基于視頻的車(chē)輛檢測(cè)及擁堵預(yù)警系統(tǒng)的設(shè)計(jì)論文

1、 畢業(yè)設(shè)計(jì)（論文）題目：基于視頻的車(chē)輛檢測(cè)及擁堵預(yù)警系統(tǒng) 的設(shè)計(jì)基于視頻的車(chē)輛檢測(cè)及擁堵預(yù)警系統(tǒng)的設(shè)計(jì)摘要近幾十年來(lái)，世界工業(yè)技術(shù)得到了突飛猛進(jìn)的發(fā)展，各國(guó)汽車(chē)數(shù)量增長(zhǎng)迅猛。根據(jù)來(lái)自公安部交通管理局的消息，目前我國(guó)機(jī)動(dòng)車(chē)保有量已達(dá)1. 99億輛，其中汽車(chē)8500多萬(wàn)輛。汽車(chē)數(shù)量的迅速增加造成交通擁擠嚴(yán)重、交通事故頻發(fā)、交通環(huán)境的惡化，給我國(guó)城市道路交通問(wèn)題提出了嚴(yán)峻考驗(yàn)。本文以靜止單孔攝像機(jī)獲取的交通場(chǎng)景視頻作為研究對(duì)象，以提取場(chǎng)景內(nèi)的交通參數(shù)為目的，在參閱國(guó)內(nèi)外相關(guān)文獻(xiàn)的基礎(chǔ)上，對(duì)所涉及到的幾種運(yùn)動(dòng)目標(biāo)檢測(cè)方法進(jìn)行了歸納總結(jié)和比較，分析了車(chē)輛檢測(cè)方法的基本原理、應(yīng)用范圍和優(yōu)缺點(diǎn)，采用了適合于

2、交通參數(shù)檢測(cè)的檢測(cè)方法，實(shí)現(xiàn)了一個(gè)視頻車(chē)流檢測(cè)系統(tǒng)。本文主要內(nèi)容有：（1）介紹了現(xiàn)今交通車(chē)輛檢測(cè)常用的些方法，例如環(huán)形線(xiàn)圈檢測(cè)技術(shù)，微波檢測(cè)技術(shù)等。與此同時(shí)，基于視頻序列的交通流量統(tǒng)計(jì)近年來(lái)發(fā)展迅速，由于它具有檢測(cè)區(qū)域大、系統(tǒng)設(shè)置靈活等突出的優(yōu)點(diǎn)，己成為交通流量統(tǒng)計(jì)領(lǐng)域研究的熱點(diǎn)。（2）在車(chē)流量檢測(cè)方面采用了混合高斯模型提取道路背景并進(jìn)行實(shí)時(shí)背景更新，并利用形態(tài)學(xué)方法進(jìn)行圖像處理，最后采用設(shè)置虛擬檢測(cè)線(xiàn)的方式統(tǒng)計(jì)車(chē)輛個(gè)數(shù)。（3）利用單位時(shí)間內(nèi)通過(guò)路口的車(chē)流量來(lái)反映這段時(shí)間內(nèi)的這段路間的交通擁堵情況。關(guān)鍵詞：車(chē)流量；高斯算法；背景更新；形態(tài)學(xué)； 虛擬檢測(cè)線(xiàn)BASED ON THE VIDEO D

3、ETECTION AND CONGESTION PRE-WARNING SYSTEM DESIGNABSTRACTIn recent decades, the worlds industrial technology got by leaps and bounds development, countries car number is growing rapidly. According to the ministry of public security traffic from the news of the administration, at present our country

4、motor vehicle quantities has reached billion vehicles, including cars more than 8500 vehicles. Car Numbers of the rapid increase in traffic congestion caused serious traffic accident frequency, traffic, the deterioration of the environment, to the urban road traffic problems put forward the ordeal.T

5、his paper in a static traffic scene for a pucker camera video as the research object, the scene to extract traffic in the parameters for the purpose, in refer to the related literature at home and abroad, on the basis of the involved several moving object detection method has summarized and compared

6、, analyzes the vehicle detection method of the basic principle, application and advantages and disadvantages, using a suitable for traffic parameters testing method of detection, implements a video traffic detection system.This paper mainly the contents:(1) To introduce the now traffic vehicle detec

7、tion commonly used some methods, such as the ring coil of testing technology, microwave testing technology, etc. At the same time, based on video sequence of traffic flow statistics developed very rapidly in recent years, because it has a large system Settings detection area, flexible, and other pro

8、minent advantages, has become the traffic flow to the research of statistics.(2) In the inspection of the traffic using the gaussian mixture model road extraction and real-time background background updates, and use of mathematical morphology method for image processing, then using virtual test line

9、 way of statistical vehicle number.(3) Use unit time through the intersection traffic to reflect this time of this section of the road traffic between the congestion.Key words: Traffic; Gaussian algorithm; Background update; Morphological; Virtual testing lines目錄1 緒論3課題背景及研究意義3交通車(chē)輛檢測(cè)器的概述3環(huán)形線(xiàn)圈檢測(cè)器3波頻檢

10、測(cè)器3視頻檢測(cè)器3國(guó)內(nèi)外研究現(xiàn)狀3圖像傳輸技術(shù)的研究現(xiàn)狀3背景更新算法的研究現(xiàn)狀3流量統(tǒng)計(jì)算法的研究現(xiàn)狀3本文研究的主要內(nèi)容3論文的結(jié)構(gòu)安排32道路背景的提取3運(yùn)動(dòng)目標(biāo)背景提取方法概述3高斯模型的介紹3混合高斯背景模型初始化分析3混合高斯背景建模流程3高斯模型參數(shù)的更新3檢測(cè)結(jié)果是背景點(diǎn)時(shí)的高斯模型參數(shù)的更新3檢測(cè)結(jié)果是野點(diǎn)時(shí)的高斯模型參數(shù)的更新3背景建模流程的最后一步3Matlab仿真實(shí)驗(yàn)3Matlab的介紹3混合高斯模型變量初始化代碼3實(shí)驗(yàn)結(jié)果3本章小結(jié)33背景圖像的處理3形態(tài)學(xué)處理概述3膨脹和腐蝕3圖像的膨脹3圖像的腐蝕3開(kāi)運(yùn)算及其實(shí)現(xiàn)3閉運(yùn)算及其實(shí)現(xiàn)3本章小結(jié)34車(chē)流量的檢測(cè)3車(chē)流量檢

