基于机器视觉的高速公路车流量统计研究

摘要

在现代社会公路运载要求愈来愈大的情况下,交通拥挤、堵塞现象已成为阻碍社会发展的一大症结。智能交通系统(ITS)在缓解交通拥挤、提高交通效率等方面有着显著的作用,因此成为近些年研究的热点。车流量是其中最为重要的统计数据之一,准确的车流量数据是实现智能交通管理的基础。车流量统计主要研究的是利用机器视觉技术对公路场景中的视频图像进行分析和处理,从而实现对运动车辆进行统计和车型判定,为ITS提供必要的交通监管数据。
　　车流量统计是以快速、准确地从实时监控视频中提取车辆统计信息技术为核心。由于同一场景内可能包含多辆运动车辆,因而需要对运动目标(车辆)进行去噪、检测、复原、跟踪。针对以上问题,本论文的主要工作和取得的成果如下:
　　(一)建立了自适应中值滤波去噪算法。分析比较了几种图像去噪的的方法,将中值滤波去噪作为基础方法,根据噪声点与边缘的像素特征的不同提出了一种改进的自适应中值滤波算法,能够在去除噪声的同时较好地保留车身细节部分。
　　(二)建立了运动目标的精确检测算法。分析比较了三种常用的运动检测方法,并将基于背景差的目标检测方法作为本文的目标检测方法;应用高斯混合模型对背景进行自适应重建和更新,并提出了合理的改进;针对车辆阴影导致的目标识别误差,提出了一种基于阴影灰度渐变性一致的运动车辆阴影去除算法,该算法首先通过水平与竖直梯度提取出阴影与车身轮廓响度跳变点,然后以跳变点处像素密度作为特征进行阴影与车身分类,本文算法能够更快速准确地提取运动目标区域。
　　(三)提出了基于峰值信噪比评价的运动模糊图像复原算法。针对高速运动图像经常出现的运动模糊现象,根据成像系统的特性,使用频谱分析方法初步检测出运动模糊方向和长度值,以 PSNR(峰值信噪比)作为复原评价指标修正初始频谱识别参数的误差,可以得到精确的运动参数,进而对模糊图像进行较好地复原。
　　(四)改进了适应于公路运动目标的快速跟踪算法,在进行精确的目标提取后,基于视频序列中相邻两帧之间的目标所移动距离小于该目标与其它目标之间距离的假设,采用距离信息为主颜色信息为辅的策略实现目标跟踪,距离信息用于目标的跟踪,颜色信息用于判别跟踪是否正确。最后通过模拟实验和现场实验对前述图像去噪、目标检测、图像复原、目标跟踪算法进行实验验证,并提出了一种可行的车流量统计系统设计方案。实验结果表明,该算法复杂度较低,并且统计结果较为精确,利用该系统车流统计准确率可达95％以上,表明本文算法识别效果较好。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 课题研究背景

1.2 国内外研究现状

2 高速运动模糊图像去噪

2.1噪声分析

2.2频域滤波去噪

2.3 空域滤波去噪

3 高速运动目标检测

3.1 运动目标检测方法

3.2 运动阴影检测

3.3 算法验证

3.4 本章小结

4 基于峰值信噪比评价的运动模糊图像复原

4.1 运动模糊分析

4.2 复原算法原理

4.3 算法验证

4.4 本章小结

5 目标跟踪与车流量统计系统设计

5.1 运动目标跟踪方法

5.2 车流量统计方法

5.3 车流量统计系统实现

5.4本章小结

6 总结与展望

6.1 论文的工作总结

6.2 工作展望

参考文献

致谢

附录：攻读硕士学位期间发表的部分学术论著