【正文】 traffic statistics , and gives an improved Gaussian mixture model algorithm and an improved algorithm for virtual regional traffic statistics based on the last one with VC traffic statistics system , the experimental results This design shows that the system can accurately detect vehicle targets and statistics . Keywords : Intelligent Transportation Systems 。 traffic 畢業(yè)設(shè)計(jì)（論文）原創(chuàng)性聲明和使用授權(quán)說(shuō)明 原創(chuàng)性聲明 本人鄭重承諾：所呈交的畢業(yè)設(shè)計(jì)（論文），是我個(gè)人在指導(dǎo)教師的指導(dǎo)下進(jìn)行的研究工作及取得的成果。 作者簽名： 日 期： 學(xué)位論文原創(chuàng)性聲明 本人鄭重聲明：所呈交 的論文是本人在導(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究所取得的研究成果。 作者簽名： 日期： 年 月 日 學(xué)位論文版權(quán)使用授權(quán)書(shū) 本學(xué)位論文作者完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。近 20年來(lái)，世界各國(guó)先后建立四通八達(dá)的交通運(yùn)輸網(wǎng)絡(luò)，但交通工具的增長(zhǎng)速度遠(yuǎn)遠(yuǎn)高于道路和其他 交通設(shè)施 的增長(zhǎng)，因此隨之引起 交通擁堵 、 交通事故 、環(huán)境污染、能源短缺等問(wèn)題已經(jīng)成為世界各國(guó)面臨的共同的問(wèn)題，也造成了巨大的物質(zhì)與經(jīng)濟(jì)損失。 ITS 是將駕駛員、交通工具和道路、環(huán)境三位一體來(lái)考慮。在系統(tǒng)工程綜合集成的總體思路指導(dǎo)下，建立起一種在大范圍內(nèi)全方位發(fā)揮作用的實(shí)時(shí)、準(zhǔn)確、高效的運(yùn)輸綜合體系 [1][2][3]。 ITS 的發(fā)展將推 動(dòng)運(yùn)輸進(jìn)入信息時(shí)代，是 21世紀(jì)現(xiàn)代交通運(yùn)輸系統(tǒng)的發(fā)展方向。此后，美國(guó)進(jìn)行 “智能化車輛 ——道路系統(tǒng) ”（ Intelligent VehicleHighway System,IVHS）方面的研究； 1990年美國(guó)運(yùn)輸部成立了智能化車輛道路系統(tǒng)組織； 1991年美國(guó)國(guó)會(huì)通過(guò)了 “綜合地面運(yùn)輸效率法案 ”，發(fā)展經(jīng)濟(jì)上有效、環(huán)境上友好的國(guó)家級(jí)綜合地面運(yùn)輸系統(tǒng)，以提高 客運(yùn) 和 貨運(yùn) 的運(yùn)輸效率。 1985年，在法國(guó)的積極倡導(dǎo)和推動(dòng)下，歐洲開(kāi)始了一項(xiàng)名為 “由里卡 ”（ Eureka）的高新科技研究與開(kāi)發(fā)計(jì)劃，制定了包括交通技術(shù)在內(nèi)的九大重點(diǎn)研究領(lǐng)域，包括以車輛的研究開(kāi)發(fā)為主體的 PROMETHEUS 研究計(jì)劃和以道路基礎(chǔ)設(shè)施開(kāi)發(fā)為主體的 DRIVE 研究計(jì)劃。 