基于视频的车流量统计系统研究

发布时间：2017-07-17 08:16

  本文关键词：基于视频的车流量统计系统研究

  更多相关文章： 智能交通系统 车流量统计 车辆跟踪 概率分类器 粒子滤波 K-means聚类

【摘要】：如今,伴着经济的快速发展,汽车数量与日俱增,使得道路交通承受着巨大压力,构建更加完善的智能交通系统迫在眉睫,交通信息的提取、处理以及分析对于实现交通系统的智能化至关重要。而基于视频的车流量检测技术正是智能交通系统研究的重要课题。本文在分析现有算法的基础上,对实际交通场景下车辆的检测、跟踪和统计做了相关研究,研究内容包括以下几个方面:运动车辆检测方面,实现了一种基于概率分类器的运动目标检测方法,利用每个像素点在连续帧的亮度矢量建立背景和前景概率模型,最后,依据这些概率将每个像素划分为背景或者前景,从而实现运动车辆的检测。运动车辆跟踪方面,研究了一种基于粒子滤波的目标跟踪算法,利用K-means算法对粒子进行聚类;然后借助背景信息和目标凸包分割或者合并聚类,来解决多目标粘连和单目标分离的问题,保证聚类与车辆一一对应;最后,通过对比相邻帧中粒子近邻的颜色直方图的相似度来跟踪运动车辆。车流量统计方面,基于虚拟检测线的车辆计数算法不可避免地会出现漏检和误检问题,针对这一问题,提取并结合了两种图像信息:目标与检测线相对位置信息和检测线像素值变化信息,提出了一种车流量分割计数方法用于提高准确率。首先确定车辆和检测线的相对位置,然后结合检测线上像素值的波形变化规律对车辆数目进行统计。这种方法可以极大程度地减少车辆漏检和误检问题。利用Visual Stdio 2010并结合OpenCV开发了一个测试系统来实现本文研究的算法,并且利用实验来检验算法的实际效果。我们选取多种不同场景下采集的交通视频,并对其进行了测试和结果分析,实验结果表明,本算法在准确性和稳定性方面都达到了理想的效果,各车道的准确率均在95%以上。
【关键词】：智能交通系统 车流量统计 车辆跟踪 概率分类器 粒子滤波 K-means聚类
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;U495
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 绪论9-14
• 1.1 研究背景及意义9-10
• 1.2 国内外研究现状10-12
• 1.3 本文的研究内容和结构12-14
• 第二章 预处理与运动目标检测14-33
• 2.1 图像预处理14-22
• 2.1.1 图像滤波14-20
• 2.1.2 图像增强20-22
• 2.2 常用的运动目标检测方法22-26
• 2.2.1 光流法22-23
• 2.2.2 帧差法23-24
• 2.2.3 背景差法24-26
• 2.3 基于概率分类器的目标检测算法26-31
• 2.4 本章小结31-33
• 第三章 运动目标跟踪33-49
• 3.1 常用的运动目标跟踪方法33-36
• 3.1.1 模型跟踪法33-34
• 3.1.2 特征跟踪法34
• 3.1.3 区域跟踪法34-35
• 3.1.4 动态轮廓跟踪法35-36
• 3.2 粒子滤波理论36-41
• 3.2.1 贝叶斯框架36-37
• 3.2.2 蒙特卡罗方法37-38
• 3.2.3 粒子滤波的基本思想38
• 3.2.4 粒子滤波的基本原理38-40
• 3.2.5 粒子滤波算法的基本流程40-41
• 3.3 基于粒子滤波的目标跟踪算法41-48
• 3.3.1 粒子检测42-43
• 3.3.2 K-means聚类43-44
• 3.3.3 聚类分割与合并44-47
• 3.3.4 车辆跟踪47-48
• 3.4 本章小结48-49
• 第四章 车流量统计49-57
• 4.1 常用车辆计数方法49-52
• 4.1.1 基于目标匹配的车量计数方法49-50
• 4.1.2 基于区域标记的车辆计数方法50-51
• 4.1.3 基于虚拟线圈的车流量统计算法51
• 4.1.4 基于虚拟检测线的车辆计数方法51-52
• 4.2 基于检测线波形变化的车辆计数方法52-56
• 4.2.1 本文前期算法53-54
• 4.2.2 基于前期算法的改进54-56
• 4.3 本章小结56-57
• 第五章 系统设计与实验分析57-65
• 5.1 软件设计方法57-58
• 5.2 软件的运行环境58
• 5.2.1 硬件环境58
• 5.2.2 软件环境58
• 5.3 软件界面及功能58-61
• 5.3.1 软件系统界面58-59
• 5.3.2 软件各功能模块59-61
• 5.4 实验与结果分析61-64
• 5.5 本章小结64-65
• 第六章 总结与展望65-67
• 6.1 总结65
• 6.2 展望65-67
• 参考文献67-71
• 攻读学位期间取得的研究成果71-72
• 致谢72

