1、模式识别系统由两个过程构成，即设计和实现。设计是指用一定数量的样本(叫作训练集或学习集) 进行分类器的设计。实现是指用所设计的分类器对待识别的样本进行分类决策。在学习(训练)阶段中，将已知的模式样本进行数值化后送入计算机，这就是训练模式样本的特征数据输入过程。对输入的样本进行分析，去掉对分类无效或易造成混淆的那些特征，尽量保留对分类判别有效的数值特征，这就是所谓的特征选择。有时还采用某些变换技术，得出数目比原来少的综合性特征作为分类用，这一过程称为特征维数压缩或特征提取，接着按设想的分类判决数学模型对给定训练样本模式进行训练，得到分类的判决规则。获取了判决规则后，就可以进行识别，也就是实现过程
2、了。先进行未知模式数据采集，接着进行未知模式的特征选择和特征提取，再根据已有的判决规则对模式分类，最后输出识别结果。然后，将已识别的分类结果与已知类别的输入模式作对比，不断改进判决规则和特征选择与特征提取方法，制定出使错误率(风险率)最小的判决规则和特征提取与提取策略，这也就是通常所说的再学习过程。软件是构成本交通视频监测系统的核心部分。整个软件系统可划分为三个模块：图像采集模块、图像处理模块、图像分析模块。其中，图像采集模块控制摄像机和图像采集卡获取原始图像。由摄像机采集交通图像，经过图像采集卡转换为灰度数字图像后存入计算机内存中。在视频检测系统启动前，首先采集当前背景图像，只有当检测车道上
3、不存在移动物体时才能将其作为当前背景图像，否则应重新采集，直到采集满足要求时为止。采集到当前背景图像之后，启动实时检测线程，实时采集交通图像。在图像处理模块中，首先对实时采集的图像进行背景减除确定出图像运动变化区域。由于外界因素(光照、水渍以及沙尘等)对图像的影响很大，所以本模块对背景差分后的图像进行预处理，包括背景的更新、阴影的剔除、图像的平滑等。这样通过对图像进行适当的处理，削弱甚至去除了一些无用的信息，很大程度上抑制了外界因素对图像的影响，大大改善了图像的质量。经预处理之后的图像除了车辆外，还可能存在着行人、自行车等的干扰，因此对图像进行了区域分割和边缘检测得到车辆外形信息。在图像分析模
4、块中，对处理模块中得到的车辆区域进行分析提取出车辆的象素级特征数据，然后通过图像物体点与图像点的对应关系得到车辆的实际特征数据，进而通过基于支持向量机的车辆分类器实现对车辆类型的判别。对于车辆速度的检测，是选取摄像机采集的序列图像，假设两幅序列图像之间的时间间隔为t视频检测系统的工作过程就是交通图像采集、处理和分析的过程。图像采集过程可分为感应(判断) 图像的采集和序列交通图像的采集。描述如下：检测系统启动后，系统定时采集交通图像，与背景图像在AOI0(AOI 区域的设置在本节第一部分介绍)区域中进行比较，如果存在一个区域，区域中每一像素点与背景图像相应区域的灰度差大于设定灰度阈值，其最小长度
5、和宽度不小于设定的最小车辆模型的长度和宽度，则可能有车辆通过；否则，此时没有车辆通过，图像的采集线程挂起一定时间(线程挂起时间的设置，可由图像边缘检测算法计算量和计算机运算速度决定。一般来说，越快越好)。当视频检测系统判断有移动目标通过时，就进行序列图像的采集。摄像机连续采集两幅交通图像存入缓冲区，两幅图像的采集时间要保证一定的间隔，这样，才能从采集的两幅图像数据中得到车辆行驶速度。对车型的判别只要对两幅图像中的任何一幅进行处理分析即可。3.1 图像预处理对于视频检测系统，环境照度变化大，有白天、夜间及阴雨天的区别。即使自动光圈镜头对环境光照变化有一定的调整能力，但数字化后的图像仍有很大差异。
6、另外，环境的摄动和摄像机的“抖动”，以及镜头的畸变(近似广角)，使一幅图像内不同区域静态灰度有差异并叠加到目标信息中。针对上述情况，要对采集的图像进行预处理，对图像进行适当的变换突出某些有用的信息，去除或削弱无用的信息，以改善图像的质量，抑制外界因素对图像的影响。有效地改善图像视觉效果。本系统对实时采集的图像进行了背景减除，再结合光照和阴影模型，就能够确定出车辆区域。为了减少图像处理的运算量，我们合理地选择AOI(Area OfInterest)区域。AOI 区域即感兴趣区域的缩写，对图像的全部处理只在AOI 区域中进行，这样使得运算量大大降低。在基于背景差的方法中，车辆检测的效果取决于当前背