隨后在 1995年，歐洲又開(kāi)始一項(xiàng)新的研究計(jì)劃 ——PROMOTE（ Programme for Mobility in Transportation in Europe），該計(jì)劃的主要目的是實(shí)現(xiàn)道路交通管理系統(tǒng)和安全系統(tǒng)。Communication System）； 1989年，建設(shè)省又將 RACS 升級(jí)為 “先進(jìn)的道路交通系統(tǒng) ”（ ARTS:Advanced Safety vehicle）；通產(chǎn)主導(dǎo)研究 開(kāi)發(fā)了 “超智能車輛系統(tǒng) ”（ SSVS:Super Smart Vehicle System）。目前日本的 ITS研究與應(yīng)用開(kāi)發(fā)工作主要圍繞三個(gè)方面進(jìn)行，它們分別是：汽車信息和通信系統(tǒng)VICS（ Vehicle Information and Communication System）、 不停車收費(fèi) 系統(tǒng) ETC（ Electronic Toll Collection）、先進(jìn)道路支援系統(tǒng) AHS（ Advanced Highway System）。 20xx年 3月，香港完成了交通信息中心的可行性研究報(bào)告，報(bào)告對(duì)交通信息技術(shù)進(jìn)行了深入的評(píng)估，并探討如何將這些技術(shù)整合起來(lái)在香港形成一個(gè)現(xiàn)代的信息系統(tǒng)。隨著研究的不斷深入，學(xué)術(shù)交流活動(dòng)也日益增多。目前該項(xiàng)目已經(jīng)全面啟動(dòng)，首批確定了北京、上海、天津、重慶、廣州、濟(jì)南、青島、杭州、深圳和中山 10各城市作為智能交通試點(diǎn)示范城市。目前，我國(guó)已經(jīng)建立或正在研究開(kāi)發(fā)的智能交通系統(tǒng)主要包括以下方面： （ 1）交通信號(hào)控制系統(tǒng)。我國(guó)多數(shù)城市已經(jīng)建立了以電視攝像為主體的交通監(jiān)控系統(tǒng)。利用交通控制系統(tǒng)和交通信息系統(tǒng)等進(jìn)行動(dòng)態(tài)信息顯示。利用 GPS/GIS 等的功能。Electronic Toll Collection,EPSamp。 （ 2）先進(jìn)的出行者信息系統(tǒng) ATIS ATIS 由先進(jìn)的信息、通訊及其他相關(guān)技術(shù)，提供出行者必要的信息，使其能在車內(nèi)、家里、辦公室、車站、途中等地點(diǎn)方便地取得所需地出行信息，作為出行方式與路線選擇的決策參考，以順利到達(dá)目的地。城市智能交通信號(hào)控制方法及 仿真研究 CVO 系統(tǒng)利用前述 ATMS、 ATIS 與 AVCSS 技術(shù)于商業(yè)營(yíng)運(yùn)車輛，例如車輛自動(dòng)識(shí)別技術(shù)、車輛自動(dòng)定位技術(shù)、車輛自動(dòng)分類技術(shù)等，提供企業(yè)內(nèi)部勞動(dòng)生產(chǎn)率，提升運(yùn)輸效率及安全，改進(jìn)對(duì)突發(fā)事件的反應(yīng)能力，改善車隊(duì)管理和交通狀況，并減少運(yùn)輸成本，提高生產(chǎn)力。 （ 6）電子付費(fèi)與電子收費(fèi)系統(tǒng) EPSamp。智能交通系統(tǒng)將緩解擁擠、減少交通事故、降低交通環(huán)境影響以及提高效率等方面產(chǎn)生可觀的社會(huì)經(jīng)濟(jì)效益。