基于立体视觉交通对象的三维重建技术

《基于立体视觉交通对象的三维重建技术》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于立体视觉交通对象的三维重建技术　　摘要：随着计算机技术在智能交通系统中广泛应用，立体视觉成为重建混合交通场景、检测混合交通流参数的重要技术。文章主要对利用计算机立体视觉观测交通环境状况获取交通信息进行综述，同时介绍了复杂背景中交通对象的分割、阴影检测和抑制、三维重建、模型匹配与识别等技术的研究。最后对立体匹配的三维重建研究趋势发展及难点进行了展望。　　关键词：立体视觉；图像分割；阴影抑制；三维重建　　1概述　　立体视觉的交通场景理解系统关键技术主要解决交通对象（行人、汽车、摩托车、自行车等）的三维信息模型化；低层处理，即先把图像数字符号化和特征?c的提取过程，主要包括图像的分割

2、和描述；运动检测与运动匹配，主要技术有基于时空梯度的方法、基于相关的方法、频率域法等；模型匹配与识别；交通对象的阴影检测；系统实时性，由于三维重构计算量较大，提高系统实时性等六大问题。其中对三维重建、运动检测与运动匹配和模型匹配与识别是立体视觉的交通场景理解系统关键技术主要研究方向。　　从计算机视觉的角度进行分类，基于模型交通流量检测技术的方法可以分类为：基于区域跟踪的方法；基于动态轮廓的目标跟踪方法；基于特征的跟踪方法；基于3D模型（立体视觉）的车辆跟踪识别方法。　　2立体视觉的三维重建研究方法　　基于立体视觉的三维重建是指通过对二维图像的处理，利用立体视觉的原理获取场景中目标的

3、三维信息。双目立体视觉是直接模拟人类双眼来处理景物的一种新型研究方法，由于其灵活性较高，可以测量多种条件下景物的三维信息。　　2.1图像自适应阈值分割法　　图像自适应阈值分割法无论参数的选取为何种特征值，都能准确快速的捕捉待处理的运动目标。采用自适应阈值分割方法对获得的交通对象的视频图像进行处理，把交通目标特征层经行分类处理，提高了类判别能力。同时，阈值来源较为广泛和准确，因此，不仅具有较好的识别率还具有较强的实时性。在背景存在微小运动和环境亮度突变的情形下也具有很好的鲁棒性。徐文聪等人主要从自适应阈值分割的方法对运动车辆进行检测和流量统计。　　在徐文聪研究中，阈值的取值为图像的形

4、态值，结合车道线和标定的摄像机内外参数，利用Dtsu算法提取候选车灯连通域信息。张虹波、孙明玉研究中，阈值的取值为图像的灰度值。张虹波利用图像差分方法获得运动目标。提取虚拟检测区域内的车辆图像，进行图像的数字化和滤除噪声等预处理，对视频图像提取背景模型，得到车流量信息。孙明玉提出基于新型自适应阈值的运动目标提取算法。孙明玉[4]提出基于新型自适应阈值的运动目标提取算法。首先，根据运动属性，分成两个聚类，一是运动目标，二是背景。对提取的图像按像素灰度进行分类，以聚类间的方根-算术均值距离最大值作为分割阈选择的准则，实时更新提取的运动目标的二值化阈值，从而实现对运动目标的准确完整提取。

5、　　2.2基于侧影轮廓的三维重建方法　　基于侧影轮廓的三维建模是一种新的建模方法，也称为可见外壳（VisualHull）生成方法。侧影轮廓法是利用摄像机拍摄的不同角度的图像进行立体重建，具有良好的几何和拓扑结构的一致性，同时提取的特征点较少，易于计算，有较好的鲁棒性。　　阮孟贵、章毓晋利用摄像机在各个相异的角度获取的多幅图像完成三维重建。主要利用反射投影的交叉轮廓进行匹配，重建物体表面。伍燕萍用MarchingCubes算法，把获取的多幅图像进行侧影轮廓重建，生成物体的可见外壳。曹煜利用平面镜反射原理，对图像轮廓线之间极的线几何关系进行分析，获得相应的相机内外参数，实现目标物体的三

6、维重建。　　2.3基于序列图像的三维重建方法　　序列图像法主要是利用数字图像处理的方法对图像二值化，便于计算机处理。通过对提取的特征点之间进行相似度的匹配，利用矩阵分析进行三维重建。此类方法关键在于正确三维数据的获取，利用计算机相关软件进行图像扫描、图像预处理、建立数据模型，怎样辨别噪声是此方法的难点。虽然序列图像法存在一定的噪声污染，但由于其设备简单，在交通场景中运用面较广。　　刘同敏利用提取的图像序列作为测量矩阵的参数，提出了一种基于匹配相似度的最小二乘法三维重建方法。谭论正提出了基于PCA的交通场景点的重建方法。利用最小二乘法求场景点的三维轨迹，根据获得的数据实现运动目标和背

7、景模型的三维重建。孙丽娟通过透视投影重建算法中引入了迭代算法。利用矩阵扰动理论，分析图像噪声对不同特征点重构的影响，得出图像数量越多重建精度越高的结论。彭科举提出了尺度不变特征变换特征和角点特征相结合的三维重建算法。　　2.4混合高斯模型进行背景建模　　随着信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术快速发展，基于视频的智能交通控制系统在交通控制中占主要作用。在交通对象的监测中，高斯背景模型在建立对运动目标的提取有着至关重要的作用。研究发现，视频图像提