【正文】 S采用各種智能技術(shù)促進(jìn)公共交通的發(fā)展，如通過個人計算機(jī)、閉路電視等向公眾就出行時間方式、路線及車次選擇等提供咨詢，在公交車站通過顯示屏向候車者提供車輛的實(shí)時運(yùn)行信息。ETC 電子收費(fèi)系統(tǒng)應(yīng)用各種通訊和電子技術(shù)使得出行者和交通經(jīng)營管理機(jī)構(gòu)之間的交易變得更容易。美國交通部估計，若將ITS與新增容量相結(jié)合，可以將未來用于應(yīng)付交通擁擠而需擴(kuò)建基礎(chǔ)設(shè)施的費(fèi)用減少一半。針對陰影消除算法,研究了基于HSV顏色空間變換的陰影消除算法、基于色彩特征不變量的陰影消除算法和基于紋理特征的陰影消除算法。車輛計數(shù)模塊的主要功能是完成本文的車流量統(tǒng)計算法。若有，則報警并記錄現(xiàn)場情況，為交通部門事后處理提供確鑿的證據(jù)。 車輛檢測的處理流程，可以再細(xì)分為兩個步驟：候選區(qū)域確定和車輛確認(rèn)： 在車輛候選區(qū)域確定階段，需要確定車輛可能存在的區(qū)域，其它區(qū)域則被認(rèn)為沒有運(yùn)動目標(biāo)出現(xiàn)，從而不必再參與后續(xù)的處理。前者利用視頻幀之間的差分值進(jìn)行檢測，后者通過合并運(yùn)動矢量相同的區(qū)域進(jìn)行檢測。通常的做法就是突出目標(biāo)或消除背景。如果顏色差值小于某個閾值，則認(rèn)為時背景微變，使用新的背景色代替原先設(shè)定的參考色；如果對比后的顏色差值大于與先設(shè)好的閾值，那么認(rèn)為有車輛通過，可以據(jù)此實(shí)現(xiàn)車輛的通行檢測。 在實(shí)際應(yīng)用中，運(yùn)動的車輛目標(biāo)相對于路面平動而且方向與于圖像平面平行，因而形成了簡單的二維平移運(yùn)動。 除了使用濾波器，在最基本的單幀圖像間的差分方法外，人們自然的想到了多幀差分的方法。 這是一個最簡單最基本的背景差方法，描述了背景差的基本思想，實(shí)際環(huán)境中，背景圖像并非理想靜止?fàn)顟B(tài)，由于環(huán)境的復(fù)雜和運(yùn)動的多樣性，為滿足實(shí)際應(yīng)用的需要算法比這復(fù)雜的多。不恰當(dāng)?shù)拈撝颠x取會造成車輛的誤檢測，閾值過高會造成漏檢，閾值過低又會把背景檢測為車輛或?qū)⑾噜徿囕v檢測為同一輛車。因此，研究重點(diǎn)慢慢轉(zhuǎn)變?yōu)?，如何能夠更加有效的對參考圖像進(jìn)行更新。 選擇更新法的基本思想是只將沒有檢測到運(yùn)動的區(qū)域即真正的背景進(jìn)行更新。 假設(shè)運(yùn)動可以由一系列映射參數(shù)描述，對應(yīng)于同樣的表面和三維運(yùn)動的流量矢量將具有映射參數(shù)的相同集合。另外，三維物體的運(yùn)動投影到二維圖像的亮度變化，本身由于部分信息的丟失而使光流法存在孔徑問題(aperture problem即無法確定在與光流場等亮度線方向上的光流分量)和遮擋問題，用光流法估算二維運(yùn)動場會發(fā)生不確定，需要附加的假設(shè)模型來模擬二維運(yùn)動場的結(jié)構(gòu)。使用圖像的梯度來進(jìn)行邊緣檢測不但可以應(yīng)用到灰度圖像，而且可以通過計算RGB彩色空間中的梯度，直接將此方法應(yīng)用于拍攝到的彩色視頻中進(jìn)行車輛 檢測。 霍夫變換是一種用于區(qū)域邊界形狀描述的方法，經(jīng)典的霍夫變換常被用于直線段、圓和橢圓的檢測。因此，很多相關(guān)研究也在致力于對這兩方面做出改進(jìn)。