基于视频的车流量检测技术研究
基于视频的车流量检测技术研究[20191214193204]
摘要
随着社会经济的不断发展，城市道路的交通问题不断引起人们的关注,仅仅依靠人工监控车辆运行已经很难满足当前日益复杂的交通运营需要,为了顺应这种发展趋势,建立一种能实现交通信息实时检测的智能交通系统就显得尤为重要。近些年来，基于视频的车辆检测技术以其检测范围广、系统设计灵活等优点，已经成为智能交通系统领域的一个重要研究部分。
本文在查阅国内外智能交通系统基础上，围绕基于视频的车流量检测技术展开研究，实现了一个车流量智能检测系统。在研究过程中首先采用了均值滤波、中值滤波、直方图均衡化等算法完成了对图像的预处理，去除视频中的噪声同时增强了图像对比度；对于运动车辆检测，本文分析了传统的车辆检测算法，相比光流法、帧差法，背景差法的算法复杂度低且能较完整地提取出车辆，因此本文主要采用以背景差法为主的处理方法实现车辆检测；关于阴影检测与消除，本文采用了多阈值分割法解决该问题，从而提取出车辆的完整信息；跟踪车辆主要采用了基于外接矩形框的跟踪算法实现，该算法能够较准确地标记和跟踪车辆；最后通过设置虚拟线圈实现对车辆的计数，在车道设置以及周边环境并不是十分复杂的情况下，通过该算法进行车辆计数的准确度比较高。
查看完整论文请+Q: 351916072
关键字:图像预处理运动目标检测背景更新车流量检测
目录
摘要 I
ABSTRACT II
第1章 绪论 1
1.1 智能交通系统概述 1
1.2 车流量检测的背景及意义 1
1.3 国内外车流量检测现状 2
1.4 本文的系统框架 3
1.5 本文研究内容及章节安排 3
第2章 视频图像预处理及形态学操作 5
2.1 图像预处理算法 5
2.1.1 图像平滑 5
2.1.2 图像增强 9
2.1.3 图像锐化 11
2.2 形态学图像处理 12
2.2.1 膨胀与腐蚀 12
2.2.2 开操作和闭操作 14
2.3 本章小结 15
第3章 运动车辆检测 16
3.1 常用的运动目标检测算法 16
3.1.1 光流场法 16
3.1.2 帧间差分法 17
3.1.3 背景差法 18
3.2 初始背景估计 21
3.2.1 均值法 21
3.2.2 直方图统计法 22
3.2.3 卡尔曼滤波算法 24
3.3 自适应实时背景的更新 25
3.3.1 Surendra背景更新 26
3.3.1 基于帧平均背景更新 26
3.4车辆阴影的检测与消除 28
3.4.1 普通阈值分割法 29
3.4.2 多阈值分割法 30
3.5 本章小结 32
第4章 运动车辆的跟踪算法研究 33
4.1 常用的目标跟踪算法 33
4.1.1 基于区域匹配的方法 33
4.1.2 基于模型的方法 33
4.1.3 基于特征的跟踪方法 33
4.2 基于外接矩形框的车辆跟踪 34
4.3 本章小结 35
第5章 基于虚拟线圈的车辆计数 36
5.1 虚拟线圈算法流程 36
5.2设置线圈及计数原理 37
5.2.1 设置线圈 37
5.2.2 计数原理 38
5.3 实验结果与分析 38
5.4 本章小结 41
第6章 总结与展望 42
6.1 总结 42
6.2 展望 42
参考文献 44
致谢 46
附录 英文资料翻译 47
第 1 章 绪论
1.1 智能交通系统概述