11、測(cè)系統(tǒng)的設(shè)計(jì)3車(chē)流量檢測(cè)算的研究3提取車(chē)輛信息3車(chē)流量計(jì)數(shù)3擁堵級(jí)別評(píng)定3本章小結(jié)35總結(jié)與展望3總結(jié)3展望36參考文獻(xiàn)37致謝3附錄 基于混合高斯模型的背景提取與更新程序31 緒論課題背景及研究意義近幾十年來(lái)，世界工業(yè)技術(shù)得到了突飛猛進(jìn)的發(fā)展，各國(guó)汽車(chē)數(shù)量增長(zhǎng)迅猛。根據(jù)來(lái)自公安部交通管理局的消息，目前我國(guó)機(jī)動(dòng)車(chē)保有量已達(dá)1. 99億輛，其中汽車(chē)8500多萬(wàn)輛。汽車(chē)數(shù)量的迅速增加造成交通擁擠嚴(yán)重、交通事故頻發(fā)、交通環(huán)境的惡化，給我國(guó)城市道路交通問(wèn)題提出了嚴(yán)峻考驗(yàn)。在我國(guó)隨著國(guó)民經(jīng)濟(jì)高速發(fā)展和城市化進(jìn)程的加快，機(jī)動(dòng)車(chē)擁有量及道路交通量急劇增加。尤其是大城市，交通擁擠堵塞以及由此導(dǎo)致的一系列交通事

12、故越趨頻繁，環(huán)境污染加劇，是我國(guó)城市面臨的極其嚴(yán)重的“城市病”之一，而且它已經(jīng)演變成了制約國(guó)民經(jīng)濟(jì)發(fā)展的瓶頸問(wèn)題。解決交通問(wèn)題的傳統(tǒng)方法是修建拓寬道路，架設(shè)地下軌道，但對(duì)于有限的城市區(qū)域來(lái)說(shuō)，可供修建道路的空間越來(lái)越少。我國(guó)在大力進(jìn)行道路基礎(chǔ)設(shè)施建設(shè)的同時(shí)，也認(rèn)識(shí)到如果單純依靠道路設(shè)施建設(shè)，難以達(dá)到解決日益嚴(yán)重的交通問(wèn)題，此外，交通系統(tǒng)是一個(gè)復(fù)雜的大系統(tǒng)，單獨(dú)從車(chē)輛方面或道路方面考慮，都很難完善的解決交通問(wèn)題。必須依靠高科技來(lái)進(jìn)行有效的交通管理，才有可能從根本上解決交通阻塞問(wèn)題。在此把道路和車(chē)輛綜合起來(lái)的解決交通問(wèn)你的智能交通系統(tǒng)油然而生?；谝曨l的車(chē)輛檢測(cè)及擁堵預(yù)警系統(tǒng)加強(qiáng)了對(duì)道路交通系統(tǒng)的

13、智能化監(jiān)控，使交通出行整體對(duì)能源的需求減少，進(jìn)而減少了對(duì)環(huán)境的污染。系統(tǒng)的實(shí)施可減少車(chē)輛的速度變化頻率和停車(chē)次數(shù)，降低了城市噪音，路網(wǎng)的利用率大大提升，使道路更加順暢，從而也降低了交通事故的發(fā)生頻率。通過(guò)對(duì)車(chē)輛擁堵情況的預(yù)警可以引導(dǎo)交通運(yùn)輸向合理的模式轉(zhuǎn)變，提高商業(yè)車(chē)輛的運(yùn)行效率，提高運(yùn)輸企業(yè)的生產(chǎn)效率，改進(jìn)服務(wù)質(zhì)量，降低成本，從而大幅度提高交通運(yùn)輸企業(yè)的經(jīng)濟(jì)效益。交通車(chē)輛檢測(cè)器的概述環(huán)形線(xiàn)圈檢測(cè)器環(huán)形線(xiàn)圈檢測(cè)器是傳統(tǒng)的交通檢測(cè)器又被稱(chēng)做地感，一般為一種埋設(shè)式的檢測(cè)系統(tǒng)，是目前世界上用量最大最多的一種檢測(cè)設(shè)備。車(chē)輛通過(guò)埋設(shè)在路面下的環(huán)形線(xiàn)圈時(shí)，引起線(xiàn)圈磁場(chǎng)的變化，檢測(cè)器據(jù)此計(jì)算出車(chē)輛的流量、速

14、度、時(shí)間占有率和長(zhǎng)度等等，一些交通參數(shù)，并上傳給中央控制系統(tǒng)，以滿(mǎn)足交通控制系統(tǒng)的需要。此種方法技術(shù)成熟，易于掌握，并有成本較低的優(yōu)點(diǎn)。 這種方法也有以下缺點(diǎn)：a. 線(xiàn)圈在安裝或維護(hù)時(shí)必須直接埋入車(chē)道，這樣交通會(huì)暫時(shí)受到阻礙。b. 埋置線(xiàn)圈的切縫軟化了路面，容易使路面受損，尤其是在有信號(hào)控制的十字路口，車(chē)輛啟動(dòng)或者制動(dòng)時(shí)損壞可能會(huì)更加嚴(yán)重。c. 感應(yīng)線(xiàn)圈易受冰凍、路基下沉、鹽堿等自然環(huán)境的影響。d. 感應(yīng)線(xiàn)圈由于自身的測(cè)量原理所限制，當(dāng)車(chē)流擁堵，車(chē)間距小于3m的時(shí)候，其檢測(cè)精度大幅度降低，甚至無(wú)法檢測(cè)。波頻檢測(cè)器波頻車(chē)輛檢測(cè)器是以微波、超聲波和紅外線(xiàn)等對(duì)車(chē)輛發(fā)射電磁波產(chǎn)生感應(yīng)的檢測(cè)器，這里主要

