智能交通系統(tǒng)（Intelligent Transportation System,ITS）的研究與發(fā)展對目前的交通嚴(yán)重?fù)矶�、事故頻繁發(fā)生、環(huán)境愈發(fā)污染等重大問題有良好的改善作用,交通參數(shù)提取技術(shù)研究和微觀交通仿真系統(tǒng)研究是智能交通系統(tǒng)中兩個關(guān)鍵研究領(lǐng)域。在交通參數(shù)提取技術(shù)研究領(lǐng)域,無人機具有低花費成本、小占有體積、大覆蓋范圍、少遮擋干擾等優(yōu)點,受到越來越多的智能交通研究者的喜愛與支持。在微觀交通仿真系統(tǒng)研究領(lǐng)域,進(jìn)行交通仿真模型參數(shù)校正能夠提高仿真建模精度,使建立的交通模型具有高度代表性。針對利用無人機拍攝采集的交叉口交通現(xiàn)狀視頻,運用VISSIM的COM接口應(yīng)用技術(shù),研究了適用于無人機視頻的車輛檢測和交通車流量參數(shù)提取方法以及VISSIM參數(shù)校正方法。采用Py Charm開發(fā)平臺,通過Python調(diào)用Open CV計算機視覺庫進(jìn)而運用計算機視覺的方法完成對視頻數(shù)據(jù)的交通流量參數(shù)提取工作,針對現(xiàn)有的虛擬檢測線檢測法的不足進(jìn)行改進(jìn),提出了一種適用于交叉口的組合虛擬檢測線方法用于統(tǒng)計交叉口航拍視頻中不同轉(zhuǎn)向的車輛數(shù),并設(shè)計了此方法的實現(xiàn)流程,根據(jù)實際案例證明本統(tǒng)計方法能夠保證車流量統(tǒng)計的準(zhǔn)... 

【文章來源】：華北理工大學(xué)河北省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

目標(biāo)車輛效果圖

第3章基于航拍視頻的車流量統(tǒng)計方法研究-25-按車道坐標(biāo)進(jìn)行分段。觀察左轉(zhuǎn)待轉(zhuǎn)區(qū)車輛運動情況，在左轉(zhuǎn)待轉(zhuǎn)區(qū)位置增設(shè)相應(yīng)虛擬檢測線，東、西、南、北方向的左轉(zhuǎn)待轉(zhuǎn)虛擬檢測線分別記為lineEL、lineWL、lineSL、lineNL。同時在出口路徑上也設(shè)置四條相應(yīng)虛擬檢測線，標(biāo)為line1，line2，line3，line4，交叉口檢測線設(shè)置如圖6所示。它們與進(jìn)口道位置或者左轉(zhuǎn)待轉(zhuǎn)區(qū)的檢測線組合成對兒，組合的虛擬檢測線對兒及其相關(guān)組合含義如表1所示。表1交叉口組合檢測線統(tǒng)計含義Table1Statisticsoftrafficcapacityunderdifferentburiallength進(jìn)口道東進(jìn)口西進(jìn)口南進(jìn)口北進(jìn)口檢測線AlineELlineElineWLlineWlineSLlineSlineNLlineN檢測線Bline3line2line4line4line1line3line2line4line1Line1line3line2A+B含義左轉(zhuǎn)直行右轉(zhuǎn)左轉(zhuǎn)直行右轉(zhuǎn)左轉(zhuǎn)直行右轉(zhuǎn)左轉(zhuǎn)直行右轉(zhuǎn)（a）交叉口1（b）交叉口2圖6虛擬檢測線示意圖Fig.6Schematicdiagramofvirtualdetectionline3.2.2閾值的設(shè)定統(tǒng)計條件的設(shè)定是車流量閾值的設(shè)定統(tǒng)計的另一個重要內(nèi)容，駛過虛擬檢測線段的移動車輛的投影會引起一定時間內(nèi)檢測線像素亮度值的改變，無車駛過情況下的檢測線段像素值為0，若有駛過檢測線段，從像素值改變的那一刻的幀數(shù)開始，像素值用賦值1表示，直到移動車輛完全駛過檢測線段，像素值重新歸為0。使用投影法對每幀圖像同一檢測線段進(jìn)行掃描，統(tǒng)計像素賦值為1的持續(xù)幀數(shù)統(tǒng)計圖如圖7所示。