智能交通系统（Intelligent Transport System，简称ITS）是将先进的信息技术、通讯技术 、控制技术 以及计算机技术 等集成运用于整个交通 运输管理体系，从而建立起的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合的运输和管理系统[1]。由于智能交通系统在解决交通问题上具有巨大的潜力，各工业国家和民营企业纷纷投入到这一新兴的产业，美国政府1991年开始投资对ITS的开发研究，仅美国高速公路安全局1993年的投资预算就达 2010 万美元它的应用范围包括机场、车站客流疏导系统、运营车辆调度管理系统 、机动车自动控制系统 等。智能交通系统主要通过人、车、路的和谐、密切配合提高交通运输 效率，缓解交通阻塞，提高路网通过能力，减少交通事故，降低能源消耗，减轻环境污染 [2]。
这个先进的有机组合的系统，如运行有序，能使驾驶员对交通况了如指掌，为交通管理者提供及时和详细的交通状况与车辆信息。提高了道路的安全性，保证了系统工作的效率，是世界经济迅速发展的必然产物 。
智能交通系统是由若干子系统所组成的，最主要的是交通信息检测系统。交通信息包括车流量、车型、车速以及道路占有率等等。通过实时检测道路交通信息，根据车流量的动态变化，实时掌握道路交通的实际运行情况并迅速做出交通诱导控制，从而减轻道路的拥挤程度，减少行车延误，降低交通事故的发生，保证行车安全，同时使得交通设施得到充分利用。因此对ITS以及交通信息检测系统的研究有着重要的意义[3]。
1.2 车流量检测的背景及意义
随着我国经济的不断进步，车辆不断增加，交通运输业也迅猛发展，与我国的道路发展缓慢相矛盾。只有大力发展智能交通系统，实行对车流量进行检测，才能解决这一矛盾。总结为以下几个方面的理由。第一，机动车辆数逐年增加；第二，处于安全性的考虑；第三，在我国，智能交通系统有着很好的发展基础。而为了能够得到交通中的一些参数，目前采取的方法是通过检测运动车辆来实现。车辆检测在智能交通系统中的地位十分重要，它是所有在公路上进行交通管理的前提，它能够很好的检测出车流量、车速等交通数据，对公路上的车辆的进出控制提供了可靠的帮助[4]。
通过车流量检测，可以从中获取实时的交通流信息，有利于交通部门随时针对路况进行调整和分流，同样这也有利于驾驶员及时得知路况信息从而选择最优的驾驶路线。车流量检测的意义可以归结为以下三点：
一，改善路面交通路况；比如当高速路上车流量很大时，交通部门可以车流量很大的路段实施分流，保证道路的畅通。
二，产生直接或者间接的经济效益；驾驶员通过实时路况的掌握选择路径最短、费时最少的路线，降低了驾车成本，同时也减少了交通事故，间接产生了经济效益。
三，减少废弃排量，减少环境污染。驾驶员缩短了行驶路径，节省能源同时减少了废弃排量，对环境污染的压力大大减小。
1.3 国内外车流量检测现状
基于视频的车流量检测技术的研究始于国外，早在20世纪70年代就有许多研究学者提出运用机器视觉来检测车辆的的方法。首先在美国加州帕萨迪纳市的喷气推进实验室进行了实验，并指出此方法是替代了传统检测方法[5]。同期，基于视频的车流量检测的研究也在日本和各欧洲国家广泛展开，并取得了初步的进展，之后世界各发达国家都相继开展这方面的研究[3]。
国内对于视频交通检测技术的研究起步比较晚，但是最近几年发展非常迅速，各大研究机构和公司纷纷投入人力物力资源进行此方面的研究，同时也有很多公司推出了属于自己的产品。国内研究的车流量检测系统由于图像处理和传输所占用的CPU资源多，数据本身容量大，系统实时性差，因此获取的交通信息不准确，产生的误差较大，只能实现交通流信息采集的基本功能，实用性不强。总的来说，相比国外，国内视频检测技术的发展落后较多。因此，基于视频的车流量检测技术是未来几年国内研究的重点和难点[3]。
