交通管理中車輛流量統(tǒng)計(jì)系統(tǒng)的設(shè)計(jì)開(kāi)題報(bào)告文獻(xiàn)綜述

1、交通管理中車輛流量統(tǒng)計(jì)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)文獻(xiàn)綜述、八刖言隨著現(xiàn)代經(jīng)濟(jì)的高速發(fā)展，交通運(yùn)輸?shù)谋Ｕ暇惋@得尤其重要，對(duì)交通管理的要求也越來(lái)越高， 將計(jì)算機(jī)科學(xué)與通信等高新技術(shù)運(yùn)用于交通監(jiān)控管理與車輛控制，以保障交通順暢及行車安 全，從而改善環(huán)境質(zhì)量，促進(jìn)經(jīng)濟(jì)發(fā)展的智能交通系統(tǒng)ITS（Intelligent traffic system）也隨之應(yīng) 運(yùn)而生123。其中交通管理中車輛流量統(tǒng)計(jì)是智能交通系統(tǒng)需要考慮的重要技術(shù)與信息之一。它為智能控 制提供重要的數(shù)據(jù)來(lái)源，作為ITS的基礎(chǔ)部分，車輛流量統(tǒng)計(jì)系統(tǒng)在ITS中占有很重要的地 位?；谝曨l的車輛流量統(tǒng)計(jì)系統(tǒng)適應(yīng)性強(qiáng)且容易維護(hù)，目前已廣泛的應(yīng)用于智能交通監(jiān)

2、控 系統(tǒng)中4?；谝曨l的車輛流量統(tǒng)計(jì)系統(tǒng)作為最有前途的方法之一，有以下優(yōu)點(diǎn)5： （1）能夠提供高質(zhì) 量的圖像信息，能高效、準(zhǔn)確、安全可靠地完成道路交通的監(jiān)視和統(tǒng)計(jì)工作。（2）安裝視頻 攝像機(jī)破壞性低、方便、經(jīng)濟(jì)?，F(xiàn)在我國(guó)許多城市已經(jīng)安裝了視頻攝像機(jī)，用于交通監(jiān)視和 統(tǒng)計(jì)。（3）由計(jì)算機(jī)視覺(jué)得到的交通信息便于聯(lián)網(wǎng)工作，有利于實(shí)現(xiàn)道路交通網(wǎng)的監(jiān)視和統(tǒng) 計(jì)。（4）隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的發(fā)展，滿足了系統(tǒng)實(shí)時(shí)性、安全性和可靠性的要 求。本課題將對(duì)基于視頻的交通管理中車輛流量統(tǒng)計(jì)系統(tǒng)進(jìn)行研究。國(guó)內(nèi)外的研究現(xiàn)狀和發(fā)展趨勢(shì)2.1基于視頻的車輛檢測(cè)國(guó)外發(fā)展?fàn)顩r國(guó)外許多學(xué)者對(duì)交通車輛檢測(cè)技術(shù)做了大量相關(guān)研

3、究，其中包括判斷有沒(méi)有車輛的到來(lái)、車 輛流量的大小、車速的快慢以及車輛牌照的識(shí)別等，這些參數(shù)的分析涉及到運(yùn)動(dòng)目標(biāo)跟蹤、 模式識(shí)別、數(shù)據(jù)挖掘、網(wǎng)絡(luò)技術(shù)6等領(lǐng)域，這方面的難點(diǎn)很多，要做到完全自動(dòng)化而不需 要人工干預(yù)很難，特別是視頻圖像處理和識(shí)別是技術(shù)上的難點(diǎn)，世界各國(guó)的學(xué)者為此做了大 量的工作，也取得了不少的成果。1997年Biran Carlson提出了一種實(shí)時(shí)檢測(cè)交通流參數(shù)的 方法7，并將其應(yīng)用于明尼蘇達(dá)州立大學(xué)開(kāi)發(fā)的Auto scope商業(yè)系統(tǒng)中，系統(tǒng)中應(yīng)用數(shù)字 圖像處理技術(shù)來(lái)檢測(cè)車輛、對(duì)車輛計(jì)數(shù)、獲得車速、判斷車輛是否出現(xiàn)等交通流參數(shù)。在由 攝像機(jī)拍攝得到的道路視頻中設(shè)置虛擬傳感器，每個(gè)虛

