交通視頻中噪聲圖像分割技術(shù)研究.pdf

1、本文圍繞交通視頻噪聲圖像分割在多功能路面檢測(cè)車、智能車輛視覺導(dǎo)航中的應(yīng)用,就圖像去除噪聲、路面裂縫檢測(cè)、車道檢測(cè)、邊緣檢測(cè)和運(yùn)動(dòng)目標(biāo)檢測(cè)等噪聲圖像分割問題開展研究,本文的貢獻(xiàn)如下:
　　 1.為了消除噪聲對(duì)圖像分割的影響,提高圖像的信噪比,提出了自適應(yīng)神經(jīng)模糊推理系統(tǒng)與中值濾波相結(jié)合的去除噪聲算法。將噪聲圖像、中值濾波對(duì)噪聲點(diǎn)的估計(jì)和維納濾波對(duì)噪聲點(diǎn)的估計(jì)作為自適應(yīng)神經(jīng)模糊系統(tǒng)的三個(gè)輸入,系統(tǒng)的輸出為對(duì)像素點(diǎn)的判斷,是噪聲點(diǎn)還是

2、真實(shí)的圖像點(diǎn),如果是噪聲點(diǎn),就進(jìn)行中值濾波,如果是真實(shí)的圖像,保持不變,直接輸出,最終得到兩者的融合去噪圖像。仿真實(shí)驗(yàn)表明,本章算法濾波的結(jié)果比中值濾波的結(jié)果具有更高的信噪比。
　　 2.針對(duì)路面視頻光照不均、存在油污、破損和噪聲等情況對(duì)路面裂縫分割帶來的不利影響,提出了一種小波域內(nèi)基于塊的路面裂縫檢測(cè)算法。路面圖像經(jīng)過去噪、增強(qiáng)等預(yù)處理后,通過haar小波變換,在最高層中對(duì)近似分量進(jìn)行自適應(yīng)閾值分割得到路面裂縫的初始區(qū)域。然后

3、在其他各層中,從高層到低層依次只針對(duì)路面破損區(qū)域進(jìn)一步分塊分割處理,得到路面裂縫的準(zhǔn)確檢測(cè)。仿真實(shí)驗(yàn)表明,本文提出的算法可以很好的克服光照不均、存在油污、破損和噪聲的影響,對(duì)不同的路面裂縫類型,都具有很好地路面裂縫分割效果。
　　 3.車道分割受到光照、路面陰影、破損、油污和噪聲的干擾,容易出現(xiàn)錯(cuò)誤分割,為了準(zhǔn)確地提取出符合人眼特性的車道邊界,本文提出了基于視覺模型的車道檢測(cè)。利用人眼的視覺特性,按照韋伯定律,提出了分段選取閾值

4、,在HSV顏色空間內(nèi)融合區(qū)域車道分割結(jié)果和邊緣車道分割結(jié)果,得到車道的邊緣點(diǎn),再使用Hough變換給出了車道的位置和方向信息,為視覺導(dǎo)航提供控制參數(shù)。仿真實(shí)驗(yàn)結(jié)果表明,本算法具有抗噪性強(qiáng)、光照對(duì)檢測(cè)結(jié)果影響較小,對(duì)路面存在的陰影、油污和破損等情況處理較好、具有運(yùn)行較穩(wěn)定等特點(diǎn)。
　　 4.為了適應(yīng)交通視頻海量數(shù)據(jù)處理的需要,對(duì)圖像分割自適應(yīng)地選取閾值,提出了基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的邊緣檢測(cè)算法,該算法引入一個(gè)具有4個(gè)輸入和1

5、個(gè)輸出的自適應(yīng)神經(jīng)模糊推理系統(tǒng),選取了與邊緣方向和梯度大小雙重信息相關(guān)的4個(gè)目標(biāo)函數(shù)作為系統(tǒng)的輸入,目標(biāo)函數(shù)值的大小與像素點(diǎn)是否為邊緣點(diǎn)可能性的大小相關(guān)。采用計(jì)算機(jī)合成訓(xùn)練輸入圖像和訓(xùn)練目標(biāo)圖像,對(duì)自適應(yīng)神經(jīng)模糊推理系統(tǒng)進(jìn)行訓(xùn)練,得到訓(xùn)練好的自適應(yīng)神經(jīng)模糊推理系統(tǒng),再將定義好的4個(gè)目標(biāo)函數(shù)作為自適應(yīng)神經(jīng)模糊推理系統(tǒng)的輸入,得到系統(tǒng)的輸出。對(duì)于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的輸出值,運(yùn)用一個(gè)后處理程序,采用一個(gè)固定的閾值來判斷該中心點(diǎn)是否為邊緣點(diǎn)

6、。仿真實(shí)驗(yàn)表明,該算法能夠快速自適應(yīng)地選取閾值,適合海量交通視頻處理的需要,比較傳統(tǒng)方法和當(dāng)前文獻(xiàn)中關(guān)于神經(jīng)和模糊系統(tǒng)邊緣檢測(cè)的方法,邊緣檢測(cè)效果要好。
　　 5.為了從帶有噪聲的交通視頻中準(zhǔn)確完整地分割出運(yùn)動(dòng)目標(biāo),假定“背景總是以較大的頻率出現(xiàn)”,提出了一種基于雙閾值順序聚類的背景重構(gòu)算法,算法分為三步:第一步,基于雙閾值順序聚類的思想分類像素的灰度類:第二步,執(zhí)行合并過程；第三步,選擇背景圖像。該算法不需要預(yù)先知道場(chǎng)景的先驗(yàn)

7、知識(shí),能夠直接從含有前景目標(biāo)的圖像中構(gòu)建出多模態(tài)的場(chǎng)景:通過使用兩個(gè)閾值()1和()2(()2>()1)對(duì)輸入數(shù)據(jù)進(jìn)行聚類,增強(qiáng)了聚類結(jié)果對(duì)閾值取值的魯棒性,降低了算法對(duì)閾值選取的敏感度；由于一個(gè)數(shù)據(jù)的分配要延遲到有足夠的信息,所以對(duì)數(shù)據(jù)參與算法的順序不是很敏感:在運(yùn)行雙閾值順序聚類之后執(zhí)行合并過程,避免了出現(xiàn)多個(gè)距離很近的聚類。對(duì)多種視頻進(jìn)行仿真實(shí)驗(yàn),且與其他背景重構(gòu)方法進(jìn)行比較,背景重構(gòu)更理想,運(yùn)動(dòng)目標(biāo)檢測(cè)更完整,更好地克服了噪聲的