在科技發(fā)達(dá)的今天，運(yùn)輸系統(tǒng)逐漸朝著智能化（ITS）發(fā)展，而檢測(cè)的方法上亦漸漸趨向以高科技的檢測(cè)方式替代傳統(tǒng)人工調(diào)查的方式，可以避免漏記或調(diào)查員的投機(jī)取巧，并且精簡(jiǎn)調(diào)查成本，在執(zhí)法方面，各個(gè)城市大量采用了電子警察，使得在許多裝有電子警察的交＊口和路段交通秩序要好于其它路段。所以，車輛檢測(cè)器的發(fā)展在現(xiàn)代計(jì)算機(jī)化的交通管理中扮演著非常重要的角色，其準(zhǔn)確度常受到檢測(cè)方式、檢測(cè)器布設(shè)形式、數(shù)量與位置的影響。 現(xiàn)有的各種交通參數(shù)檢測(cè)方式中，只有圖像檢測(cè)器（Video Image Detector）是一種可以取得最豐富的交通信息的面式檢測(cè)器。視覺為基礎(chǔ)的攝影系統(tǒng)在現(xiàn)今的發(fā)展已更加的成熟，而且，比那些點(diǎn)式的感應(yīng)系統(tǒng)更為有用（例如：環(huán)形線圈與壓力式檢測(cè)器），因?yàn)閳D像檢測(cè)器所提供的信息可以進(jìn)行進(jìn)一步的車輛跟蹤與分類，這對(duì)于執(zhí)法是至關(guān)重要的。而其它檢測(cè)手段均有較大的限制，點(diǎn)式檢測(cè)器僅用于車流上的量測(cè)與計(jì)數(shù)，或是解決特定的子問題（如等候檢測(cè)或擁擠車流上的檢測(cè)），缺乏一般性的應(yīng)用。 以計(jì)算器進(jìn)行圖像處理，改善圖像品質(zhì)的有效應(yīng)用開始于1964年美國(guó)噴射推進(jìn)實(shí)驗(yàn)室（J.P.L）用計(jì)算機(jī)對(duì)宇宙飛船發(fā)回的大批月球照片進(jìn)行處理，獲得顯著的效果。1970至1980年代由于離散數(shù)學(xué)的創(chuàng)立和完善，使數(shù)字圖像處理技術(shù)得到了迅速的發(fā)展，隨著電腦的功能日益增強(qiáng)，價(jià)格日益低廉，使得圖像處理在各行各業(yè)的應(yīng)用已經(jīng)成為相當(dāng)普遍的工具之一，舉凡在醫(yī)學(xué)工程、工業(yè)應(yīng)用、交通領(lǐng)域應(yīng)用等。1980年代開始，有關(guān)交通量估測(cè)的研究漸漸有了成果。到1985年以后，各國(guó)對(duì)于交通圖像偵測(cè)系統(tǒng)已有實(shí)際的成品發(fā)展出來。另外，近年來結(jié)合類神經(jīng)網(wǎng)絡(luò)加速圖像處理速度形成一個(gè)研究趨勢(shì)。 在進(jìn)入圖像處理之前，我們首先對(duì)圖像做一個(gè)概略性的探討。所謂“圖像”泛指所有實(shí)際存在含有某種消息的信號(hào)，如含有人、事、物等的照片，而紅外線攝影所獲得的信號(hào)，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(jù)我們的目的而進(jìn)行處理，得出想要的結(jié)果?！皵?shù)字圖像”是將傳統(tǒng)照片或錄像帶模擬訊號(hào)經(jīng)取樣（sample）及數(shù)字化后達(dá)成。數(shù)字化的原因在于方便計(jì)算機(jī)運(yùn)算與儲(chǔ)存。所儲(chǔ)存的亮點(diǎn)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(shù)值化成方塊格子所組成的畫像元素，每一格子中都標(biāo)有一對(duì)坐標(biāo)，一個(gè)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(biāo)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(dòng)至m值，m表示圖像全部列數(shù)。 所謂圖像處理就是為了某種目的對(duì)圖像的強(qiáng)度（灰度值）分布視為一連串整數(shù)值的集合，經(jīng)由不斷的運(yùn)算執(zhí)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(xué)所研究的主要內(nèi)容包括了圖像數(shù)的模數(shù)轉(zhuǎn)化（A/D Image Transform）、圖像的增強(qiáng)與復(fù)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(biāo)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(cè)（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(gè)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(yè)方面，例如職業(yè)、收入....等等。不同特征適用于不同描述目的，例如描述一個(gè)人的健康，需要上述的身高、體重特征；若要描述一個(gè)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(gè)人的生平事跡等等。據(jù)此了解，一個(gè)人的特征能夠代表一個(gè)人，故特征具備了代表性。除外，若現(xiàn)需將每個(gè)人由高至矮排序，所需特征只身高一項(xiàng)，其它體重、性格等等數(shù)據(jù)無需獲得，因此使用特征亦具備簡(jiǎn)化使用信息量之目的。 