综上所述，各国研究者对视频检测技术在车流检测方面的应用都做了很多研究工作并取得了一定的成果。但是由于利用视频图像获取实时交通参数的特殊复杂性，以及图像工程用于交通领域的历史不长，目前该技术仍处于不断完善之中。
1.4 系统框架
本文所设计的车流量检测系统由视频图像采集及预处理、运动车辆检测、背景更新、车辆跟踪以及车辆计数共六个模块组成，具体框架如图1.1。
1.5 论文的主要内容及章节安排
本文主要研究了车流量检测统计技术在交通参数检测系统中的应用，通过对获取的视频图像进行去噪、图像增强等预处理，然后对视频中的车辆进行运动目标检测，并实现车辆的检测和提取，最后通过虚拟线圈计数法完成对视频中车辆的计数。各章节内容安排如下：
第一章首先综述智能交通系统(ITS)的概念及发展现状以及车流量检测的背景和重要研究意义，其次探讨车流量检测技术的研究现状，最后阐述本文系统的设计框架和论文内容安排。
第二章研究视频图像预处理方法，包括去噪、平滑滤波、图像增强等；介绍形态学操作，包括腐蚀和膨胀、开运算和闭运算。
第三章研究常用的目标检测算法，包括光流法、帧差法和背景差法，通过实验仿真对三种方法进行对比，分析各自的优缺点；研究对视频帧图像进行初始背景估计的方法，主要有均值法、统计直方图法、卡尔曼滤波法等；分析几种常用的背景建模方法，采用了基于帧平均的背景建模方法实现自适应的实时背景更新，最后采用多阈值分割的方法检测并消除视频图像中车辆目标的阴影，准确提取车辆信息。
第四章研究多种目标跟踪的算法，比较各个方法的优劣，采用基于矩形框标记的车辆跟踪算法实现对运动车辆的跟踪。
第五章研究虚拟线圈技术的算法原理，给出具体实现流程，通过仿真实验实现车流量的统计，并对实验结果进行讨论。
第六章对本文所研究的内容进行了总结，并对本系统所存在的问题以及未来研究的方向作出了展望。
第2章 视频图像预处理及形态学操作
2.1 图像预处理算法
很多视频图像文件是通过摄像机进行采集，在采集过程中难免会受到各种噪声的干扰，包括外界光照、阴影的影响，也包括摄像头成像误差、系统电路失真等引起的噪声从而使采集到的视频图像信息失真，最终导致视频图像的质量下降。噪声会使图像的质量变得恶化，使得图像无法进行精确的检测与识别，从而对图像的处理工作受到较大的影响，因此在进行车流量检测算法研究之前，对视频图像进行预处理以消除噪声，使图像的质量得到保障。
2.1.1 图像平滑
图像在生成和传输过程中，往往会受到各种噪声的干扰和影响。如果对于图像噪声产生的原因并不确定的情况，通常采用图像的平滑技术。图像平滑即减弱、抑制或消除这类噪声而改善图像质量的方法。采用平滑滤波可以让图像的感观比较自然，空域中的图像平滑滤波的主要思想是求像素灰度值的均值或者是中值，而在频域中主要采用低通高阻的滤波方法。图像的平滑也叫作图像的去嗓处理，由于受摄像头位置、视频传输不稳定等因素影响，图像中会存在不同程度的噪声。图像的去噪通常采用滤波处理，而滤波可以分为频率滤波和空间滤波。频率域滤波是指采用傅里叶变换将图像从空间域变换到频率域进行处理，过程比较复杂，不适合处理视频图像，而空间域滤波直接对图像像素灰度值进行操作，过程简单，运算速度较快，因此本文主要采用空间滤波的方法，下面介绍几种常用的图像平滑的方法。
（1）邻域平均法
图像中的大部分噪声是随机噪声，而噪声对某一像素点造成的影响可以认为是孤立的。所以，噪声点与该像素点的邻近各点相比，其灰度值会有显著的不同。基于这一理论，可以采用邻域平均法，来判定图像中每一像素点是否含有噪声，并选择合适的方法消除该噪声。