15、介紹微波車(chē)輛檢測(cè)器（RTMS），它是一種價(jià)格低、性能優(yōu)越的交通檢測(cè)器，可廣泛應(yīng)用于城市道路和高速公路的交通信息檢測(cè)。 微波車(chē)輛檢測(cè)器（RTMS）的工作方式是：采用側(cè)掛式，在扇形區(qū)域內(nèi)發(fā)射連續(xù)的低功率調(diào)制微波，并在路面上留下一條長(zhǎng)長(zhǎng)的投影。RTMS以2米為一 “層”，將投影分割為32層。用戶(hù)可將檢測(cè)區(qū)域定義為一層或多層。RTMS根據(jù)被檢測(cè)目標(biāo)返回的回波，測(cè)算出目標(biāo)的交通信息，每隔一段時(shí)間通過(guò)RS- 232向控制中心發(fā)送。它的車(chē)速檢測(cè)原理是：根據(jù)特定區(qū)域的所有車(chē)型假定一個(gè)固定的車(chē)長(zhǎng)，通過(guò)感應(yīng)投影區(qū)域內(nèi)的車(chē)輛的進(jìn)入與離開(kāi)經(jīng)歷的時(shí)間來(lái)計(jì)算車(chē)速。一臺(tái)RTMS側(cè)掛可同時(shí)檢測(cè)8個(gè)車(chē)道的車(chē)流量、道路占有率和車(chē)

16、速。 微波車(chē)輛檢測(cè)器（RTMS）的測(cè)量方式在車(chē)型單一，車(chē)流穩(wěn)定，車(chē)速分布均勻的 道路上準(zhǔn)確度較高，但是在車(chē)流擁堵以及大型車(chē)較多、車(chē)型分布不均勻的路段，由于遮擋，測(cè)量精度會(huì)受到比較大的影響。另外，微波檢測(cè)器要求離最近車(chē)道有3m 的空間，如要檢測(cè)8車(chē)道，離最近車(chē)道也需要7-9m的距離而且安裝高度達(dá)到要求。因此，在橋梁、立交、高架路的安裝會(huì)受到限制，安裝困難，價(jià)格也比較昂貴。視頻檢測(cè)器視頻車(chē)輛檢測(cè)器是通過(guò)視頻攝像機(jī)作傳感器，在視頻范圍內(nèi)設(shè)置虛擬線(xiàn)圈，即檢測(cè)區(qū)，車(chē)輛進(jìn)入檢測(cè)區(qū)時(shí)使背 景灰度值發(fā)生變化，從而得知車(chē)輛的存在，并以此檢測(cè)車(chē)輛的流量和速度。檢測(cè)器可安裝在車(chē)道的上方和側(cè)面，與傳統(tǒng)的交通信息采集技

17、術(shù)相比，交通視頻檢測(cè)技術(shù)可提供現(xiàn)場(chǎng)的視頻圖像，可根據(jù)需要移動(dòng)檢測(cè)線(xiàn)圈，有著直觀可靠，安裝調(diào)試維護(hù)方便，價(jià)格便宜等優(yōu)點(diǎn)，缺點(diǎn)是容易受惡劣天氣、燈光、陰影等環(huán)境因素的影響， 汽車(chē)的動(dòng)態(tài)陰影也會(huì)帶來(lái)干擾。綜合來(lái)說(shuō)，從所獲得的信息量角度，視頻檢測(cè)器無(wú)疑是最佳選擇，這是由視頻技術(shù)本身的特點(diǎn)所決定的。視頻檢測(cè)器是采用虛擬檢測(cè)區(qū)域用圖像處理方式分析交通信息，隨著圖像處理技術(shù)的發(fā)展視頻檢測(cè)成為了一種成熟的技術(shù)，逐步達(dá)到了類(lèi)似人眼的“所見(jiàn)即所得”的效果。而使用線(xiàn)圈檢測(cè)器則需要不停的封路、施工、再封路、再施工。而視頻檢測(cè)器所具有的大區(qū)域檢測(cè)、安裝方便、后期維護(hù)量少必將取代目前市場(chǎng)占有率最大的線(xiàn)圈檢測(cè)器和超聲波檢測(cè)

18、器成為交通信息采集檢測(cè)器的主流。國(guó)內(nèi)外研究現(xiàn)狀圖像傳輸技術(shù)的研究現(xiàn)狀20世紀(jì)90年代以來(lái)，根據(jù)不同的應(yīng)用需要，ISO / IEC和ITU-T采用相似的壓縮編碼技術(shù)分別制定了M PEG-x和H. 26x系列視頻壓縮標(biāo)準(zhǔn).近年來(lái)，我國(guó)也開(kāi)發(fā)了具有自主知識(shí)產(chǎn)權(quán)的數(shù)字音視頻編解碼技術(shù)標(biāo)準(zhǔn)，這些標(biāo)準(zhǔn)推動(dòng)了視頻傳輸技術(shù)的實(shí)用化和產(chǎn)業(yè)化。背景更新算法的研究現(xiàn)狀在背景圖像更新的研究過(guò)程中近年來(lái)國(guó)內(nèi)外出現(xiàn)了一些切實(shí)有效的方法。Friedman及其小組將圖像中的每個(gè)像素點(diǎn)看作是由道路、車(chē)輛、陰影三種模型權(quán)重之和組成其中三種模型又可以由概率函數(shù)逼近這樣就可以對(duì)圖像中每個(gè)像素點(diǎn)建立一個(gè)概率模型并且每個(gè)像素點(diǎn)的模型都不

19、一樣。建好模型之后可以通過(guò)先驗(yàn)知識(shí)得到權(quán)重系數(shù)。利用模型可以重建背景圖像且可以利用經(jīng)過(guò)模型處理后的實(shí)時(shí)圖像對(duì)背景圖像進(jìn)行更新。Gupte和其同事提出了自適應(yīng)背景更新方法其基本原則是利用當(dāng)前圖像修正背景圖像(當(dāng)前背景)以便和當(dāng)前幀視頻圖像的背景更近似。在背景更新過(guò)程中首先通過(guò)二位掩模將當(dāng)前視頻圖像中的前景(車(chē)輛、行人等)去除，然后用剩下的背景像素(瞬時(shí)背景)與前一幀圖像的當(dāng)前背景加權(quán)平均得到當(dāng)前背景。Chengcui Zhang等人提出在某時(shí)間段內(nèi)背景更新的方法即對(duì)每個(gè)像素在時(shí)間段內(nèi)的灰度值用直方圖進(jìn)行統(tǒng)計(jì)、分析得到該點(diǎn)的背景灰度值然后拼接各點(diǎn)得到背景圖像，作者還提出當(dāng)圖像中出現(xiàn)停車(chē)現(xiàn)象時(shí)不必對(duì)

