機器視覺圖像檢測技術的發展和應用
發布日期：2022-04-27 點擊率：76
在科技發達的今天，運輸系統逐漸朝著智能化（ITS）發展，而檢測的方法上亦漸漸趨向以高科技的檢測方式替代傳統人工調查的方式，可以避免漏記或調查員的投機取巧，并且精簡調查成本，在執法方面，各個城市大量采用了電子警察，使得在許多裝有電子警察的交通路口和路段交通秩序要好于其它路段。所以，車輛檢測器的發展在現代計算機化的交通管理中扮演著非常重要的角色，其準確度常受到檢測方式、檢測器布設形式、數量與位置的影響。
現有的各種交通參數檢測方式中，只有圖像檢測器（Video Image Detector）是一種可以取得最豐富的交通信息的面式檢測器。視覺為基礎的攝影系統在現今的發展已更加的成熟，而且，比那些點式的感應系統更為有用（例如：環形線圈與壓力式檢測器），因為圖像檢測器所提供的信息可以進行進一步的車輛跟蹤與分類，這對于執法是至關重要的。而其它檢測手段均有較大的限制，點式檢測器僅用于車流上的量測與計數，或是解決特定的子問題（如等候檢測或擁擠車流上的檢測），缺乏一般性的應用。
以計算器進行圖像處理，改善圖像品質的有效應用開始于1964年美國噴射推進實驗室（J.P.L）用計算機對宇宙飛船發回的大批月球照片進行處理，獲得顯著的效果。1970至1980年代由于離散數學的創立和完善，使數字圖像處理技術得到了迅速的發展，隨著電腦的功能日益增強，價格日益低廉，使得圖像處理在各行各業的應用已經成為相當普遍的工具之一，舉凡在醫學工程、工業應用、交通領域應用等。1980年代開始，有關交通量估測的研究漸漸有了成果。到1985年以后，各國對于交通圖像偵測系統已有實際的成品發展出來。另外，近年來結合類神經網絡加速圖像處理速度形成一個研究趨勢。
在進入圖像處理之前，我們首先對圖像做一個概略性的探討。所謂“圖像”泛指所有實際存在含有某種消息的信號，如含有人、事、物等的照片，而紅外線攝影所獲得的信號，則表示某些物體的溫度分布。
我們常說“一幅圖勝過千言萬語”，即是指每張圖像中含有許多的信息，根據我們的目的而進行處理，得出想要的結果。“數字圖像”是將傳統照片或錄像帶模擬訊號經取樣（sample）及數字化后達成。數字化的原因在于方便計算機運算與儲存。所儲存的亮點成為圖像的基本單位，稱為象素（Pixel）。象素的亮度以灰度值（Gray-level）表示，灰度值被劃分為256階，最暗為0，最亮為255。一張圖像被數值化成方塊格子所組成的畫像元素，每一格子中都標有一對坐標，一個代表其行值，另一則代表其列值。行值從這張圖像的最左邊開始標幟自0一直到n，n表示行值中最大值。相同的，列值從最上方起定為0，往下移動至m值，m表示圖像全部列數。
所謂圖像處理就是為了某種目的對圖像的強度（灰度值）分布視為一連串整數值的集合，經由不斷的運算執行某些特定的加工和分析。
1、圖像處理原理
圖像處理涵蓋的范圍十分很廣泛，但是，所采用的基本原理和方法是一致的。整體說來，圖像處理這門科學所研究的主要內容包括了圖像數的模數轉化（A/D Image Transform）、圖像的增強與復原（Image Enhancement and Restoration）、圖像編碼與壓縮（Image Encoding and Compression）、圖像切割（Image Segmentation）、圖像的表示和描述（Image Representation and Description）、圖像特征匹配（Image Feature Matching）等等。
所謂切割就是企圖將圖像中之標的物析出的處理過程。圖像切割可說是圖像的分析過程中最重要之步驟之一，在一般所采用的方法主要為邊緣的檢測(Edge Detection)及臨界值法(Thresholding)。
圖像特征匹配，特征匹配法的"特征"，需先加以定義。舉例而言，若要描述一個人，最好先說明他的特征。在外表方面，例如身高、體重、胸圍....等等；在心理方面，例如和善的、好勝的、沉默的....等等；在事業方面，例如職業、收入....等等。不同特征適用于不同描述目的，例如描述一個人的健康，需要上述的身高、體重特征；若要描述一個人的成就，所需特征就多得多，舉凡上述特征之外，還可能需要這個人的生平事跡等等。據此了解，一個人的特征能夠代表一個人，故特征具備了代表性。除外，若現需將每個人由高至矮排序，所需特征只身高一項，其它體重、性格等等數據無需獲得，因此使用特征亦具備簡化使用信息量之目的。
所謂匹配（Matching）或被翻譯成“比對”，即將物體的特征與預存在計算機中之原型（Proto types）或樣版（Template）的特征加以比較，若相似度（Similarity）或非相似度（Dissimilarity）小于或大于某預設的門檻值（Threshold），則稱兩者匹配成功。匹配較傾向屬于圖形辨認（Pattern Recognition）范圍，因其中含有“分類”（Classification）或“辨認"（Repetition）意味之故。建立計算機中原型或樣版特征之過程稱"訓練"（Training），做法為事先采取某些樣品（Sample）或典型（Typical）之特征加以儲存之。特征匹配的常用方法有許多種：最近鄰居法（Nearest Neighbor Method）、二元決策樹法（The Binary Decision Tree Method）、屬于動態規畫法（Dynamic Programming）的DP匹配法等。
特征匹配目的在使具有相同或類似待征的物體產生關聯，以便于辨認或分類。就交通方面而言，特征匹配法可用來區分不同的交通工具。舉例而言，若圖像中某物體長度4公尺，寬2公尺，形狀呈矩形（以上皆為特征），該物體極可能被分類為小汽車；若為長10公尺，寬2.5公尺的矩形，則可被分類為大型車（巴士、大貨車）。
2、圖像處理應用于交通
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。
3、光的特性
先不考慮車流行為所造成的問題，而單單就圖像處理技術部分來說，利用圖像處理技術搜集交通參數，在夜間的情況下到底會遇到什么樣的問題呢？我們來對此做一個初步的了解。
我們針對夜間拍攝圖像所會遇到的問題逐一做說明。拍攝時氣候皆為晴天，問題陳述如下。
路面反光因素
由于是晴天的因素，所以路燈照射路面所造成的反光并不嚴重。前車燈所造成的路面反光較嚴重。要如何定義前車燈或后煞車燈（雨天較嚴重）所造成的路面反光也是一個問題。
夜間光源因素
我們可以很明顯的看到橋邊有路燈照明，使得整個圖像環境不至于太黑暗。但經由仔細觀察則可以發現，路燈是每隔一段距離設置于路邊，因此照射于路面的燈光布置情況也是呈現亮暗間格分布，如果經由二值化處理可能會有問題待解決。
陰影因素
由于夜間仍有路燈的照明，因此當照射到車體本身或路旁物體的時候，也會形成路面的陰影。由于整個背景的亮度不同，因此夜間產生陰影的處理方式，勢必與白天產生陰影的處理方式不同。
當攝影機以較水平的角度拍攝面對攝影機開來的車輛的時候，較嚴重會使得拍攝出來的畫面整個呈現泛白，畫面中看不到我們所要拍攝的景物。
