摘 要

自本世纪初以来，我国就已经是汽车总量最多的国家了，由此带来的交通运输问题，自然也就不容忽视。出行质量及效率有待提高，而交通安全事故的数量有待降低，车辆检测作为交通系统中关键的一环，重要性不言而喻，所以研究出一个准确、高效、鲁棒性强的检测方案依然是一个充满意义的研究课题。

在此基于SVM的视频图像车辆检测系统的设计中，采用FFmpeg开源库进行解码，然后将YUV格式转换成了RGB格式，对解码的图像进行灰度化、图像去噪、边缘检测等，采用视频检测及KNN算法，更好地检测出运动物体，而在对物体进行车辆检测确认的过程中，尝试使用HOG特征提取 SVM分类训练器，进一步提高车辆检测算法的实时性、准确性及鲁棒性。

本设计的特色是先利用KNN算法进行背景滤除，检测出运动物体，减少光影变化及其他因素的干扰，然后在运动物体存在的区域内进行车辆是否存在的判定，这样可以更加准确地识别车辆。在不同的交通环境及监控设备的情况下，系统软件的检测准确率都达到了90%以上，很好地满足了检测要求。

关键词：车辆检测；图像预处理；KNN算法；HOG特征；SVM分类

Abstract

Since the beginning of this century, China has had the largest number of automobiles, so the transportation problems brought about by it cannot be ignored naturally. The travel quality and efficiency need to be improved, while the number of traffic safety accidents needs to be reduced, as video vehicle detection is the basis of intelligent transportation system, its importance is self-evident. Therefore, it's always been a significant research topic to develop an accurate, efficient and robust detection scheme.

In the video image based on SVM in the design of vehicle detection system, FFmpeg open source library is used for decoding, then YUV format transformed into RGB format. Next, the extracted image proceed to image graying, denoising and edge detection, and so on, Uses the video detection and KNN algorithm, to better detect the moving object, and in the process of vehicle detection of objects confirmed, try to use HOG feature extraction and classification of SVM training, further improve the vehicle detection algorithm of real-time, accuracy and robustness.

The feature of this design is to use KNN algorithm to filter out the background, detect moving objects, reduce the interference of light and shadow changes or other factors, then determine whether vehicles exist in the area where moving objects exist, so that vehicles can be identified more accurately. In different traffic environments and monitoring equipment, the detection accuracy of the system software has reached more than 90%, which well meets the detection requirements.

Key Words：vehicle detection ; image preprocessing ; KNN algorithm ; HOG features ; The SVM classification

目录

第一章 绪论 1

1.1 研究的背景及意义 1

1.2 国内外的研究现状 1

1.3主要研究内容 2

第二章 图像预处理 4

2.1 常用车辆检测方法 4

2.1.1 环形线圈检测 4

2.1.2 波频车辆检测 5

2.1.3 视频检测 5

2.1.4 检测性能对比 6

2.2 视频图像概述 6

2.2.1 AVI文件简介 6

2.2.2 FFmpeg简介 7

2.2.3 YUV与RGB 7

2.3 数字图像文件预处理 7

2.3.1 灰度化 8

2.3.2图像去噪 8

2.3.3 边缘检测 9

2.4 本章小结 10

第三章 运动物体检测 11

3.1 光流法 11

3.2 帧间差分法 11

3.3 KNN算法 12

3.3.1 算法应用简介 12

3.3.2 实验结果 12

3.4 本章小结 13

第四章 基于SVM的视频车辆检测 15

4.1 SVM简介 16

4.1.1 最优线性分类面 16

4.1.2 核函数(Kernels) 18

4.2 HOG 特征 18

4.3 样本空间 20

4.4 基于SVM分类 21

4.4.1 颜色空间标准化 21

4.4.2 梯队计算 21

4.4.3梯度统计 21

4.4.4 重叠块中的特征标准化 22

4.4.5 特征空间的选择 22

4.4.6 基于SVM分类 23

4.5 检测结果 23

4.6 本章小结 24

第五章 系统设计与实现 25

5.1 系统结构 25

5.2 系统总流程 25

5.3 系统界面 26

5.4结果验证 27

5.5 本章小节 28

第六章 总结与展望 30

6.1 总结 30

6.2 展望 30

致谢 31

参考文献 32

第一章 绪论

1.1 研究的背景及意义

我国道路交通事业与日俱进，自二十一世纪以来取得了蓬勃的发展。不管是大城市，还是小乡村，道路交通状况都发生了翻天覆地的变化，即便是一些偏远地区，也拥有了可以通行的道路。自2011年起，我国就已经是汽车总量最多的国家了，由此带来的交通运输问题，自然也就不容忽视。出行质量及效率有待提高，而交通安全事故的数量有待降低。

视频图像车辆检测是交通系统中很重要的一部分，只有成功检测出来视频图像中的车辆时，才能够进行下一步的工作。它是整个系统的基石，决定了系统的有效性，能够减少交通事故、规范驾驶行为、提高交通执法能力。车辆检测系统的用途十分广泛，目前应用最广泛的是电子监控，在电子警察抓拍系统、感应式十字路口信号灯控制系统，能对各种数据进行采集并上传至城市交通监控中心。一个个道路监管设备，就是一个个“电子警察”。这些“电子警察”看到的都是一些视频，而它们却是根据图像分析处理的，如何将它们拍摄的视频，转换成图像，做出合理的分析判断，这是一个值得研究的问题。

基于视频图像的车辆检测系统的检测能力，受到很多方面限制，其中有三个方面较为明显。第一，减小环境因素的影响；第二，提升视频图像的采集质量；第三，是复杂场景的建模算法。通常，监控车辆的运动状态都比较复杂，而且是不确定的，所以车辆检测系统实际应用的能力与人们对它的期望还是有很大差距。因此，本文的研究对于缓解交通压力，高效运行智能交通系统，创建畅通无阻的智慧城市具有重大意义。

1.2 国内外的研究现状

19世纪70年代以来，人们对计算机视觉中检测运动和静止目标这个研究方向进行了各种深入的研究，提出了许许多多的想法，其中不乏一些突破性的进展。