本文關鍵詞：基于視頻的車流量統(tǒng)計系統(tǒng)研究

  更多相關文章： 智能交通系統(tǒng) 車流量統(tǒng)計 車輛跟蹤 概率分類器 粒子濾波 K-means聚類

【摘要】：如今,伴著經(jīng)濟的快速發(fā)展,汽車數(shù)量與日俱增,使得道路交通承受著巨大壓力,構建更加完善的智能交通系統(tǒng)迫在眉睫,交通信息的提取、處理以及分析對于實現(xiàn)交通系統(tǒng)的智能化至關重要。而基于視頻的車流量檢測技術正是智能交通系統(tǒng)研究的重要課題。本文在分析現(xiàn)有算法的基礎上,對實際交通場景下車輛的檢測、跟蹤和統(tǒng)計做了相關研究,研究內(nèi)容包括以下幾個方面:運動車輛檢測方面,實現(xiàn)了一種基于概率分類器的運動目標檢測方法,利用每個像素點在連續(xù)幀的亮度矢量建立背景和前景概率模型,最后,依據(jù)這些概率將每個像素劃分為背景或者前景,從而實現(xiàn)運動車輛的檢測。運動車輛跟蹤方面,研究了一種基于粒子濾波的目標跟蹤算法,利用K-means算法對粒子進行聚類;然后借助背景信息和目標凸包分割或者合并聚類,來解決多目標粘連和單目標分離的問題,保證聚類與車輛一一對應;最后,通過對比相鄰幀中粒子近鄰的顏色直方圖的相似度來跟蹤運動車輛。車流量統(tǒng)計方面,基于虛擬檢測線的車輛計數(shù)算法不可避免地會出現(xiàn)漏檢和誤檢問題,針對這一問題,提取并結合了兩種圖像信息:目標與檢測線相對位置信息和檢測線像素值變化信息,提出了一種車流量分割計數(shù)方法用于提高準確率。首先確定車輛和檢測線的相對位置,然后結合檢測線上像素值的波形變化規(guī)律對車輛數(shù)目進行統(tǒng)計。這種方法可以極大程度地減少車輛漏檢和誤檢問題。利用Visual Stdio 2010并結合OpenCV開發(fā)了一個測試系統(tǒng)來實現(xiàn)本文研究的算法,并且利用實驗來檢驗算法的實際效果。我們選取多種不同場景下采集的交通視頻,并對其進行了測試和結果分析,實驗結果表明,本算法在準確性和穩(wěn)定性方面都達到了理想的效果,各車道的準確率均在95%以上。
【關鍵詞】：智能交通系統(tǒng) 車流量統(tǒng)計 車輛跟蹤 概率分類器 粒子濾波 K-means聚類
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;U495
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 緒論9-14
• 1.1 研究背景及意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-12
• 1.3 本文的研究內(nèi)容和結構12-14
• 第二章 預處理與運動目標檢測14-33
• 2.1 圖像預處理14-22
• 2.1.1 圖像濾波14-20
• 2.1.2 圖像增強20-22
• 2.2 常用的運動目標檢測方法22-26
• 2.2.1 光流法22-23
• 2.2.2 幀差法23-24
• 2.2.3 背景差法24-26
• 2.3 基于概率分類器的目標檢測算法26-31
• 2.4 本章小結31-33
• 第三章 運動目標跟蹤33-49
• 3.1 常用的運動目標跟蹤方法33-36
• 3.1.1 模型跟蹤法33-34
• 3.1.2 特征跟蹤法34
• 3.1.3 區(qū)域跟蹤法34-35
• 3.1.4 動態(tài)輪廓跟蹤法35-36
• 3.2 粒子濾波理論36-41
• 3.2.1 貝葉斯框架36-37
• 3.2.2 蒙特卡羅方法37-38
• 3.2.3 粒子濾波的基本思想38
• 3.2.4 粒子濾波的基本原理38-40
• 3.2.5 粒子濾波算法的基本流程40-41
• 3.3 基于粒子濾波的目標跟蹤算法41-48
• 3.3.1 粒子檢測42-43
• 3.3.2 K-means聚類43-44
• 3.3.3 聚類分割與合并44-47
• 3.3.4 車輛跟蹤47-48
• 3.4 本章小結48-49
• 第四章 車流量統(tǒng)計49-57
• 4.1 常用車輛計數(shù)方法49-52
• 4.1.1 基于目標匹配的車量計數(shù)方法49-50
• 4.1.2 基于區(qū)域標記的車輛計數(shù)方法50-51
• 4.1.3 基于虛擬線圈的車流量統(tǒng)計算法51
• 4.1.4 基于虛擬檢測線的車輛計數(shù)方法51-52
• 4.2 基于檢測線波形變化的車輛計數(shù)方法52-56
• 4.2.1 本文前期算法53-54
• 4.2.2 基于前期算法的改進54-56
• 4.3 本章小結56-57
• 第五章 系統(tǒng)設計與實驗分析57-65
• 5.1 軟件設計方法57-58
• 5.2 軟件的運行環(huán)境58
• 5.2.1 硬件環(huán)境58
• 5.2.2 軟件環(huán)境58
• 5.3 軟件界面及功能58-61
• 5.3.1 軟件系統(tǒng)界面58-59
• 5.3.2 軟件各功能模塊59-61
• 5.4 實驗與結果分析61-64
• 5.5 本章小結64-65
• 第六章 總結與展望65-67
• 6.1 總結65
• 6.2 展望65-67
• 參考文獻67-71
• 攻讀學位期間取得的研究成果71-72
• 致謝72