先進(jìn)的交通信號(hào)控制系統(tǒng)能夠根據(jù)實(shí)際情況調(diào)整信號(hào)控制，可大大減少行車延誤，實(shí)現(xiàn)道路資源的高效使用。如美國(guó)人口不足世界人口的 5%，但能源消耗占了全世界總消耗的 30%以上，其中交通運(yùn)輸所消耗的能源占了 1/4，而其中 95%是石油。針對(duì)背景提取算法 ,研究了均值法、統(tǒng)計(jì)中值法、單高斯背景模型法和混合高斯背景模型 法 。 3) 給出了一種改進(jìn)的基于虛擬區(qū)域的車流量統(tǒng)計(jì)算法 ,首先設(shè)置檢測(cè)區(qū)域和檢測(cè)線 ,然后跟蹤檢測(cè)區(qū)域中車輛的質(zhì)心到檢測(cè)線的距離 ,如果 小于 7認(rèn)為有一輛車輛通過(guò) ,通過(guò)實(shí)驗(yàn)驗(yàn)證 ,本文算法的準(zhǔn)確率能達(dá)到 90%左右。前景構(gòu)建模塊的主要功能是通過(guò)陰影去除和形態(tài)學(xué)操作得到較好的前景圖像 。然后介紹了常用的背景構(gòu)建算法 ,包括統(tǒng)計(jì)中值法、均值法、單高斯模型法和混合高斯模型法 ,并進(jìn)行了實(shí)驗(yàn)對(duì)比。具體講，它可以為智能交通系統(tǒng)提供如下的功能和數(shù)據(jù)： 1)實(shí)時(shí)檢測(cè)并跟蹤所監(jiān)視區(qū)域內(nèi)的目標(biāo)車輛，記錄其位置、行駛速度以及 尺寸等特征信息； 2)實(shí)時(shí)自動(dòng)地統(tǒng)計(jì)并記錄當(dāng)前道路上車流的統(tǒng)計(jì)參數(shù)，例如車速、等待時(shí) 間、道路占有率、車流量等，并對(duì)堵車等特殊的車流狀況 進(jìn)行判斷并作出及時(shí)信 息反饋； 3)自動(dòng)識(shí)別感興趣車輛的車牌號(hào)碼和車輛類型； 4)實(shí)時(shí)檢測(cè)監(jiān)視區(qū)域內(nèi)的車輛有無(wú)違章行為 (包括越線、超速等 )和事故 發(fā)生。其中車輛檢測(cè)部分是研究重點(diǎn)。在幾乎所有的 ITS 中車輛檢測(cè)都是必不可少的一步。此階段一般根據(jù)視頻序列的空間特性來(lái)分割視頻對(duì)象，它常常是把每一幀圖像都當(dāng)成是一幅靜態(tài)圖像，依靠經(jīng)典圖像處理技術(shù)進(jìn)行處理。 近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)視頻圖像的運(yùn)動(dòng)目標(biāo) 檢測(cè)進(jìn)行了許多研究，比較常用的方法有基于檢測(cè)線的圖像差分法和光流場(chǎng)法。為此有人提 出許多方法的融合改進(jìn)，如基于邊緣的背景去除法，但該類方法存在著由于運(yùn)動(dòng)目標(biāo)邊緣與背景邊緣可能有一定交迭，使部分運(yùn)動(dòng)目標(biāo)信息被去除的缺點(diǎn)。這一過(guò)程往往是結(jié)合視頻序列所提供的時(shí)空特性來(lái)進(jìn)行的，通過(guò)分析連續(xù)畫(huà)面間的變化部分，抽出運(yùn)動(dòng)目標(biāo)的特性來(lái)判斷其運(yùn)動(dòng)狀況。而另一類方法，是傳統(tǒng)的圖像分割方法在車輛檢測(cè)階段的應(yīng)用。實(shí)現(xiàn)中，首先在視頻序列的每一幀中相同位置上設(shè)定一條虛擬的檢測(cè)線 (如圖 2． 3 中 的虛線所示 )，然后根據(jù)假設(shè)，通過(guò)檢測(cè)線的車輛的顏色與檢測(cè)線所在的路面的顏色是不同的，因此計(jì)算機(jī)首先獲取檢測(cè)線所在路面顏色作為參考，然后定時(shí)與當(dāng)前視頻幀中檢測(cè)線所在位置的顏色進(jìn)行對(duì)比。