图像处理与图像识别新技术在智能交通中的运用与实践研究
时间：2021-05-12 12:03:42 来源：雅意学习网 本文已影响 人 
摘 要：社会的发展以及城市化进程的加快很大程度上促进了交通事业的发展，世界各个国家拥有的车辆数量大幅度上升，道路交通拥堵现象受到人们的广泛关注。因此，推进交通管理的现代化进程，要用现代化的技术手段对交通系统进行管理，构建全方位、动态、高校的地面运输系统非常关键。智能交通系统（ITS）能够很好地改善交通混乱的情况，提高运输效率的同时促进安全性的提高。在智能交通系统中，车辆流量检测系统占有非常重要的地位。结合图像处理与图像识别新技术，能够进一步优化当前的处理效率，提高交通管理质量。本文主要对图像处理与图像识别技术在智能交通中的应用进行研究。
关键词：图像处理技术；图像识别技术；智能交通系统（ITS）；应用
智能交通系统（ITS）是随着社会发展以及交通拥堵问题日间严重应运而生的新的交通管理系统，针对我国当前交通拥堵的问题，修建更多的道路或者加宽道路远远无法达到目的，主要原因在于修建新道路等需要投入巨资，且受到城市空间的限制。智能交通系统是以各种信息技术为代表的高新技术在道路运输过程中的集成体现，是最为先进的数据传输技术、计算机息息技术、处理以及和控制技术结合的管理系统，能够很好的优化人、车、环境与道路之间的关系，受到了各界的广泛关注。
一、智能交通存在问题概述
（一）车身颜色识别
尽管智能交通系统中相关问题在实验室中取得了较为满意的效果，尤其是车身之别中获得较好的成效。但是这些结果都是基于实验室的理想环境而得到的。真正的智能交通管理系统面对的是自然环境，车身的识别会受到天气、光线、灰尘、噪声等多种因素的影响，识别率较低。视频当中运动过程中汽车颜色识别是交通管理系统中较为重视的研究方向。由于室外场景的颜色非恒定性，车身表面对光线反射方向不一样、纹理不同以及不一样摄像头对于颜色的响应也存在差异，导致目标颜色的提取工作较为困难。影响颜色分类的因素有三种，分别是颜色的非恒定性、运动目标不完成分割以及目标本身颜色的复杂性。而能够确保颜色在不同条件下保持恒定是车身颜色之别中面对的重点问题。为了提高颜色的恒定性，前人通过对摄像头进行校准，例如调整白平衡、颜色饱和度等提高精度，但是仍然难以解决实际中存在的众多问题，探讨合理的处理基础提高车辆颜色识别算法精度是首要解决的问题。
（二）车身形状识别
智能交通系统中车辆检测算法发展到今天已有近半个世纪，但是仍然存在较多的因素影响到其对于车身识别的准确性。首先是车辆本身在尺度、方向以及位置上存在的变化，例如行驶过程中的车辆均具有不一样的速度，进而其形状、大小也会产生角度的变化；第二，车辆的外观主要取决于当前所处的角度，并且受到对照邻近物体的影响。车辆与车辆之间的遮挡、光照条件变化均会对外观产生影响。因此车辆检测算法中车身识别率的要求还存在较大的差距，只有通过引进先进的图像处理技术获得更多的车身信息才有可能提高识别的准确度。
二、图像处理与图像识别新技术在智能交通中的运用与实践
车辆车牌识别定位技术与字符识别技术是智能交通领域研究的热点之一，车辆车牌识别技术作为交通管理中最为重要的环节之一，其主要任务是对汽车监控图像进行分析和处理，自动化对汽车车牌号进行识别与管理。可广泛在高速公路电子收费站、失窃车辆查询、公路流量监控等重要场合中应用。整体上而言，智能交通系统中涉及到的问题非常多，包括车身颜色的识别、车标的识别、车辆大小与外形识别、车牌的识别等。其中车牌自动识别是非常重要的研究方向之一，主要由车牌的定位、分割以及字符识别等部分构成。以下对图像处理与图像识别新技术应用与车牌特征提取和车牌分割中的实践进行探讨。
（一）车牌特征提取
1、车牌像素特征提取
车牌像素特征提取是最为简单的解决方式，进行图像扫描的过程中遇到黑色像素取值1、白色像素取值0，能够得到维数与图像中像素点个数相同的向量矩阵。但是该方法的适应性较弱，还需要采取一系列增强适应性的措施。
2、骨架特征提取
图像线条粗细的差异会使之存在很大的差别，通过对线条统一宽度之后则差异变小，通过车牌的骨架作为特征进行识别能够提高适应性。通过细化算法提取车牌骨架特征能，够得到图像特征向量矩阵，具有较好的适应性。
3、车牌图像特征点提取
车牌图像特征点提取能够较好地弥补其他方法适应性不强的缺点，通过改进得到的13点特征提取法还能够减少字符倾斜造成的误差。首先将字符平均分为8分，对其中黑色像素点的个数进行统计，作为8个象限的特征。然后对水平方向上中间2列、竖直方向中间2列的黑色像素点进行统计，以所有的黑色像素点作为第13个特征。13点特征法的适应性极强，但是由于特征点数量少，在进行样本训练的过程中难以收敛。除了上述提车牌特征提取方法之外，图像处理与识别技术中还有梯度统计、弧度统计、角点提取等一系列特征向量提取方法。
（二）车牌分割
1、灰度转化
通过车牌图像定位最终能够得到256色位图图像，但是这一图像的内容较为复杂，进一步处理使用的算法无法展开，需要继续进行灰度转化才能够进行下一步的应用。灰度图像所指的是图像中每一个像素R、G、B值相等，而彩色图像的每一个像素R、G、B值是不相等的，因此能够显示出各种颜色。灰度图像则不存在这些颜色差异，有的只是亮度的区别。同样的灰度值较大的像素点亮为白色，反之就比较暗。
2、车牌图像二值化
灰度转换处理后图像中每个像素都只有一个灰度值，其大小决定了亮度和暗度。通过二值化处理的目的在于将图像中像素分化为两种颜色。在智能交通系统中通过像素的灰度值处理成为黑白两色，进一步结合阈值法能够得到转化后的车牌图像。
3、梯度锐化处理
智能交通管理系统中需要处理的图像绝大多数由摄像头拍摄，根据系统定位得到的。在大多数情况下车牌字体非常模糊，影响到识别工作的开展。在很多时候需要进行锐化图像，使模糊的图像清晰。这一步骤还能够去除相应的噪声，微分法与高通滤波法是应用非常广泛的图像锐化处理技术，例如梯度锐化法就属于微分法的一种。图像的边缘是由灰度级以及相邻域点的不同像素点形成的，如果要增强边缘就需要突出相邻域点之间灰度级别的变化。采用微分运算能够得到信号的变化率，继而增强高频分量。将其应用在图像处理技术中，就能够促使其轮廓变得清晰。但是在很多情况下无法实现对轮廓取向进行确定，所以在选择微分算子的时候尽可能使用不具备方向性、具备旋转不变特性的线性算子。图像处理技术中常用的微分法是求得梯度，利用差分运算后图像最后一行与一列的像素贴图无法得知，通常就使用前一行、一列的梯度值近似替代。
