基于視頻的交通路口車輛計(jì)算研究答辯PPT

基于視頻的交通路口車輛計(jì)算研究LOGO2023/10/5Content目錄1選題目的2主題內(nèi)容3解決方法4實(shí)驗(yàn)分析5總結(jié)展望LOGO2023/10/5LOGO選題目的2023/10/5LOGO功能：智能調(diào)節(jié)紅綠燈時(shí)長(zhǎng)

根據(jù)十字路口各方向的車流量，自動(dòng)調(diào)節(jié)紅綠燈時(shí)長(zhǎng)，盡可能使總體等待時(shí)間最短。依據(jù)：路口的交通狀況信息

諸如車流量、車流密度、車道占有率等交通信息，作為信號(hào)燈控制的依據(jù)。意義：提高路網(wǎng)通行效率

提高路網(wǎng)通行效率，減少車流總體等待時(shí)長(zhǎng)，從而降低能源消耗，減輕環(huán)境污染。實(shí)現(xiàn)交通信號(hào)燈的智能控制2023/10/5LOGO路口交通信息的采集方法01基于物理線圈的交通信息采集方法優(yōu)點(diǎn)：車輛檢測(cè)精度較高。缺點(diǎn)：安裝維護(hù)困難，必須破壞路面、中斷交通，且無(wú)法解決車輛改道問(wèn)題?；谝曨l的車輛目標(biāo)檢測(cè)的交通信息采集方法優(yōu)點(diǎn)：除了具備基于視頻虛擬線圈的優(yōu)點(diǎn)外，還解決了車輛改道問(wèn)題。缺點(diǎn)：無(wú)法解決車輛相互遮擋問(wèn)題。基于視頻虛擬線圈的交通信息采集方法優(yōu)點(diǎn)：安裝維護(hù)簡(jiǎn)單，克服了物理線圈壽命短、不易維護(hù)等缺點(diǎn)。缺點(diǎn)：無(wú)法解決車輛改道與遮擋問(wèn)題。02032023/10/5LOGO主題內(nèi)容2023/10/5LOGO03Method

車輛計(jì)算01HOW

02車輛目標(biāo)檢測(cè)車輛分割開始結(jié)束2023/10/5光源漸變、樹枝晃動(dòng)、攝像機(jī)抖動(dòng)影響；街道上行人、自行車或電動(dòng)車、霓虹燈等非路面背景目標(biāo)干擾。陰影的顏色特征與灰黑色車輛顏色特征相似，且車輛陰影具有與車輛一樣運(yùn)動(dòng)特征，這就容易造成陰影的誤分類。靜態(tài)車輛目標(biāo)是指車輛在靜止一段時(shí)間之后，將與車道背景紋理相融合，易將靜態(tài)車輛目標(biāo)誤認(rèn)為背景，而造成誤檢測(cè)。由于是對(duì)視頻圖像信息的處理，因此信息量巨大，如保證高性能，將影響算法的實(shí)時(shí)性，不利于實(shí)際應(yīng)用。動(dòng)態(tài)背景干擾陰影抑制實(shí)時(shí)性靜態(tài)車輛目標(biāo)檢測(cè)01020304車輛檢測(cè)需要解決的問(wèn)題LOGO2023/10/5LOGO解決方法2023/10/5路面ROI分割顏色特征建模車輛目標(biāo)與路面背景像素分類車輛目標(biāo)分割LOGO2023/10/5LOGO路面ROI分割1.什么是ROI區(qū)域？2.如何分割出路面ROI區(qū)域？2023/10/501LOGO路面ROI分割輸入圖像Canny邊緣圖像Hough直線檢測(cè)結(jié)果冗余直線過(guò)濾結(jié)果路面ROI分割結(jié)果手動(dòng)分割結(jié)果02030506042023/10/5顏色特征建模

我們對(duì)N幅城市交通場(chǎng)景的路面或車輛顏色的在RGB顏色空間的分布分析發(fā)現(xiàn)，路面顏色總是以某條軸線為中心聚集起來(lái)，呈圓柱體狀。LOGORGB顏色空間2023/10/5顏色特征建模

