车辆图像处理是智能交通系统感知环境的最主要手段,是智能交通系统中发挥作用的关键技术之一。车辆图像的表示和车辆图像内容的理解是获得各种交通参数、判别各种交通状况、处理交通事件、监测城市道路和重要公路交通情况等多种交通行为的基础和关键问题,也是智能交通系统的研究重要内容。论文针对智能交通车辆图像处理中的基础性问题,着重研究车辆图像的稀疏分解及快速算法,以实现车辆图像的灵活、简洁和自适应的表示,从而为理解车辆图像内容和从中获取各种交通信息奠定基础。本论文的主要研究工作或成果如下:　　 1.论文首先研究了车辆图像的预处理问题,为进一步研究车辆图像稀疏分解与表示、基于图像处理技术的车流量检测作准备。在车辆图像预处理研究中,主要讨论中值滤波、均值滤波、高斯滤波和基于粗糙集理论的车辆图像预处理方法,主要用于对车辆图像进行滤波和增强处理。在对图像进行预处理过程中,先采用国际标准图像库中的多幅图像进行实验,再将预处理方法用于对采集到的白天和夜间道路车辆图像进行预处理。实验结果表明,预处理后的图像具有更高峰值信噪比和视觉效果;在所讨论的几种预处理方法中,基于粗糙集理论的车辆图像预处理方法获得了比中值滤波法、均值滤波法和高斯滤波法更好的图像质量,将作为车辆图像后续处理的基础。　　 2.论文首次将稀疏分解方法引入到智能交通车辆图像处理中,进而实现车辆图像灵活、简洁和自适应的稀疏表示。在传统的图像表示方法中,离散余弦变换和小波变换均为正交变换,在对车辆图像进行分解与表示时存在较大的冗余。离散余弦变换只能将车辆图像分解成一个个具有不同强度和不同频率的图像分量的组合,不能给出频率分量在图像中的确切位置。而小波变换虽然克服了离散余弦变换缺乏空间特性的不足,能在车辆图像中给出频率分量与位置的关系,但采用小波变换对车辆图像进行表示时,小波基是确定的,缺乏灵活性。稀疏分解和表示是一种非线性变换,可根据车辆图像特点和所需要的内容进行图像原子的选择,可实现灵活、简洁的表示。　　 3.经典的图像稀疏分解方法是采用贪心策略,在过完备图像原子库中逐步搜索最佳图像原子。为了实现车辆图像的自适应和简洁表示,图像原子库往往是冗余的和过完备的,贪心算法由于计算量十分巨大而难以实现对车辆图像的快速稀疏分解和表示。为了解决此问题,论文引入量子进化计算方法,提出基于量子进化算法的车辆图像稀疏分解算法,以加快车辆图像稀疏分解与表示的速度,为进一步提取交通参数奠定基础。为了验证给出方法的有效性,采用多幅车辆图像进行仿真实验,比较分析贪心算法、遗传算法和量子进化算法对车辆图像进行分解所需的计算时间和获得的重构图像质量。实验结果表明,量子进化计算方法的引入,可大大降低车辆图像稀疏分解的时间,且能获得比贪心算法和遗传算法更好的图像峰值信噪比和视觉效果。在此基础上,论文进一步将基于量子进化算法的稀疏分解方法与基于粗糙集理论的图像预处理方法结合,对车辆图像进行处理,实验结果表明,经过预处理后的图像可获得更好的图像稀疏表示质量。　　 4.提出基于粒子群优化的车辆图像稀疏分解快速算法。论文将群智能优化中的粒子群优化算法引入到车辆图像的稀疏分解中,给出基于粒子群优化的车辆图像稀疏分解算法和详细实现步骤,加快车辆图像稀疏分解的速度和提高重构图像的质量。在仿真实验中,将粒子群优化算法与贪心算法、遗传算法进行了计算复杂性和重构图像峰值信噪比的对比,结果表明,粒子群优化算法比前两种方法更有效。在此基础上,用实验对比分析了粒子群优化算法和量子进化算法,实验结果表明,粒子群优化算法能获得比量子进化算法更好的车辆图像稀疏分解和表示效果和更少的计算时间。论文进一步将粒子群优化算法与基于粗糙集理论的预处理方法结合,对多幅车辆图像进行处理,实验结果表明,经过预处理后的图像再进行稀疏分解时,可获得比未预处理的车辆图像更高的图像峰值信噪比和图像视觉效果。　　 5.提出基于改进微分进化算法的车辆图像稀疏分解快速算法。为了进一步提高车辆图像稀疏分解的速度和重构车辆图像的质量,将实数编码的微分进化算法引入到车辆图像稀疏分解中,提出一种改进的微分进化算法,并详细讨论了基于改进微分进化算法的车辆图像稀疏分解方法和详细实现步骤。在仿真实验中,先对改进微分进化算法和相对应的微分进化算法进行了性能比较,测试改进工作的有效性;再比较分析改进微分进化算法和贪心算法、遗传算法对车辆图像进行稀疏分解和表示的速度及重构车辆图像的质量,实验结果表明,改进微分进化算法可用更少的计算时间,获得比其它两种方法更好的图像分解质量;然后,将改进微分进化算法、粒子群优化算法和量子进化算法用于车辆图像的稀疏分解,以比较分析它们的性能,实验结果清楚地表明,改进微分进化算法具有比前两种方法更强的车辆图像处理能力,所需的计算时间少、获得的图像质量好。最后,将改进微分进化算法与基于粗糙集理论的预处理方法结合,再次验证车辆图像预处理可大大提高稀疏分解性能的可行性。　　 6.在以上图像处理方法的基础上,论文进一步研究了基于图像处理技术的高速公路车流量自动检测方法。针对白天和夜间道路交通视频的不同特点,分别给出基于背景差和边缘提取的白天车流量自动检测方法、基于HSV颜色模式的白天车流量检测方法,以及基于车灯轮廓的夜间车流量检测方法。在仿真实验中,分别采用实际采集到的白天和夜间道路交通视频对三种方法进行性能测试,实验结果表明,三种方法均能获得较高的车流量检测正确率,从而验证了三种方法的有效性。　　 通过以上研究,本文形成了基于稀疏分解及其快速匹配算法的车辆图像处理方法,实现了车辆图像的灵活、简洁和自适应的表示。可以进一步为智能交通参数的采集和交通故障检测等提供必要的理论基础和实践指导。