科學(xué)技術(shù)的發(fā)展日新月異,現(xiàn)行城市道路交通擁堵的監(jiān)測和處置卻仍然依賴人工巡檢,因此智能判別城市交通擁堵,提出規(guī)避擁堵的具體措施和確定擁堵后應(yīng)急處置的研究迫在眉睫�；谝曨l的高架道路車流量監(jiān)測具有成本低、實(shí)時性好、安裝維護(hù)簡單等顯著優(yōu)勢,是未來城市交通擁堵監(jiān)測的熱點(diǎn)方向。目前基于圖像的交通擁堵判別方法所需交通特征參數(shù)種類、數(shù)量多,算法復(fù)雜度高,實(shí)時性差。尤其高架道路作為城市快速通道的重要組成部分,具有車流量大,車速快的特點(diǎn),現(xiàn)有基于視頻的交通擁堵判別方法更難滿足監(jiān)測要求。本文在大量觀察和調(diào)研的基礎(chǔ)上,提出了以出租車速度作為高架道路交通擁堵的特征參數(shù),降低了算法復(fù)雜度。出租車作為一種盈利性質(zhì)的公共服務(wù)類車輛,通常具有顯著特征。本文以合肥市為例,明確了出租車的在車輛類型、顏色、頂燈上的典型特征。提出了基于視頻的出租車識別算法。對檢測出的車輛目標(biāo)依次進(jìn)行是否轎車型、是否彩色、是否存在頂燈的二分法篩選,逐步減少后續(xù)處理的目標(biāo)數(shù)量,提高了算法效率。本文在車輛的相關(guān)特征提取方面進(jìn)行了補(bǔ)充研究,避免了高架道路上無出租車的情況發(fā)生。通過在各個匝道設(shè)置虛擬線圈,進(jìn)行單位時間內(nèi)的車輛計(jì)數(shù),可以準(zhǔn)確定位高架道路交通擁堵的位置。按照現(xiàn)行處理辦法短時禁行,可以有效緩解高架道路的車流量壓力,規(guī)避高架道路的交通擁堵。偶發(fā)性事故和車流量激增是造成高架道路交通擁堵的兩個重要原因。本文在針對上述原因深入分析后,提出了應(yīng)對措施,結(jié)合高架道路預(yù)先排堵調(diào)度策略,完成了對高架道路限流控制的方法研究,提出了總體軟件設(shè)計(jì)流程圖。在實(shí)驗(yàn)室條件下,借助數(shù)字圖像處理工具M(jìn)ATLAB,對采集視頻進(jìn)行了仿真驗(yàn)證,結(jié)果表明本設(shè)計(jì)在高架道路限流控制中的可行性。
【學(xué)位單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：U495;TP391.41
【部分圖文】：

２．３．２高架道路的擁堵對出租車速度的影響??高架道路上的車輛數(shù)目多，速度快，所以目前國內(nèi)外對其擁堵的檢測研究還??不夠成熟。如圖２．１所示，現(xiàn)行高架道路視頻監(jiān)控系統(tǒng)己經(jīng)建設(shè)得相當(dāng)完善，攝像??機(jī)安裝在高架道路包括匝道口的多個位置，以合肥市為例，攝像機(jī)間距離約為４００??一６００米，足以監(jiān)測整條高架橋的車流量情況。使用視頻的方法監(jiān)測高架道路的車??流量情況，為滿足實(shí)時性的要求，應(yīng)降低算法復(fù)雜度，提高其可行性。因?yàn)槌鲎??車駕駛員的熟練度較高，在城市快速路上通常迅速勻速行駛，上下高架橋的車速??不超過限速４０ｋｍ／ｈ。??高架道路擁堵通常是由偶發(fā)性事故或者車流量激增所致，而上述原因?qū)Τ鲎??車車速影響明顯。如果發(fā)生事故，高架道路事故前方出租車車速不受影響，事故??后方出租車車速將會突降。如果高架道路車流量激増，整條高架出租車車速將會??同時緩慢下降。對于現(xiàn)行視頻監(jiān)控系統(tǒng)

本章在車輛目標(biāo)檢測的基礎(chǔ)上，依次對目標(biāo)進(jìn)行車輛類型區(qū)分，彩色和非??彩色區(qū)分，有無頂燈區(qū)分。運(yùn)用二分法對檢測出的車輛目標(biāo)逐次識別，減少了后??續(xù)處理的目標(biāo)個數(shù)，為實(shí)時檢測奠定了基礎(chǔ)。??３．１車輛目標(biāo)檢測??車輛目標(biāo)檢測是提取道路交通特征的關(guān)鍵技術(shù)，是實(shí)現(xiàn)高架道路交通擁堵判??別算法的前提。本節(jié)通過對常用目標(biāo)提取算法的分析對比，選取混合高斯分布的??背景建模法來進(jìn)行車輛目標(biāo)檢測。??３．１．１幀間差分法??攝像機(jī)拍攝的視頻序列是連續(xù)的。若拍攝范圍內(nèi)沒有運(yùn)動目標(biāo)，則幀間變化??非常微弱，幾乎可以視作穩(wěn)定的。當(dāng)運(yùn)動目標(biāo)出現(xiàn)，表現(xiàn)為穩(wěn)定的背景圖像中內(nèi)??嵌運(yùn)動目標(biāo)，傾間變化十分明顯。由于上述顯著變化，巾貞間差分法（Ｔｅｍｐｏｒａｌ??Ｄｉｆｆｅｒｅｎｃｅ）因此誕生［３９］。拍攝范圍內(nèi)運(yùn)動目標(biāo)在幀與幀間的位置不同，據(jù)此對連??續(xù)兩到三幀進(jìn)行差分，通過像素點(diǎn)間的減法運(yùn)算，得出灰度差的絕對值。當(dāng)該值??超出預(yù)設(shè)值，判定該點(diǎn)屬于運(yùn)動目標(biāo)，從而得出完整的運(yùn)動目標(biāo)范圍，實(shí)現(xiàn)其檢??測功能。??