20、停車(chē)處背景進(jìn)行更新只要車(chē)輛移動(dòng)隱藏的背景會(huì)自動(dòng)出現(xiàn).然后進(jìn)行背景更新。流量統(tǒng)計(jì)算法的研究現(xiàn)狀目前，發(fā)達(dá)國(guó)家在視頻交通流量統(tǒng)計(jì)系統(tǒng)的研究方面發(fā)展迅速，己經(jīng)取得較大的進(jìn)展，交通流量統(tǒng)計(jì)的研究在道路交通中己經(jīng)得到了成熟的應(yīng)用。在我國(guó)，起初計(jì)算機(jī)視頻檢測(cè)技術(shù)的研究基礎(chǔ)比較薄弱，尤其是視頻處理的關(guān)鍵技術(shù)，比如模式識(shí)別、計(jì)算機(jī)視覺(jué)的研究、數(shù)字圖像處理比國(guó)外落后很多。隨著我國(guó)科技實(shí)力的不斷增強(qiáng)，計(jì)算機(jī)視覺(jué)等相關(guān)技術(shù)的長(zhǎng)足進(jìn)步給計(jì)算機(jī)視頻檢測(cè)技術(shù)的研究和應(yīng)用提供了強(qiáng)有力的技術(shù)支持。城市基礎(chǔ)道路的建設(shè)也給這方面的研究提供了實(shí)際的應(yīng)用需求?，F(xiàn)在，己經(jīng)有不少公司做出了產(chǎn)品。另外，國(guó)內(nèi)的一些高校在這方面也做了深入的研

21、究。本文研究的主要內(nèi)容近年來(lái)，隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，國(guó)內(nèi)許多公路（特別是京珠高速公路）的車(chē)流量與日俱增，引發(fā)了越來(lái)越多的交通事故和道路擁堵，造成了巨大的財(cái)產(chǎn)損失和人員傷亡。因此，交通信息檢測(cè)系統(tǒng)被廣泛應(yīng)用于交通運(yùn)輸生產(chǎn)實(shí)踐中，檢測(cè)的內(nèi)容包括每個(gè)車(chē)道所通過(guò)的車(chē)流量、車(chē)輛平均速度和瞬時(shí)速度、車(chē)型分類(lèi)、平均車(chē)距、道路占有率等信息，對(duì)于交通運(yùn)行效率和安全有著非常重要的應(yīng)用價(jià)值。本課題以交通信息檢測(cè)為研究背景，通過(guò)分析高速公路的視頻圖像，獲取車(chē)輛目標(biāo)（運(yùn)動(dòng)目標(biāo)）及車(chē)輛的速度，主要內(nèi)容包括：（1）通過(guò)分析視頻圖像序列建立交通場(chǎng)景的背景；（2）在背景建模的基礎(chǔ)上，實(shí)時(shí)提取運(yùn)動(dòng)目標(biāo)；（3）建立交通視頻圖像中

22、的像素坐標(biāo)與路面世界坐標(biāo)系的映射關(guān)系；（4）計(jì)算擁堵的車(chē)輛排隊(duì)長(zhǎng)度的計(jì)算。論文的結(jié)構(gòu)安排本論文共分五章，各章的主要內(nèi)容如下:第一章為緒論，簡(jiǎn)要介紹論文的研究背景、車(chē)輛檢測(cè)算法和產(chǎn)品的在國(guó)內(nèi)外的發(fā)展現(xiàn)狀及應(yīng)用前景，明確本論文研究的主要內(nèi)容，安排論文章節(jié)。第二章詳細(xì)介紹了道路背景提取的一些方法，以及基于混合高斯建模的背景分離出運(yùn)動(dòng)車(chē)輛與背景的過(guò)程。第三章介紹對(duì)提取出來(lái)的前景圖像進(jìn)行進(jìn)一步的處理，濾除噪聲，使得前景圖像更貼近于實(shí)際物體。第四章講述了對(duì)交通道路上車(chē)流量檢測(cè)方案驗(yàn)證。第五章是論文的結(jié)束部分。對(duì)本論文的研究工作進(jìn)行了總結(jié)，并對(duì)今后在該領(lǐng)域里進(jìn)一步的理論研究工作進(jìn)行了展望。道路背景的提取運(yùn)動(dòng)

23、目標(biāo)背景提取方法概述在攝像機(jī)固定的情況下，背景的變化是緩慢的，而且大都是光照，風(fēng)等等的影響，通過(guò)對(duì)背景建模，對(duì)一幅給定圖像分離前景和背景，一般來(lái)說(shuō)，前景就是運(yùn)動(dòng)物體，從而達(dá)到運(yùn)動(dòng)物體檢測(cè)的目的。對(duì)于運(yùn)動(dòng)物體的識(shí)別檢測(cè),以及背景提取的算法,目前大致可以分類(lèi)為三種：第一種是基于圖像幀與幀之間的差值算法,第二種是背景減去法,第三種則是背景模型建立法。基于圖像幀與幀之間的差值算法是最為簡(jiǎn)便的一種方法，通過(guò)對(duì)視頻圖像序列中相鄰兩幀做差分運(yùn)算來(lái)獲得運(yùn)動(dòng)目標(biāo)輪廓，但是在提取目標(biāo)時(shí)候的效果并不理想。背景減去法是首先獲取場(chǎng)景的一幀的參考圖像然后將實(shí)時(shí)拍攝的一幀新圖像與之相減再對(duì)差圖像取閾值得到一副從固定背景中分