由于在復(fù)雜的交通場景中具體需要分割出的車輛數(shù)目并非已知，因此事先預(yù)測可以正確分割圖像的區(qū)域數(shù)目是相對困難的。車輛跟蹤所依賴的仍然是視頻序列圖像的運(yùn)動信息，它要求將同一輛車在不同時間的運(yùn)動軌跡描述出來。根據(jù)處理方法不同，又可以分為以下幾類： 1)基于時域的運(yùn)動估計法 基于時域的跟蹤方法就是在時域上跟蹤車輛檢測模塊檢測出的一個個像素連通塊，這些塊區(qū)域表示檢測出的車輛。其跟蹤方法的主要思想是先初始勾勒出車輛的輪廓并且不斷地在后續(xù)幀更新輪廓進(jìn)而達(dá)到跟蹤的目的。 關(guān)于模型法，針對車輛的形狀作為模板，實(shí)現(xiàn)中的跟蹤方法又可以分為以下兩種： 1)以被跟蹤車輛目標(biāo)特征為基礎(chǔ)的跟蹤算法； 2)通過計算二維運(yùn)動區(qū)域與運(yùn)動目標(biāo)三維模型的對應(yīng)關(guān)系進(jìn)行目標(biāo)跟蹤。主動模型(Active Models)考慮了圖像本身的一些性質(zhì)，如顏色、紋理、邊緣、形狀等，并通過求能量函數(shù)的最小 值來跟蹤目標(biāo)。對研究Kalman跟蹤模型的改進(jìn)方法或?qū)ζヅ溥^程算法的改進(jìn)也是提高車輛運(yùn)動跟蹤效果的有效途徑。而跟蹤部分是根據(jù)運(yùn)動目標(biāo)的特征如形狀、運(yùn)動矢量等信息，對進(jìn)入場景的車輛進(jìn)行跟蹤與統(tǒng)計計數(shù)。第一類模型法中常用的有基于車輛特征的模型法和利用2維與3維場景對應(yīng)關(guān)系進(jìn)行3D建模的模型法。而如果在檢測階段使用性能良好的車輛檢測算法，對各車輛目標(biāo)實(shí)現(xiàn)準(zhǔn)確分割，那么同樣也可以簡化后續(xù)跟蹤階段的困難。均值法的中心思想是選取某點(diǎn)在一段視頻序列中灰度值的平均值代替該點(diǎn)的像素值。中值濾波是對單幀圖像空間采樣點(diǎn)上的濾波,并不能直接應(yīng)用于背景提取。2) 背景模型的更新。對于視頻序列中的每一個像素點(diǎn),其值在視頻序列中的變化可以看作是隨機(jī)過程,該隨機(jī)過程可以表示為式中為一幀圖像中坐標(biāo)為(x0,y0)的像素值,表示第幀圖像,從時間軸上看,這個隨即過程服從高斯分布：單高斯模型的建模過程如下:1) 初始化背景模型。3. 1. 2統(tǒng)計中值法統(tǒng)計中值法是由中值濾波的方法演變而來的。 3 實(shí)現(xiàn)過程 背景提取方法 均值法通過觀察視頻序列中連續(xù)的兩幀圖像,背景區(qū)域像素點(diǎn)的灰度值變化比較小,前景區(qū)域像素點(diǎn)的灰度值變化比較大,包括運(yùn)動目標(biāo)當(dāng)前所在區(qū)域和原來所在區(qū)域。而分割結(jié)果的好壞，又直接決定了后續(xù)的車輛跟蹤階段算法的選取與處理復(fù)雜度。而第二類方法在車輛檢測中的應(yīng)用常常有聚類和區(qū)域增長為代表的區(qū)域分割法和邊緣線提取的邊緣檢測方法等，這些傳統(tǒng)圖像處理方法由于算法成熟穩(wěn)定，在一定的應(yīng)用環(huán)境中也有很好的效果。其中車輛檢測是整個車輛跟蹤過程的基礎(chǔ)，主要是對交通場景視頻序列中的車輛進(jìn)行分割，將有可能是車輛的區(qū)域從復(fù)雜的交通場景中提取出來，以便進(jìn)行車輛的跟蹤計算。但在實(shí)際應(yīng)用中，為了獲得對圖像內(nèi)容的理解，在建立攝像機(jī)模型時需要測量攝像機(jī)與交通場景之間詳細(xì)的空間幾何特征，計算很大而且獲得有難度；另外，當(dāng)攝像機(jī)由于外力產(chǎn)生角度變化時可能會造成檢測失敗，而且對于遮擋情況下也會發(fā)生誤檢。