華北理工大學(xué)碩士學(xué)位論文-26-圖7像素賦值為1的持續(xù)幀數(shù)統(tǒng)計圖Fig.7Statisticsofthenumberofcontinuousframeswiththepixelassignedas1圖中像素賦值為1表示有車經(jīng)過，且持續(xù)幀數(shù)都在20以上，代表移動車輛通過檢測線段的最短連續(xù)幀數(shù)為20。本文選取最小持續(xù)幀數(shù)作為判定閾值，即閾值X=20，根據(jù)這個設(shè)定閾值進(jìn)行車流量統(tǒng)計。3.2.3統(tǒng)計交叉口車流量以交叉口東進(jìn)口的一個運動目標(biāo)為例描述車流量統(tǒng)計流程，其步驟可總結(jié)如下：1）由投影法判斷一個運動目標(biāo)矩形框是否引起虛擬檢測線lineE上車道長度段的像素值的變化；2）若引起像素值變化，判斷此像素值變化歷經(jīng)幀數(shù)x是否大于設(shè)定閾值X（X=20），當(dāng)x≥X時，記為有車輛目標(biāo)通過lineE；當(dāng)x<X時，不標(biāo)記信息；3）根據(jù)該矩形框輪廓和質(zhì)心的位移判斷和跟蹤運動目標(biāo)的運動狀態(tài)和移動方向；4）由投影法判斷該運動目標(biāo)矩形框是否引起出口道虛擬檢測線line2（或line4）上部分段像素值的變化；5）若引起line2（或line4）像素值變化，判斷此像素值歷經(jīng)幀數(shù)x是否大于設(shè)定閾值X，當(dāng)x≥X時，記為有車輛目標(biāo)通過line2（或line4），東進(jìn)口直行計數(shù)器（或東進(jìn)口右轉(zhuǎn)計數(shù)器）計數(shù)器CountE2（或CountE4）累計加1；當(dāng)x<X時，CountE2（或CountE4）數(shù)值不變；

【參考文獻(xiàn)】：
期刊論文
[1]集成Vissim和Python的車聯(lián)網(wǎng)仿真平臺研究[J]. 姚志洪,蔣陽升.  計算機仿真. 2018(12)
[2]道路交通流參數(shù)無人機調(diào)查與識別方法研究[J]. 李士堯,魯元博,裴玉龍.  森林工程. 2018(05)
[3]以O(shè)penCV為基礎(chǔ)的圖像預(yù)處理技術(shù)在無人機視頻的應(yīng)用[J]. 陳之堯.  電子技術(shù)與軟件工程. 2018(16)
[4]基于黃金分割遺傳算法的VISSIM仿真模型參數(shù)校正[J]. 楊文臣,張輪,王錚,胡澄宇.  華東交通大學(xué)學(xué)報. 2017(03)
[5]基于改進(jìn)高斯混合模型的自適應(yīng)前景提取[J]. 趙亞欣,蔡華杰,趙懷勛,謝躍輝.  計算機應(yīng)用與軟件. 2016(11)
[6]基于數(shù)學(xué)形態(tài)學(xué)的雙直方圖均衡化圖像增強算法[J]. 劉燕妮,張貴倉,安靜.  計算機工程. 2016(01)
[7]針對主輔路的Vissim仿真模型參數(shù)標(biāo)定方法[J]. 李振龍,王保菊,金雪,連培昆.  交通信息與安全. 2015(02)
[8]基于IAGSO算法的VISSIM模型校正研究與實現(xiàn)[J]. 唐少虎,劉小明.  交通運輸系統(tǒng)工程與信息. 2014(05)
[9]城市地下道路設(shè)計要點分析[J]. 尹海軍.  中國市政工程. 2014(04)
[10]基于遺傳算法的VISSIM人車參數(shù)標(biāo)定方法[J]. 李欣,陳旭梅,萬濤,郭淑霞.  中國民航大學(xué)學(xué)報. 2014(01)

碩士論文
[1]基于無人機視頻的交通信息提取方法[D]. 陳林.華東師范大學(xué) 2018
[2]基于自適應(yīng)混合高斯模型的運動目標(biāo)檢測與跟蹤算法研究[D]. 鄭加敏.重慶郵電大學(xué) 2017
[3]基于視覺的機器人分揀系統(tǒng)[D]. 徐家寶.湖南大學(xué) 2017
[4]自適應(yīng)混合高斯目標(biāo)檢測方法研究[D]. 盛超.蘭州理工大學(xué) 2017
[5]基于目標(biāo)跟蹤的車流量統(tǒng)計系統(tǒng)研究[D]. 袁璐.蘭州理工大學(xué) 2017
[6]基于無人機視頻的交通參數(shù)提取技術(shù)研究[D]. 張有節(jié).重慶交通大學(xué) 2017
[7]基于視頻的車流量及車速檢測系統(tǒng)研究[D]. 胡云鷺.長安大學(xué) 2017
[8]基于視頻檢測的乒乓球自動計分方法研究[D]. 李海波.哈爾濱工業(yè)大學(xué) 2016
[9]基于視覺的交通車流量統(tǒng)計[D]. 黃霞.湘潭大學(xué) 2016
[10]基于視頻圖像的車輛檢測及車型識別研究[D]. 高許.燕山大學(xué) 2016



本文編號：3317692