摘要智能交通系統(tǒng)(ITS)是目前世界交通運輸領(lǐng)域正在研究和廣泛關(guān)注的課題。近年來，智能交通系統(tǒng)的應(yīng)用給交通運輸業(yè)帶來了巨大的經(jīng)濟效益，對于道路設(shè)計、流量監(jiān)控和高速公路管理起到了越來越重要的作用。論文所研究的視頻車輛檢測技術(shù)在ITS中占有很重要的地位，與傳統(tǒng)的車輛檢測方法相比，視頻車輛檢測技術(shù)不僅具有安裝維護便捷且費用較低、可監(jiān)視范圍廣等諸多優(yōu)點，同時可對道路現(xiàn)場圖像進行智能化分析和處理。本文利用OpenCV中對運動物體檢測的數(shù)據(jù)結(jié)構(gòu)、函數(shù)庫，建立了一個視頻車輛分析系統(tǒng)，用于道路上車輛的檢測。檢測過程是首先對視頻圖像進行預(yù)處理，比如二值化、去噪等；然后進行背景的提取及更新，由于背景差分法是通過當(dāng)前幀和背景幀相減來提取運動目標(biāo)，所以實時的背景更新尤為重要，本文采用多幀求平均的方法來更新背景，避免了光照條件和氣候環(huán)境等帶來的不利影響；最后利用背景差分法檢測出運動車輛。經(jīng)過實驗驗證，該方法可以較準(zhǔn)確地檢測出車輛目標(biāo)，檢測的成功率可達到90%以上。關(guān)鍵字：視頻處理車輛檢測OpenCVTOC\o"1-3"\n\h\u大連交通大學(xué)2015屆本科生畢業(yè)論文ABSTRACTIntelligentTransportationSystems(ITS)isthesubjectofstudyandattentionintheworld'stransportationsector.Inrecentyears,theapplicationofintelligenttransportationsystemshasbroughtenormouseconomicbenefitstothetransportationindustry,andithasplayedanincreasinglyimportantroleintheroadlocateddesign,trafficmonitoringandhighwaymanagement.ThevideovehicledetectiontechnologyinthisthesisstudyplaysanimportantroleinITS.Comparedwiththetraditionalmethodofvehicledetection,videovehicledetectiontechnologyhaseasyinstallationandmaintenance,lowcost,widerangethatcanbemonitoredandmanyotheradvantages,whileitcandointelligentlyanalysisandprocessingtotheimageoftheroadscene.ThisthesissetsupavideovehicleanalysissystemfordetectingvehiclesontheroadbythemovingobjectdetectiondatastructureandfunctionlibraryinOpenCV.Detectionprocessesinclude:First,videoimagepre-processes,suchasbinary,removingnoise;Next,backgroundextractionandupdate,asbackgroundsubtractionisbasedonthatsubtractthecurrentframefrombackgroundframetoextractmovingtarget,real-timebackgroundupdateisparticularlyimportant,weusemulti-frameaveragingmethodtoupdatethebackground,whichavoidsthetheadverseimpactoflightconditionsandclimaticandenvironmental;Finally,thedetectionofmovingvehiclesbybackgroundsubtraction.Experimentalresultsshowthatthismethodcanaccuratelydetectthevehicletarget,thesuccessrateofdetectingisupto90%.Keywords:VideoProcessingVehicleDetectionOpenCV緒論1.1課題背景和研究意義隨著當(dāng)今經(jīng)濟的高速發(fā)展，機動車的保有量迅速增加，導(dǎo)致交通狀況的不斷惡化?，F(xiàn)在無論哪個國家都毫無例外的受到不同程度的交通問題的困擾，在中國，這種情況尤為突出并嚴(yán)重影響了人類生活的質(zhì)量，給環(huán)境、經(jīng)濟和社會帶來了嚴(yán)重的后果。為從根本上解決交通擁擠堵塞的問題，人們開始運用各種新技術(shù)，如信息技術(shù)、計算機技術(shù)、通信技術(shù)、控制技術(shù)等，將人、車、路緊密聯(lián)系起來，不僅有效地解決了交通阻塞問題，而且對交通事故的應(yīng)急處理、環(huán)境的保護、能源的節(jié)約都有了顯著的效果?；谝曨l的運動車輛檢測是自動交通事件檢測系統(tǒng)的首要步驟及重要組成部分，它為后續(xù)的車輛檢測，車輛跟蹤與統(tǒng)計提供保證。對交通安全和交通控制具有非常重要的理論意義和實用價值，是基于視頻智能交通系統(tǒng)的基礎(chǔ)。視頻檢測技術(shù)在傳統(tǒng)的電視監(jiān)視系統(tǒng)基礎(chǔ)上將計算機視覺引入到交通信息檢測之中，通過計算機從數(shù)字圖像中提取出高級交通信息，同時又像其它車輛檢測器一樣能向交通監(jiān)控中心提供圖像和交通參數(shù)如車速、車流量等。已有的成熟的商用視頻車輛檢測系統(tǒng)主要有Autoscope，Traficon以及Peek等。視頻序列圖像運動目標(biāo)分析的基本內(nèi)容是利用成像系統(tǒng)或現(xiàn)有文件，從連續(xù)的視頻序列圖像中提取出運動目標(biāo)，同時對提取出的運動目標(biāo)進行識別和跟蹤，并對其行為進行理解和描述。