所謂匹配（Matching）或被翻譯成“比對(duì)”，即將物體的特征與預(yù)存在計(jì)算機(jī)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(yù)設(shè)的門檻值（Threshold），則稱兩者匹配成功。匹配較傾向?qū)儆趫D形辨認(rèn)（Pattern Recognition）范圍，因其中含有“分類”（Classification）或“辨認(rèn)"（Repetition）意味之故。建立計(jì)算機(jī)中原型或樣版特征之過程稱"訓(xùn)練"（Training），做法為事先采取某些樣品（Sample）或典型（Typical）之特征加以儲(chǔ)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(dòng)態(tài)規(guī)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(chǎn)生關(guān)聯(lián)，以便于辨認(rèn)或分類。就交通方面而言，特征匹配法可用來區(qū)分不同的交通工具。舉例而言，若圖像中某物體長(zhǎng)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(zhǎng)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(yīng)用于交通 早期圖像處理技術(shù)的應(yīng)用范圍受到圖像處理設(shè)備價(jià)格昂貴以及處理速度緩慢的影響，僅局限于某些領(lǐng)域；及至70年代后至今，隨著理論的發(fā)展與集成電路革命造就計(jì)算機(jī)科技的進(jìn)步，使得圖像處理的應(yīng)用范圍漸廣。 美國(guó)于1978年由聯(lián)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(fā)展寬域檢測(cè)系統(tǒng)（Wide Area Detection System , WADS），其它各國(guó)如日本、法國(guó)、英國(guó)、瑞典等也已陸續(xù)投注了相當(dāng)?shù)难芯浚⒂胁诲e(cuò)的成績(jī)。相對(duì)于國(guó)外，國(guó)內(nèi)將圖像處理技術(shù)應(yīng)用于交通的發(fā)展，在近年已經(jīng)有相當(dāng)程度的進(jìn)步，如國(guó)內(nèi)目前相當(dāng)熱門的車牌識(shí)別，有多個(gè)廠家推出了相應(yīng)的產(chǎn)品。下面將針對(duì)圖像處理技術(shù)在交通上的應(yīng)用分車輛檢測(cè)、車種識(shí)別、車輛跟蹤三個(gè)部分做簡(jiǎn)單介紹。 1）、車輛檢測(cè) 車輛檢測(cè)的方法可大致歸類為樣本點(diǎn)檢測(cè)、檢測(cè)線檢測(cè)以及全畫面式檢測(cè)等途徑，另外針對(duì)夜間車輛檢測(cè)進(jìn)行說明如下： （1）、樣本點(diǎn)檢測(cè) 在車道的某一部分選取類似矩陣的樣本點(diǎn)，當(dāng)車輛通過時(shí)，樣本點(diǎn)之灰階值與原路面不同，若兩者相減的統(tǒng)計(jì)值超過某一門檻值，即表示車輛的存在。 （2）、檢測(cè)線檢測(cè) 此法是于垂直或平行車流方向布設(shè)由象素組成之虛擬檢測(cè)線，如圖2所示。一般由亮點(diǎn)來組成，以方便區(qū)隔路面與檢測(cè)線的象素深度。當(dāng)車輛通過檢測(cè)線時(shí)，線上的灰階值與沒有車輛通過路面時(shí)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(diǎn)或檢測(cè)線檢測(cè)法僅擷取部分象素資料進(jìn)行處理，處理的資料量明顯減少，因此運(yùn)算時(shí)間縮短許多；為了達(dá)到實(shí)時(shí)（Real-Time）檢測(cè)的要求，目前已實(shí)際運(yùn)用于交通檢測(cè)的圖像處理系統(tǒng)AUTOSCOPE便是以檢測(cè)線做處理。 在車輛運(yùn)行單純的路段，以樣本點(diǎn)或檢測(cè)線作為車輛檢測(cè)的途徑可獲得不錯(cuò)的結(jié)果；但在復(fù)雜的路口內(nèi)，如何布設(shè)樣本點(diǎn)或檢測(cè)線將是首先遭遇的難題，因?yàn)槁房趦?nèi)車輛除直行外，尚有轉(zhuǎn)向行為，任何位置均可能有車輛出現(xiàn)。 （3）、全畫面式檢測(cè) 以全畫面作處理的車輛檢測(cè)方法所能獲得的信息較多，但相對(duì)地要處理的資料量也明顯增加許多。屬于此法的檢測(cè)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(dāng)含有車輛的圖像與背景圖像逐點(diǎn)相減后，車輛的部分即被減出，如TRIP系統(tǒng)。二值化法將圖像以某一門檻值進(jìn)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(diǎn)，前者如背景需要經(jīng)常更新，后者則過程繁復(fù)，而二者共同的缺點(diǎn)便是當(dāng)物體顏色與背景相近時(shí)將面臨切割失敗的命運(yùn)，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(fù)雜。 （4）、夜間車輛檢測(cè) 國(guó)外R. Taktak、Rita Cucchiara、Cucchiara等人認(rèn)為由于夜間圖像所具有的信息與白天圖像相當(dāng)?shù)牟煌虼嗽谒惴ǖ氖褂蒙吓c檢測(cè)流程上會(huì)有相當(dāng)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(tài)（如斑馬線）。