發(fā)布時間：2020-05-25 21:35

【摘要】：車流量是智能交通系統(tǒng)檢測的基礎(chǔ)核心問題,通過車輛檢測獲取準(zhǔn)確的交通流量、車速等交通參數(shù)是實施有效的道路引導(dǎo)、交通控制等交通管理的基礎(chǔ)。傳統(tǒng)的車輛檢測方法一般都采用單類型的傳感器,由于傳感器受自身和周圍環(huán)境的局限,檢測結(jié)果不能全面反映實際情況。本研究課題將磁敏傳感器和視頻傳感器獲得的車輛信息融合,以解決車輛在不同狀況下的信息不準(zhǔn)確問題,提高車輛檢測的準(zhǔn)確率。目前,視頻傳感器檢測已廣泛用于交通道路中,但視頻傳感器對于光線變化敏感,易受天氣、煙霧、光照等因素影響,而磁敏傳感器不受上述因素的影響,但會受到車輛自身磁場的影響,檢測數(shù)據(jù)也有一定的偏差,而且常常預(yù)埋在車道中,不便檢修與施工。通過分析比較這兩類傳感器獲得的檢測數(shù)據(jù),在融合服務(wù)器開發(fā)平臺上設(shè)計并實現(xiàn)了基于視頻檢測和磁敏檢測的融合框架和融合中心結(jié)構(gòu),該融合框架分檢測和融合兩個階段,具有松耦合、可擴展等優(yōu)點,融合中心結(jié)構(gòu)采用模塊化設(shè)計,把特征提取、數(shù)據(jù)關(guān)聯(lián)和融合計算分層次進行。融合算法基于數(shù)據(jù)源可靠性的D-S(Dempster-Shafer)證據(jù)融合理論,將視頻傳感器和磁敏傳感器采集到的數(shù)據(jù)進行融合,通過可靠性評估與概率重分配的手段彌補了經(jīng)典理論中的數(shù)據(jù)不一致問題,提高了檢測的準(zhǔn)確度。通過視頻數(shù)據(jù)采集客戶端采集實時視頻數(shù)據(jù)、磁敏數(shù)據(jù)采集客戶端采集實時磁感數(shù)據(jù),并將數(shù)據(jù)實時上傳至服務(wù)器端進行融合與判斷。實驗結(jié)果表明,在不同的交通狀況下,同白天和夜間情況下單一傳感器檢測結(jié)果相比,數(shù)據(jù)融合方法獲得的車流量準(zhǔn)確率最高可將單獨依靠視頻檢測的準(zhǔn)確率提高2.2%~53.4%,可以明顯提高夜間惡劣環(huán)境狀況下的準(zhǔn)確率,同時在白天光線充足的情況下檢測結(jié)果也有一定的提高。
【圖文】：

3 交通信息獲取及融合技術(shù)框架時間序列的實際分布。當(dāng)完成初始化后，系統(tǒng)每讀入一幀樣本圖像，視頻檢測區(qū)域內(nèi)的各像素點就按圖 3.5示流程的模型更新、背景提取、背景判斷三個步驟依次進行處理。下面四幅圖是進行背景提取的示意圖，采用 AKGMM 對如圖 3.6 所示對視頻樣本進背景提取。圖 3.7 是由各像素點的分布數(shù) K 構(gòu)成的圖像，K 的大小用顏色深淺來表示， 值越大則顏色越深；圖 3.8 是圖 3.6 中像素點 A 由 100 幀圖像獲得的混合高斯分布模型線，其中實線表示被啟發(fā)式搜索算法歸入背景子集的分布，虛線則是未歸入背景子集的背景分布；圖 3.9 是基于 AKGMM 的背景提取與更新算法的效果示意。該圖各像素點值等于該像素點 AKGMM 主背景分布的均值 ，因此可以從該圖衡量啟發(fā)式背景提取法的效果。從圖中可以看出，AKGMM 算法的背景提取效果還是基本正確的。

3 交通信息獲取及融合技術(shù)框架時間序列的實際分布。當(dāng)完成初始化后，系統(tǒng)每讀入一幀樣本圖像，視頻檢測區(qū)域內(nèi)的各像素點就按圖 3.5示流程的模型更新、背景提取、背景判斷三個步驟依次進行處理。下面四幅圖是進行背景提取的示意圖，采用 AKGMM 對如圖 3.6 所示對視頻樣本進背景提取。圖 3.7 是由各像素點的分布數(shù) K 構(gòu)成的圖像，K 的大小用顏色深淺來表示， 值越大則顏色越深；圖 3.8 是圖 3.6 中像素點 A 由 100 幀圖像獲得的混合高斯分布模型線，，其中實線表示被啟發(fā)式搜索算法歸入背景子集的分布，虛線則是未歸入背景子集的背景分布；圖 3.9 是基于 AKGMM 的背景提取與更新算法的效果示意。該圖各像素點值等于該像素點 AKGMM 主背景分布的均值 ，因此可以從該圖衡量啟發(fā)式背景提取法的效果。從圖中可以看出，AKGMM 算法的背景提取效果還是基本正確的。
【學(xué)位授予單位】：西安工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;U495

【參考文獻】

相關(guān)期刊論文 前8條

1 曾鋼;;基于神經(jīng)網(wǎng)絡(luò)和多信息融合的高速公路交通事件檢測算法[J];湖南交通科技;2010年02期

2 趙志剛;;高速公路發(fā)展現(xiàn)狀及前景分析[J];交通標(biāo)準(zhǔn)化;2009年16期

3 董敏娥;;基于動態(tài)概率神經(jīng)網(wǎng)絡(luò)的公路交通事件檢測算法[J];公路交通技術(shù);2008年03期

4 田鵬飛;王劍英;;動態(tài)最短路徑算法及其仿真[J];計算機仿真;2007年06期

5 李文英;朱sゼ

本文編號：2680777