如果我們將路面顏色投影到正交于這條軸線的平面上，那么路面顏色在這個(gè)平面將會(huì)匯聚在一個(gè)較小的區(qū)域。LOGOST顏色空間2023/10/5顏色特征建模

如果我們將路面顏色投影到正交于這條軸線的平面上，那么路面顏色在這個(gè)平面將會(huì)匯聚在一個(gè)較小的區(qū)域。LOGOUV顏色空間2023/10/5顏色特征建模

如果我們將路面顏色投影到正交于這條軸線的平面上，那么路面顏色在這個(gè)平面將會(huì)匯聚在一個(gè)較小的區(qū)域。LOGORM顏色空間2023/10/5顏色特征建模

如果我們將路面顏色投影到正交于這條軸線的平面上，那么路面顏色在這個(gè)平面將會(huì)匯聚在一個(gè)較小的區(qū)域。RGB顏色空間0102ST顏色空間UV顏色空間03RM顏色空間04LOGO2023/10/5像素點(diǎn)屬于路面背景的概率像素點(diǎn)屬于車輛目標(biāo)的概率VSLOGO車輛目標(biāo)與路面背景像素分類已知像素點(diǎn)屬于某類別的先驗(yàn)概率，那么根據(jù)貝葉斯公式可計(jì)算出其后驗(yàn)概率，即該像素點(diǎn)屬于車輛或者路面的概率。因此我們可以選擇具有最大后驗(yàn)概率的類作為該像素點(diǎn)所屬的類。貝葉斯分類器2023/10/5目標(biāo)分割圖像二值標(biāo)注圖像合成圖像LOGO車輛目標(biāo)分割2023/10/5LOGO

將二值標(biāo)注圖像映射成加權(quán)圖，把圖像像素節(jié)點(diǎn)看做圖頂點(diǎn)，鄰接像素節(jié)點(diǎn)之間的關(guān)系看做圖的邊，鄰接像素節(jié)點(diǎn)之間的相似性看做邊的權(quán)重，根據(jù)權(quán)重設(shè)計(jì)能量函數(shù)，通過(guò)最小化能量函數(shù)完成對(duì)圖進(jìn)行分割，即求取圖的最小割。

