值从这张图像的最左边开头标帜自动0 始终到n,n 表示行值中最大值；相同的,列值从最上方起定为；0,往下移至m值,m表示图像全部列数所谓图像处理就是为了某种目的对图像的强度（灰度值）分布视为一连串整数值的集合,名师归纳总结 经由不断的运算执行某些特定的加工和分析；第 1 页,共 5 页- - - - - - -精选学习资料 - - - - - - - - - 1、图像处理原理图像处理涵盖的范畴特别很广泛,但是,所采纳的基本原理和方法是一样的；整体说来,图像处理这门科学所讨论的主要内容包括了图像数的模数转化（A/D Image Transform）、图像的增强与复原（I

6、mage Enhancement and Restoration ）、图像编码与压缩（Image Encoding and Compression）、图像切割（Image Segmentation ）、图像的表示和描述（Image Representation and Description ）、图像特点匹配（Image Feature Matching ）等 等；所谓切割就是妄想将图像中之标的物析出的处理过程；图像切割可说是图像的分析过程中最重要之步骤之一,在一般所采纳的方法主要为边缘的检测Edge Detection 及临界值法Thresholding；图像特点匹配,特点匹配法的特点 ,需

7、先加以定义；举例而言,如要描述一个人,最好先说明他的特点；在外表方面,例如身高、体重、胸围 . 等等；在心理方面,例如和善 的、好胜的、缄默的 .等等；在事业方面,例如职业、收入 .等等；不同特点适用于不同 描述目的,例如描述一个人的健康,需要上述的身高、体重特点；如要描述一个人的成 就,所需特点就多得多,举凡上述特点之外,仍可能需要这个人的生平事迹等等；据此了 解,一个人的特点能够代表一个人,故特点具备了代表性；除外,如现需将每个人由高至 矮排序,所需特点只身高一项,其它体重、性格等等数据无需获得,因此使用特点亦具备简化使用信息量之目的；所谓匹配（Matching ）或被翻译成“比对 ”,即

8、将物体的特点与预存在运算机中之原型（Proto types ）或样版（ Template ）的特点加以比较,如相像度（Similarity ）或非相像度（Dissimilarity ）小于或大于某预设的门槛值（Threshold ）,就称两者匹配胜利；匹配较倾向属于图形辨认（Pattern Recognition ）范畴,因其中含有“分类 ”（ Classification ）或“ 辨 认 （ Repetition） 意 味 之 故 ； 建 立 计 算 机 中 原 型 或 样 版 特 征 之 过 程 称 训 练 （Training ）,做法为事先实行某些样品（Sample ）或典型（Typic

9、al ）之特点加以储存之；特点匹配的常用方法有很多种：最近邻居法（Nearest Neighbor Method）、二元决策树法（ The Binary Decision Tree Method）、属于动态规画法（Dynamic Programming）的 DP 匹 配 法 等；特点匹配目的在使具有相同或类似待征的物体产生关联,以便于辨认或分类；就交通方面而言,特点匹配法可用来区分不同的交通工具；举例而言,如图像中某物体长度 4 公尺,宽 2 公尺,外形呈矩形（以上皆为特点）,该物体极可能被分类为小汽车；如为长 10 公尺 , 宽 2.5 公 尺 的 矩 形 , 就 可 被 分 类 为 大 型

10、 车 （ 巴 士 、 大 货 车 ） ；2、图 像 处 理 应 用 于 交 通早期图像处理技术的应用范畴受到图像处理设备价格昂贵以及处理速度缓慢的影响,仅局限于某些领域；及至70 岁月后至今,随着理论的进展与集成电路革命造就运算机科技的；进步,使得图像处理的应用范围渐广美国于 1978 年由联邦高速大路局托付E.E. Hilbert 、C. Carl 、W. Gross 、G.R. Hanson 、名师归纳总结 - - - - - - -第 2 页,共 5 页精选学习资料 - - - - - - - - - M.J. Olasaby及A.R. Johnson进展宽域检测系统（Wide Area

