在科技發(fā)達的今天，運輸系統(tǒng)逐漸朝著智能化（ITS）發(fā)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(tǒng)人工調(diào)查的方式，可以避免漏記或調(diào)查員的投機取巧，并且精簡調(diào)查成本，在執(zhí)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*口和路段交通秩序要好于其它路段。所以，車輛檢測器的發(fā)展在現(xiàn)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(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(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(zhí)法是至關(guān)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(shù)，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(yīng)用。

以計算器進行圖像處理，改善圖像品質(zhì)的有效應(yīng)用開始于1964年美國噴射推進實驗室（J.P.L）用計算機對宇宙飛船發(fā)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(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，價格日益低廉，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(tǒng)已有實際的成品發(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(jù)我們的目的而進行處理，得出想要的結(jié)果。“數(shù)字圖像”是將傳統(tǒng)照片或錄像帶模擬訊號經(jīng)取樣（sample）及數(shù)字化后達成。數(shù)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(shù)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(shù)。

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(shù)值的集合，經(jīng)由不斷的運算執(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(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(jù)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(xiàn)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(shù)據(jù)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(yù)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(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（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(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(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(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算機科技的進步，使得圖像處理的應(yīng)用范圍漸廣。

美國于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)展寬域檢測系統(tǒng)（Wide Area Detection System , WADS），其它各國如日本、法國、英國、瑞典等也已陸續(xù)投注了相當?shù)难芯浚⒂胁诲e的成績。相對于國外，國內(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)有相當程度的進步，如國內(nèi)目前相當熱門的車牌識別，有多個廠家推出了相應(yīng)的產(chǎn)品。下面將針對圖像處理技術(shù)在交通上的應(yīng)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