论文部分内容阅读
由于社会经济的快速发展,车辆保有量迅速上升与城市道路发展滞后之间的矛盾日趋加剧。智能交通系统(ITS)能够有效缓解城市交通发展的矛盾,越来越受到各国政府的高度重视和大力支持,并掀起了智能交通基础理论与应用的研究热潮。交通监控系统的研究是智能交通系统的一个重要研究方向。准确实时的交通信息是交通监控的基础,直接影响着交通管理和控制的有效性。交通参数的获取有多种检测方法,基于视频的交通参数检测以其安装简单、检测范围大和信息丰富等优点正成为交通参数检测的主要手段。
本文研究了基于数字图像处理技术的实时交通监控系统的检测方法。通过单个CCD摄像机采集交通视频图像,经过图像采集卡进行A/D转换,形成计算机可以处理的数字图像数据,并且对图像进行滤波平滑和去除噪声等预处理,然后对预处理后的图像进行处理分析,得到一些交通信息参数如车辆速度和交通流量等,为交通控制提供有效的依据。
在交通参数信息采集过程中,准确获取运动目标的信息是交通参数信息采集基础。针对交通监控中的车辆检测,由于邻帧差法不能检测静止车辆,故本研究采用了基于背景图像差分法进行运动车辆的实时检测。为了消除背景图像差分法引入的阴影噪声,本文利用阴影与车辆之间的边缘信息,提出了基于车辆模板的阴影处理方法。为了获取更准确的车辆目标信息,在经过大量的实验处理分析之后,本文提出了基于灰度背景及边缘背景差分法,即综合灰度背景差分法和边缘背景差分法的结果。这种方法具有更好的稳定性,抗干扰能力较强,对环境的变化有较好的适应性。此外,还利用了背景图像的动态更新方法来提高车辆运动检测的准确性。
交通视频检测需要从视频图像信息中提取车辆目标的几何距离信息,这就需要在实际道路坐标系和图像坐标系之间建立一个视觉模型。为了简化标定运算,本文采取了摄像机模型从三维到二维的标定方法,达到系统标定目的。通过连通区域获取车长、车宽的象素值,把相应的象素值与世界坐标对应起来,获得实际的车长和车宽。为了减少计算量并提高检测的准确性,本文提出了由虚拟线圈作为触发器,开启速度检测线,检测车辆前端和车辆尾端通过检测线圈的时间信息,进而计算出车辆速度。对一些特殊状况(如车辆目标不完整、跨道行驶)进行判断,使得获取的交通参数更加精确。由于本文研究的算法是适用于交通状况良好,交通量较少,车辆行驶较快的情况,当发生交通阻塞时,算法并不适合。所以,本文还研究了如何对交通状况进行检测,以增加算法的适用性。
车型信息是一个重要的交通参数。基于标定的车型分类方法计算复杂,而且容易在测量和转换过程中引入误差。因此,本文提出了无标定的车型分类方法,即用车辆在图像中的位置代替车辆所处的世界坐标。考虑到检测的实时性要求,运动车辆的特征必须要有一定的抗干扰能力(如不随车辆的小角度旋转而变化),而且特征量的数目不宜过多。因此,本文提出把车辆在图像中的位置和车辆的强特征值(长度象素值)作为输入,车辆的类型作为输出。通过BP神经网络进行模拟仿真,该方法具有良好的分类效果。在论文的最后对整个论文的工作进行了总结,并对所存在的问题进行了讨论。