他們認(rèn)為夜間圖像并不適合用移動(dòng)檢測(cè)算法。 2）、車輛識(shí)別 （1）、車輛識(shí)別 由于國(guó)內(nèi)與國(guó)外交通組成的不同，國(guó)外的研究?jī)H對(duì)大車與小車兩種作辨認(rèn)，而國(guó)內(nèi)則較復(fù)雜，但一般研究均簡(jiǎn)化車種為大車、小車與機(jī)車，以此三類做識(shí)別。 以檢測(cè)線或樣本點(diǎn)作為識(shí)別車種的途徑時(shí)，由于所取資料量少，較不利于車種識(shí)別，故以此法進(jìn)行者較少。就日間圖像的車輛識(shí)別來說通常以車輛的特征如：外型、尺寸為分類準(zhǔn)則。相關(guān)文獻(xiàn)整理如下。 近年發(fā)展迅速、應(yīng)用到許多領(lǐng)域的“類神經(jīng)網(wǎng)絡(luò)（Neural Network）”也被應(yīng)用到車種的識(shí)別上。此外，亦可藉由車輛牌照途徑，將號(hào)碼圖像二值化，以特征匹配的方式識(shí)別并記錄該車牌號(hào)碼，透過數(shù)據(jù)庫(kù)的比對(duì)，每個(gè)號(hào)碼可對(duì)應(yīng)于某一車種，可用于抓拍違章車輛、車輛計(jì)數(shù)、車種識(shí)別、起迄點(diǎn)調(diào)查與旅行時(shí)間分析等。 （2）、車牌識(shí)別 車牌識(shí)別的技術(shù)近年來在國(guó)內(nèi)已經(jīng)日趨成熟。有些學(xué)者認(rèn)為車牌識(shí)別可分三階段：前處理，將圖像二值化后進(jìn)行清除噪聲。而后車牌定位，利用連接組件標(biāo)示法，找出圖像中之連接組件加以分析，進(jìn)而判斷車牌位置。字符識(shí)別，分割字符完畢后依文字大小設(shè)定結(jié)構(gòu)組件之大小，最后利用型態(tài)學(xué)的方法找出文字特征加以比對(duì)。 還有一些學(xué)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(jīng)網(wǎng)絡(luò)識(shí)別字符；或者利用灰階轉(zhuǎn)換數(shù)之計(jì)算找出可能之車牌位置，再分割字符，在利用筆劃分析法識(shí)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(guān)連度進(jìn)行識(shí)別。 （3）、車輛跟蹤 連續(xù)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(cè)車輛并配合預(yù)測(cè)車輛位置的方式，連續(xù)跟蹤車輛的軌跡。其中以樣本點(diǎn)或檢測(cè)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(dòng)狀態(tài)，較不利跟蹤之進(jìn)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(jìn)入路口前及離開路口后之車道上布設(shè)橫向檢測(cè)線屏蔽（Mask），以記錄車輛進(jìn)入與離開之臨近方向編號(hào)，同時(shí)對(duì)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(jié)而言，車輛跟蹤的方法有下列四種：模式基礎(chǔ)跟蹤（Model based tracking）、區(qū)域基礎(chǔ)跟蹤（Region based tracking）、輪廓基礎(chǔ)跟蹤（Active contour based tracking）、 國(guó)外研究文獻(xiàn)中僅針對(duì)各車道的單一車輛進(jìn)行跟蹤，要了解路口內(nèi)車輛運(yùn)作之機(jī)制，非得在同時(shí)間針對(duì)路口內(nèi)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(duì)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(shù)部分來說，利用圖像處理技術(shù)搜集交通參數(shù)，在夜間的情況下到底會(huì)遇到什么樣的問題呢？我們來對(duì)此做一個(gè)初步的了解。 我們針對(duì)夜間拍攝圖像所會(huì)遇到的問題逐一做說明。拍攝時(shí)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(yán)重。前車燈所造成的路面反光較嚴(yán)重。要如何定義前車燈或后煞車燈（雨天較嚴(yán)重）所造成的路面反光也是一個(gè)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(gè)圖像環(huán)境不至于太黑暗。但經(jīng)由仔細(xì)觀察則可以發(fā)現(xiàn)，路燈是每隔一段距離設(shè)置于路邊，因此照射于路面的燈光布置情況也是呈現(xiàn)亮暗間格分布，如果經(jīng)由二值化處理可能會(huì)有問題待解決。 陰影因素 由于夜間仍有路燈的照明，因此當(dāng)照射到車體本身或路旁物體的時(shí)候，也會(huì)形成路面的陰影。由于整個(gè)背景的亮度不同，因此夜間產(chǎn)生陰影的處理方式，勢(shì)必與白天產(chǎn)生陰影的處理方式不同。 當(dāng)攝影機(jī)以較水平的角度拍攝面對(duì)攝影機(jī)開來的車輛的時(shí)候，較嚴(yán)重會(huì)使得拍攝出來的畫面整個(gè)呈現(xiàn)泛白，畫面中看不到我們所要拍攝的景物。