另外，由于進(jìn)入攝像機(jī)拍攝范圍的車輛往往具有不同的角度和速度，因此往往會導(dǎo)致車輛在方向、位置、尺寸上產(chǎn)生很大的變化，因此單純以來特征提取對車輛進(jìn)行跟蹤具有相當(dāng)不確定性。而基于模型的車輛檢測方法的突出優(yōu)點(diǎn)是對于視頻幀的處理，不僅僅停留像素級別上，而是融合了對于圖像內(nèi)容的理解。 運(yùn)動估計的方法有基于光流方程(OFE，Optical Flow Equation)的方法、基于塊的分析方法、像素遞歸法、貝葉斯法等。車輛跟蹤與預(yù)測不是本文研究重點(diǎn)，所以只對目前常用的方法作概要介紹。 2．3 車輛跟蹤技術(shù) 對檢測出來的運(yùn)動車輛進(jìn)行跟蹤，也是ITS系統(tǒng)研究的焦點(diǎn)之一。 最早的k均值法的分割算法由Kottle提出，其聚類準(zhǔn)則利用了像素的三個特征：橫縱坐標(biāo)和灰度值，其中灰度值可以將屬于不同物體的像素分離，而坐標(biāo)則決定了像素的歸屬區(qū)域。 由于HT是根據(jù)局部度量來計算全面描述參數(shù)，因而具有很強(qiáng)的容錯性和魯棒性。因此典型的邊緣檢測算法遵循用鏈接過程把像素組裝成有意義的邊緣的方法。由于邊緣信息即使是在各種昏暗的光照環(huán)境下仍 較為明顯，因此當(dāng)圖像亮度發(fā)生變化時表現(xiàn)也較為穩(wěn)健。雖然在理想情況下光流與運(yùn)動場相對應(yīng)，但實(shí)際中也常有不對應(yīng)的時候，有時有運(yùn)動未必產(chǎn)生光流，而有時即使沒有發(fā)生運(yùn)動，在外部照明發(fā)生變化時，也可以觀測到光流。光流場反映了圖像上每一點(diǎn)灰度的變化趨勢，可看成是帶有灰度的像素點(diǎn)在圖像平面上運(yùn)動而產(chǎn)生的瞬時速度場，也是一種對真實(shí)運(yùn)動場的近似估計。 公式(2．3)的含義即為：在序列圖像中在N幀作為當(dāng)前幀，下一幀即第N+1幀圖像對應(yīng)時刻的背景，是將第N+1幀之前的所有圖像的每個像素點(diǎn)取灰度平均值。因?yàn)閿z像機(jī)采集到的視頻圖像必然受到外界光照變化以及其它背景中非檢測對象的運(yùn)動物體的影響，例如光照產(chǎn)生的車輛陰影及周邊建筑物陰影，背景中除車輛目標(biāo)外同樣運(yùn)動的行人等。閾值技術(shù)的核心是區(qū)分出前景和背景。 ②背景差法 背景差法是選取一幅固定交通場景的背景圖像作為參考圖像，將當(dāng)前待檢測的視頻幀和該參考圖像逐像素相減作差分，如果參考圖像選取得當(dāng)，理想情況 下差值圖像中非0的像素點(diǎn)表示了運(yùn)動物體，由此可以實(shí)現(xiàn)運(yùn)動車輛的較準(zhǔn)確提 取。由于將連續(xù)幀差方法運(yùn)用于車輛運(yùn)動檢測，效果往往不理想，因此有很多變種方法隨即產(chǎn)生。 ①幀差法 幀差法是將視頻序列中兩幀(或多幀)連續(xù)圖像逐像素相減，以去除基本不動的物體及背景。它以假設(shè)路面顏色與車輛顏色不同作為前提條件。 2．2．2 核心技術(shù) 車輛檢測的目標(biāo)是：針對視頻幀，區(qū)分出運(yùn)動的車輛目標(biāo)和道路背景。 因此，車輛檢測算法和人們預(yù)想的ITS中達(dá)到的要求還有很大差距，無論是識別性能還是處理速度都還有很大的發(fā)展?jié)摿Α＼囕v檢測的重要性不單局限于視頻交通流量統(tǒng)計系統(tǒng)，對于整個視頻智能交通系統(tǒng)，車輛檢測也是運(yùn)用最為廣泛、同時也是最為基礎(chǔ)的一個分支。 