邻域平均法的定义：对含噪图像 的每一个像素点取一邻域S，用S中所包含的像素的灰度平均值来代替该点的灰度值。
即：
（2.1）
式中S为不包括本点 的邻域中各像素点的集合；N为S中像素的个数。常用的邻域为4-邻域和8-邻域，它们的计算公式如下：
4-邻域平均： （2.2）
8-邻域平均： （2.3）
（a）原图 （b）加椒盐噪声
摘要
随着社会经济的不断发展，城市道路的交通问题不断引起人们的关注,仅仅依靠人工监控车辆运行已经很难满足当前日益复杂的交通运营需要,为了顺应这种发展趋势,建立一种能实现交通信息实时检测的智能交通系统就显得尤为重要。近些年来，基于视频的车辆检测技术以其检测范围广、系统设计灵活等优点，已经成为智能交通系统领域的一个重要研究部分。
本文在查阅国内外智能交通系统基础上，围绕基于视频的车流量检测技术展开研究，实现了一个车流量智能检测系统。在研究过程中首先采用了均值滤波、中值滤波、直方图均衡化等算法完成了对图像的预处理，去除视频中的噪声同时增强了图像对比度；对于运动车辆检测，本文分析了传统的车辆检测算法，相比光流法、帧差法，背景差法的算法复杂度低且能较完整地提取出车辆，因此本文主要采用以背景差法为主的处理方法实现车辆检测；关于阴影检测与消除，本文采用了多阈值分割法解决该问题，从而提取出车辆的完整信息；跟踪车辆主要采用了基于外接矩形框的跟踪算法实现，该算法能够较准确地标记和跟踪车辆；最后通过设置虚拟线圈实现对车辆的计数，在车道设置以及周边环境并不是十分复杂的情况下，通过该算法进行车辆计数的准确度比较高。
查看完整论文请+Q: 351916072
关键字:图像预处理运动目标检测背景更新车流量检测
目录
摘要 I
ABSTRACT II
第1章 绪论 1
1.1 智能交通系统概述 1
1.2 车流量检测的背景及意义 1
1.3 国内外车流量检测现状 2
1.4 本文的系统框架 3
1.5 本文研究内容及章节安排 3
第2章 视频图像预处理及形态学操作 5
2.1 图像预处理算法 5
2.1.1 图像平滑 5
2.1.2 图像增强 9
2.1.3 图像锐化 11
2.2 形态学图像处理 12
2.2.1 膨胀与腐蚀 12
2.2.2 开操作和闭操作 14
2.3 本章小结 15
第3章 运动车辆检测 16
3.1 常用的运动目标检测算法 16
3.1.1 光流场法 16
3.1.2 帧间差分法 17
3.1.3 背景差法 18
3.2 初始背景估计 21
3.2.1 均值法 21
3.2.2 直方图统计法 22
3.2.3 卡尔曼滤波算法 24
3.3 自适应实时背景的更新 25
3.3.1 Surendra背景更新 26
3.3.1 基于帧平均背景更新 26
3.4车辆阴影的检测与消除 28
3.4.1 普通阈值分割法 29
3.4.2 多阈值分割法 30
3.5 本章小结 32
第4章 运动车辆的跟踪算法研究 33
4.1 常用的目标跟踪算法 33
4.1.1 基于区域匹配的方法 33
4.1.2 基于模型的方法 33
4.1.3 基于特征的跟踪方法 33
4.2 基于外接矩形框的车辆跟踪 34
4.3 本章小结 35
第5章 基于虚拟线圈的车辆计数 36
5.1 虚拟线圈算法流程 36
5.2设置线圈及计数原理 37
5.2.1 设置线圈 37
5.2.2 计数原理 38
5.3 实验结果与分析 38
5.4 本章小结 41
第6章 总结与展望 42
6.1 总结 42
6.2 展望 42
参考文献 44
致谢 46
附录 英文资料翻译 47
第 1 章 绪论
1.1 智能交通系统概述