另外，在多車道環(huán)境中，當(dāng)同時(shí)有多輛汽車經(jīng)過(guò)虛線區(qū)域時(shí)，這方法就會(huì)失效。理想情況下由于背景在多幅連續(xù)幀中基本不變化，因此差分后圖像的非 0部分表明對(duì)應(yīng)像素發(fā)生了移動(dòng)，由此可以將圖像中運(yùn)動(dòng)的車輛目標(biāo)突顯出來(lái)。 因?yàn)閮蓭曨l圖像之間的時(shí)間間隔一般很短，所以差分后的圖像受光線變化的影響很小，檢測(cè)相對(duì)穩(wěn)定。 首先是使用圖像濾波的方法，減少噪聲帶來(lái)的干擾，這一方法簡(jiǎn)單易行，但它的優(yōu)點(diǎn)是以誤過(guò)濾掉某些緩慢運(yùn)動(dòng)或微小運(yùn)動(dòng)物體的差分信號(hào)為代價(jià)的。 另外，幀差圖像還可以 由兩組屬于相鄰圖像幀的像素 (如相鄰的四個(gè)元素 )的均值相減得到。 則車輛檢測(cè)可表示為：當(dāng)公式中 V(i,j)=1 表示對(duì)應(yīng)像素為車輛區(qū)域，反之V(i， j)=0 表示該區(qū)域?yàn)楸尘皡^(qū)域。閾值分全局閾值和局部閾值兩種，前者只用一個(gè)閡值來(lái)對(duì)整個(gè)圖像進(jìn)行二值化，后者先將一幀圖像劃分為若干個(gè)子圖像，對(duì)每個(gè)子圖像再確定相應(yīng)的閾值。每一個(gè)像素點(diǎn)確定一個(gè)閡值，其兩邊分別是前景和背景。 和閾值設(shè)定一樣，對(duì)于背景參考圖像的選取也是背景差法的研究重點(diǎn)。這些都使得單純確定一幅交通場(chǎng)景背景圖像作為參考產(chǎn)生了明顯的缺陷。法和選擇更新 (Selective Updating)法。多幀平均法的缺點(diǎn)在于對(duì)場(chǎng)景改變過(guò)于敏感性，而這種改變并不總是由車輛運(yùn)動(dòng)引起的，同時(shí) K 的正確取值也是個(gè)難題。 國(guó)內(nèi)也有學(xué)者在選擇更新背景前進(jìn)一步加入了背景調(diào)整步驟，即首先計(jì)算當(dāng)前幀和上幀圖像 間的平均灰度之差，若差值大于設(shè)定閾值，則認(rèn)為當(dāng)前幀的平均灰度發(fā)生突變，就要在背景圖像上逐像素加上此差值。研究光流場(chǎng)的目的就是為了從序列圖像中近似計(jì)算不能直接得到的運(yùn)動(dòng)場(chǎng)。 在比較理想的情況下，光流場(chǎng)法能夠檢測(cè)獨(dú)立運(yùn)動(dòng)的對(duì)象，不需要預(yù)先知道場(chǎng)景的任何信息，可以很精確地計(jì)算出運(yùn)動(dòng)物體的速度，并且可用于攝像機(jī)運(yùn)動(dòng)的情況。其次，在缺乏足夠的灰度等級(jí)變化的區(qū)域，實(shí)際運(yùn)動(dòng)也往往觀測(cè)不到。因此，傳統(tǒng)的圖像處理方法在車輛檢測(cè)中也有較廣泛的應(yīng)用，下面僅對(duì)某幾種常用方法作簡(jiǎn)要介紹。 由于邊緣是圖像上變化比較劇烈的地方，因此在數(shù)學(xué)上使用梯度來(lái)表示變化。 Canny 邊緣檢測(cè)利用 Gauss 函數(shù)的一階微分濾波器進(jìn)行濾波，能在噪聲抑制和邊緣檢測(cè)之間取得比較好的平衡。一種常用的處理方式是采用 Hough 變換。而其推廣 的廣義霍夫變換 (General Hough Transformation GHT)可以將檢測(cè)推廣到任意形狀。但是， GHT 也有幾個(gè)較大的缺陷：首先由于每個(gè)邊緣點(diǎn)映射成參數(shù)空間的一個(gè)曲線，是一對(duì)多的映射，因此計(jì)算量大，占用內(nèi)存空問(wèn)大；其次是提取的參數(shù)受參數(shù)空間的量化間隔制約。