2 車流量統(tǒng)計算法相關(guān)研究 基于視頻的交通流量統(tǒng)計系統(tǒng)安裝調(diào)試方便，維護(hù)也很簡單，對路面和土木設(shè)施不會產(chǎn)生破壞，對道路交通狀況不會產(chǎn)生影響，具有直觀、可監(jiān)視范圍廣、 費(fèi)用較低等優(yōu)點(diǎn)，而且容易提供大量交通管理實(shí)時信息便于擴(kuò)展其它功能，因而 可廣泛應(yīng)用于交叉道口和公路干線的交通監(jiān)測系統(tǒng)中，具有廣闊的應(yīng)用前景。GMM背景更新模塊主要是實(shí)現(xiàn)本文的背景提取算法。同時，ITS的技術(shù)發(fā)展與市場需求也將會推動與其相關(guān)的產(chǎn)業(yè)發(fā)展，增加就業(yè)崗位，促進(jìn)社會經(jīng)濟(jì)的健康 本文主要硏究內(nèi)容和結(jié)構(gòu)安排本文的主要內(nèi)容分為以下四部分:1) 對車流量統(tǒng)計相關(guān)算法進(jìn)行了研究,針對目標(biāo)檢測算法,研究了光流法、幀間差分法和背景差分法。ITS通過提供各種有選擇的信息服務(wù)，能夠使得出行者的路徑選擇向網(wǎng)絡(luò)均衡和系統(tǒng)最優(yōu)方向接近，達(dá)到路網(wǎng)負(fù)荷的均勻化，實(shí)時監(jiān)控系統(tǒng)能夠迅速發(fā)現(xiàn)交通事故。本系統(tǒng)包括車輛故障與事故求援、事故救援派遣以及救援車輛優(yōu)先通行等部分，為使事件能在最短時間獲得解除，降低傷害的程度。本系統(tǒng)主要特色是強(qiáng)調(diào)子系統(tǒng)間協(xié)調(diào)與實(shí)時控制的功能，提供匝道控制、信號配時方案、事件管理以及替代路線導(dǎo)引的參考等。（6）交通運(yùn)輸安全報警系統(tǒng)。（2）交通監(jiān)控系統(tǒng)。特別是國家在“九五”期間，原國家科委與十幾個部委成立了全國智能運(yùn)輸系統(tǒng)協(xié)調(diào)指導(dǎo)小組及辦公室，將全球定位系統(tǒng)GPS(Global Positioning System)、地理信息系統(tǒng)GIS(Geographic Information System)以及管理信息系統(tǒng)MIS(Management Information System)簡稱為“3S”（GPS、GIS、MIS）作為重點(diǎn)項(xiàng)目予以支持，并初步啟動了ITS體系框架和標(biāo)準(zhǔn)體系的研究；“十五”期間，隨著各項(xiàng)技術(shù)成熟與發(fā)展，ITS應(yīng)用已經(jīng)成為社會的共識，為此科學(xué)技術(shù)部將“智能交通系統(tǒng)關(guān)鍵技術(shù)開發(fā)和示范工程”列入“十五”國家科技攻關(guān)計劃的重大項(xiàng)目。1999年，香港ITS發(fā)展戰(zhàn)略初步建立框架；將ITS應(yīng)用于香港地區(qū)戰(zhàn)略公路網(wǎng)（SRN）的研究已于1999年8月完成。從1987年開始，日本警察廳支持開發(fā)“先進(jìn)的車輛交通信息與通信系統(tǒng)”（AMTICS:Advanced Mobile Traffic Informationamp。 歐洲ITS的發(fā)展早在1969年，歐共體委員會就提出要在其成員國之間開展與交通控制相關(guān)的電子技術(shù)研究與開發(fā)工作。