機器視覺技術圖像處理在交通領域的應用
發布時間：2014-01-27 17:55 類型：
應用案例 人瀏覽
早期圖像處理技術的應用范圍受到圖像處理設備價格昂貴以及處理速度緩慢的影響，僅局限于某些領域；及至70年代后至今，隨著理論的發展與集成電路革命造就計算機科技的進步，使得圖像處理的應用范圍漸廣。
美國于1978年由聯邦高速公路局委托E.E. Hilbert、C. Carl、W. Gross、G.R. Hanson、M.J. Olasaby及A.R. Johnson發展寬域檢測系統(Wide Area Detection System , WADS)，其它各國如日本、法國、英國、瑞典等也已陸續投注了相當的研究，并有不錯的成績。相對于國外，國內將圖像處理技術應用于交通的發展，在近年已經有相當程度的進步，如國內目前相當熱門的車牌識別，有多個廠家推出了相應的產品。下面將針對圖像處理技術在交通上的應用分車輛檢測、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，以方便區隔路面與檢測線的象素深度。當車輛通過檢測線時，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果；但在復雜的路口內，如何布設樣本點或檢測線將是首先遭遇的難題，因為路口內車輛除直行外，尚有轉向行為，任何位置均可能有車輛出現。
(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。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，前者如背景需要經常更新，后者則過程繁復，而二者共同的缺點便是當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的不同，因此在算法的使用上與檢測流程上會有相當程度的不同。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(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，而國內則較復雜，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。相關文獻整理如下。
近年發展迅速、應用到許多領域的“類神經網絡(Neural Network)”也被應用到車種的識別上。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，透過數據庫的比對，每個號碼可對應于某一車種，可用于抓拍違章車輛、車輛計數、車種識別、起迄點調查與旅行時間分析等。
(2)、車牌識別
車牌識別的技術近年來在國內已經日趨成熟。有些學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定結構組件之大小，最后利用型態學的方法找出文字特征加以比對。
還有一些學者采用其它方法，如搜尋車牌后以圖素分割法切割字符住后利用類神經網絡識別字符；或者利用灰階轉換數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，以灰階值關連度進行識別。
(3)、車輛跟蹤
連續圖像中，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測車輛位置的方式，連續跟蹤車輛的軌跡。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，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。總結而言，車輛跟蹤的方法有下列四種：模式基礎跟蹤(Model based tracking)、區域基礎跟蹤(Region based tracking)、輪廓基礎跟蹤(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，要了解路口內車輛運作之機制，非得在同時間針對路口內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。 隨著行業的發展，印刷業也逐步普及機器視覺技術的應用。基于機器視覺技術的印刷質量自動檢測等新技術不僅簡化了生產流程，而且能大幅度的降低成本，提高生產效率。隨著印刷機械自動化程度的提高，印刷品質量檢測與控制的快速化靈敏化也是質量檢測與控制的必然趨勢，而機器視覺技術的應用優勢也不段的體現出來，在印刷過程中對印刷品質量的檢測既能適應高速印刷，同時又能準確地檢測出微小的故障，并能將檢測信息迅速反饋給印刷機，已經成為行業不可獲缺的解決方案。
本文地址：http://m.xznet110.com/apply/d_1nspljn2jq981_1.html
拷貝地址
版權聲明：版權歸中國自動化網所有，轉載請注明出處！