基于視頻的道路交通參數(shù)提取方法研究.pdf

1、由于經(jīng)濟(jì)的快速發(fā)展,各個(gè)城市的汽車擁有量不斷增加,如何解決由此帶來的交通擁堵問題是一項(xiàng)刻不容緩的任務(wù)。目前交通管理部門在道路上安裝的各種傳統(tǒng)交通檢測(cè)器,由于其成本高、采集交通參數(shù)單一、精度低、檢測(cè)范圍小等缺點(diǎn),無法廣泛地應(yīng)用到交通控制管理中。利用現(xiàn)有的安裝在各條道路上的監(jiān)控?cái)z像頭采集的交通視頻,對(duì)這些視頻采用計(jì)算機(jī)視覺技術(shù)進(jìn)行處理和分析,自動(dòng)獲取車流量、車速、車型、占道率等交通參數(shù),進(jìn)一步評(píng)判道路通行狀態(tài),這已經(jīng)成為智能交通系統(tǒng)(ITS

2、)發(fā)展的一個(gè)重要方向。
　　本論文針對(duì)基于視頻的交通參數(shù)采集系統(tǒng)中的車輛檢測(cè)、車流量統(tǒng)計(jì)、車型分類、道路通行狀態(tài)評(píng)判等關(guān)鍵部分進(jìn)行研究:
　　在車輛檢測(cè)部分,介紹并分析了幾種常見運(yùn)動(dòng)車輛檢測(cè)方法,最后選擇采用EM算法改進(jìn)的GMM運(yùn)動(dòng)檢測(cè)算法分割出運(yùn)動(dòng)車輛,實(shí)驗(yàn)證明該算法在各種戶外條件下都能很好的分割出運(yùn)動(dòng)車輛,且能夠滿足實(shí)時(shí)檢測(cè)系統(tǒng)的要求。
　　針對(duì)復(fù)雜環(huán)境下車輛檢測(cè)問題提出了相應(yīng)的解決方法:通過在視頻畫面中設(shè)置ROI

3、區(qū)域,減小計(jì)算量,同時(shí)排除了非道路區(qū)域中擾動(dòng)目標(biāo)對(duì)后續(xù)跟蹤處理的干擾;采用一種融合邊緣特征的陰影消除方法,解決了強(qiáng)光照射條件下移動(dòng)陰影影響車輛目標(biāo)提取的問題;采用彩色圖像直方圖均衡化方法,在一定程度上增強(qiáng)雨霧及光線不足條件下拍攝視頻圖像的對(duì)比度;采用了一種基于區(qū)域特性的遮擋分割方法,解決車輛動(dòng)態(tài)遮擋問題。
　　在車流量統(tǒng)計(jì)部分,采用基于Kalman濾波算法的跟蹤方法來跟蹤車輛,通過Kalman濾波器來預(yù)測(cè)下一幀中目標(biāo)軌跡的位置,然

4、后在該預(yù)測(cè)位置附近進(jìn)行車輛匹配,縮小搜索范圍,提高匹配速度;針對(duì)跟蹤過程中由于前景分割失敗造成目標(biāo)跟蹤失敗的情況,對(duì)目標(biāo)大小進(jìn)行預(yù)測(cè),更新運(yùn)動(dòng)模型,增強(qiáng)了跟蹤算法的魯棒性,最后利用跟蹤結(jié)果實(shí)現(xiàn)車流量的統(tǒng)計(jì)。
　　在車型分類部分,利用運(yùn)動(dòng)車輛檢測(cè)的方法得到的二值車輛前景圖像,提取前景區(qū)域的重心位置、面積、輪廓周長(zhǎng)、長(zhǎng)寬比、緊密度等幾何特征,形成特征向量,采用BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)車型分類器,對(duì)城市道路上的車輛進(jìn)行分類。
　　在道路交