【摘要】：隨著當(dāng)前交通行業(yè)發(fā)展迅速,在城市的交通網(wǎng)中,往往出現(xiàn)個(gè)別路口擁堵嚴(yán)重,但附近路口卻通行順暢的情況。因此,實(shí)時(shí)的了解到每個(gè)交叉路口交通狀況,對于駕駛員選擇合理的行車路線有重要意義,同時(shí)也是改善城市交通擁擠的有效途徑�；谝曨l處理的車隊(duì)長度檢測系統(tǒng),將圖像處理與各種交通信息技術(shù)相結(jié)合,具有使用范圍廣、測量精度高、實(shí)時(shí)性好以及可基于已有的監(jiān)控系統(tǒng)直接升級的優(yōu)勢,是現(xiàn)代化智能交通信息獲取的技術(shù)中重要的組成成分。車流量的識別過程是:首先采集交叉路口的車輛視頻,通過中值濾波和高斯濾波去除圖像中的噪聲,然后使用背景差分法檢測出前景車輛,并通過B樣條曲線法計(jì)算出圖像中車輛的面積,從而可以計(jì)算車輛的數(shù)量。系統(tǒng)對中值濾波模塊在3×3窗口中值計(jì)算法進(jìn)行改進(jìn),使用將9個(gè)數(shù)據(jù)進(jìn)行排序的方式代替?zhèn)鹘y(tǒng)的計(jì)算方法,將計(jì)算次數(shù)從30次減少到18次,在保證精度的前提下,節(jié)省了機(jī)器時(shí)間。背景差分過程中,首先建立背景,將連續(xù)圖像幀中的像素點(diǎn)進(jìn)行差分運(yùn)算,當(dāng)差值小于閾值是認(rèn)為該點(diǎn)為背景點(diǎn),經(jīng)多次訓(xùn)練可以實(shí)時(shí)的得到最適合當(dāng)前情形的背景圖;然后將圖像與背景圖像進(jìn)行差分運(yùn)算,當(dāng)差值超過閾值,認(rèn)為該點(diǎn)為前景車輛。通過在差分后圖像中建立B樣條曲線輪廓,按照B樣條曲線控制點(diǎn)的法線方向逼近前景目標(biāo)邊緣,經(jīng)過多次迭代運(yùn)算,B樣條曲線輪廓與前景車輛輪廓相同,此時(shí)計(jì)算B樣條曲線輪廓包含的面積,即為車輛面積。最終通過預(yù)設(shè)的參數(shù),將面積轉(zhuǎn)換為車輛數(shù)目。論文分別使用Matlab和Modelsim進(jìn)行仿真,測試證明:方法可以得到準(zhǔn)確的面積,并可以較準(zhǔn)確的計(jì)算出車輛的數(shù)目,誤差為10%,具有良好的檢測精度,在智能交通行業(yè)有較高的應(yīng)用前景。圖[60]表[3]參[73]
【圖文】：

是在保證信息完整性的前提下提高圖中，圖像易受到外界因素的干擾，使得圖像和現(xiàn)實(shí)提取中會出現(xiàn)較大的誤差。所以從圖像的采集到傳保證圖像信息的完整性。對有差異的圖像進(jìn)行濾波的識別。原理要作用于正態(tài)分布的噪聲，其根據(jù)高斯函數(shù)的形波器。高斯函數(shù)具有旋轉(zhuǎn)對稱性、單值函數(shù)、傅氏滑程度）、可分離性五個(gè)性質(zhì)[42]。圖像處理中多使濾波函數(shù)，其表達(dá)式（3-1）為[43]：2 22( )2( , )x yg i j e 斯分布參數(shù)，決定了高斯濾波器的寬度。

取這一組數(shù)的中值即為該中值濾波的過程。算法重點(diǎn)部分介紹：在整個(gè)中值計(jì)算過程中，兩次排列是最關(guān)鍵的部分，如上圖所示，第一步完成矩陣的取值，第二步進(jìn)行行列的重新排列即為最重要的一步。經(jīng)列處理后，第一行最右邊的數(shù)值至少在矩陣中存在兩個(gè)比其小的數(shù)值，第二行第三行同理；而后經(jīng)過行處理，第一列最下面的數(shù)值至少在矩陣中可找的兩個(gè)比其小的數(shù)值，第二列第三列同理；經(jīng)過兩步變化，中間一行與中間一列的交集，逼近該矩陣的中值，，右下角的逼近該矩陣的最大值，左上角逼近該矩陣的最小值。在計(jì)算過程中，列處理中每一行的比較運(yùn)算實(shí)際經(jīng)過了3 × 3 = 9次，在行處理中每一列的計(jì)算同樣經(jīng)過了 9 次。因此在實(shí)際操作中使用了 9+9=18 次操作，相對于傳統(tǒng)的30 次操作極大的減少了工作量。該方法分布進(jìn)行在 FPGA 上硬件并行實(shí)現(xiàn)較為簡單，通過數(shù)組排列進(jìn)行中值濾波減少了工作量節(jié)省硬件空間。下圖以 8、45、21、33、69、40、36、48、20 為例以圖像形式介紹中值濾波的方法，過程如圖 6 和圖 7 所示：
【學(xué)位授予單位】：安徽理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;U491

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王立華;張秋雨;;基于FPGA視頻檢測的智能交通系統(tǒng)[J];中國電業(yè)(技術(shù)版);2014年11期

2 趙娜;袁家斌;徐晗;;智能交通系統(tǒng)綜述[J];計(jì)算機(jī)科學(xué);2014年11期

3 陳銀;任侃;顧國華;錢惟賢;徐福元;;基于改進(jìn)的單高斯背景模型運(yùn)動目標(biāo)檢測算法[J];中國激光;2014年11期

4 張松;李筠;;FPGA的模塊化設(shè)計(jì)方法[J];電子測量與儀器學(xué)報(bào);2014年05期

5 盧章平;孔德飛;李小蕾;王軍偉;;背景差分與三幀差分結(jié)合的運(yùn)動目標(biāo)檢測算法[J];計(jì)算機(jī)測量與控制;2013年12期

6 陳亮;陳曉竹;范振濤;;基于Vibe的鬼影抑制算法[J];中國計(jì)量學(xué)院學(xué)報(bào);2013年04期

7 周世付;李建雄;沈振乾;張芳;;基于高斯混合模型的多車道車流量檢測算法[J];計(jì)算機(jī)仿真;2012年10期

8 宋奮韜;王夢瑩;付志遠(yuǎn);;FPGA發(fā)展概論[J];科技信息;2012年23期

9 丁治明;高需;;面向物聯(lián)網(wǎng)海量傳感器采樣數(shù)據(jù)管理的數(shù)據(jù)庫集群系統(tǒng)框架[J];計(jì)算機(jī)學(xué)報(bào);2012年06期

10 馬紅旭;嘎日迪;;計(jì)算機(jī)中冒泡排序方法改進(jìn)方案[J];軟件導(dǎo)刊;2012年01期

本文編號：2655820