Ｆｉｇ?３．２?Ｂａｃｋｇｒｏｕｎｄ?ｅｘｔｒａｃｔｉｏｎ?ｒｅｓｕｌｔｓ??提取前景后，通過對前景的灰度化、銳化、濾波、開運(yùn)算以識別車輛，并對??車量目標(biāo)進(jìn)行空洞填充，得到車輛的前景目標(biāo)塊如圖３．３所示。??原圖?均值濾波??＿?＿??銳化?目標(biāo)塊??■?ＱＪ??圖３．?３車輛目標(biāo)提取結(jié)果??Ｆｉｇ?３．３?Ｖｅｈｉｃｌｅ?ｔａｒｇｅｔ?ｅｘｔｒａｃｔｉｏｎ?ｒｅｓｕｌｔｓ??１７??
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉東興;龔全洲;;淺議當(dāng)前城市交通管理發(fā)展規(guī)劃的要點(diǎn)[J];交通與運(yùn)輸;2015年05期

2 張勇;;浮動車技術(shù)在合肥市智能交通系統(tǒng)中的應(yīng)用[J];數(shù)字技術(shù)與應(yīng)用;2015年09期

3 林雄斌;楊家文;;城市交通擁堵特征與治理策略的多維度綜合評述[J];綜合運(yùn)輸;2015年08期

4 黃凱奇;陳曉棠;康運(yùn)鋒;譚鐵牛;;智能視頻監(jiān)控技術(shù)綜述[J];計(jì)算機(jī)學(xué)報(bào);2015年06期

5 陸化普;李瑞敏;;城市智能交通系統(tǒng)的發(fā)展現(xiàn)狀與趨勢[J];工程研究-跨學(xué)科視野中的工程;2014年01期

6 蔣丹紅;夏林;;視頻人流統(tǒng)計(jì)技術(shù)的應(yīng)用研究[J];現(xiàn)代建筑電氣;2014年01期

7 廖律超;蔣新華;鄒復(fù)民;賴宏圖;;基于交通視頻的交通擁堵狀態(tài)自動識別方法[J];公路交通科技;2014年01期

8 徐克虎;王天召;陳金玉;張波;;動態(tài)背景下的運(yùn)動目標(biāo)檢測定位算法研究[J];計(jì)算機(jī)測量與控制;2013年12期

9 佘永業(yè);趙力萱;羅東華;李熙瑩;余志;;一種交通擁堵自動檢測方法[J];計(jì)算機(jī)與現(xiàn)代化;2013年11期

10 胡少龍;胡志華;;物流網(wǎng)絡(luò)中分布式OD運(yùn)載需求的分時段限流優(yōu)化[J];江蘇科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年06期

相關(guān)博士學(xué)位論文 前1條

1 劉晴;基于區(qū)域特征的目標(biāo)跟蹤算法研究[D];北京理工大學(xué);2014年

相關(guān)碩士學(xué)位論文 前8條

1 李勇;基于出租車GPS數(shù)據(jù)的城市交通擁堵識別和關(guān)聯(lián)性分析[D];哈爾濱工業(yè)大學(xué);2016年

2 盧澤瓊;動態(tài)目標(biāo)特征提取與識別技術(shù)研究[D];中國科學(xué)院研究生院（光電技術(shù)研究所）;2014年

3 徐云飛;高速公路擁堵事件檢測中的背景建模及狀態(tài)判別方法研究[D];重慶大學(xué);2014年

4 申高;視頻監(jiān)控系統(tǒng)中車型分類研究[D];東北大學(xué);2013年

5 王琪;關(guān)于運(yùn)動目標(biāo)特征提取以及車輛顏色識別算法的研究[D];電子科技大學(xué);2011年

6 王川童;基于視頻處理的城市道路交通擁堵判別技術(shù)研究[D];重慶大學(xué);2010年

7 陳青;基于GPS浮動車的城市道路交通狀態(tài)判別技術(shù)研究[D];長安大學(xué);2009年

8 張楊;運(yùn)動目標(biāo)圖像的檢測與跟蹤[D];中北大學(xué);2005年

本文編號：2856770