視頻圖像的運動分析以數(shù)字圖像處理為基礎(chǔ)，內(nèi)容涉及數(shù)字圖像處理、模式識別、計算機視覺、人工智能等諸多領(lǐng)域和學(xué)科。目前，開發(fā)視頻序列圖像運動目標(biāo)分析系統(tǒng)不但在實時性、魯棒性上有很高的要求，也逐步重視其通用性和可移植性，這些都給視頻運動分析帶來了挑戰(zhàn)。它相對傳統(tǒng)車輛檢測技術(shù)具有如下優(yōu)點：安裝維護方便，攝像頭架設(shè)在路邊，安裝維護不需要封閉道路，挖掘路面，不會影響正常交通；一個普通的CCD攝像頭就可以檢測幾百米內(nèi)的多車道交通信息，迄今為止還沒有一種傳感裝置能夠像基于計算機視覺處理那樣提供如此直觀、詳細(xì)的交通信息參數(shù)(如精確的車輛行駛路線、車型、車輛尺寸以及車輛顏色等等)；可以對交通現(xiàn)場錄像，供以后查詢；同時視覺系統(tǒng)也是一個被動的感知系統(tǒng)，它對于周圍的環(huán)境幾乎沒有影響，即使相同的視覺系統(tǒng)之間也不會發(fā)生干擾?；谏鲜龅膬?yōu)越性，基于視頻圖像的車輛檢測技術(shù)對于智能交通系統(tǒng)的發(fā)展有巨大的推動作用，對于日常生活和國家的經(jīng)濟發(fā)展都有很大的實際意義。1.2國內(nèi)外研究現(xiàn)狀隨著計算機視覺技術(shù)的蓬勃發(fā)展，作為其中的一個重要分支-運動物體的檢測與跟蹤技術(shù)也吸引了國內(nèi)外專家學(xué)者的強烈興趣。其原理是對視場內(nèi)的運動目標(biāo)進行實時的圖像采集，并在此基礎(chǔ)上運用圖像處理的相關(guān)技術(shù)對觀測對象進行行為分析，自動得到觀測結(jié)果。車輛視頻檢測作為其中的一個重要運用，吸引了很多著名公司和研究機構(gòu)參與其中。國外的視頻檢測技術(shù)研究開始的較早，經(jīng)過十幾年的發(fā)展，技術(shù)己經(jīng)相當(dāng)成熟，視頻檢測與線圈檢測技術(shù)相比具有的優(yōu)越性和高性價比己得到業(yè)內(nèi)人士的公認(rèn)，代表了未來車輛檢測領(lǐng)域的發(fā)展和應(yīng)用方向。美國ISS公司的AUTOSCOPE，是一個較為成功的商業(yè)系統(tǒng)，具有實時檢測交通參數(shù)的能力，是國際上交通信息采集中最具競爭力的視頻檢測系統(tǒng)之一。另外國外還有一些公司在這方面也從事了應(yīng)用研究和開發(fā)工作，也推出了各自成熟的系統(tǒng)級產(chǎn)品。比如ITERIS公司Vantage系列視頻檢測處理單元的最新視頻檢測器產(chǎn)品：VantageEdge2，比利時Tmficon公司推出的Monitor系列等。美國、日本等國家在車輛視頻檢測方面展開了大量的研究。早在1982年，東京大學(xué)教授S.Takab等就提出樣本點的方法來檢測車輛，此系統(tǒng)實際應(yīng)用時的車輛計數(shù)誤差小于5%，速度誤差小于10%。T.Abramczuk教授則在1984年提出一種應(yīng)用圖像幀差的方法來檢測車輛，其原理是在每一條道路上均設(shè)置一條與道路相平行的檢測線，通過車輛沿車道的方向分割出運動車輛，此方法運用于瑞典皇家技術(shù)院研制的道路監(jiān)控系統(tǒng)中取得了良好的效果。視頻車輛檢測技術(shù)雖然在國內(nèi)研究起步比較晚，但經(jīng)過這些年的迅速發(fā)展，也取得了很多研究成果，如中國科學(xué)院自動化研究所模式識別國家重點實驗室譚鐵牛研究員從20世紀(jì)90年代初就開始研究基于三維模型的智能視覺監(jiān)控系統(tǒng)，領(lǐng)導(dǎo)視覺監(jiān)控小組，針對系統(tǒng)中若干關(guān)鍵性問題像車輛檢測、跟蹤以及車輛基于OpenCV的視頻道路車輛檢測及跟蹤行為分析，進行了深入的研究和探討，提出了自己的見解和主張，取得了一系列的研究成果。同時也有不少公司在這方面作了許多努力，如清華紫光與清華大學(xué)合作開發(fā)的新一代視頻交通流量檢測系統(tǒng)VS3001，哈爾濱工業(yè)大學(xué)的VTD2000系列視頻交通動態(tài)信息采集系統(tǒng)，亞洲視覺公司的路段交通信息系統(tǒng)等等。這些產(chǎn)品大多數(shù)功能都比較單一，雖說有的也比較好的實現(xiàn)了視頻檢測的功能，但在實際的推廣當(dāng)中效果并不明顯，還遠(yuǎn)遠(yuǎn)沒有達到實際應(yīng)用的要求，同國外的產(chǎn)品相比還有相當(dāng)?shù)牟罹?。因此，我國在這方面的研究還要繼續(xù)加強，不斷開發(fā)和完善技術(shù)，真正推出適合于國情的交通視頻檢測產(chǎn)品。1.3OpenCV概述OpenCV，全名為OpenSourceComputerVisionLibrary，是Intel公司資助的開源計算機視覺庫。它由一系列C函數(shù)和少量C++類構(gòu)成，提供了針對各種形式的圖像和視頻源文件(如：bitmap圖像，video文件和實時攝像機)的幀提取函數(shù)和很多標(biāo)準(zhǔn)的圖像處理函數(shù)，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。其重要特性包括：（1）擁有包括300多個C函數(shù)的跨平臺的中、高層API。它不依賴于其它的外部庫一盡管也可以使用某些外部庫。（2）對非商業(yè)應(yīng)用和商業(yè)應(yīng)用都是免費的。（3）為IntegratedPerformancePrimitives(IPP)提供了透明接口。這意味著如果有為特定處理器優(yōu)化的的IPP庫，OpenCV將在運行時自動加載這些庫。以往傳統(tǒng)的開發(fā)方法要求工程人員在完成的硬件設(shè)計的同時，自己編碼實現(xiàn)所有底層的算法，所有的圖像處理函數(shù)都要從頭編寫，既造成時間和精力上的浪費，又難以保證穩(wěn)定性、實用性和通用性，越來越難以滿足現(xiàn)實的需求。為了解決理論到應(yīng)用的難題，出現(xiàn)了眾多的計算機視覺和圖像處理軟件包。例如，TargetJr及其后續(xù)版本VXL(theVisionsomethingLibraries)就是這樣一個C庫的集合，在滿足小型、快速和穩(wěn)固的系統(tǒng)開發(fā)要求的同時提供了多平臺移植性。Gandalf提供了計算機視覺和數(shù)值計算庫，適合于可移植平臺的視覺應(yīng)用軟件的開發(fā)。