基于視頻的道路交通參數(shù)提取方法研究.pdf

1、由于經(jīng)濟的快速發(fā)展,各個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刻不容緩的任務。目前交通管理部門在道路上安裝的各種傳統(tǒng)交通檢測器,由于其成本高、采集交通參數(shù)單一、精度低、檢測范圍小等缺點,無法廣泛地應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)控攝像頭采集的交通視頻,對這些視頻采用計算機視覺技術進行處理和分析,自動獲取車流量、車速、車型、占道率等交通參數(shù),進一步評判道路通行狀態(tài),這已經(jīng)成為智能交通系統(tǒng)(ITS

2、)發(fā)展的一個重要方向。
　　本論文針對基于視頻的交通參數(shù)采集系統(tǒng)中的車輛檢測、車流量統(tǒng)計、車型分類、道路通行狀態(tài)評判等關鍵部分進行研究:
　　在車輛檢測部分,介紹并分析了幾種常見運動車輛檢測方法,最后選擇采用EM算法改進的GMM運動檢測算法分割出運動車輛,實驗證明該算法在各種戶外條件下都能很好的分割出運動車輛,且能夠滿足實時檢測系統(tǒng)的要求。
　　針對復雜環(huán)境下車輛檢測問題提出了相應的解決方法:通過在視頻畫面中設置ROI

3、區(qū)域,減小計算量,同時排除了非道路區(qū)域中擾動目標對后續(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,解決了強光照射條件下移動陰影影響車輛目標提取的問題;采用彩色圖像直方圖均衡化方法,在一定程度上增強雨霧及光線不足條件下拍攝視頻圖像的對比度;采用了一種基于區(qū)域特性的遮擋分割方法,解決車輛動態(tài)遮擋問題。
　　在車流量統(tǒng)計部分,采用基于Kalman濾波算法的跟蹤方法來跟蹤車輛,通過Kalman濾波器來預測下一幀中目標軌跡的位置,然

4、后在該預測位置附近進行車輛匹配,縮小搜索范圍,提高匹配速度;針對跟蹤過程中由于前景分割失敗造成目標跟蹤失敗的情況,對目標大小進行預測,更新運動模型,增強了跟蹤算法的魯棒性,最后利用跟蹤結果實現(xiàn)車流量的統(tǒng)計。
　　在車型分類部分,利用運動車輛檢測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、長寬比、緊密度等幾何特征,形成特征向量,采用BP神經(jīng)網(wǎng)絡設計車型分類器,對城市道路上的車輛進行分類。
　　在道路交