11、 Detection System , WADS ）,其它各国如日本、法国、英国、瑞典等也已间续投注了相当的讨论,并有不错 的成果；相对于国外,国内将图像处理技术应用于交通的进展,在近年已经有相当程度的进步,如国内目前相当热门的车牌识别,有多个厂家推出了相应的产品；下面将针对图像 处理技术在交通上的应用分车辆检测、车种识别、车辆跟踪三个部分做简洁介绍；1）、车辆检测车辆检测的方法可大致归类为样本点检测、检测线检测以及全画面式检测等途径,另外针对夜1间车辆、检测进行说明如下测：（）样本点检在车道的某一部分选取类似矩阵的样本点,当车辆通过时,样本点之灰阶值与原路面不 同 , 如 两 者 相 减 的

12、 统 计 值 超 过 某 一 门 槛 值 , 即 表 示 车 辆 的 存 在 ；（2）、检测线检测此法是于垂直或平行车流方向布设由象素组成之虚拟检测线,如图2 所示；一般由亮点来组成,以便利区隔路面与检测线的象素深度；当车辆通过检测线时,线上的灰阶值与没有车辆通过路面时有差异；如灰阶值的差异大于某门槛值,就表示有车辆通过；由于样本点或检测线检测法仅撷取部分象素资料进行处理,处理的资料量明显削减,因此运算时间缩短很多；为了达到实时（Real-Time ）检测的要求,目前已实际运用于交通检测的图像处理 系 统 AUTOSCOPE 便 是 以 检 测 线 做 处 理；在车辆运行单纯的路段,以样本点或

13、检测线作为车辆检测的途径可获得不错的结果；但在复杂的路口内,如何布设样本点或检测线将是第一遭受的难题,由于路口内车辆除直行外,尚有转向行为,任何位置均可能有车辆出现；（3）、全画面式检测以全画面作处理的车辆检测方法所能获得的信息较多,但相对地要处理的资料量也明显增加很多；属于此法的检测方式有背景相减法与二值化法两种：背景相减法系取一张无车辆存在的图像作为背景,当含有车辆的图像与背景图像逐点相减后,车辆的部分即被减出,如 TRIP 系统；二值化法将图像以某一门槛值进行切割,象素深度高于该值的成为 255（ 白 ） , 低 于 该 值 者 就 变 成0 （ 黑 ） , 如 此 可 将 物 体 与

14、背 景 分 离 ；背景相减法与二值化法均存在很多缺点,前者如背景需要常常更新,后者就过程繁复,而 二者共同的缺点便是当物体颜色与背景相近时将面临切割失败的命运,此外,门槛值确立不易,故有多值切割方法的提出,但过程益显 复杂；（4）、夜间车辆检测国外 R. Taktak 、Rita Cucchiara 、Cucchiara等人认为由于夜间图像所具有的信息与白天名师归纳总结 - - - - - - -第 3 页,共 5 页精选学习资料 - - - - - - - - - 图像相当的不同,因此在算法的使用上与检测流程上会有相当程度的不同；一般而言在夜 间与较暗的照明度之下,唯独醒目的视觉特点为车头灯

15、与其光柱、街灯以及高度反射光线 的 型 态 （ 如 斑 马 线 ） ； 他 们 认 为 夜 间 图 像 并 不 适 合 用 移 动 检 测 算 法 ；2）、车车辆辆识识别（1别由于国内与国外交通组成的不同,国外的讨论仅对大车与小车两种作辨认,而国内就较复 杂 , 但 一 般 研 究 均 简 化 车 种 为 大 车 、 小 车 与 机 车 , 以 此 三 类 做 识 别 ；以检测线或样本点作为识别车种的途径时,由于所取资料量少,较不利于车种识别,故以 此法进行者较少；就日间图像的车辆识别来说通常以车辆的特点如：外型、尺寸为分类准就；相关文献整理如下；近年进展快速、应用到很多领域的“类神经网络（N