Delft科學(xué)圖像處理庫DIPlib是另一個科學(xué)圖像處理C程序庫，包含了許多圖像數(shù)據(jù)多維分析和處理函數(shù)。同時許多商用圖像處理和計算機視覺軟件包也得到相應(yīng)開發(fā)。MVTec公司開發(fā)的HALCON是其中之一，它包含了C／C++代碼的圖像處理庫。LabView在NI圖像處理硬件的支持下能加速圖像處理。由微軟公司開發(fā)的SDK是一個底層的圖像操作分析的C++庫。在Matlab中的圖像處理工具包以及在Mathematica中的數(shù)字圖像處理軟件包都是較為強大的圖像處理工具，同時這兩個軟件包兼有許多高級數(shù)學(xué)計算功能。由Aurora公司開發(fā)的LEADTOOLS是一套商用化計算機視覺包，它包括了圖像處理服務(wù)器開發(fā)工具，允許用戶創(chuàng)建各種基于網(wǎng)絡(luò)的圖像處理服務(wù)程序。這些軟件包為計算機圖像分析和機器視覺提供了極大的便利，但也存在一些不足之處：（1）大多數(shù)軟件包沒有高級數(shù)學(xué)計算函數(shù)。并且這些軟件包都不包括如目標(biāo)跟蹤、攝像機標(biāo)定、姿態(tài)識別、臉譜識別和三維重建等高層函數(shù)。（2）Matlab是功能較為強大的科學(xué)計算和分析平臺，它提供了圖像處理工具包，也提供了較為豐富的數(shù)學(xué)計算函數(shù)，但在Matlab環(huán)境下的運行速度令人擔(dān)憂。雖然Matlab可以通過編譯器將m文件轉(zhuǎn)化為C代碼。但是轉(zhuǎn)換后的C代碼的執(zhí)行效率和可讀性存在較大問題。（3）除Matlab和LEADTOOLS。大部分軟件包不支持網(wǎng)絡(luò)服務(wù)器結(jié)構(gòu)的應(yīng)用程序的開發(fā)；Mmlab的網(wǎng)絡(luò)接口機制較為復(fù)雜，且同樣存在運行效率的問題。絕大多數(shù)軟件包不支持可嵌入性。本文選取OpenCV進行視頻序列圖像運動分析，與上述軟件包相比，OpenCV的優(yōu)勢在于：（1）C代碼，源代碼開放。（2）豐富的函數(shù)功能，強大的圖像和矩陣運算能力：OpenCV提供了數(shù)組、序列、矩陣、樹等基本結(jié)構(gòu)，也包含了差分方程求解、傅立葉分析、積分運算、特殊函數(shù)等眾多高級數(shù)學(xué)計算函數(shù)，以及各種圖像處理操作和目標(biāo)跟蹤、攝像機校準(zhǔn)、三維重建等高級視覺函數(shù)。（3）平臺無關(guān)性?；贠penCV開發(fā)的程序可以直接在Windows，Unix，Linux，MacOSX，Solaris，HP等平臺之間相互移植，無需對代碼進行任何修改。（4）方便靈活的用戶接口。OpenCV作為一個開放的計算機視覺函數(shù)庫在使用上必然沒有Matlab那樣解釋執(zhí)行來得方便，而Softlmegration將CH和OpenCV綁定起來推出的CHOpenCV，解決了這一使用上的瓶頸。（5）可嵌入性：與C／C一編譯器不同。Ch能嵌在C／C++應(yīng)用程序和硬件的機器腳本中。它為用戶減輕了丌發(fā)維護應(yīng)用程序龐大機器代碼的沉重負(fù)擔(dān)。統(tǒng)一的結(jié)構(gòu)和功能定義，基于Intel處理器指令集開發(fā)的優(yōu)化代碼?？梢?，作為一個基本的圖像處理、計算機視覺和模式識別的開源項目，OpenCV可以直接應(yīng)用于很多領(lǐng)域，作為二次開發(fā)的理想工具。OpenCV開發(fā)平臺的搭建很簡單，首先安裝下載得到的OpenCV應(yīng)用程序，然后在VisualStudio2008下編譯所要的靜態(tài)和動態(tài)鏈接庫文件，包括1ib路徑的設(shè)置、includefiles路徑的填寫，再進行工程項目的鏈接設(shè)置就可以了。在VS2008中建立新工程以后，在工程設(shè)置里添加需要的OpenCV庫，并在程序文件中包含OpenCV的頭文件，就可以在Windows下面利用VS2008進行基于OpenCV的圖像程序開發(fā)了。1.4本文研究內(nèi)容隨著社會的發(fā)展及汽車的普及，交通擁擠日益加劇、交通環(huán)境惡化等問題也變得日趨嚴(yán)重。近年來,智能交通系統(tǒng)的應(yīng)用給交通運輸業(yè)帶來了巨大的經(jīng)濟效益和環(huán)境效益,其中，基于視頻的車輛檢測技術(shù)在智能交通系統(tǒng)中占有很重要的地位，已經(jīng)成為智能交通系統(tǒng)的重要研究課題。與傳統(tǒng)的車輛檢測方法相比，基于視頻的車輛檢測技術(shù)具有安裝維護便捷且費用較低、可監(jiān)視范圍廣等許多優(yōu)點，具有廣闊的研究和應(yīng)用前景。本文以交通道路視頻為研究對象，主要對車輛檢測技術(shù)進行研究。研究了如何準(zhǔn)確的在視頻中檢測車輛，設(shè)計算法并進行測試分析。1.5本文章節(jié)概括第一章：本章為緒論，主要介紹了基于OpenCV的車輛檢測這一課題的來源及研究意義、國內(nèi)外在這一領(lǐng)域的研究現(xiàn)狀，從車輛檢測角度概述了OpenCV的優(yōu)勢和特點，并對全文章節(jié)進行概括。第二章：本章主要研究了基于視頻的車輛檢測技術(shù)的發(fā)展及趨勢，通過對已有的視頻車輛檢測技術(shù)及其發(fā)展趨勢的分析，說明基于OpenCV的視頻車輛檢測的優(yōu)勢和可研究性。第三章：本章通過對車輛檢測算法的分析，針對于一個道路交通視頻做了圖像預(yù)處理、背景提取與更新、前景目標(biāo)檢測等工作，為后續(xù)實驗步驟提供理論基礎(chǔ)。第四章：本章介紹了完成實驗的實驗配置，并對整體實驗結(jié)果進行分析和總結(jié)，提出實驗過程中出現(xiàn)的問題及該方案的需要改進之處。第五章：總結(jié)全文并分析基于OpenCV的車輛檢測的發(fā)展前景。1.6本章小結(jié)本章主要闡述課題的來源、目的和意義，同時對查閱的文獻資料進行總結(jié)，分析了車輛視頻檢測的國內(nèi)外研究現(xiàn)狀，概述OpenCV，敘述本文研究內(nèi)容及以后各章節(jié)大致安排?；谝曨l的車輛檢測技術(shù)概述2.1引言目前，無論哪個國家都存在著不同程度的交通困擾問題。因此，人們運用各種新技術(shù)，如信息技術(shù)、計算機技術(shù)、通信技術(shù)、控制技術(shù)等，將人、車、路緊密聯(lián)系起來，以緩解交通阻塞問題，改善交通事故的應(yīng)急處理、環(huán)境保護及能源節(jié)約的問題。