24、割出來(lái)的二值化圖像。背景減去法對(duì)于靜止場(chǎng)景中可以很好的提取出目標(biāo)的輪廓，但是對(duì)于目標(biāo)突然運(yùn)動(dòng)時(shí)往往會(huì)出現(xiàn)檢測(cè)出錯(cuò)，而且當(dāng)背景圖像估計(jì)的不精確的時(shí)候也會(huì)對(duì)目標(biāo)檢測(cè)帶來(lái)重大的麻煩。背景模型法能夠很好的實(shí)現(xiàn)對(duì)背景的估計(jì)。高斯模型的介紹高斯模型就是利用高斯概率密度函數(shù)（正態(tài)分布曲線(xiàn)）精確地量化事物，將一個(gè)事物分解為若干個(gè)基于高斯概率密度函數(shù)（正態(tài)分布曲線(xiàn)）形成的數(shù)學(xué)模型。 對(duì)圖像背景建立高斯模型的原理及過(guò)程可以理解為：由于圖像灰度直方圖反映的是圖像中某個(gè)灰度值出現(xiàn)的頻率，也可以認(rèn)為是對(duì)圖像灰度概率密度的估計(jì)。如果圖像所包含的目標(biāo)區(qū)域和背景區(qū)域相差比較大，而且背景區(qū)域和目標(biāo)區(qū)域在灰度上具有一定的差異，那

25、么該圖像的灰度直方圖就會(huì)呈現(xiàn)出 雙峰-谷形狀，其中一個(gè)峰對(duì)應(yīng)于目標(biāo)，另一個(gè)峰對(duì)應(yīng)于背景的中心灰度。在智能監(jiān)控系統(tǒng)中，對(duì)于運(yùn)動(dòng)目標(biāo)的檢測(cè)是核心內(nèi)容，而在對(duì)運(yùn)動(dòng)的目標(biāo)的檢測(cè)中提取目標(biāo)背景，對(duì)于目標(biāo)的識(shí)別和跟蹤至關(guān)重要。建模正是對(duì)于背景目標(biāo)提取的一個(gè)重要的有效的環(huán)節(jié)。 首先我們要提起背景和前景的概念，前景是指在假設(shè)背景為靜止的情況下，任何有意義的運(yùn)動(dòng)物體即為前景。建模的基本思想是從當(dāng)前幀圖像中提取前景，其目的是使背景更接近當(dāng)前視頻幀的背景。即利用當(dāng)前幀和視頻序列中的當(dāng)前背景的幀圖像進(jìn)行加權(quán)平均來(lái)更新當(dāng)前的背景,但是由于光照突變以及其他外界環(huán)境的影響，一般的建模后的背景很不清晰，而利用高斯混合模型是建

26、模提取背景比較有效的方法之一?；旌细咚贡尘澳Ｐ统跏蓟治龈鱾€(gè)高斯模型的均值由輸入視頻的第一幀決定，那么如果當(dāng)前像素點(diǎn)位置是運(yùn)動(dòng)對(duì)象所在區(qū)域，這是運(yùn)動(dòng)對(duì)象的像素值參與高斯模型初始化過(guò)程，所以也就導(dǎo)致了常規(guī)的高斯模型穩(wěn)定下來(lái)需要一定的幀數(shù)；由于視頻的多模態(tài)特性，背景的像素值會(huì)在多個(gè)像素值處波動(dòng)，而這些多個(gè)像素值一幫情況下都是比較接近的，所以初始化高斯模型時(shí)，把K-1個(gè)高斯模型的均值定義成0是不太合理的，這樣的話(huà)，由于學(xué)習(xí)速率不能太高，所以要經(jīng)過(guò)很多幀之后，這K-1個(gè)高斯分布才能趨近于背景或前景像素的分布，這段時(shí)間很有可能就漏掉了一些運(yùn)動(dòng)對(duì)象?；旌细咚贡尘敖Ａ鞒桃c(diǎn)1：將圖像中的每個(gè)圖像單位(像素

27、，塊等)看成是從混合高斯分布樣本中采樣得到的隨機(jī)變量；要點(diǎn)2：根據(jù)先驗(yàn)知識(shí)，每個(gè)像素點(diǎn)是前景或背景的先驗(yàn)概率可以估值；要點(diǎn)3：考慮到背景的多模態(tài)和復(fù)雜度，一般的混合高斯模型采用3-5個(gè)單高斯模型進(jìn)行混合。初始化混合模型參數(shù)，包括：l 每個(gè)高斯模型的所占權(quán)重l 每個(gè)高斯模型的均值和標(biāo)準(zhǔn)差l K個(gè)高斯模型的均值u：第一個(gè)高斯模型的均值等于輸入視頻的第一幀對(duì)應(yīng)的的像素值或處理單位的平均值，即： （2-1） 其中l(wèi) K個(gè)高斯模型的方差v：所有高斯模型的初始方差都是相等的，即： （2-2） var的取值直接與該視頻的動(dòng)態(tài)特性，因?yàn)闃?biāo)準(zhǔn)差的大小與各個(gè)高斯模型允許像素值的波動(dòng)范圍直接相關(guān)。高斯模型的權(quán)重w初

28、始化：權(quán)重的初始化就是對(duì)背景的分布進(jìn)行先驗(yàn)概率的估值，在初始化的時(shí)候，一般將第一個(gè)高斯模型的權(quán)重取較大，其他就相應(yīng)的取值較小，即： （2-3）高斯模型參數(shù)的更新l 每當(dāng)新的像素值輸入到高斯模型，都會(huì)對(duì)現(xiàn)有模型參數(shù)進(jìn)行更新，這就是高斯模型的學(xué)習(xí)過(guò)程?；镜膶W(xué)習(xí)流程如下所示：遍歷每個(gè)高斯模型，比較下式： （2-4）如果對(duì)于所有的顏色分量都成立，那么就把該像素歸于第B個(gè)高斯模型，否則，就不屬于任何一個(gè)高斯模型，這就相當(dāng)于出現(xiàn)了野點(diǎn)。以上兩種情況都需要做相應(yīng)的更新。l 情況1相應(yīng)的更新：情況1表示當(dāng)前的像素點(diǎn)的值滿(mǎn)足第B個(gè)高斯分布，那么這個(gè)像素并不一定屬于背景，需要判定這第B個(gè)高斯分布是否滿(mǎn)足以下條件