【相似文献】

中国期刊全文数据库 前10条

1 张晓媚;陈伟海;刘敬猛;赵志文;;基于柔性曲杆的车辆跟踪算法设计与实现[J];北京航空航天大学学报;2011年07期

2 郭锋;王秉政;杨晨晖;;复杂背景下车辆跟踪的改进算法及逆行检测[J];图学学报;2013年04期

3 刘青;张晓晖;陈建新;侯云;;基于先验知识的高速公路逃费车辆跟踪算法研究[J];公路工程;2013年04期

4 杨敏;裴明涛;王永杰;董震;武玉伟;;一种基于运动目标检测的视觉车辆跟踪方法[J];北京理工大学学报;2014年04期

5 黄福献;车辆跟踪管理系统简介[J];汽车运用;2001年06期

6 曹智英;;基于学习机制的时空车辆跟踪与索引框架[J];现代计算机;2007年05期

7 朱华林;;基于高清视频检测和高清图片识别的车辆跟踪系统设计[J];交通世界(运输.车辆);2011年07期

8 曾智洪;高速公路中的行车道检测和车辆跟踪(英文)[J];自动化学报;2003年03期

9 周志宇,汪亚明,曹丽;基于模糊聚类和α-β-γ滤波的车辆跟踪[J];浙江工业大学学报;2004年01期

10 陈继红;;基于3G技术的车辆跟踪服务系统的研究[J];物探装备;2008年03期

中国重要会议论文全文数据库 前3条

1 杨华;邹月娴;刘志刚;时广轶;关佩;王一言;;基于视频的复杂交通场景车辆跟踪技术研究[A];第六届全国信息获取与处理学术会议论文集（1）[C];2008年

2 孙燎原;石川;张杨;;基于GoogleMaps的车辆跟踪态势显示系统研究与实现[A];第十六届全国青年通信学术会议论文集（上）[C];2011年

3 张晖;董育宁;夏洋;;一种基于改进的GVF-Snake模型的车辆跟踪算法[A];第十三届全国图象图形学学术会议论文集[C];2006年

中国重要报纸全文数据库 前4条

1 神州通信有限公司GIS部 廖志杰;构建中国空间信息服务网络平台系统(六)[N];通信产业报;2004年

2 中国全球定位系统技术应用协会GPS信息咨询服务部 曹冲;GPS上车[N];计算机世界;2002年

3 本报记者 杨滨;打牢百年精品客专的基石[N];人民铁道;2010年

4 庞伟燕;用科技编织安全网[N];中国邮政报;2011年

中国博士学位论文全文数据库 前3条

1 吴刚;基于粒子滤波与增量学习的车辆跟踪方法研究[D];南京理工大学;2014年

2 徐旭;复杂环境下的车辆目标跟踪技术研究[D];吉林大学;2013年

3 王军伟;ITS中运动车辆自动跟踪方法的研究[D];中国农业大学;2003年

中国硕士学位论文全文数据库 前10条

1 徐晓娟;基于视频的车辆跟踪算法研究[D];长安大学;2015年

2 高冬冬;基于车辆跟踪轨迹的停车和逆行检测研究[D];长安大学;2015年

3 董艳梅;基于相关滤波器的目标跟踪技术[D];北京理工大学;2015年

4 陈国斌;动态车辆的自动跟踪算法研究[D];石家庄铁道大学;2014年

5 宋耀;交通监控视频中的车辆异常行为检测[D];南京邮电大学;2015年

6 郝学森;基于车辆跟踪的两种算法研究[D];辽宁科技大学;2015年

7 王翌清;车辆路口滞留违章自动取证系统关键技术研究及实现[D];上海交通大学;2015年

8 左新伟;面向模糊视频的车辆目标跟踪算法研究[D];大连海事大学;2016年

9 金龙;复杂场景下车辆跟踪研究[D];南京航空航天大学;2015年

10 潘晓旭;车载视频的运动目标检测与跟踪算法研究[D];长春工业大学;2016年

，

本文编号：552666