發(fā)布時間：2020-12-12 19:07

　　我國高速公路發(fā)展迅猛的同時,交通事故及其隱患比例也在逐年增加。給高速公路的安全帶來巨大威脅的因素主要有兩個:惡劣天氣以及交通異常事件。在我國大部分地區(qū)引起惡性交通事故的天氣現(xiàn)象中,霧的影響最大,霧天不僅影響交通行車安全,同時也使得交通視頻監(jiān)控設(shè)備所獲圖像的對比度和顏色質(zhì)量出現(xiàn)退化,影響圖像的應(yīng)用價值。車輛逆行與行人闖入也會給高速公路交通安全帶來巨大隱患。本文研究重點主要有霧天視頻圖像清晰化處理、高速公路行人檢測、車輛逆行檢測。本文結(jié)合江蘇省交通運輸廳科研項目《基于三維立體視覺的高速公路交通異常智能識別方法及系統(tǒng)構(gòu)成研究》,以NH高速公路K2090+700處設(shè)置的HD-SDI球形攝像機所拍攝的交通視頻為數(shù)據(jù)源,充分利用已經(jīng)建立的高速公路監(jiān)控硬件系統(tǒng),研究霧天條件下高速公路視頻事件（行人、車輛逆行）檢測技術(shù)。研究的主要內(nèi)容如下:（1）研究霧天交通視頻圖像清晰化方法。通過分析不同天氣下圖像的R、G、B三通道及灰度直方圖特性,結(jié)合圖像對比度提出基于灰度直方圖的霧天等級檢測方法,實現(xiàn)霧天等級檢測;在HSI彩色空間中采用基于限制對比度的直方圖均衡化去霧方法對輕霧天圖像進行清晰化處理,并對去霧結(jié)果進... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖１．１霧天引發(fā)的交通事故現(xiàn)場??隨著國內(nèi)高速公路的建設(shè)，以及我國汽車擁有量的逐年上升，霧天對交通的影響只??

Ｒ＝３Ｉ－－Ｂ２．２霧天圖像特性分析??２．２．１霧天圖像直方圖特性??灰度直方圖（Ｈｉｓｔｏｇｒａｍ）表示圖像中具有每一種灰度級的像素的個數(shù)，反映圖像中??每一種灰度出現(xiàn)的頻率。通�；叶戎狈綀D的橫坐標表示灰度級，縱坐標表示灰度級出現(xiàn)??的頻率。??在圖像離散化形式下，若一幅圖像的像素總數(shù)為Ｎ，灰度級總數(shù)為Ｌ，式２．７表示??灰度直方圖計算的公式，??ＰＭ?＝?＾，〇＜ｒｋ＜ｌ?（２．７）??其中，＆表示離散灰度級，／Ｖｆｃ表示ｒｆｃ級灰度的像素總數(shù)，用Ｐｌｆ（ｒｆｃ）表示該灰度級出現(xiàn)的??頻數(shù)。??大小為ＭＸＮ的灰度圖像ｆ（ｘ，ｙ）的灰度直方圖ｌｖ［２５６］計算算法實現(xiàn)步驟如下：??（１）初始化ｈＨｋＨ），其中?ｋ＝０、１、２??２５５；??（２）對于圖像ｆ中的所有像素，ｈ／［ｆ（ｘ，ｙ）］?＋?＋，其中ｘ＝０、１、２?Ｍ－ｌ，ｙ＝０、??１、２、？?？?？、Ｎ－ｌ；??

通過對三種天氣條件下高速公路視頻圖像的Ｒ、Ｇ、Ｂ三通道的直方圖對比分析，??可以明顯看出與無霧天氣相比，霧天所拍攝的圖像的直方圖分布具有如下特點：??（１）霧天圖像的Ｒ、Ｇ、Ｂ三通道的亮度值均分布不均衡，主要集中在灰度級的中??部；??（２）隨著霧的濃度的增加，圖像直方圖越向中間靠攏，亮度值分布范圍越窄，且波??動變化越小，圖像的顏色信息衰減嚴重。??２．２．２霧天圖像邊緣特征??圖像的邊緣特征是圖像中最重要的特征，圖像的邊緣信息在大大減少所要處理的信??息量的同時有效地保留了圖像的信息，邊緣信息可以反映圖像所包含的信息。與區(qū)域灰??度信息相比，邊緣等高頻信息是相對穩(wěn)定不變的特征。為了比較霧天圖像與無霧圖像的??所含邊緣的多少，引入邊緣密度的概念。??邊緣密度是度量圖像邊緣特征相對原圖像分布密集程度的一個參數(shù)。邊緣密度大則??表示原圖像中邊緣特征多。本文定義邊緣密度為邊緣檢測后圖像每一行的邊緣像素數(shù)目，??從左至右、從上至下遍歷邊緣檢測圖像，得到邊緣密度曲線。??利用Ｐｒｅｗｉｔｔ邊緣檢測算子對不同天氣條件下高速公路視頻圖像進行邊緣圖像提取，??可以得到各自的邊緣密度曲線。??

【參考文獻】：
期刊論文
[1]視覺信息損失先驗的圖像分層去霧方法[J]. 胡子昂,王衛(wèi)星,陸健強,石穎.  中國圖象圖形學報. 2016(06)
[2]基于光流法的運動目標檢測與跟蹤算法[J]. 肖軍,朱世鵬,黃杭,謝亞男.  東北大學學報(自然科學版). 2016(06)
[3]基于暗原色先驗與小波變換的圖像去霧方法[J]. 許杰,楊會成.  計算機技術(shù)與發(fā)展. 2016(02)
[4]基于感興趣區(qū)域特征融合的行人檢測方法研究[J]. 彭寶,孫韶媛,梁炳春,趙海濤.  微型機與應(yīng)用. 2015(18)
[5]基于反轉(zhuǎn)的限制對比度自適應(yīng)直方圖均衡圖像去霧改進算法[J]. 張久鵬,張偉.  物聯(lián)網(wǎng)技術(shù). 2015(02)
[6]基于統(tǒng)計濾波的自適應(yīng)雙閾值改進canny算子邊緣檢測算法[J]. 段軍,高翔.  激光雜志. 2015(01)
[7]基于視頻的車輛檢測與跟蹤算法綜述[J]. 邵承.  現(xiàn)代計算機(專業(yè)版). 2014(35)
[8]一種新的基于局部輪廓特征的目標檢測方法[J]. 張桂梅,張松,儲珺.  自動化學報. 2014(10)
[9]改進的直方圖均衡化算法在圖像增強中的應(yīng)用[J]. 姜柏軍,鐘明霞.  激光與紅外. 2014(06)
[10]基于視頻的單車道車輛逆行檢測方法[J]. 許宏科,秦嚴嚴.  交通信息與安全. 2014(03)

博士論文
[1]圖像去霧方法和評價及其應(yīng)用研究[D]. 郭璠.中南大學 2012

碩士論文
[1]基于視頻圖像的高速公路能見度檢測技術(shù)研究[D]. 韓明敏.北京交通大學 2016
[2]基于視頻的交通事件檢測算法研究[D]. 邵士雨.山東大學 2013
[3]基于三幀差法的運動目標檢測方法研究[D]. 趙建.西安電子科技大學 2013
[4]基于目標跟蹤的交通逆行事件檢測算法研究[D]. 郭鋒.廈門大學 2008



本文編號：2913117