因此，智能交通系統(tǒng)應(yīng)運而生。這個系統(tǒng)可以歸納為，人們將現(xiàn)金的信息技術(shù)、數(shù)據(jù)通訊傳輸技術(shù)、電子控制技術(shù)、傳感器技術(shù)以及計算機處理技術(shù)等有效地綜合運用于整個交通系統(tǒng)，從而建立起一種在大范圍內(nèi)全方位發(fā)揮作用的實時、準(zhǔn)確、高效的交通綜合管理系統(tǒng)。其目的是使人、車和路密切地配合、和諧地統(tǒng)一，極大地提高交通運輸效率、保障交通安全、改善環(huán)境質(zhì)量和能源利用率。視頻車輛檢測技術(shù)在智能交通系統(tǒng)中占有重要地位，與傳統(tǒng)的車輛檢測方法相比，視頻車輛檢測技術(shù)不僅具有安裝維護便捷且費用較低、可監(jiān)視范圍廣等優(yōu)點，同時通過對道路現(xiàn)場圖像的智能化分析和處理，能夠采集到所需要的多種交通流參數(shù)，在現(xiàn)代交通系統(tǒng)中得到了廣泛的應(yīng)用。在上一章中，已經(jīng)對視頻車輛檢測的國內(nèi)外發(fā)展?fàn)顩r做的簡要介紹，這一章中，將具體地研究視頻車輛檢測的發(fā)展歷程，并分析其發(fā)展趨勢，證明研究基于OpenCV的車輛檢測技術(shù)的必要性。2.2視頻車輛檢測技術(shù)實例發(fā)展歷程1978年.美國JPT(加州帕薩迪納市的噴氣推進實驗室)首先提出了運用機器視覺來進行車輛的檢測的方法，指出其是傳統(tǒng)檢測方法的一種可行的替代方案。幾年后，美國明尼蘇達大學(xué)的研究人員研制了第一個可以投入實際使用的基于視頻的車輛檢測系統(tǒng)該系統(tǒng)使用了當(dāng)時最先進的微處理器，在不同場景和環(huán)境下的測試結(jié)果良好，說明了利用視頻傳感器實時檢測車輛的可行性。同期基于視頻的車輛檢測的研究也在歐洲和日本廣泛展開此后十年間基于視頻的車輛檢測技術(shù)取得了長足的進步。1991年，美國加州理工大學(xué)對在高速公路上運用視頻方法的檢測技術(shù)進行了評估，在評估報告中對當(dāng)時采用的不同的視頻車輛檢測技術(shù)詳盡地進行了分類。三年后，美國休斯飛機公司評測了當(dāng)時存在的幾種檢測技術(shù)，包括視頻檢測技術(shù)，測評結(jié)果指出基于視頻圖像處理的車輛檢測系統(tǒng)已經(jīng)具備了投入實際使用的潛力。1994年Mn/DOT(明尼蘇達運輸部)為FHWA(美國聯(lián)邦公路局)進行了更詳盡嚴(yán)格的測評，結(jié)果表明視頻檢測器的檢測準(zhǔn)確性和可靠性可以達到令人滿意的程度同時隨著視頻車輛檢測技術(shù)的發(fā)展，人們已不滿足于檢測出車輛，F(xiàn)HWA進一步利用此技術(shù)來提取交通參數(shù)，如交通流量、十字路口的車輛轉(zhuǎn)向信息等。事實上，與其他幾種車輛檢測方法相比，基于視頻的車輛檢測技術(shù)具有直觀、可監(jiān)視范圍廣、可獲取更多種類的交通參數(shù)以及費用較低等優(yōu)點、因而可廣泛應(yīng)用于交叉路口和公路干線的交通監(jiān)視系統(tǒng)中。2.3視頻車輛檢測技術(shù)未來趨勢（1）智能化視頻車輛檢測技術(shù)經(jīng)過多年的發(fā)展，檢測精度、深度、范圍等指標(biāo)都有很大的提高，但系統(tǒng)的智能化程度還十分有限，距離“人腦”的判斷能力還很遠(yuǎn)。視覺檢測立體化體視覺是計算機被動測距方法中最重要的距離感知技術(shù)之一。該方法可以克服單一視角由于遮擋或深度影響而容易產(chǎn)生的分歧，能夠有效解決遮擋問題，擴大車輛檢測的有效范圍。網(wǎng)絡(luò)化進行區(qū)域交通系統(tǒng)狀態(tài)特征提取和信息融合，實現(xiàn)區(qū)域交通狀況的評價、預(yù)報和報警，建立區(qū)域交通系統(tǒng)狀況的集成應(yīng)用系統(tǒng)。低成本、集成化目前視頻車輛檢測系統(tǒng)結(jié)構(gòu)比較復(fù)雜、價格比較昂貴，這給視頻檢測技術(shù)的普及帶來了一定的困難。今后應(yīng)加大低成本、高性能、結(jié)構(gòu)優(yōu)化產(chǎn)品的研發(fā)，以增強視頻車輛檢測技術(shù)的市場競爭力。2.4本章小結(jié)本章對基于視頻的車連檢測技術(shù)進行了綜合性的概述，主要從實例發(fā)展歷程方面進行闡述，同時分析了視頻車輛檢測技術(shù)未來的發(fā)展趨勢。綜上所述，視頻車輛檢測技術(shù)在整個智能交通系統(tǒng)中的重要地位是時代發(fā)展必然性所決定的，而本文在第一章中已經(jīng)介紹了OpenCV的優(yōu)越性，接下來將具體講述基于OpenCV的車輛檢測的算法流程、實驗測試和結(jié)果分析。車輛檢測算法設(shè)計3.1引言從最早的80年代起至今，專家和學(xué)者們提出了許多卓有成效的車輛檢測方法?？偟膩碚f，車輛檢測的原理主要可以分為以下兩類：宏觀檢測法和微觀檢測法。宏觀檢測法對整幅圖像進行檢測，而微觀檢測法主要針對圖像的ROI（感興趣區(qū)域）進行檢測。宏觀檢測法對整幅圖像進行檢測，采用這種檢測方法圖像蘊含的信息量豐富，能把整幅圖像中的所有車道的車輛都檢測出來。車輛的一些行駛特征，如左轉(zhuǎn)右轉(zhuǎn)也能被檢測出來，但是這種算法的缺點也是顯而易見的。首先，由于是對整幅圖像進行檢測，必然導(dǎo)致處理的運算量大，系統(tǒng)開銷大，在視頻檢測這種實時性要求極高的系統(tǒng)中使用必然造成嚴(yán)重的延時；其次，由于場景中包含如路邊花壇、樹木、紅綠燈桿等大量的干擾比較嚴(yán)重的前景物體，容易成為干擾因素，引起檢測時誤差的增大；第三，整幅圖像檢測容易造成物體分割不明顯，對靜止的物體檢測效率低下。微觀檢測法則對圖像的局部區(qū)域進行檢測，包括有線性檢測法和窗口檢測法。線性檢測法的原理是通過在圖像的固定位置設(shè)置一條檢測線，通過統(tǒng)計檢測線的圖像特征變化如灰度跳變、色彩突變來判斷有無車輛通過。這種線式的檢測方式運算量小、實時性好、檢測精度也較高，但是由于其檢測區(qū)域的限制，這種方式的魯棒性不高，容易受光線變化的影響引起誤檢。窗口檢測法的原理則是通過在圖像的特定區(qū)域設(shè)置一個較小的檢測矩形框，通過統(tǒng)計矩形框內(nèi)的圖像特征變化來判斷車輛是否通過，和線性檢測法相比，檢測的區(qū)域要大些。