29、： （2-5）則說(shuō)明該像素點(diǎn)屬于背景點(diǎn)，否則就屬于前景點(diǎn)。如果該像素屬于背景點(diǎn)，那么就說(shuō)明第B個(gè)背景分布輸出了一個(gè)采樣值，這時(shí)所有分布都需要進(jìn)行參數(shù)更新。檢測(cè)結(jié)果是背景點(diǎn)時(shí)的高斯模型參數(shù)的更新對(duì)應(yīng)的第B個(gè)高斯模型參數(shù)更新如下：（2-6）其余的高斯模型只改變權(quán)值，均值和方差都保持不變，即： （2-7）其中檢測(cè)結(jié)果是野點(diǎn)時(shí)的高斯模型參數(shù)的更新野點(diǎn)指的是該像素值不符合任何一個(gè)高斯分布，此時(shí)我們把該像素點(diǎn)看成是視頻中出現(xiàn)的新情況，用這種新情況來(lái)代替第K個(gè)高斯分布，其權(quán)重和均值以及方差都按照初始化思路確定，也就是分配一個(gè)較小的權(quán)重，和一個(gè)較大的方差，即： （2-8）同時(shí)確定該點(diǎn)是前景點(diǎn)。背景建模流程的最

30、后一步最后一步就是把K個(gè)高斯模型按照優(yōu)先級(jí)別進(jìn)行從大到小的排序，這里的優(yōu)先級(jí)別取決于權(quán)值和方差之比，即 （2-9）上式直接說(shuō)明了在方差相等的情況下，權(quán)重越大，說(shuō)明就越趨向于背景分布；在權(quán)重相等的情況下，方差越小，也就是變量的分布越集中，那么就更加趨向于背景分布；反之，則趨向于前景分布。Matlab仿真實(shí)驗(yàn)Matlab的介紹MATLAB是矩陣實(shí)驗(yàn)室（Matrix Laboratory）的簡(jiǎn)稱(chēng)，是美國(guó)MathWorks公司出品的商業(yè)數(shù)學(xué)軟件，用于算法開(kāi)發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計(jì)算的高級(jí)技術(shù)計(jì)算語(yǔ)言和交互式環(huán)境，主要包括MATLAB和Simulink兩大部分。 MATLAB和Mathemat

31、ica、Maple并稱(chēng)為三大數(shù)學(xué)軟件。它在數(shù)學(xué)類(lèi)科技應(yīng)用軟件中在數(shù)值計(jì)算方面首屈一指。MATLAB可以進(jìn)行矩陣運(yùn)算、繪制函數(shù)和數(shù)據(jù)、實(shí)現(xiàn)算法、創(chuàng)建用戶(hù)界面、連接其他編程語(yǔ)言的程序等，主要應(yīng)用于工程計(jì)算、控制設(shè)計(jì)、信號(hào)處理與通訊、圖像處理、信號(hào)檢測(cè)、金融建模設(shè)計(jì)與分析等領(lǐng)域。 MATLAB的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué)、工程中常用的形式十分相似，故用MATLAB來(lái)解算問(wèn)題要比用C，F(xiàn)ORTRAN等語(yǔ)言完成相同的事情簡(jiǎn)捷得多，并且mathwork也吸收了像Maple等軟件的優(yōu)點(diǎn),使MATLAB成為一個(gè)強(qiáng)大的數(shù)學(xué)軟件。在新的版本中也加入了對(duì)C，F(xiàn)ORTRAN，C+ ，JAVA的支持?？梢?/p>

32、直接調(diào)用,用戶(hù)也可以將自己編寫(xiě)的實(shí)用程序?qū)氲組ATLAB函數(shù)庫(kù)中方便自己以后調(diào)用?；旌细咚鼓Ｐ妥兞砍跏蓟a利用matlab強(qiáng)大的函數(shù)庫(kù)對(duì)一個(gè)交通路口的一段視頻進(jìn)行了混合高斯建模提取的背景的方針測(cè)試，實(shí)驗(yàn)部分代碼如下：%更新每個(gè)像素的高斯模型for i=1:height for j=1:width match = 0; for k=1:C if (abs(u_diff(i,j,k) )的二值圖，T為閾值。 由于車(chē)輛有一定的寬度，車(chē)輛通過(guò)時(shí)必然會(huì)在圖像上留下記錄。對(duì)一維函數(shù)進(jìn)行統(tǒng)計(jì)分析，形成如圖4.4所示的曲線(xiàn)。在這條曲線(xiàn)上可以看到一些連續(xù)的值為1”的點(diǎn)，表示有車(chē)輛出現(xiàn);連續(xù)的值為“0”的點(diǎn)，

33、表示沒(méi)有車(chē)輛出現(xiàn)。圖4.3 檢測(cè)線(xiàn)上的圖像分割結(jié)果圖4.4 相對(duì)應(yīng)的車(chē)輛信息車(chē)流量計(jì)數(shù)根據(jù)虛擬檢測(cè)線(xiàn)上車(chē)輛的位置和相鄰幀間的運(yùn)動(dòng)關(guān)系來(lái)進(jìn)行車(chē)輛的計(jì)數(shù)。鄰幀間的運(yùn)動(dòng)關(guān)系可以描述為:用flag=1表示信息位為1, flag=0表示信息位為0。 (1)當(dāng)前幀某位置為flag=1時(shí): 如果上一幀中該位置為flag=1，則表明有車(chē)正通過(guò)檢測(cè)區(qū); 如果上一幀中該位置為flag=0，則表明車(chē)輛剛進(jìn)入檢測(cè)區(qū)。(2)當(dāng)前幀某位置為flag=0時(shí):2 如果上一幀中該位置為flag=1，則表明有車(chē)剛離開(kāi)檢測(cè)區(qū); 如果上一幀中該位置為flag=0，則表明無(wú)車(chē)進(jìn)入檢測(cè)區(qū)。 計(jì)數(shù)算法:通過(guò)上面的幀間關(guān)系可以看出，統(tǒng)計(jì)幀間

