基于視頻的交通路口車輛計算研究答辯PPT

基于視頻的交通路口車輛計算研究LOGO2023/10/5Content目錄1選題目的2主題內容3解決方法4實驗分析5總結展望LOGO2023/10/5LOGO選題目的2023/10/5LOGO功能：智能調節(jié)紅綠燈時長

根據十字路口各方向的車流量，自動調節(jié)紅綠燈時長，盡可能使總體等待時間最短。依據：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，作為信號燈控制的依據。意義：提高路網通行效率

提高路網通行效率，減少車流總體等待時長，從而降低能源消耗，減輕環(huán)境污染。實現交通信號燈的智能控制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：車輛檢測精度較高。缺點：安裝維護困難，必須破壞路面、中斷交通，且無法解決車輛改道問題?；谝曨l的車輛目標檢測的交通信息采集方法優(yōu)點：除了具備基于視頻虛擬線圈的優(yōu)點外，還解決了車輛改道問題。缺點：無法解決車輛相互遮擋問題?；谝曨l虛擬線圈的交通信息采集方法優(yōu)點：安裝維護簡單，克服了物理線圈壽命短、不易維護等缺點。缺點：無法解決車輛改道與遮擋問題。02032023/10/5LOGO主題內容2023/10/5LOGO03Method

車輛計算01HOW

02車輛目標檢測車輛分割開始結束2023/10/5光源漸變、樹枝晃動、攝像機抖動影響；街道上行人、自行車或電動車、霓虹燈等非路面背景目標干擾。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動特征，這就容易造成陰影的誤分類。靜態(tài)車輛目標是指車輛在靜止一段時間之后，將與車道背景紋理相融合，易將靜態(tài)車輛目標誤認為背景，而造成誤檢測。由于是對視頻圖像信息的處理，因此信息量巨大，如保證高性能，將影響算法的實時性，不利于實際應用。動態(tài)背景干擾陰影抑制實時性靜態(tài)車輛目標檢測01020304車輛檢測需要解決的問題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與路面背景像素分類車輛目標分割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直線檢測結果冗余直線過濾結果路面ROI分割結果手動分割結果02030506042023/10/5顏色特征建模

我們對N幅城市交通場景的路面或車輛顏色的在RGB顏色空間的分布分析發(fā)現，路面顏色總是以某條軸線為中心聚集起來，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平面將會匯聚在一個較小的區(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平面將會匯聚在一個較小的區(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平面將會匯聚在一個較小的區(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平面將會匯聚在一個較小的區(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像素點屬于路面背景的概率像素點屬于車輛目標的概率VSLOGO車輛目標與路面背景像素分類已知像素點屬于某類別的先驗概率，那么根據貝葉斯公式可計算出其后驗概率，即該像素點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概率的類作為該像素點所屬的類。貝葉斯分類器2023/10/5目標分割圖像二值標注圖像合成圖像LOGO車輛目標分割2023/10/5LOGO

將二值標注圖像映射成加權圖，把圖像像素節(jié)點看做圖頂點，鄰接像素節(jié)點之間的關系看做圖的邊，鄰接像素節(jié)點之間的相似性看做邊的權重，根據權重設計能量函數，通過最小化能量函數完成對圖進行分割，即求取圖的最小割。

根據Ford-Fulkerson理論，圖的最小割問題等價于最大流問題。如果我們把圖G看做有向的管道，將其權重看做管道的容量，那么最大流就是指一次從源點通過管道流出匯點的最大流質的容量。如此，該組管道即對應于最小割的邊。車輛目標分割2023/10/5LOGO實驗分析2023/10/5132基于顏色特征的車輛檢測與分割算法性能分析基于車道空間占有率的車輛計算基于顏色特征的車輛檢測算法存在的問題與解決方法LOGO2023/10/5準確率PprePpre=SOR/(OR+SR-SOR)漏檢率PmissPpre=OR-SOR/OR其中，OR表示圖像分割的目標區(qū)域；SR表示算法的分割區(qū)域；SOR表示算法分割的目標區(qū)域。LOGO性能度量標準SORSROR誤檢率PfalsePpre=SR-SOR/SR2023/10/501LOGO基于顏色特征的車輛檢測與分割算法分割效果輸入圖像時間平均法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顏色特征空間手動分割結果040803072023/10/5LOGO基于顏色特征的車輛檢測與分割算法分割性能度量度量標準車輛檢測算法誤差準確率誤檢率漏檢率時間平均方法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場景的顏色恒常性顏色恒常性，它是人類在不同的有色光源下對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算機視覺領域，用來表示計算機校正在有色光源場景中采集到的圖像到標準光源下，還原圖像中物體表色的能力。LOGO如何降低光源顏色對算法性能的影響2023/10/54場景光源顏色估計場景圖像劃分多光源非均勻光照場景的顏色恒常性LOGO1區(qū)域光源顏色估計2該方法能夠有效處理多光源非均勻光照場景圖像，無需人工干預，無需先驗知識和對光譜能量分布以及物體表面反射屬性的假設。其核心思想是：通過圖像劃分，弱化光源光譜能量對每個區(qū)塊的影響，然后分別估計每個區(qū)塊的光源顏色，最后根據這些區(qū)塊對場景光源顏色的貢獻合并成一種復合光源顏色作為場景光源的近視。光源顏色聚類3圖像校正52023/10/5LOGO多光源非均勻光照場景的顏色恒常性校正效果圖一01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

度量標準實驗算法角度誤差中位數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多光源非均勻光照場景的顏色恒常性校正效果圖二010203040506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

度量標準實驗算法角度誤差中位數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