最常見目前運用最多的是區(qū)域檢測法，該方法融合了宏觀檢測法和線式檢測法的優(yōu)點。它的檢測原理是通過在圖像設(shè)置若干處ROI（感興趣區(qū)域），通過檢測區(qū)域內(nèi)的圖像特征達到判斷有無車輛通過的目的，區(qū)域檢測法通常有光流場法、幀間差分法和背景差分法幾種。幾種方法各有利弊，本文將運用背景差分法完成對交通視頻中的車輛檢測。3.2車輛檢測算法流程圖本章是全文的重點章節(jié)，本章將對車輛檢測算法的具體流程進行詳細(xì)的介紹。主要包括讀取視頻、設(shè)定感興趣區(qū)域、圖像預(yù)處理、檢測運動目標(biāo)及背景參數(shù)的實時更新等幾個部分。如圖3-1所示，主要工作是：獲取視頻幀：本文所用道路交通視頻來自網(wǎng)絡(luò)，是一個709KB的媒體文件（.avi），其視頻時長為30秒，幀寬度為640mm，幀高度為480mm，數(shù)據(jù)速率為161kbps，總比特率為193kbps，幀速率為25幀/秒。視頻圖像預(yù)處理：對采集的視頻流轉(zhuǎn)換到需要的色彩空間進行處理，濾除圖像的噪聲，設(shè)置圖像的感興趣區(qū)域。將前景與背景進行分割，閾值化處理得到車輛的二值化圖像。（3）背景初始化與更新：如果此時背景沒有初始化，則需要對交通場景圖像進行初始化，并對背景進行實時更新。（4）提取前景運動車輛：主要涉及到的操作包括有檢測運動車輛，用紅色矩形框標(biāo)出。圖3-1車輛檢測算法流程圖3.3圖像預(yù)處理3.3.1設(shè)定感興趣區(qū)域為了盡可能的減少噪聲以及交通場景中其他前景物體的影響，本文采用設(shè)定局部檢測區(qū)域的方式對交通圖像進行劃分，以達到實時性和降低誤檢的作用。局部檢測區(qū)域的設(shè)置遵循以下規(guī)則：（1）檢測區(qū)域不包含明顯前景物體，如圍欄、花壇或樹木。（2）檢測區(qū)域內(nèi)應(yīng)包含有所有需要檢測的車道，實際系統(tǒng)中是對全景攝像機的視頻流進行檢測，因此，需要使檢測區(qū)域涵蓋所有車道才能滿足檢測要求。（3）檢測區(qū)域的圖像高度應(yīng)該有1-2輛正常小轎車的距離。OpenCV通過函數(shù)cvSetMouseCallback設(shè)置鼠標(biāo)事件的回調(diào)函數(shù)，通過此函數(shù)可以直接在圖像上進行操作，再通過鼠標(biāo)響應(yīng)函數(shù)調(diào)用cvRectangle函數(shù)畫出鼠標(biāo)圈定的區(qū)域，這樣就完成了檢測區(qū)域的設(shè)置。設(shè)置完成后，再通過函數(shù)cvSetImageROI就可以設(shè)定cvRectangle標(biāo)定的矩形框部分，以后的所有操作都會只對該區(qū)域進行處理。3.3.2高斯低通濾波處理由于受環(huán)境，光照條件變化以及采集設(shè)備的性能影響，從攝像機采集的圖像都是降質(zhì)圖像，帶有比較多的噪點信息，這些往往影響到后期的車輛特征提取，降低檢測的準(zhǔn)確性。因此需要在獲得視頻圖像后，先對幀序列進行預(yù)處理，這其中包括的主要步驟有色彩空間映射、圖像平滑濾波、對比度增強。本文主要對視頻圖像平滑濾波進行了研究。濾波分為線性濾波和非線性濾波，濾波的主要目的是減小噪聲，可以在提取主要的前景目標(biāo)之前去除圖像的一些瑣碎細(xì)節(jié)，如橋接直線或曲線的摩擦。線性濾波的方法算法簡單、速度比較塊，但容易造成圖像模糊；非線性濾波方法則可以很好的去除信號噪聲也能很好的保持信號的局部特征，但速度稍微慢些。對于要想保持整幅圖像的整體和局部特征的圖像來說，采用非線性濾波如高斯低通濾波不失為一種理想的濾波方式。在高斯低通濾波法中，用H(u)表示頻率域，則二維高斯濾波方程可表述為： （3-1） 其中，σ為高斯曲線的標(biāo)準(zhǔn)差，D(u,v)是距傅立葉變換原點的距離。當(dāng)時，高斯濾波器可以表示為如下形式： （3-2）為截止頻率，當(dāng)時，濾波器下降到它的最大值的0.607處。采用高斯平滑濾波后得到的圖像，可以增強圖像的細(xì)節(jié)，去除圖像的局部噪音。3.3.3二值化閾值分割在圖像預(yù)處理完成后，接著要做的工作就是通過前景圖像和背景圖像，提取視頻中的前景圖像，即運動車輛。這一步要做的工作是將車輛目標(biāo)從圖像中提取出來，目前常采用的方法是通過圖像分割技術(shù)來實現(xiàn)，常用的分割技術(shù)有邊緣檢測、閾值分割以及區(qū)域生長三類。對獲得的車輛前景和背景差圖像，采用閾值分割化技術(shù)是一種常用的提取運動物體的分割技術(shù)。閾值分割的原理其實是先確定一個處于圖像灰度范圍內(nèi)的灰度值，然后通過將圖像中各個像素的灰度值和該閾值比較，然后由比較的結(jié)果將圖像劃分為兩類：像素灰度大于閾值的一類和像素灰度小于閾值的一類。閾值分割主要分成兩個步驟：1）確定分割閾值T。2）通過確定的閾值T分割圖像像素并二值化。3.4背景初始化與更新由于視頻檢測系統(tǒng)的應(yīng)用場合為各種交通要道或十字路口，而這種戶外環(huán)境會受到光照條件和氣候環(huán)境以及各種人為的原因而造成不斷的變化，因此檢測的道路場景中背景是不斷的變化的，而在視頻檢測系統(tǒng)中，如何提取有效而實時的背景更新算法對車輛信息的提取有著決定性的作用。本文采用的背景初始化算法是多幀平均法，其原理為在一定的時間內(nèi)，取視頻圖像幀進行加運算，再求平均值，該平均值即可認(rèn)為是真實的背景。該算法認(rèn)為臨時物體如車輛，行人等運動物體會在這幀圖像的均值化過程中被濾除掉，可以近似忽略不計。這種算法雖然計算量比較大、背景更新速度較慢，但其簡單易行、錯誤率低，并不是不可取的。當(dāng)下常用的背景更新算法還有：滑動平均更新法、選擇更新算法、混合高斯背景模型法等，由于本人能力有限，故只采用了最為簡便的方法，此處還可進行深入研究。3.5提取前景運動目標(biāo)交通視頻檢測最基本的任務(wù)就是對道路上行駛的各種車輛的檢測,即從采集到的視頻圖像序列中檢測出運動的車輛。運動車輛的檢測是交通信息獲取的基礎(chǔ),幾乎下一步處理需要的車輛參數(shù)都源于對車輛的檢測。在實際監(jiān)控中,對運動車輛目標(biāo)的檢測會存在多種問題,包括天氣,光線等外界環(huán)境的變化,以及陰影和不屬于車輛的擾動物體等干擾,對車輛的檢測以及隨后的處理帶來很大問題,所以運動車輛的檢測一直是交通視頻系統(tǒng)的熱點問題。