下面主要介紹一種基于聚類的區(qū)域分割方均值聚類法在車輛檢測(cè)中的使用。這種方法考慮到了像素所屬物體在空間上的連 續(xù)性，但缺點(diǎn)是分割區(qū)域的數(shù)目要作為算法處理的初始參數(shù)。由于算法產(chǎn)生的最后分割區(qū)域數(shù)目不固定，產(chǎn)生的每一個(gè)區(qū)域塊屬于單一物體，但一個(gè)物體卻可能包含多個(gè)區(qū)域，因此需 要后續(xù)的融合操作將多個(gè)區(qū)域合并為單個(gè)的感興趣區(qū)域 (Region Of Interesting， ROI)。由于視頻監(jiān)視器中的運(yùn)動(dòng)車輛目標(biāo)跟蹤不但可以提供被監(jiān)視目標(biāo)的運(yùn)動(dòng)軌跡，也為進(jìn)入場(chǎng)景中目標(biāo)的運(yùn)動(dòng)分析和場(chǎng)景分析提供了可靠的數(shù)據(jù)來(lái)源，因此不但是在交通流量統(tǒng)計(jì)中得到車速、車流量等的基礎(chǔ)，也在輔助駕駛、自動(dòng)導(dǎo)航、交通監(jiān)控、事故檢測(cè)等方面發(fā)揮著重要的作用。具體說(shuō)有：基于區(qū)域匹配相關(guān)的方法、基于特征點(diǎn)的跟蹤算法、基于變形模板的跟蹤方法、基于 3． D 模型的運(yùn)動(dòng)目標(biāo)跟蹤方法等。 2． 3． 2 核心技術(shù) 2． 3． 2． 1 非模型方法 非模型法的特點(diǎn)是將視頻監(jiān)視器中獲取的視頻序列中的車輛目標(biāo)作為一組像素的集合進(jìn)行處理。在匹配不同圖像幀中表示同一車輛的運(yùn)動(dòng)塊的過(guò)程中，可以得到被跟蹤車輛在 n幀序列圖像中的形態(tài)演變，因而也就有可能預(yù)測(cè)其在 n+l幀中的形狀，從而能糾正車輛圖像的誤分割情況，如運(yùn)動(dòng)塊突然出現(xiàn)、消失以及形狀突變等。 2)基于動(dòng)態(tài)輪廓的方法 基于動(dòng)態(tài)輪廓的方法實(shí)質(zhì)上是對(duì)待檢測(cè)圖像中的一組像素進(jìn)行檢測(cè)和跟蹤， 屬于非模型方法。 但是基于動(dòng)態(tài)輪廓的方法也有其自身的缺點(diǎn)：在陰影和道路擁擠的情況下其效果會(huì)變得很差，因?yàn)殛幱昂蛙囕v之間的遮擋都會(huì)將本來(lái)相鄰的多個(gè)連通塊變?yōu)橐粋€(gè)，造成漏檢和誤檢。 在視頻交通流量統(tǒng)計(jì)系統(tǒng)中，車輛運(yùn)動(dòng)目標(biāo)是剛體，不同于行人等非剮體目標(biāo)，因此對(duì)車輛目標(biāo)的跟蹤可以利用其精確的外形先驗(yàn)知識(shí)，即以形狀作為模型匹配的模板，這是使用模型法進(jìn)行車輛目標(biāo)跟蹤的前提。匹配特征的選取一般包括那些與物理運(yùn)動(dòng)關(guān)系密切的信息，如位置、大小等，以及目標(biāo)的形狀拐點(diǎn)和顏色等，或?qū)⑦@些特征按照重要性進(jìn)行權(quán)重組合來(lái)表示車輛。 此外車輛的其它特征也受到了廣泛關(guān)注。這種算法是一個(gè)二維到三維的匹配過(guò)程，將這些像素看作是三維世界中的車輛在二維圖像平面上的投影，經(jīng)過(guò)與預(yù)先建立的模型在圖像塊同一位置的投影相匹配，直接得到車輛的長(zhǎng)、寬、高及車輛類型等信息。 特別需要指出的是，目前采用 Kalman 濾波模型進(jìn)行車輛運(yùn)動(dòng)跟蹤是解決跟蹤問(wèn)題的研究。但對(duì)車輛擁擠、遮擋情況下的跟蹤處理仍有很大局限性。后期的車輛運(yùn)動(dòng)估計(jì)、車