交通系统数据融合算法研究

发布时间：2020-05-25 21:35

【摘要】：车流量是智能交通系统检测的基础核心问题,通过车辆检测获取准确的交通流量、车速等交通参数是实施有效的道路引导、交通控制等交通管理的基础。传统的车辆检测方法一般都采用单类型的传感器,由于传感器受自身和周围环境的局限,检测结果不能全面反映实际情况。本研究课题将磁敏传感器和视频传感器获得的车辆信息融合,以解决车辆在不同状况下的信息不准确问题,提高车辆检测的准确率。目前,视频传感器检测已广泛用于交通道路中,但视频传感器对于光线变化敏感,易受天气、烟雾、光照等因素影响,而磁敏传感器不受上述因素的影响,但会受到车辆自身磁场的影响,检测数据也有一定的偏差,而且常常预埋在车道中,不便检修与施工。通过分析比较这两类传感器获得的检测数据,在融合服务器开发平台上设计并实现了基于视频检测和磁敏检测的融合框架和融合中心结构,该融合框架分检测和融合两个阶段,具有松耦合、可扩展等优点,融合中心结构采用模块化设计,把特征提取、数据关联和融合计算分层次进行。融合算法基于数据源可靠性的D-S(Dempster-Shafer)证据融合理论,将视频传感器和磁敏传感器采集到的数据进行融合,通过可靠性评估与概率重分配的手段弥补了经典理论中的数据不一致问题,提高了检测的准确度。通过视频数据采集客户端采集实时视频数据、磁敏数据采集客户端采集实时磁感数据,并将数据实时上传至服务器端进行融合与判断。实验结果表明,在不同的交通状况下,同白天和夜间情况下单一传感器检测结果相比,数据融合方法获得的车流量准确率最高可将单独依靠视频检测的准确率提高2.2%~53.4%,可以明显提高夜间恶劣环境状况下的准确率,同时在白天光线充足的情况下检测结果也有一定的提高。
【图文】：

监视区域,样本,背景

3 交通信息获取及融合技术框架时间序列的实际分布。当完成初始化后，系统每读入一帧样本图像，视频检测区域内的各像素点就按图 3.5示流程的模型更新、背景提取、背景判断三个步骤依次进行处理。下面四幅图是进行背景提取的示意图，采用 AKGMM 对如图 3.6 所示对视频样本进背景提取。图 3.7 是由各像素点的分布数 K 构成的图像，K 的大小用颜色深浅来表示，值越大则颜色越深；图 3.8 是图 3.6 中像素点 A 由 100 帧图像获得的混合高斯分布模型线，其中实线表示被启发式搜索算法归入背景子集的分布，虚线则是未归入背景子集的背景分布；图 3.9 是基于 AKGMM 的背景提取与更新算法的效果示意。该图各像素点值等于该像素点 AKGMM 主背景分布的均值，因此可以从该图衡量启发式背景提取法的效果。从图中可以看出，AKGMM 算法的背景提取效果还是基本正确的。

分布数,灰度,图像,背景

3 交通信息获取及融合技术框架时间序列的实际分布。当完成初始化后，系统每读入一帧样本图像，视频检测区域内的各像素点就按图 3.5示流程的模型更新、背景提取、背景判断三个步骤依次进行处理。下面四幅图是进行背景提取的示意图，采用 AKGMM 对如图 3.6 所示对视频样本进背景提取。图 3.7 是由各像素点的分布数 K 构成的图像，K 的大小用颜色深浅来表示，值越大则颜色越深；图 3.8 是图 3.6 中像素点 A 由 100 帧图像获得的混合高斯分布模型线，，其中实线表示被启发式搜索算法归入背景子集的分布，虚线则是未归入背景子集的背景分布；图 3.9 是基于 AKGMM 的背景提取与更新算法的效果示意。该图各像素点值等于该像素点 AKGMM 主背景分布的均值，因此可以从该图衡量启发式背景提取法的效果。从图中可以看出，AKGMM 算法的背景提取效果还是基本正确的。
【学位授予单位】：西安工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;U495

【参考文献】