視頻車輛檢測是運動目標(biāo)檢測的一部分,目前用于車輛檢測的常用的運動目標(biāo)檢測算法有三種:光流場法、幀差法、背景差分法,其各自都有自身的優(yōu)缺點,本文針對車輛檢測的特點,對其基本原理進行分析與研究,得出運用背景差分法進行視頻車輛檢測。背景差分法的基本思想是選取視頻圖像序列的一幀或是提取背景圖像做為參考圖像,然后將待檢測圖像與背景參考圖像逐像素相減,經(jīng)過閾值T劃分得到目標(biāo)的二值化圖像,定義公式形式如(3-15)所示。 （3-15）這種方法進行運動車輛檢測時可以克服幀間差分法的缺點,可以比較完整和精確地對運動目標(biāo)進行檢測。背景差分法這種優(yōu)點可以應(yīng)用于運動車輛檢測中,但是這種方法無法自適應(yīng),要想適應(yīng)環(huán)境的變化,必須對背景實時升級,這必然會涉及背景模型,其包括背景的提取和背景的更新。通常會遇到如下一些問題：(l)背景的提取。當(dāng)前背景的提取方法大致分為兩大類,一類是無運動車輛存在時背景的提取方法,如W4法，這種無運動車輛存在的條件在車輛檢測環(huán)境下很難滿足,且需要人為的實時監(jiān)控；另一類是有運動車輛存在時的背景提取方法,如基于統(tǒng)計的方法包括平均值法,中值法等,然而這種方法在運動物體所占面積較大和在大量幀中出現(xiàn)時,估計出的背景幀不理想且處理時間較長。背景的更新。其需要背景模型應(yīng)迅速跟上實際背景關(guān)照的變化、運動物體靜止下來時應(yīng)及時收入到背景幀中、靜止物體移走后應(yīng)及時從背景模型中消失,否則會出現(xiàn)大范圍的噪聲和誤檢測現(xiàn)象。3.6本章小結(jié)本章通過對車輛檢測算法的分析，針對于一個道路交通視頻做了圖像預(yù)處理、背景提取與更新、前景目標(biāo)檢測等工作，基本可以完成檢測道路交通視頻中運動車輛的任務(wù)。實驗結(jié)果與分析4.1引言在上一章中，已對基于OpenCV的車輛檢測整體算法設(shè)計和具體流程做了詳細(xì)地介紹，本章中將對實驗結(jié)果進行細(xì)致地分析和總結(jié)。4.2實驗配置本文實驗配置為：處理器：Intel（R）Core（TM）i5-3210MCPU@250MHz內(nèi)存：2.00GB操作系統(tǒng)：Windows764位操作系統(tǒng)操作平臺：MicrosoftVisualStudio2008和開源計算機視覺庫OpenCV4.3實驗結(jié)果與分析基于上述車輛檢測算法，編寫程序（將附錄），運行結(jié)果如下圖所示：設(shè)定感興趣區(qū)域?qū)嶒灲Y(jié)果如圖4-1所示：圖4-1感興趣區(qū)域效果圖圖中紅色框內(nèi)為實驗設(shè)定的感興趣區(qū)域，即對視頻中車輛的檢測是在這個區(qū)域內(nèi)進行的，此步驟使實驗更具精準(zhǔn)性，只對主干道車輛進行檢測，排除視頻圖像中其他運動物體對檢測結(jié)果的影響，為后續(xù)實驗提供堅實的環(huán)境基礎(chǔ)。二值化閾值分割實驗結(jié)果如圖4-2所示：圖4-2二值圖像實驗通過閾值分割技術(shù)，成功提取運動車輛，并確定分割前景與背景的最佳閾值。（3）背景更新實驗結(jié)果如圖4-3所示：（a）（b）（c）（d）圖4-3背景更新效果圖如圖4-3（a）、圖4-3（b）、圖4-3（c）、圖4-3（d）所示，實驗完成了對視頻圖像背景的實時更新功能，為后續(xù)運用背景差分法提取運動車輛的實驗步驟提供背景基礎(chǔ)。（4）提取前景目標(biāo)實驗結(jié)果如圖4-4所示：（a）檢測1輛車(b)檢測3輛車(c)未檢測非汽車車輛(d)未檢測非汽車車輛圖4-4車輛檢測結(jié)果圖圖4-1（a）中為一輛車經(jīng)過感興趣區(qū)域的情況，圖4-1（b）中為3輛車經(jīng)過感興趣區(qū)域的情況，從實驗結(jié)果中可以看出，本實驗?zāi)軌驕?zhǔn)確檢測出經(jīng)過感興趣區(qū)域的車輛，同時，對于非檢測目標(biāo)，也能排除在外，如圖4-1（c）、圖4-1(d)所示，圖中藍(lán)色圓圈標(biāo)出的摩托車未被檢測。實驗在運動車輛的檢測和非目標(biāo)車輛的排除方面都取得了良好的實驗效果，但同時該算法也有誤檢和漏檢的情況，如圖4-5所示：a誤檢情況b漏檢情況圖4-5實驗結(jié)果中存在的問題如圖4-5（a）中所示，當(dāng)兩輛車同時通過時，會有一定幾率出現(xiàn)誤檢情況；圖4-5（b）中，由于部分車輛與背景顏色過于接近，導(dǎo)致實驗結(jié)果中出現(xiàn)漏檢情況。對于檢測結(jié)果的統(tǒng)計如下表所示：表4-1實驗結(jié)果統(tǒng)計表幀序列號1050100150200250300350400450經(jīng)過車輛數(shù)2120301231檢測車輛數(shù)2120301221誤檢率0000000033%0由上表可知，視頻車輛檢測準(zhǔn)確率極高，應(yīng)用此方案對交通車輛進行檢測是可行的。4.4本章小結(jié)本章對整體實驗結(jié)果進行了分析和總結(jié)，其中包括設(shè)定感興趣區(qū)域、閾值分割、背景初始化與更新以及前景運動車輛的檢測。從總體數(shù)據(jù)來說，視頻中共經(jīng)過車輛32輛，檢測到車輛29輛，實驗比較成功，能夠完成對道路交通視頻中的車輛檢測?？偨Y(jié)與展望5.1本文總結(jié)隨著圖像處理技術(shù)和計算機視覺的飛速發(fā)展，純視頻檢測系統(tǒng)必然會成為以后主導(dǎo)的電子警察系統(tǒng)的檢測方式。通過視頻檢測這種檢測方式，可以自動實時獲得交通車輛的多種參數(shù)，并且不需要破壞路面、使用壽命長、不會產(chǎn)生硬件損耗，發(fā)展前景無限。本文在基于OpenCV開發(fā)環(huán)境的基礎(chǔ)上，充分利用該視覺庫的特點和優(yōu)越性，進行了視頻車輛檢測相關(guān)技術(shù)的研究，具體包括有圖像采集與讀取、圖像預(yù)處理、背景初始化與更新以及基于背景差分法的前景目標(biāo)檢測，另外，在整體的實現(xiàn)上，本文設(shè)計了一套完整的車輛視頻檢測流程，該算法充分考慮了實時性以及準(zhǔn)確性的要求，在查閱大量相關(guān)文獻資料和研究的基礎(chǔ)上，本文主要作了以下研究：（1）闡述了課題的研究背景和研究意義，并說明了當(dāng)前研究的難點，以及本課題所要解決的問題和創(chuàng)新點。介紹了OpenCV函數(shù)庫，并實現(xiàn)實驗平臺的搭建。