4、擬傳感器針對(duì)道路圖像中的一小窗口 進(jìn)行操作，虛擬傳感器狀態(tài)可以是有車或無(wú)車中的一種狀態(tài)，通過(guò)幀差的方法和在潮濕道路 上檢測(cè)陰影和反射的方法確定傳感器的狀態(tài)，通過(guò)監(jiān)視和控制一個(gè)或多個(gè)傳感器的狀態(tài)，可 以對(duì)車輛進(jìn)行計(jì)數(shù)、測(cè)量車速、車長(zhǎng)、流量、車道占有率和車頭時(shí)距等一系列信息。2001年，F(xiàn)ung GS.K等人提出基于三維數(shù)據(jù)的車輛識(shí)別思想89，對(duì)以往基于二維圖像數(shù)據(jù) 的識(shí)別方法進(jìn)行了較大的改進(jìn)，利用交通車輛圖像序列，在三維的數(shù)據(jù)集上對(duì)車輛進(jìn)行檢測(cè)。 通過(guò)給定的車輛圖像和攝像機(jī)參數(shù)，車輛的形狀可以由四個(gè)步驟來(lái)近似估計(jì)。第一步在兩個(gè) 連續(xù)幀之間提取特征點(diǎn)，第二步是進(jìn)行特征點(diǎn)的運(yùn)動(dòng)估計(jì)，第三步是運(yùn)動(dòng)矢量

5、特征點(diǎn)的高度 估計(jì)，第四步是基于特征點(diǎn)高度的三維形狀估計(jì)。2.2基于視頻的車輛檢測(cè)國(guó)內(nèi)發(fā)展?fàn)顩r隨著視頻交通檢測(cè)技術(shù)的發(fā)展，國(guó)內(nèi)的科研人員也不斷提出了很多用于車輛檢測(cè)的新理論和 新技術(shù)。近年來(lái)，很多國(guó)內(nèi)視頻車輛檢測(cè)技術(shù)已經(jīng)應(yīng)用在城市交通路口監(jiān)測(cè)和高速公路車速 測(cè)量等方面。國(guó)內(nèi)也有很多機(jī)構(gòu)長(zhǎng)期從事視頻車輛檢測(cè)技術(shù)的研究，對(duì)車輛檢測(cè)中的車輛計(jì) 數(shù)、分類和測(cè)速等基本交通參數(shù)的提取都進(jìn)行了大量的研究工作。車輛檢測(cè)中常用的圖像處 理方法有灰度差法，背景差法1011，幀差法，邊緣檢測(cè)法等，針對(duì)各方法自身的特點(diǎn)，結(jié)合所要解決的問(wèn)題國(guó)內(nèi)學(xué)者提出了一些新方法。上海交通大學(xué)自動(dòng)化系王春波等人在研究復(fù)雜的交通環(huán)境中檢

6、測(cè)行駛車輛時(shí)，提出了一種新 方法。用序列圖像中連續(xù)三幀圖像的差分化分出運(yùn)動(dòng)區(qū)域1213，并用一種基于圖論的靜 止分割產(chǎn)生的區(qū)域信息來(lái)修正運(yùn)動(dòng)分割的結(jié)果。并設(shè)計(jì)了一個(gè)模板來(lái)增強(qiáng)圖像區(qū)域間的對(duì)比 度，以改進(jìn)分割效果。在研究中發(fā)現(xiàn)光照對(duì)檢測(cè)效果有很大影響。基于視頻的車輛檢測(cè)與跟蹤方法的準(zhǔn)確性受環(huán)境因素影響很大，其中車輛的運(yùn)動(dòng)陰影和車輛 間的遮擋是兩個(gè)重要因素。采用背景差法1011進(jìn)行運(yùn)動(dòng)對(duì)象分割，并結(jié)合運(yùn)動(dòng)邊緣檢測(cè) 以提高檢測(cè)的準(zhǔn)確性，對(duì)提取出的感興趣區(qū)域按一定規(guī)則進(jìn)行區(qū)域融和以檢測(cè)車輛。該方法 能有效解決車輛遮擋和陰影問(wèn)題，實(shí)時(shí)提取交通信息。2.3智能交通檢測(cè)系統(tǒng)的發(fā)展趨勢(shì)視頻的圖像處理有其突出的