在組織或控制交通系統(tǒng)時，只是希望系統(tǒng)運(yùn)行秩序化，即盡可能達(dá)到高度組織化的程度，利用計算機(jī)和其他設(shè)備部分地替代交通主體——人，完成部分預(yù)測、處理和決策，在交通系統(tǒng)管理中更重要的還是人參與。為此在30多年前人們就提出了智能交通系統(tǒng)的概念，但對智能交通系統(tǒng)或智能運(yùn)輸系統(tǒng)（Intelligent Transportation Systems,ITS）進(jìn)行系統(tǒng)的研究始于20世紀(jì)80年代，從1994年起，智能交通系統(tǒng)這一術(shù)語得到全世界的廣泛承認(rèn)。本人完全意識到本聲明的法律后果由本人承擔(dān)。 shadow elimination 。 本文深入研究了車流量統(tǒng)計的相關(guān)算法,并給出了一種改進(jìn)的混合高斯模型算法和一種改進(jìn)的基于虛擬區(qū)域的車流量統(tǒng)計算法,最后用VC實(shí)現(xiàn)了一個車流量統(tǒng)計系統(tǒng),實(shí)驗(yàn)結(jié)果表明本文設(shè)計的系統(tǒng)能夠?qū)囕v目標(biāo)進(jìn)行準(zhǔn)確檢測與統(tǒng)計。本文主要研究ITS中基于視頻檢測技術(shù)的車流量統(tǒng)計方法,對所涉及的運(yùn)動目標(biāo)檢測、背景提取、陰影去除以及車輛統(tǒng)計等核心技術(shù)進(jìn)行了詳細(xì)的研究。同時,本文對上述算法進(jìn)行了實(shí)驗(yàn)對比分析。 GMM background update module is to achieve the background of this extraction algorithm 。對本研究提供過幫助和做出過貢獻(xiàn)的個人或集體，均已在文中作了明確的說明并表示了謝意。涉密論文按學(xué)校規(guī)定處理。其實(shí)質(zhì)就是采用現(xiàn)代高新技術(shù)對傳統(tǒng)的交通運(yùn)輸系統(tǒng)進(jìn)行改造而形成一種新型現(xiàn)代交通系統(tǒng)。 智能交通系統(tǒng)的發(fā)展 早在20世紀(jì)60年代，美國就開始進(jìn)行智能交通系統(tǒng)的先驅(qū)性研究，即電子路徑誘導(dǎo)系統(tǒng)研究（Electronic Route Guidance System,ERGS）。1986年，以奔馳為主的歐洲11家汽車公司進(jìn)行了民間主導(dǎo)的PROMETHEUS（Programme for European Traffic with Highest Efficiency and Unprecedented Safety）研究計劃，確定了四個基礎(chǔ)研究領(lǐng)域和三個應(yīng)用研究領(lǐng)域。Communication System）。中國早在20世紀(jì)70年代末就開始在交通運(yùn)輸和管理中應(yīng)用電子信息及自動控制技術(shù)，首先在北京、上海和廣州等大城市開始了交通信號控制的研究與開發(fā)，在全國主要的大城市使用了單點(diǎn)定周期交通信號控制器和線性協(xié)調(diào)交通信號控制系統(tǒng)；1978年，北京市在前三門大街試驗(yàn)自行開發(fā)的城市交通控制系統(tǒng)：“七五”期間，我國在南京試驗(yàn)自行研制開發(fā)的自適應(yīng)交通控制系統(tǒng)；其后，我國又有廣州、天津、深圳、大連等近20個城市建成了交通信號控制系統(tǒng)；80年代初開始，我國陸續(xù)引