16、eural Network ）”也被应用到车种的识别上；此外,亦可藉由车辆牌照途径,将号码图像二值化,以特点匹配的方式识别并记录 该车牌号码,透过数据库的比对,每个号码可对应于某一车种,可用于抓拍违章车辆、车辆计数、车种识别、起迄点调查与旅行时间分 析等；（2）、车牌识别车牌识别的技术近年来在国内已经日趋成熟；有些学者认为车牌识别可分三阶段：前处 理,将图像二值化后进行清除噪声；而后车牌定位,利用连接组件标示法,找出图像中之 连接组件加以分析,进而判定车牌位置；字符识别,分割字符完毕后依文字大小设定结构 组 件 之 大 小 , 最 后 利 用 型 态 学 的 方 法 找 出 文 字 特 征 加

17、 以 比 对 ；仍有一些学者采纳其它方法,如搜寻车牌后以图素分割法切割字符住后利用类神经网络识 别字符；或者利用灰阶转换数之运算找出可能之车牌位置,再分割字符,在利用笔划分析 法识别字符；或者利用图像中灰阶值之变化特性查找车牌位置,在利用垂直投影直方图分割字符,以灰阶值关连度进行识别；（3）、车辆跟踪连续图像中,车辆轨迹的记录即称为跟踪；Anthony P.Ciervo最先提出以检测车辆并协作猜测车辆位置的方式,连续跟踪车辆的轨迹；其中以样本点或检测线方式做跟踪者,由于选取的象素仅局限于某固定范畴,处于被动状态,较不利跟踪之进行；N.Hoose便是以各接近方向均为双向二车道的T 字型路口为例,

18、在进入路口前及离开路口后之车道上布设横向检测线屏蔽（Mask ）,以记录车辆进入与离开之接近方向编号,同时对车辆在图像上的外形、大小与位置等资料作记录,以跟踪车辆,但误差颇大；总结而言,车辆跟踪的方法有以下四种：模式基础跟踪（Model based tracking ）、区域基础跟踪（Region based tracking）、轮廓基础跟踪（Active contour based tracking）国外讨论文献中仅针对各车道的单一车辆进行跟踪,要明白路口内车辆运作之机制,非得名师归纳总结 - - - - - - -第 4 页,共 5 页精选学习资料 - - - - - - - - - 在同

19、时间针对路口内全部方向的车辆做跟踪处理不行,否就取得的仅为残缺的信息,对整体的助光益的有特限性；3、先不考虑车流行为所造成的问题,而单单就图像处理技术部分来说,利用图像处理技术搜 集交通参数,在夜间的情形下究竟会遇到什么样的问题呢？我们来对此做一个初步的了 解；我们针对夜间拍照图像所会遇到的问题逐一做说明；拍照时气候皆为晴天,问题陈述如下面反；因素路光由于是晴天的因素,所以路灯照耀路面所造成的反光并不严峻；前车灯所造成的路面反光 较严峻；要如何定义前车灯或后煞车灯（雨天较严峻）所造成的路面反光也是一个问题；夜间光源因素我们可以很明显的看到桥边有路灯照明,使得整个图像环境不至于太黑暗；但经由认真观 察就可以发觉,路灯是每隔一段距离设置于路边,因此照耀于路面的灯光布置情形也是呈 现 亮 暗 间 格 分 布 , 如 果 经 由 二 值 化 处 理 可 能 会 有 问 题 待 解 决 ；阴影因素由于夜间仍有路灯的照明,因此当照耀到车体本身或路旁物体的时候,也会形成路面的阴 影；由于整个背景的亮度不同,因此夜间产生阴影的处理方式,势必与白天产生阴影的处理方式不同；当摄影机以较水平的角度拍照面对摄影机开来的车辆的时候,较严峻会使得拍照出来的画 面整个出现泛白,画面中看不到我们所要拍照的景物；名师归纳总结 - - - - - - -第 5 页,共 5 页