7、優(yōu)點(diǎn)，表現(xiàn)在：獲取信息的手段相對(duì)簡(jiǎn)單方便，并可以獲得非常 巨大的日標(biāo)信息，是其它處理手段所無(wú)法比擬的；測(cè)帚精度高，抗干擾能力強(qiáng)，使用先進(jìn)的 數(shù)字圖像處理技術(shù)，可以消除許多自然及人為干擾;運(yùn)用預(yù)測(cè)技術(shù)可以實(shí)現(xiàn)記憶跟蹤以及對(duì) 瞬問(wèn)丟失目標(biāo)的再捕獲。常用的基于視頻的車輛檢測(cè)方法有:灰度比較法、幀差法、背景差法、邊緣檢測(cè)法?；叶缺?較法采用對(duì)路面和車輛的灰度統(tǒng)計(jì)值來(lái)檢測(cè)車輛1415，它對(duì)環(huán)境光線的變化十分敏感。 背景差法計(jì)算當(dāng)前輸入幀與背景圖像的差值，以提取車輛，但背景圖像需實(shí)時(shí)刷新。邊緣檢測(cè) 法能夠在不同的光線條件下檢測(cè)到車輛的邊緣1617。然而，當(dāng)車輛色彩較暗或位于陰影中， 使車輛邊緣模糊，則可能

8、引起漏檢。傳統(tǒng)的幀差法是將相鄰兩幀相減按車道開(kāi)固定窗口對(duì)保 留的運(yùn)動(dòng)車輛信息進(jìn)行檢測(cè)。該方法常因車輛換道或相鄰車道的車輛部分覆蓋了被檢測(cè)車道 檢測(cè)窗而引起誤檢。背景差分算法是一種基于視頻流的運(yùn)動(dòng)檢測(cè)技術(shù)，是一種結(jié)合數(shù)字圖像 處理和模式識(shí)別的技術(shù)，其效率高、發(fā)成本低、檢測(cè)準(zhǔn)確率高；隨著計(jì)算機(jī)技術(shù)和多媒體技 術(shù)的迅速發(fā)展，自動(dòng)控制和多媒體技術(shù)的融入，其使用范圍將越來(lái)越廣泛。相關(guān)技術(shù)介紹本設(shè)計(jì)以VC+為開(kāi)發(fā)平臺(tái)，利用OpenCV視覺(jué)庫(kù)181920，采用基于背景差分法和運(yùn)動(dòng)目 標(biāo)質(zhì)心跟蹤算法，通過(guò)開(kāi)發(fā)車流量計(jì)數(shù)系統(tǒng)MFC界面，實(shí)現(xiàn)對(duì)視頻中車輛的檢測(cè)，跟蹤和 計(jì)數(shù)功能。OpenCV(Open sourc

9、e Computer Vision library)是Intel公司開(kāi)發(fā)的圖像處理和計(jì)算機(jī)視覺(jué)開(kāi)放 源碼庫(kù)，它由一系列的C函數(shù)和C+類組成，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺(jué)方面的很多通用 算法。OpenCV主要用于對(duì)圖像進(jìn)行一些高級(jí)處理21，如特征檢測(cè)與跟蹤、運(yùn)動(dòng)分析、目標(biāo)分割 與識(shí)別以及3D重建等。由于OpenCV源代碼完全開(kāi)放，而且源代碼的編寫(xiě)簡(jiǎn)潔而高效，且 代碼執(zhí)行效率高，所以近年來(lái)在國(guó)外的圖像處理相關(guān)領(lǐng)域中被廣泛地使用，成為一種流行的 圖像處理軟件包。背景差分法1011 是指用當(dāng)前幀減去背景圖，得到前景圖，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)物體的提取。采用 圖像序列中的當(dāng)前幀和背景參考模型比較來(lái)檢測(cè)運(yùn)動(dòng)物體的一種方