根據(jù)Ford-Fulkerson理論，圖的最小割問(wèn)題等價(jià)于最大流問(wèn)題。如果我們把圖G看做有向的管道，將其權(quán)重看做管道的容量，那么最大流就是指一次從源點(diǎn)通過(guò)管道流出匯點(diǎn)的最大流質(zhì)的容量。如此，該組管道即對(duì)應(yīng)于最小割的邊。車輛目標(biāo)分割2023/10/5LOGO實(shí)驗(yàn)分析2023/10/5132基于顏色特征的車輛檢測(cè)與分割算法性能分析基于車道空間占有率的車輛計(jì)算基于顏色特征的車輛檢測(cè)算法存在的問(wèn)題與解決方法LOGO2023/10/5準(zhǔn)確率PprePpre=SOR/(OR+SR-SOR)漏檢率PmissPpre=OR-SOR/OR其中，OR表示圖像分割的目標(biāo)區(qū)域；SR表示算法的分割區(qū)域；SOR表示算法分割的目標(biāo)區(qū)域。LOGO性能度量標(biāo)準(zhǔn)SORSROR誤檢率PfalsePpre=SR-SOR/SR2023/10/501LOGO基于顏色特征的車輛檢測(cè)與分割算法分割效果輸入圖像時(shí)間平均法TAM基于ST顏色特征空間基于UV顏色特征空間020605高斯混合模型MoG基于RGB顏色特征空間基于RM顏色特征空間手動(dòng)分割結(jié)果040803072023/10/5LOGO基于顏色特征的車輛檢測(cè)與分割算法分割性能度量度量標(biāo)準(zhǔn)車輛檢測(cè)算法誤差準(zhǔn)確率誤檢率漏檢率時(shí)間平均方法30.28%27.97%65.69%高斯混合模型39.96%31.70%50.94%基于顏色特征車輛檢測(cè)RGB顏色模型52.15%26.72%35.60%ST顏色模型47.48%7.52%50.62%UV顏色模型43.30%51.03%21.11%RM顏色模型63.05%21.27%24.01%2023/10/5顏色特征模型車輛目標(biāo)圖像分割算法車輛像素與路面背景像素分類器模型LOGOLOGO基于顏色特征的車輛檢測(cè)與分割算法分割性能影響因素2023/10/5ColorConstancy顏色恒常性多光源非均勻光照?qǐng)鼍暗念伾愠Ｐ灶伾愠Ｐ?，它是人類在不同的有色光源下?duì)物體表色的顏色感知在某種程度上保持不變的一種能力，這一概念被引入到計(jì)算機(jī)視覺領(lǐng)域，用來(lái)表示計(jì)算機(jī)校正在有色光源場(chǎng)景中采集到的圖像到標(biāo)準(zhǔn)光源下，還原圖像中物體表色的能力。LOGO如何降低光源顏色對(duì)算法性能的影響2023/10/54場(chǎng)景光源顏色估計(jì)場(chǎng)景圖像劃分多光源非均勻光照?qǐng)鼍暗念伾愠Ｐ訪OGO1區(qū)域光源顏色估計(jì)2該方法能夠有效處理多光源非均勻光照?qǐng)鼍皥D像，無(wú)需人工干預(yù)，無(wú)需先驗(yàn)知識(shí)和對(duì)光譜能量分布以及物體表面反射屬性的假設(shè)。其核心思想是：通過(guò)圖像劃分，弱化光源光譜能量對(duì)每個(gè)區(qū)塊的影響，然后分別估計(jì)每個(gè)區(qū)塊的光源顏色，最后根據(jù)這些區(qū)塊對(duì)場(chǎng)景光源顏色的貢獻(xiàn)合并成一種復(fù)合光源顏色作為場(chǎng)景光源的近視。光源顏色聚類3圖像校正52023/10/5LOGO多光源非均勻光照?qǐng)鼍暗念伾愠Ｐ孕ＵЧ麍D一01輸入圖像灰度世界算法Max-RGB算法020304灰度邊緣算法基于網(wǎng)格劃分的灰度邊緣基于聚類圖像分割的灰度邊緣05062023/10/5LOGO圖一的顏色恒常性校正效果性能度量

度量標(biāo)準(zhǔn)實(shí)驗(yàn)算法角度誤差中位數(shù)均值最大值灰度世界4.7?4.7?11.9?max-RGB10.0?10.9?21.4?灰度邊緣8.3?8.9?22.9?基于網(wǎng)格劃分(k-means,k=3;patch-size=16)灰度世界5.4?5.1?11.5?max-RGB3.2?3.5?12.1?灰度邊緣7.6?7.8?16.9?基于聚類的圖像分割(k-means,k=3)灰度世界4.8?4.7?11.2?max-RGB8.1?8.3?16.4?灰度邊緣2.9?4.0?14.4?2023/10/5LOGO多光源非均勻光照?qǐng)鼍暗念伾愠Ｐ孕ＵЧ麍D二010203040506輸入圖像灰度世界算法Max-RGB算法灰度邊緣算法基于網(wǎng)格劃分的灰度邊緣基于聚類圖像分割的灰度邊緣2023/10/5LOGO圖二的顏色恒常性校正效果性能度量

度量標(biāo)準(zhǔn)實(shí)驗(yàn)算法角度誤差中位數(shù)均值最大值灰度世界5.5?5.2?9.2?max-RGB7.6?7.5?9.2?灰度邊緣5.9?6.4?13.1?基于網(wǎng)格劃分(k-means,k=3;patch-size=16)灰度世界4.4?4.5?8.3?max-RGB2.4?3.3?8.5