【摘要】：基于視頻處理技術(shù)的公交客流計(jì)數(shù)已經(jīng)成為智能公交系統(tǒng)的重要組成部分。傳統(tǒng)的計(jì)數(shù)方法是利用單目相機(jī),但是該類方法存在兩個(gè)方面的不足:一方面是無法解決目標(biāo)遮擋問題,容易造成目標(biāo)丟失;另一方面是未能充分利用目標(biāo)軌跡的三維信息。因此本文使用RGB-D相機(jī),通過標(biāo)定參數(shù)將二維軌跡變換到三維空間中,并研究基于三維軌跡模式分類技術(shù)的公交客流計(jì)數(shù)算法,進(jìn)而精確地統(tǒng)計(jì)公交車的上下車人數(shù)。本文采用基于三維軌跡模式分類技術(shù)的公交客流計(jì)數(shù)算法,該算法的基本思想是檢測(cè)、跟蹤和分類。首先,采用Kinect相機(jī)獲取深度圖,根據(jù)深度圖中目標(biāo)高度與深度的對(duì)應(yīng)關(guān)系,在深度圖中利用人頭目標(biāo)的局部最大特性,進(jìn)行人頭目標(biāo)鎖定;然后,利用卡爾曼濾波預(yù)測(cè)下一時(shí)刻的人頭目標(biāo)的出現(xiàn)位置,采用塊匹配的方法實(shí)現(xiàn)疑似人頭目標(biāo)的匹配和跟蹤,得到其在圖像上的二維軌跡;最后,通過攝像機(jī)的三維標(biāo)定,將圖像坐標(biāo)系下的二維軌跡轉(zhuǎn)換成世界坐標(biāo)系下的三維軌跡。本文采用了三種不同的軌跡分類方法實(shí)現(xiàn)客流計(jì)數(shù):基于檢測(cè)線的分類算法、基于Adaboost的3D軌跡分類算法和基于SVM的3D軌跡分類算法。本文對(duì)三種軌跡分類算法進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果表明,以上三種算法都滿足實(shí)時(shí)性的要求。基于檢測(cè)線的分類算法精度為90.87%,基于Adaboost的分類算法精度為95.36%,基于SVM的分類算法精度為96.18%。基于檢測(cè)線的分類算法檢測(cè)精度低且不具有通用性,但是基于有監(jiān)督的模式分類算法精度較高。相比較而言,SVM分類算法的精度最高且適用性較強(qiáng)。
【圖文】：

圖 2.2 Kinect 實(shí)物圖ct 的實(shí)物圖。Kinect 采集分為兩個(gè)部分：位于應(yīng)器（用來進(jìn)行深度數(shù)據(jù)采集）。并且左邊的紅構(gòu)成 3D 結(jié)構(gòu)光深度感應(yīng)器。從外觀看 Kinec：紅外投影發(fā)射器、RGB 攝像頭以及紅外深朵”，組成麥克風(fēng)陣列。Kincet 傳感器作為輸入：深度數(shù)據(jù)流、原始音頻數(shù)據(jù)以及彩色數(shù)據(jù)流語音的識(shí)別以及身份識(shí)別。它的輸入系統(tǒng)主要統(tǒng)。對(duì)于紅外攝像頭而言，對(duì)光照是沒有要求[19]。但是對(duì)于彩色攝像頭來說，它需要充足的下幾個(gè)方面：有效的工作距離、彩色圖像以及深ect 相機(jī)的具體參數(shù)表如表 2-1 所示：

2.3 物體不存在時(shí)的激光散斑圖和放置一個(gè)物體時(shí)的激光散斑取原理：通過紅外深度攝像頭所接受到的結(jié)構(gòu)光返回的物體存在時(shí)的結(jié)構(gòu)光圖案對(duì)比，會(huì)產(chǎn)生偏移，通過偏移其中偏移量代表的是空間中的其中一點(diǎn)與參考平面的距頭所在平面的距離是已知的，設(shè)為 H。證明過程如下所，來計(jì)算該點(diǎn)的深度值（DIS）是多少。平面的情況，具體分為以下三種情況：一點(diǎn)在攝像頭與參考平面之間，即該點(diǎn)與攝像頭的距離點(diǎn)與攝像頭之間的距離 DIS 大于 H;一點(diǎn)正好在參考平面上。中的一點(diǎn) G 與攝像頭所在平面之間的距離 DIS 小于 H
【學(xué)位授予單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：U491.17;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 徐超;高夢(mèng)珠;查宇鋒;曹利民;;基于HOG和SVM的公交乘客人流量統(tǒng)計(jì)算法[J];儀器儀表學(xué)報(bào);2015年02期

2 岳陳平;孟麗婭;;基于SAD算法的立體匹配的實(shí)現(xiàn)[J];微型機(jī)與應(yīng)用;2013年06期

3 劉迪;李耀峰;;模式識(shí)別綜述[J];黑龍江科技信息;2012年28期

4 陳佳鑫;賈英民;;一種基于漫水填充法的實(shí)時(shí)彩色目標(biāo)識(shí)別方法[J];計(jì)算機(jī)仿真;2012年03期

5 程廣濤;陳雪;郭照莊;;基于HOG特征的行人視覺檢測(cè)方法[J];傳感器與微系統(tǒng);2011年07期

6 徐建華;陳曉榮;戴曙光;穆平安;;基于視頻的公交車客流統(tǒng)計(jì)算法研究[J];微計(jì)算機(jī)信息;2010年35期

7 徐楓;鄧敏;趙彬彬;陳建軍;;空間目標(biāo)匹配方法的應(yīng)用分析[J];地球信息科學(xué)學(xué)報(bào);2009年05期

8 薛明東,郭立;基于SVM算法的圖像分類[J];計(jì)算機(jī)工程與應(yīng)用;2004年30期

9 楊明,宋雪峰,王宏,張鈸;面向智能交通系統(tǒng)的圖像處理[J];計(jì)算機(jī)工程與應(yīng)用;2001年09期

相關(guān)碩士學(xué)位論文 前10條

1 李進(jìn)鋼;基于OpenCV的公交客流計(jì)數(shù)方法研究[D];鄭州大學(xué);2016年

2 郭志鑫;智能公交系統(tǒng)中客流絞計(jì)和公交專用道識(shí)別算法研究[D];山東大學(xué);2016年

3 趙倩;基于視頻分析的公交客流統(tǒng)計(jì)技術(shù)研究與實(shí)現(xiàn)[D];重慶大學(xué);2016年

4 席陽;基于運(yùn)動(dòng)特征的目標(biāo)檢測(cè)識(shí)別[D];長(zhǎng)安大學(xué);2015年

5 徐信;基于Adaboost人臉檢測(cè)算法的研究及實(shí)現(xiàn)[D];太原理工大學(xué);2015年

6 王龍;攝像機(jī)標(biāo)定與立體匹配技術(shù)的研究[D];河北大學(xué);2015年

7 g罘，

本文編號(hào)：2581528