智能交通系统（Intelligent Transport System，简称ITS）是将先进的信息技术
这个先进的有机组合的系统，如运行有序，能使驾驶员对交通况了如指掌，为交通管理者提供及时和详细的交通状况与车辆信息。提高了道路的安全性，保证了系统工作的效率，是世界经济迅速发展的必然产物 。
智能交通系统是由若干子系统所组成的，最主要的是交通信息检测系统。交通信息包括车流量、车型、车速以及道路占有率等等。通过实时检测道路交通信息，根据车流量的动态变化，实时掌握道路交通的实际运行情况并迅速做出交通诱导控制，从而减轻道路的拥挤程度，减少行车延误，降低交通事故的发生，保证行车安全，同时使得交通设施得到充分利用。因此对ITS以及交通信息检测系统的研究有着重要的意义[3]。
1.2 车流量检测的背景及意义
随着我国经济的不断进步，车辆不断增加，交通运输业也迅猛发展，与我国的道路发展缓慢相矛盾。只有大力发展智能交通系统，实行对车流量进行检测，才能解决这一矛盾。总结为以下几个方面的理由。第一，机动车辆数逐年增加；第二，处于安全性的考虑；第三，在我国，智能交通系统有着很好的发展基础。而为了能够得到交通中的一些参数，目前采取的方法是通过检测运动车辆来实现。车辆检测在智能交通系统中的地位十分重要，它是所有在公路上进行交通管理的前提，它能够很好的检测出车流量、车速等交通数据，对公路上的车辆的进出控制提供了可靠的帮助[4]。
通过车流量检测，可以从中获取实时的交通流信息，有利于交通部门随时针对路况进行调整和分流，同样这也有利于驾驶员及时得知路况信息从而选择最优的驾驶路线。车流量检测的意义可以归结为以下三点：
一，改善路面交通路况；比如当高速路上车流量很大时，交通部门可以车流量很大的路段实施分流，保证道路的畅通。
二，产生直接或者间接的经济效益；驾驶员通过实时路况的掌握选择路径最短、费时最少的路线，降低了驾车成本，同时也减少了交通事故，间接产生了经济效益。
三，减少废弃排量，减少环境污染。驾驶员缩短了行驶路径，节省能源同时减少了废弃排量，对环境污染的压力大大减小。
1.3 国内外车流量检测现状
基于视频的车流量检测技术的研究始于国外，早在20世纪70年代就有许多研究学者提出运用机器视觉来检测车辆的的方法。首先在美国加州帕萨迪纳市的喷气推进实验室进行了实验，并指出此方法是替代了传统检测方法[5]。同期，基于视频的车流量检测的研究也在日本和各欧洲国家广泛展开，并取得了初步的进展，之后世界各发达国家都相继开展这方面的研究[3]。
国内对于视频交通检测技术的研究起步比较晚，但是最近几年发展非常迅速，各大研究机构和公司纷纷投入人力物力资源进行此方面的研究，同时也有很多公司推出了属于自己的产品。国内研究的车流量检测系统由于图像处理和传输所占用的CPU资源多，数据本身容量大，系统实时性差，因此获取的交通信息不准确，产生的误差较大，只能实现交通流信息采集的基本功能，实用性不强。总的来说，相比国外，国内视频检测技术的发展落后较多。因此，基于视频的车流量检测技术是未来几年国内研究的重点和难点[3]。
综上所述，各国研究者对视频检测技术在车流检测方面的应用都做了很多研究工作并取得了一定的成果。但是由于利用视频图像获取实时交通参数的特殊复杂性，以及图像工程用于交通领域的历史不长，目前该技术仍处于不断完善之中。
1.4 系统框架
本文所设计的车流量检测系统由视频图像采集及预处理、运动车辆检测、背景更新、车辆跟踪以及车辆计数共六个模块组成，具体框架如图1.1。
1.5 论文的主要内容及章节安排