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張曉媚;陳偉海;劉敬猛;趙志文;;基于柔性曲桿的車輛跟蹤算法設計與實現(xiàn)[J];北京航空航天大學學報;2011年07期

2 郭鋒;王秉政;楊晨暉;;復雜背景下車輛跟蹤的改進算法及逆行檢測[J];圖學學報;2013年04期

3 劉青;張曉暉;陳建新;侯云;;基于先驗知識的高速公路逃費車輛跟蹤算法研究[J];公路工程;2013年04期

4 楊敏;裴明濤;王永杰;董震;武玉偉;;一種基于運動目標檢測的視覺車輛跟蹤方法[J];北京理工大學學報;2014年04期

5 黃福獻;車輛跟蹤管理系統(tǒng)簡介[J];汽車運用;2001年06期

6 曹智英;;基于學習機制的時空車輛跟蹤與索引框架[J];現(xiàn)代計算機;2007年05期

7 朱華林;;基于高清視頻檢測和高清圖片識別的車輛跟蹤系統(tǒng)設計[J];交通世界(運輸.車輛);2011年07期

8 曾智洪;高速公路中的行車道檢測和車輛跟蹤(英文)[J];自動化學報;2003年03期

9 周志宇,汪亞明,曹麗;基于模糊聚類和α-β-γ濾波的車輛跟蹤[J];浙江工業(yè)大學學報;2004年01期

10 陳繼紅;;基于3G技術的車輛跟蹤服務系統(tǒng)的研究[J];物探裝備;2008年03期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 楊華;鄒月嫻;劉志剛;時廣軼;關佩;王一言;;基于視頻的復雜交通場景車輛跟蹤技術研究[A];第六屆全國信息獲取與處理學術會議論文集（1）[C];2008年

2 孫燎原;石川;張楊;;基于GoogleMaps的車輛跟蹤態(tài)勢顯示系統(tǒng)研究與實現(xiàn)[A];第十六屆全國青年通信學術會議論文集（上）[C];2011年

3 張暉;董育寧;夏洋;;一種基于改進的GVF-Snake模型的車輛跟蹤算法[A];第十三屆全國圖象圖形學學術會議論文集[C];2006年

中國重要報紙全文數(shù)據(jù)庫 前4條

1 神州通信有限公司GIS部 廖志杰;構建中國空間信息服務網(wǎng)絡平臺系統(tǒng)(六)[N];通信產(chǎn)業(yè)報;2004年

2 中國全球定位系統(tǒng)技術應用協(xié)會GPS信息咨詢服務部 曹沖;GPS上車[N];計算機世界;2002年

3 本報記者 楊濱;打牢百年精品客專的基石[N];人民鐵道;2010年

4 龐偉燕;用科技編織安全網(wǎng)[N];中國郵政報;2011年

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 吳剛;基于粒子濾波與增量學習的車輛跟蹤方法研究[D];南京理工大學;2014年

2 徐旭;復雜環(huán)境下的車輛目標跟蹤技術研究[D];吉林大學;2013年

3 王軍偉;ITS中運動車輛自動跟蹤方法的研究[D];中國農(nóng)業(yè)大學;2003年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 徐曉娟;基于視頻的車輛跟蹤算法研究[D];長安大學;2015年

2 高冬冬;基于車輛跟蹤軌跡的停車和逆行檢測研究[D];長安大學;2015年

3 董艷梅;基于相關濾波器的目標跟蹤技術[D];北京理工大學;2015年

4 陳國斌;動態(tài)車輛的自動跟蹤算法研究[D];石家莊鐵道大學;2014年

5 宋耀;交通監(jiān)控視頻中的車輛異常行為檢測[D];南京郵電大學;2015年

6 郝學森;基于車輛跟蹤的兩種算法研究[D];遼寧科技大學;2015年

7 王翌清;車輛路口滯留違章自動取證系統(tǒng)關鍵技術研究及實現(xiàn)[D];上海交通大學;2015年

8 左新偉;面向模糊視頻的車輛目標跟蹤算法研究[D];大連海事大學;2016年

9 金龍;復雜場景下車輛跟蹤研究[D];南京航空航天大學;2015年

10 潘曉旭;車載視頻的運動目標檢測與跟蹤算法研究[D];長春工業(yè)大學;2016年

，

本文編號：552666