7、景的质量，因此需要对背景图像进行不断更新。另外，本系统对差分图像进行了平滑和阴影剔除，以去除颗粒噪声，更准确地得到车体图像，为后续的车辆特征提取做好准备。3.1.1 背景差分视频交通监控系统大多用背景差分、帧间差分、空间差分等图像处理方法作为车辆检测的基本方法。本系统采用了背景差分的方法，此方法受速度变化影响较小，识别速度快。背 景 差 分 法 即 用 一 幅 预 先 拍 摄 的 无 车 背景图像作参考， 当检测时， 可由CCD 摄像机实时采集的现场图像“减去”参考图像。如果光照不变，又没有车辆，见到的是空白图像；如果光照不变，有车辆，则除车辆所在处之外的图像也仍为空白，当然干扰和光照变化都会
8、加大误差。为此，我们可以通过设置阈值来减少其影响。低于阈值的被看作背景，只有高于阈值的才被认为是检测到的车辆，这样就能检测车辆的出现和运动。简言之，背景差分通过计算实时采集的交通图像和背景图像两帧图像(f , b)差的绝对值并通过阈值Th 获得，可用式(3.1) 描述。 f 为实时采集的图像帧，b 为背景图像帧(即为不含车辆的场景图像 )，随环境变化不断更新。如果实时采集的图像和背景图像相同，此时背景差分为255，即背景减除后图像非运动变化区域为白色；相反，如果实时采集的图像包含车辆，则和背景图像不同，此时图像帧差为两幅图像对应灰度相减的绝对值，阈值Th 的作用是减少噪声和光线的影响。本文采用
9、动态更新背景的方法以适应环境的变化。为了减少计算量，图像帧差只在AOI 区域内进行。3.1.2 背景更新在基于背景差的方法中，车辆检测的效果取决于当前背景的质量。由于天气、光线和阴影的变化，背景图像必须不断更新，以保证背景图像能够正确反映车道的当前实际背景状况。理想情况下，背景图像只有实时更新，才能保证背景图像真正反映当前的背景，也就是说，在采集图像前一刻先采集背景图像，但实际上是不可能的。在光照变化比较缓慢的情况下，更新频率不必很高。只要在适当长度的时间段中，处理区域中无活动对象存在，便可以将此时处理区域中的图像作为新的背景存储起来。8采用了将多帧无车辆背景图像取平均的方法，更新背景，以减小
10、误差。对于背景图象序列f0, f1, ,fi, fi+1, ，若选取单帧图像作为参考帧，光线的缓慢变化使得结果会有一定的误差，因此我们对M 帧图像叠加，取平均值。利用CCD 摄像机和图像采集卡获得车辆的原始图像, 通过设置AOI (Aero of Interest , 感兴趣区域)以减少图像处理的运算量、建立阴影模型及剔除阴影以提高区域分割的精度、对背景图像不断更新以保证背景图像能够正确反映检测车道的当前实际背景状况, 以此来减少工作环境(比如光照、天气、水渍等) 的影响等措施, 对原始图像依次进行预处理。根据同一物体在差值图像中灰度的连续性, 提取车辆特征, 然后经过摄像机的标定和建立成像几
11、何模型, 将象素级的数据转换为特征级的数据。对于采集的灰度图像, 提取车辆轮廓曲线外接矩形的长度和宽度作为车辆的长度和宽度。对于每一种类型的车辆, 选取其中的10 辆作为训练样本, 20 辆作为测试样本。212 支持向量机的训练一般我们将车辆分为3 类: 小型车、中型车和重型车。基于SVM 理论的分类器是一种通用的二值分类器, 但不适用于多值分类场合。为了能够对解决本系统车辆分类的多类问题, 针对每一类车训练一个SVM, 具体实现如下:(1) 将小型车类中的所有样本标为类, 其他类的样本标为类, 将这些所有的样本作为输入样本来训练一个SVM, 得到相应的支持向量和分类平面; 将该支持向量机序号标为, 表明号SVM 是用来区分小型车类和其他类的。(2)同上 (3) 同上, 得到号SVM 是用来区分重型车类和其他类的。这样, 训练得到的3 个SVM 用来将车辆样本分为3 类, 而不是只能分为两类, 第 i 个SVM ( i = 1 , 2 , 3) 将测试车辆划分到了类, 此车辆就属于第 i类。当数据采集系统采集到图像或序列图像后, 经过预处理后作为测试样本, 交给3 个SVM 进行分类处理, 根据出现的判别情况对测试样本进行分类:(1) 第 i 个SVM 将车辆分到类中, 其余的