34、車(chē)輛信息的上升沿，并且是連續(xù)出現(xiàn)的“1。當(dāng)“1”的個(gè)數(shù)達(dá)到某個(gè)長(zhǎng)度時(shí)即認(rèn)為該位置有新車(chē)到來(lái)，進(jìn)行計(jì)數(shù)。擁堵級(jí)別評(píng)定擁堵評(píng)價(jià)指標(biāo)的建立是嚴(yán)格按照擁堵強(qiáng)度、擁堵范圍、擁堵時(shí)間二個(gè)參數(shù)來(lái)制定的，這二參數(shù)中的擁堵強(qiáng)度是本文的研究對(duì)像，它是通過(guò)交通流區(qū)域占有比例值與擁堵等級(jí)標(biāo)準(zhǔn)的聯(lián)系來(lái)反映交通擁堵輕重程度的一個(gè)重要指標(biāo)。國(guó)外比如美國(guó)已經(jīng)擁有了完善的交通擁堵評(píng)價(jià)系統(tǒng)CMS (congestionManagement System)。為了推動(dòng)暢通工程的開(kāi)展，我國(guó)公安部和建設(shè)部也制定了一系列科學(xué)、實(shí)用的交通擁堵評(píng)價(jià)體系。交通擁堵指數(shù)是交通擁堵評(píng)價(jià)體系的重要兀素之一，他是評(píng)價(jià)交通流擁堵?tīng)顟B(tài)的一個(gè)給定參照，區(qū)域比

35、例可以與相應(yīng)的擁堵指數(shù)對(duì)應(yīng)，輸出值越大就代表交通狀況越差，相反就表示當(dāng)前交通運(yùn)行狀況良好。圖4.5 擁堵及級(jí)別與擁堵指數(shù)對(duì)用表圖4.6 負(fù)荷度與交通流量擁堵等級(jí)的對(duì)應(yīng)對(duì)于本系統(tǒng)對(duì)交通負(fù)荷度的輸出判定結(jié)果有兩種，一種是交通流相對(duì)于路面區(qū)域的比例，另一種是車(chē)輛數(shù)與承載數(shù)的比例。要想在程序中得到一個(gè)對(duì)交通流飽和度的準(zhǔn)確評(píng)定，我們必須權(quán)衡兩者的重要性，根據(jù)國(guó)際慣例，對(duì)交通流擁堵?tīng)顟B(tài)的評(píng)價(jià)主要包含面積密度和個(gè)數(shù)密度，兩者對(duì)交通負(fù)荷度的影響的大小并不是本文所要考慮的問(wèn)題，因此我們可以假定交通流相對(duì)十路面區(qū)域比例P的“影響系數(shù)”為Ki，車(chē)輛數(shù)與承載數(shù)比例的“影響系數(shù)”為Kp，如果車(chē)輛個(gè)數(shù)為N，當(dāng)前選擇區(qū)域的

36、車(chē)輛最大負(fù)荷為G，則本系統(tǒng)的輸出負(fù)荷度應(yīng)為: （4-2）本章小結(jié)本章主要講述了計(jì)算車(chē)流量的一種法，主要是利用設(shè)置虛擬檢測(cè)線(xiàn)的方式，對(duì)經(jīng)過(guò)車(chē)輛進(jìn)行統(tǒng)計(jì)，得到單位時(shí)間內(nèi)，該路段的車(chē)流量信息，從而可以直觀的反映出，某段時(shí)間內(nèi)，該路段的交通擁堵情況，另外我們還可以通過(guò)交通流相對(duì)于路面區(qū)域的比例，來(lái)判斷擁堵情況?？偨Y(jié)與展望總結(jié)本文首先說(shuō)明了課題的研究背景、意義和現(xiàn)狀及系統(tǒng)總流程，接著介紹了利用混合高斯建模進(jìn)行交通背景的提取原理和過(guò)程，實(shí)現(xiàn)了交通流圖像背景與前景的區(qū)分。然后對(duì)采集圖進(jìn)行了包括腐蝕、膨脹、開(kāi)運(yùn)算，閉運(yùn)算等一系列圖像處理操作，接著利用上述圖像操作數(shù)據(jù)對(duì)交通流擁堵?tīng)顟B(tài)進(jìn)行評(píng)價(jià)。在文章的最后對(duì)智能

37、交通擁堵?tīng)顟B(tài)識(shí)別系統(tǒng)的各模塊進(jìn)行了分解，從縱向的角度去分析闡述了幾個(gè)主要模塊在功能實(shí)現(xiàn)上的連續(xù)性。 智能交通領(lǐng)域是一個(gè)和熱門(mén)并且很有吸引力的領(lǐng)域，同時(shí)也是一個(gè)很具有挑戰(zhàn)性的領(lǐng)域，圖形圖像與智能交通的知識(shí)碰撞給筆者帶來(lái)了對(duì)此領(lǐng)域進(jìn)行深入研究的巨大動(dòng)力，通過(guò)這一學(xué)期對(duì)本課題的設(shè)計(jì)工作，筆者也參閱了大量的相關(guān)文獻(xiàn)，著重從如何提高識(shí)別的效率，如何避開(kāi)外界環(huán)境波動(dòng)的影響，在如何克服交通流圖像的多樣性和復(fù)雜性上進(jìn)行研究，最終實(shí)現(xiàn)了交通擁堵智能識(shí)別系統(tǒng)的所有仿真實(shí)驗(yàn)，以下就此設(shè)計(jì)做一個(gè)總結(jié)。本文可以看作是對(duì)智能交通擁堵識(shí)別系統(tǒng)的分析，也可以看作是車(chē)輛擁堵識(shí)別技術(shù)基十圖像研究方面的算法和設(shè)計(jì)，更可以看作是對(duì)當(dāng)