（2）綜合比較背景檢測幾種常用的方法，采用背景差分法，設(shè)計并實現(xiàn)了完整的一套視頻車輛檢測的流程，實現(xiàn)起來簡單有效，并且充分考慮到各種可能對檢測造成影響的因素并濾除，如在檢測區(qū)域的設(shè)置上，充分濾除明顯的前景物體，之后通過該檢測區(qū)域內(nèi)的局部虛擬線圈來達到提取車輛的目的，在閾值選擇方面使用OTSU閾值算法，實現(xiàn)對前景運動車輛的二值化處理，最終完成對交通視頻中的車輛檢測。5.2工作展望基于OpenCV的車輛檢測技術(shù)在智能交通系統(tǒng)中的應(yīng)用是一個具有廣闊前景的研究方向。本文只是對其進行了初步研究,為今后的進一步研究確定了一定方向。由于本人能力有限和時間上等的一些客觀原因,本文實現(xiàn)的車輛監(jiān)測系統(tǒng)未在更多的環(huán)境下驗證,離真正的實際應(yīng)用還有一段差距,主要存在以下問題:本實驗研究所用視頻背景單一，只對白天場景進行了研究,而夜間視頻車輛檢測,車頭燈及其投射的光束和路面的反光等對運動車輛的檢測有很大影響,同時雨天、雪天等環(huán)境下也缺乏實驗分析,下一步將考慮夜間及各種天氣環(huán)境下的車輛檢測,以實現(xiàn)系統(tǒng)的通用性和實用性。在設(shè)定感興趣區(qū)域步驟中，矩形的感興趣區(qū)域形狀固定，不能適用于一些特殊情況，若能設(shè)定任意形狀的感興趣區(qū)域，會使該方案更具有實用性。在二值化閾值分割步驟中，實驗效果圖不是特別明顯，如再對其進行膨脹處理，使二值圖像更為清晰，更加有利于后續(xù)的實驗研究。在背景更新中，背景更新算法過于簡單，而當(dāng)代有許多新的背景更新算法，如滑動平均更新法、選擇更新算法、混合高斯背景模型法等，如在實驗中運用新的算法，會使實驗結(jié)果更準(zhǔn)確。（5）背景差分法本身的缺點，采用圖像背景差分法來進行目標(biāo)檢測,則背景的建立和及時更新就會成為算法成功的關(guān)鍵。在監(jiān)視過程中,由于室外光照強度和方向的經(jīng)常變化,以及一些不可預(yù)測的天氣狀況的突然變化,背景圖像都會發(fā)生變化,同時針對交通檢測的一般情況背景提取即有運動車輛存在時的背景提取方法,應(yīng)采取相應(yīng)的背景圖像建立和更新策略的背景模型。如果采用以幀間差分法與背景差分法相結(jié)合的自適應(yīng)背景模型（詳見參考文獻[3]），實驗效果會更好。通過本文的研究可以看出,應(yīng)用視頻圖像處理技術(shù)的智能交通系統(tǒng)在監(jiān)測運動車輛目標(biāo)方面有著較好的性能而且直觀,可得到較全面的數(shù)據(jù),對交通參數(shù)分析和交通監(jiān)控發(fā)揮著極大的作用。所以在未來的智能交通系統(tǒng)中,基于OpenCV的車輛檢測技術(shù)將被越來越多的人所研究，該系統(tǒng)將扮演越來越重要的角色。謝辭值此畢業(yè)論文完成之際，我的四年大學(xué)生涯也接近尾聲，回首往昔，頗多遺憾，頗多欣喜。遺憾的是四年中沒有抓住每一個學(xué)習(xí)的機會，錯過了很多有意義的東西；欣喜的是在學(xué)到很多專業(yè)知識的同時，養(yǎng)成了良好的生活習(xí)慣，明白了許多做人的道理，有了嶄新的人生觀和價值觀。大學(xué)中有其他地方?jīng)]有的學(xué)習(xí)生活環(huán)境，而我的成長與老師們的教導(dǎo)、同學(xué)們的幫助、家人的關(guān)懷是分不開的。首先，我要感謝我的畢業(yè)導(dǎo)師賈世杰老師。他做事認(rèn)真、責(zé)任心強，專業(yè)技術(shù)過硬。他曾說過“經(jīng)得起打磨，耐得起寂寞，扛得起責(zé)任，肩負(fù)起使命，人生才會有價值！”，正是他這種高尚的人格魅力深深打動了我，也正是他對我的嚴(yán)格要求、悉心指導(dǎo)和熱忱幫助，才使我能夠順利完成此次畢業(yè)設(shè)計，賈老師平易近人的謙遜作風(fēng),無私奉獻的工作精神使我終生難忘。其次，我要感謝幫助我學(xué)習(xí)C語言及OpenCV相關(guān)知識的劉暢學(xué)姐。她在自己有學(xué)習(xí)任務(wù)的情況下，不遺余力地幫助我，從最初的選定課題，到查閱資料、學(xué)習(xí)OpenCV計算機視覺，再到設(shè)計車輛檢測算法、編碼調(diào)試，最后完成實驗、對結(jié)果分析總結(jié)，每一步都有她的建議和指導(dǎo)，對于之前素不相識的我，她能夠做到如此細(xì)致入微，我真的該由衷地對她說聲謝謝。最后，我要感謝我的父母，雖然他們們不在我的身邊，但是給予我生活上的關(guān)懷和精神上的鼓勵是我永遠(yuǎn)保持前進的動力。參考文獻[1]侯穆.基于OpenCV的運動目標(biāo)檢測與跟蹤技術(shù)研究[D].西安電子科技大學(xué)，2012.[2]董輝.視頻中運動物體檢測與跟蹤的OpenCV實現(xiàn)[D].安徽理工大學(xué)，2012.[3]梁錫寧.基于OpenCV的目標(biāo)跟蹤軟件與系統(tǒng)實現(xiàn)[D].電子科技大學(xué)，2011.[4]夏良正.數(shù)字圖像處理[M].南京：東南大學(xué)出版社，2012.[5]邊肇祺，張學(xué)工.模式識別[M].北京：清華大學(xué)出版社，2010.[6]趙保佑.基于視覺的車輛檢測與跟蹤技術(shù)研究[D].武漢理工大學(xué)，2009.[7]崔芳園.基于視頻的車輛檢測研究與應(yīng)用[D].北京工業(yè)大學(xué)，2009.[8]錢志明，楊家寬，段連鑫.基于視頻的車輛檢測與跟蹤研究進展[J].中南大學(xué)學(xué)報，2013， 44（2增刊）：18-25[9]金紅,周源.基于內(nèi)容檢索的視頻處理技術(shù)[J].中國圖像圖形學(xué)報，2000.5（4）：276-283[10]嚴(yán)捷豐.交通視頻監(jiān)控中的車輛檢測與分割方法研究[D].中國科學(xué)技術(shù)大學(xué)，2008.[11]佟守愚.基于視頻技術(shù)的交通違章檢測與識別理論及方法研究[D].吉林大學(xué)，2006.[12]韓超.視頻車輛檢測技術(shù)背景及國內(nèi)外研究現(xiàn)狀[J].無線互聯(lián)科技，2012，13(3):56-71[13]QiangJi,xiaojieYang.Real-timeeye,gaze,andfaceposetrackingformonitoringdriver vigilance[J].Real-TimeImaging,2002,8(2):357-377[14]方帥.計算機智能視頻監(jiān)控系統(tǒng)關(guān)鍵技術(shù)研究[D].東北大學(xué)，2005.[14]歐曉丹.多車粘連情況下的車輛跟蹤算法研究[D].北方工業(yè)大學(xué)，2011.[15]Jen-ChaoTai,Shung-TsangTseng,Ching-PoLin,Kai-TaiSong.