本文主要研究了车流量检测统计技术在交通参数检测系统中的应用，通过对获取的视频图像进行去噪、图像增强等预处理，然后对视频中的车辆进行运动目标检测，并实现车辆的检测和提取，最后通过虚拟线圈计数法完成对视频中车辆的计数。各章节内容安排如下：
第一章首先综述智能交通系统(ITS)的概念及发展现状以及车流量检测的背景和重要研究意义，其次探讨车流量检测技术的研究现状，最后阐述本文系统的设计框架和论文内容安排。
第二章研究视频图像预处理方法，包括去噪、平滑滤波、图像增强等；介绍形态学操作，包括腐蚀和膨胀、开运算和闭运算。
第三章研究常用的目标检测算法，包括光流法、帧差法和背景差法，通过实验仿真对三种方法进行对比，分析各自的优缺点；研究对视频帧图像进行初始背景估计的方法，主要有均值法、统计直方图法、卡尔曼滤波法等；分析几种常用的背景建模方法，采用了基于帧平均的背景建模方法实现自适应的实时背景更新，最后采用多阈值分割的方法检测并消除视频图像中车辆目标的阴影，准确提取车辆信息。
第四章研究多种目标跟踪的算法，比较各个方法的优劣，采用基于矩形框标记的车辆跟踪算法实现对运动车辆的跟踪。
第五章研究虚拟线圈技术的算法原理，给出具体实现流程，通过仿真实验实现车流量的统计，并对实验结果进行讨论。
第六章对本文所研究的内容进行了总结，并对本系统所存在的问题以及未来研究的方向作出了展望。
第2章 视频图像预处理及形态学操作
2.1 图像预处理算法
很多视频图像文件是通过摄像机进行采集，在采集过程中难免会受到各种噪声的干扰，包括外界光照、阴影的影响，也包括摄像头成像误差、系统电路失真等引起的噪声从而使采集到的视频图像信息失真，最终导致视频图像的质量下降。噪声会使图像的质量变得恶化，使得图像无法进行精确的检测与识别，从而对图像的处理工作受到较大的影响，因此在进行车流量检测算法研究之前，对视频图像进行预处理以消除噪声，使图像的质量得到保障。
2.1.1 图像平滑
图像在生成和传输过程中，往往会受到各种噪声的干扰和影响。如果对于图像噪声产生的原因并不确定的情况，通常采用图像的平滑技术。图像平滑即减弱、抑制或消除这类噪声而改善图像质量的方法。采用平滑滤波可以让图像的感观比较自然，空域中的图像平滑滤波的主要思想是求像素灰度值的均值或者是中值，而在频域中主要采用低通高阻的滤波方法。图像的平滑也叫作图像的去嗓处理，由于受摄像头位置、视频传输不稳定等因素影响，图像中会存在不同程度的噪声。图像的去噪通常采用滤波处理，而滤波可以分为频率滤波和空间滤波。频率域滤波是指采用傅里叶变换将图像从空间域变换到频率域进行处理，过程比较复杂，不适合处理视频图像，而空间域滤波直接对图像像素灰度值进行操作，过程简单，运算速度较快，因此本文主要采用空间滤波的方法，下面介绍几种常用的图像平滑的方法。
（1）邻域平均法
图像中的大部分噪声是随机噪声，而噪声对某一像素点造成的影响可以认为是孤立的。所以，噪声点与该像素点的邻近各点相比，其灰度值会有显著的不同。基于这一理论，可以采用邻域平均法，来判定图像中每一像素点是否含有噪声，并选择合适的方法消除该噪声。
邻域平均法的定义：对含噪图像 的每一个像素点取一邻域S，用S中所包含的像素的灰度平均值来代替该点的灰度值。
即：
（2.1）
式中S为不包括本点 的邻域中各像素点的集合；N为S中像素的个数。常用的邻域为4-邻域和8-邻域，它们的计算公式如下：
4-邻域平均： （2.2）
8-邻域平均： （2.3）
（a）原图 （b）加椒盐噪声
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2480.html