10、法，其性能依賴于所使用 的背景建模技術(shù)。背景差分法檢測(cè)運(yùn)動(dòng)目標(biāo)速度快1011，檢測(cè)準(zhǔn)確，易于實(shí)現(xiàn)，其關(guān)鍵是背景圖像的獲取。 在實(shí)際應(yīng)用中，靜止背景是不易直接獲得的，同時(shí)，由于背景圖像的動(dòng)態(tài)變化，需要通過(guò)視 頻序列的幀間信息來(lái)估計(jì)和恢復(fù)背景，即背景重建，所以要選擇性的更新背景?？偨Y(jié)本課題將對(duì)基于視頻圖像的交通管理中車輛流量統(tǒng)計(jì)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)進(jìn)行研究。主要是構(gòu) 建一個(gè)視頻采集與信號(hào)處理、車流量統(tǒng)計(jì)的識(shí)別系統(tǒng)22；通過(guò)攝像機(jī)進(jìn)行視頻信號(hào)采集， 進(jìn)行信號(hào)處理，提取以幀為單位的圖像，對(duì)圖像進(jìn)行邊緣特征提取，勾畫(huà)車輛的幾何特征， 設(shè)計(jì)車輛的輪廓構(gòu)造算子，勾勒車輛的輪廓特征和典型特征；建立車輛的輪廓特征和

11、典型特 征的樣本庫(kù)；構(gòu)造車輛的幾何特征和樣本幾何特征匹配算法，利用統(tǒng)計(jì)規(guī)律進(jìn)行數(shù)量統(tǒng)計(jì)。 本設(shè)計(jì)利用OpenCV視覺(jué)庫(kù)，采用基于背景差分法和運(yùn)動(dòng)目標(biāo)質(zhì)心跟蹤算法23,通過(guò)開(kāi)發(fā) 車流量計(jì)數(shù)系統(tǒng)MFC界面，實(shí)現(xiàn)對(duì)視頻中車輛的檢測(cè)，跟蹤和計(jì)數(shù)功能。希望自己通過(guò)運(yùn) 用已學(xué)過(guò)的和新學(xué)習(xí)的知識(shí)把這個(gè)課題圓滿完成。參考文獻(xiàn)陸化普，李瑞敏，朱茵編著.智能交通系統(tǒng)概論M.中國(guó)鐵道出版社,2004張洋.智能交通系統(tǒng)中視頻車輛檢測(cè)盒跟蹤技術(shù)的研究D.湖南大學(xué)，2013David G.Lowe. Distinctive Image Features from Scale-Invariant KeypointsJ. I

12、nternational Journal of Computer Vision, 2004, 60(2): 91-110 顧晶.基于計(jì)算機(jī)視覺(jué)的智能交通監(jiān)控系統(tǒng)的研究D.東南大學(xué),2006Michael Kass,Andrew Witkin,Demetri Terzopoulos. Snakes: Active contour modelsJ. International Journal of Computer Vision ,1988 ,1(4): 321-331楊學(xué)超.運(yùn)動(dòng)目標(biāo)檢測(cè)與統(tǒng)計(jì)D.北方工業(yè)大學(xué),2007YingLi Tian,Andrew Senior,Max Lu. Robus

13、t and efficient foreground analysis in complex surveillance videosJ. Machine Vision and Applications, 2012, 23(5):967-983Daniel Scharstein,Richard Szeliski. A Taxonomy and Evaluation of Dense Two-Frame Stereo Correspondence AlgorithmsJ. International Journal of Computer Vision, 2002, 47(1):7-42曹治錦.基

14、于視頻的車輛檢測(cè)和車型識(shí)別D.浙江大學(xué),2004劉懷強(qiáng).基于視頻的車輛檢測(cè)與跟蹤技術(shù)研究D.中國(guó)海洋大學(xué),2006李躍發(fā).基于視頻的車輛檢測(cè)與跟蹤技術(shù)研究D.西安電子科技大學(xué),2007王春波，張衛(wèi)東等.復(fù)雜交通環(huán)境中車輛的視覺(jué)檢測(cè)J.上海交通大學(xué)學(xué)報(bào)， 2000(12):1680-1686Marie-Pierre Dubuisson,Anil K.Jain.Contour extraction of moving objects incomplex outdoor scenesJ. International Journal of Computer Vision, 1995,14(1):83-105崔雨勇.智能交通監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究D.華中科技大學(xué),2012ZhongxinLiu,ZengqiangChen,ZhuzhiYuan.Event-triggeredaverage-consensus of multi-agent systems with weighted and direct topologyJ. Journal of Systems Science and Complexity, 2012, 25(5):845-855劉相瑩.智能交通中的車輛檢測(cè)技術(shù)及其發(fā)展J.科技信息(學(xué)術(shù)研究), 200