Real-timeimagetrackingfor automatictrafficmonitoringandenforcementapplications[J].ImageandVisionComputing, 2004,22(6):485-501[16]謝俊.基于OpenCV的視頻檢測系統(tǒng)設(shè)計與實現(xiàn)[D].電子科技大學(xué)，2012.[17]陳吉廬.基于OpenCV的紅外運動目標(biāo)檢測與跟蹤算法研究及實現(xiàn)[D].南京理工大 學(xué).2010.[18]呂杉.基于OpenCV的視頻運動檢測中背景減除算法的研究與改進[D].吉林大 學(xué)，2011.[19]梁錫寧.基于OpenCV的目標(biāo)跟蹤軟件與系統(tǒng)實現(xiàn)[D].電子科技大學(xué)，2011.[20]ZhiqiangWei,XiaopengJiandPengWang.Real-timemovingobjectdetectionforvideo monitoringsystems[J].JournalofSystemsEngineerandElectronics,2006,17(4):73l-736附錄通過以下代碼，在MicrosoftVisualStudio2008下運行，完成圖像預(yù)處理、背景更新及前景運動車輛檢測等工作。#include<opencv2/opencv.hpp>#include<iostream>#include<stdio.h>#include<string>#include"cv.h"#include<math.h>usingnamespacecv;usingnamespacestd;#ifdef_DEBUG#definenewDEBUG_NEW#undefTHIS_FILEstaticcharTHIS_FILE[]=__FILE__;#endifvoidmain(){//打開文件///////////////////////////////////////////////////IplImage*pFrame=NULL;IplImage*pFrImg=NULL;IplImage*pBkImg=NULL;IplImage*pFrImg1=NULL;CvMat*pFrameMat=NULL;CvMat*pFrMat=NULL;CvMat*pBkMat=NULL;CvMat*pFrMat1=NULL;CvMemStorage*storage=cvCreateMemStorage(0);//輪廓邊緣提取時的參數(shù)CvSeq*contour=0;//輪廓邊緣提取時的參數(shù)intmode=CV_RETR_EXTERNAL;//輪廓邊緣提取時的參數(shù)//形態(tài)學(xué)處理時內(nèi)核的大小IplConvKernel*Element=cvCreateStructuringElementEx(13,13,1,1,CV_SHAPE_RECT,NULL);CvFontfont1;//初始化字體格式intlinetype=CV_AA;cvInitFont(&font1,CV_FONT_HERSHEY_SIMPLEX,0.5,0.5,0,1,8);//用字符串時一定要把usingnamespacestd;寫在前面，否則不能用,下面是用于顯示的字符串stringmsg[10]={"JGD01","JGD02","JGD03","JGD04","JGD05","JGD06","JGD07","JGD08","JGD09","JGD10"};intNo=0;//用于記錄顯示車輛boolFindCar=false;CvPointpt1,pt2,pt3,pt4,pt5;pt1.x=200;//(視頻中左下點)pt1.y=200;pt2.x=600;//(視頻中右上點)pt2.y=320;CvRectbndRect=cvRect(0,0,0,0);//用cvBoundingRect畫出外接矩形時需要的矩形intavgX=0;//ThemidpointXpositionoftherectanglesurroundingthemovingobjectsintavgY=0;//ThemidpointYpositionoftherectanglesurroundingthemovingobjectsintavgX1=0;//用來合并相近的車輛intavgY1=0;CvCapture*pCapture=NULL;intnFrmNum=0;//表示圖像的幀數(shù)//創(chuàng)建窗口cvNamedWindow("video",1);cvNamedWindow("foreground",1);cvMoveWindow("video",30,0);cvMoveWindow("foreground",690,0);pCapture=cvCaptureFromFile("E:\\畢業(yè)設(shè)計\\視頻\\2.avi");pFrame=cvQueryFrame(pCapture);intwidthT,heightT;widthT=pFrame->width;heightT=pFrame->height;IplImage*pFrameTemp=cvQueryFrame(pCapture);pFrame=cvCreateImage(cvGetSize(pFrameTemp),8,3);cvCopy(pFrameTemp,pFrame);//逐幀讀取視頻,cvQueryFrame從攝像頭或者文件中抓取并返回一幀while(pFrameTemp=cvQueryFrame(pCapture)){cvCopy(pFrameTemp,pFrame);nFrmNum++;//如果是第一幀，需要申請內(nèi)存，并初始化if(nFrmNum==1){pBkImg=cvCreateImage(cvSize(pFrame->width,pFrame->height),IPL_DEPTH_8U,1);pFrImg=cvCreateImage(cvSize(pFrame->width,pFrame