38、前圖形圖像學(xué)中的物體識(shí)別統(tǒng)計(jì)研究方法的一種改進(jìn)，本文采用了從圖像的邊緣入手的進(jìn)行研究的設(shè)計(jì)思路，在這種圍繞邊界來(lái)考慮的實(shí)現(xiàn)過(guò)程中，首先對(duì)針對(duì)圖像的一些算法進(jìn)行了比較，并且排除了那些處理速度慢，效果差的算法。目前世面上的許多智能交通擁堵識(shí)別系統(tǒng)都是基十一種動(dòng)態(tài)的方式來(lái)進(jìn)行研究的，筆者認(rèn)為，靜態(tài)方式更有優(yōu)勢(shì)。通過(guò)本文可以看出來(lái)使用圖形圖像的方法來(lái)識(shí)別交通流的擁堵等級(jí)事實(shí)上也能擁有通過(guò)動(dòng)態(tài)技術(shù)進(jìn)行識(shí)別哪樣的檢測(cè)效果，但是在成本上卻能遠(yuǎn)遠(yuǎn)低十它，隨著計(jì)算機(jī)硬件系統(tǒng)的發(fā)展，在處理速度上給基十圖像的處理方式提供了很大的幫助，所以我們不必?fù)?dān)心處理效率問(wèn)題，軟件的性能在硬件設(shè)備的可靠性的基礎(chǔ)上得以提升。本文在

39、實(shí)際研究對(duì)象來(lái)自真實(shí)的道路交通環(huán)境，實(shí)驗(yàn)對(duì)像圖像來(lái)自一整段交通視頻錄像中的其中的一段視頻錄像，其格式為RGB模型的圖像，因?yàn)檫@段視頻的角度具有隨意性所以具有很強(qiáng)的代表性，實(shí)驗(yàn)結(jié)果表明本系統(tǒng)有很高的識(shí)別率，但因?yàn)楣P者水平有限，本系統(tǒng)在一些細(xì)節(jié)上并不完美，一個(gè)是因?yàn)闆](méi)有應(yīng)用到網(wǎng)絡(luò)視頻截圖批量輸入fu不能體現(xiàn)實(shí)時(shí)性要求。另一個(gè)是在預(yù)處理中的算法應(yīng)用上比較單一，雖然能夠減少處理時(shí)間但是導(dǎo)致圖像的輸出質(zhì)量不局。展望如今，計(jì)算機(jī)視覺(jué)領(lǐng)域發(fā)展迅速，智能監(jiān)控系統(tǒng)又是各國(guó)研究的熱點(diǎn)，具有廣闊的發(fā)展前景。本文主要對(duì)基于視頻序列的交通流量統(tǒng)計(jì)算法進(jìn)行研究，并且在常見(jiàn)算法的基礎(chǔ)上提出了一些改進(jìn)。由于本人現(xiàn)有個(gè)人能力和

40、時(shí)間有限，并且該領(lǐng)域涉及到的學(xué)科有計(jì)算機(jī)視覺(jué)、交通、自動(dòng)控制、圖像處理、模式識(shí)別，所以還有許多的方面沒(méi)有考慮到或者是存在需要改進(jìn)的地方。針對(duì)下一步研究，本文主要提出以下幾方面想法。(1)在進(jìn)行視頻處理的時(shí)候受外界光線(xiàn)影響，會(huì)產(chǎn)生一些陰影和噪聲，雖然有了一些有效的算法進(jìn)行陰影檢測(cè)和消除，但這樣破壞了前景目標(biāo)的輪廓形狀和特征產(chǎn)生了影響，而且這些額外的處理算法也增加了處理的時(shí)間，對(duì)智能監(jiān)控系統(tǒng)的實(shí)時(shí)性產(chǎn)生影響，也對(duì)接下來(lái)進(jìn)行的目標(biāo)識(shí)別和行為判斷等高級(jí)功能的分析判斷增加了難度。(2)本文只對(duì)晴天和陰天的效果進(jìn)行了研究，對(duì)雨雪天氣和夜間情況尚未進(jìn)行分析研究。由于夜間運(yùn)動(dòng)目標(biāo)和道路背景的特征區(qū)別不明顯，將

41、會(huì)對(duì)檢測(cè)統(tǒng)計(jì)的準(zhǔn)確度產(chǎn)生一定程度的影響。而且交通車(chē)流量在夜間的檢測(cè)統(tǒng)計(jì)，也是今后視頻處理技術(shù)的一個(gè)重要點(diǎn)所在，如何能在夜間準(zhǔn)確的對(duì)車(chē)輛進(jìn)行檢測(cè)和統(tǒng)計(jì)，還是目前該項(xiàng)課題研究中的一個(gè)比較有難度的課題。(3)隨著嵌入式技術(shù)水平的迅猛發(fā)展，使得嵌入式產(chǎn)品的體積很小，性能更加穩(wěn)定，做成的產(chǎn)品更是便于安裝和后期的升級(jí)維護(hù)，在DSP上完成基于視頻序列的交通流量統(tǒng)計(jì)是一個(gè)很有實(shí)用價(jià)值的課題。 總之，隨著計(jì)算機(jī)視覺(jué)技術(shù)與人工智能技術(shù)不斷的發(fā)展，基于視頻處理的ITS系統(tǒng)將會(huì)包含更多的功能，遇到的科研難題也將會(huì)更復(fù)雜，這些都巫待解決。對(duì)基于視頻的交通流量統(tǒng)計(jì)方法的研究也將繼續(xù)深入，研究的內(nèi)容也會(huì)更加的豐富，功能也將更加完善。因此，在未來(lái)研究中應(yīng)該不斷突破難點(diǎn)，使系統(tǒng)的準(zhǔn)確性更高、實(shí)用性更強(qiáng)。參考文獻(xiàn)1王力，王川久，沈曉蓉，范躍祖.智能交通系統(tǒng)中實(shí)時(shí)交通信息采集處理的新方法.系統(tǒng)工程.2夏紅霞，周宏，楊紅云.基于GIS/GPS車(chē)輛監(jiān)控系統(tǒng)實(shí)現(xiàn)及關(guān)鍵技術(shù).微機(jī)發(fā)展，.3宮曉燕.基于數(shù)據(jù)挖掘的交通流數(shù)據(jù)過(guò)濾算法.2003全國(guó)智能交通系統(tǒng)交通信息采集與融合技術(shù)研討會(huì)論文集.杭州，2003:163173.4吳淑琴.導(dǎo)航電子地圖標(biāo)準(zhǔn)化及基于GIS的交通流分析.中南大學(xué)碩士學(xué)位論文,2003.5茆詩(shī)松，周紀(jì)薌.概率論與數(shù)理統(tǒng)計(jì).北京:中國(guó)統(tǒng)計(jì)出版社