软件算法组-BRT公交专用车道抓拍系统.docVIP

论文格式 (二)算法组 文件名：软件算法组-项目名称.doc ********************************************************** 注意：此为封面格式 ********************************************************** 软件算法组 学校： 题 目： 核心处理器名称： 指导教师： 参赛队成员名单 基于视觉的车辆检测方法可归纳为以下4类：基于光流场方法[1]~[2]较好处理背景运动情况，对噪声、光线变化较敏感，实时性差；基于模型方法[3]~[4]对模型的依赖性强；基于立体视觉方法[5]定位较准确，但特征点匹配难度大、计算量大、成本高，对车辆自身运动较敏感；基于特征的方法[6]~[10]是利用车辆一些显著特征如车底阴影、边缘、对称性等提取车辆区域，单一特征容易受光照及周边环境影响而被弱化，结合多个特征是基于特征方法的发展趋势。 光强及周边环境会对车辆特征产生较大干扰，但车辆下方的阴影区域在整个图像中较暗，是一种较为鲁棒的特征。文献[6]结合阴影特征和Haar小波来检测车辆，不能有效排除非车辆的阴影，且实时性差;文献[7]利用车底阴影确定边缘线，但由天桥对路面的投影不能很好排除，并且依赖车道线检测，单帧检测耗时1~1.5s，车内安装多个传感器，成本高;文献[8]用阴影和边缘特征检测车辆，若图像太亮或太暗，阴影区域检测不到;文献[9]以阴影和边缘作为检测的主要特征，但路边建筑或树在路面投射大片阴影时，很难检测。 基于上述分析，依据国内外文献主要利用车底阴影及边缘等特征提取车辆，本文利用基于特征的方法，针对白天不同时段、光强和周边环境对路面投影的影响，在不依赖车道线检测前提下，基于生成车辆假设区域思想，先利用车辆底部阴影实现车辆的初步检测，再结合车辆对称性特征验证目标车辆，提高检测准确性。 算法详细介绍 详细说明算法的基本原理与实现过程，分析比较相关算法的性能优缺点 2.1 车道线检测及识别算法 2.1 车辆检测及识别算法 车辆检测与识别，关键在于车底位置的确定，车底位置确定依赖于车底阴影的有效提取， 有助于高效准确的检测及识别车辆，其过程分两步：第一步是车辆检测：2.1.1.1节基于改进的阴影分割出车底阴影。2.1.1.2节提取车底与路面交线边缘，从而定位车辆位置。2.1.1.3节基于对称性验证车辆，排除虚假车辆；第二步是车辆识别：2.1.2.1基于sobel垂直边缘检测定位车牌区域。2.1.2.2基于HSV空间确定蓝色信息；图1表示算法流程图。 算法流程图（根据2.1.3算法流程画出流程图） 2.1.1 车辆检测算法 2.1.1.1 阴影检测 采用最大类间方差Ostu[11]~[12]分割法对目标与背景对比度不明显分割效果差，露天图像复杂多变，此方法鲁棒性不好。文献[13]采用图像均值和方差差值作为分割阈值，能较好的过滤路面噪声干扰不明显的非感兴趣目标，实际图像可能会受到光强及大面积阴影干扰(建筑物及树等大面积投影)，采用一次阈值分割不能有效抑制干扰，且增加了后续验证车辆的计算量。所以，本文提出两次自适应阈值提取车底阴影，鲁棒性好。 根据均值方差公式计算灰度图像的均值与方差： (1) (2) 式中为灰度图像在点处的亮度值，、分别为图像的宽和高，、分别为灰度图像均值和方差。第一次自适应阈值为： (3) 第一次阈值排除图像中高点亮的干扰。再对整幅灰度图像中统计低于的像素点，对低于的像素点利用均值方差公式计算均值和方差： (4) 为适应复杂多变环境，a、b参数取： (5) (6 能较好的分割灰度图像，提取车底阴影，最大限度的抑制噪声干扰。 图2为建筑物及树的投影、邻车投影、强光情况下不同算法的分割效果。用Ostu分割法效果如图2(b)，采用文献[13]分割效果如图2(c)，采用本文分割法效果如图2(d)。从图2看出，当外界有多干扰时，采用改进的阴影检测有效地抑制干扰，利于后续车底与路面交线边缘的提取。 (a)灰度图像 (b)Ostu分割 (c)文献[13]算法 (d)本文算