【導(dǎo)讀】日俱增，引發(fā)了越來越多的交通事故和道路擁堵，造成了巨大的財產(chǎn)損失和人員傷亡。和安全有著非常重要的應(yīng)用價值。目前，公路監(jiān)控系統(tǒng)大多采用感應(yīng)式線圈的檢測方法，在。輛運行軌跡等，另一個優(yōu)點是安裝維護(hù)時不影響道路的使用。本課題以交通信息檢測為研究。車輛排隊長度的計算。近幾十年來，世界工業(yè)技術(shù)得到了突飛猛進(jìn)的發(fā)展，

　　

【正文】 像 圖像的 腐蝕 腐蝕的作用能夠消融物體的邊界，而具體的腐蝕結(jié)果與圖像本身和結(jié)構(gòu)元素的形狀有關(guān)。如果物體整體上大于結(jié)構(gòu)元素，腐蝕的結(jié)果使物體變“瘦”一圈，而這一圈的大小是由結(jié)構(gòu)元素決定的；如果物體本身小于結(jié)構(gòu)元素，則腐蝕后的圖像中物體將完全消失；如果物體僅有部分區(qū)域小于結(jié)構(gòu)元素，則腐蝕后物體會在細(xì)連通處斷裂，分離為兩部分。 腐蝕及 的 實現(xiàn) ： 對于集合 A 和 S，使用 S 對 A 進(jìn)行腐蝕，記為 A? S，定義為： ? ? ?? AS|zAS z ??? （ 32） 如果當(dāng) S 的原點移到 z 點時 S 能夠完全包含于 A 中，則所有這樣的 z 點構(gòu)成的集合即為 S 對 A 的腐蝕圖像。 利用用 matlab 進(jìn)行實驗，實驗代碼如下： clear all 基于視頻的車輛檢測及擁堵系統(tǒng)的設(shè)計 14 / 30 bw = imread(39。D:\39。) bw = rgb2gray(bw) se1=strel(39。disk39。,1)。 bw1=imerode(bw,se1)。 figure, subplot(1,2,1),imshow(uint8(bw)),title(39。原圖 39。) subplot(1,2,2),imshow(uint8(bw1)), title(39。腐蝕后的圖像 39。) 實驗結(jié)果如圖 所示： 圖 經(jīng)過腐蝕處理前后的圖像 開運算及其實現(xiàn) 開運算和閉運算都由膨脹和腐蝕復(fù)合而成，開運算是先腐蝕后膨脹。 利用它可以消除小物體，在纖細(xì)點處分離物體，平滑較大物體邊界，但同時并不明顯改變原來物體的面積。 使用結(jié)構(gòu)元素 S 對 A 進(jìn)行開運算，記為 A? S，可表示為： ? ? SSASA ???? （ 33） 開運算的簡單幾何解釋為 :假設(shè)將結(jié)構(gòu)元素 B 看成是一個扁平的“轉(zhuǎn)球”。 BA? 的邊界通過 B 中的點完成，即 B 在 A 的邊界內(nèi)轉(zhuǎn)動時， B 中點所能到達(dá)的 A 的邊界的最遠(yuǎn)點。則開運算的另一個數(shù)學(xué)公式表示為 : ? ? ? ? ?? AB|BBA zz ???? （ 34） 其中， ???? 指大括號中所有集合的并集，符號 DC? 表示 C 是 D 的一個子集。這 基于視頻的車輛檢測及擁堵系統(tǒng)的設(shè)計 15 / 30 個公式說明用 B 對 A 進(jìn)行開操作是通過求取 B 在擬合 A 是的平移的并集得到的，也就是說，開運算可以表示為一個擬合操作。 一般來說，開運算可以使圖像輪廓變得光滑，還能使狹窄的連接斷開和消除細(xì)毛刺。 利用 matlab 進(jìn)行開運算實驗代碼如下： clear all I=imread(39。D:\39。)。 se=strel(39。square39。,3)。 IO=imopen(I,se)。 subplot(1,2,1),imshow(I)。 title(39。原圖 39。)。 subplot(1,2,2),imshow(IO)。 title(39。3*3 的正方形結(jié)構(gòu)元素開運算 39。)。 實驗結(jié)果如圖 所示 ： 圖 開運算處理前后效果 閉運算及其實現(xiàn) 閉運算是先膨脹后腐蝕 ， 利用它可以填充物體內(nèi)細(xì)小空洞，連接臨近物體、平滑其邊界，但同時并不明顯改變原來物體的面積。 使用結(jié)構(gòu) S 對 A 進(jìn)行閉運算，記為 AS，表示為： ? ? SSASA ???? （ 35） 閉運算同樣可以使輪廓變得平滑，但與開運算相反，它通常能夠彌合狹窄的間斷，填充小的洞孔。 利用 matlab 進(jìn)行閉運算的實驗代碼如下： 基于視頻的車輛檢測及擁堵系統(tǒng)的設(shè)計 16 / 30 clear all I=imread(39。D:\39。)。 se=strel(39。disk39。,3)。 % 3*3 圓形結(jié)構(gòu)元素 IC=imclose(I,se)。 % 閉運算 subplot(1,2,1),imshow(I),title(39。原圖像 39。)。 subplot(1,2,2),imshow(IC)。 title(39。3*3 圖形結(jié)構(gòu)元素閉操作 39。)。 實驗結(jié)果如圖所示： 圖 閉運算處理前后效果 本章小結(jié) 本章介紹了了運用形態(tài)學(xué)處理圖像的方法，并且分別采用膨脹，腐蝕，開運算，閉運算對圖像進(jìn)行處理，運用 matlab 進(jìn)行實驗，結(jié)果表明，運用閉運算處理本文研究的內(nèi)容 能夠彌合狹窄的間斷，填充小的洞孔 ，得到的效果明顯比單獨膨脹，腐蝕或采用開運算要好，因此我決定采用多次閉運算對前景圖像進(jìn)行處理 。 基于視頻的車輛檢測及擁堵系統(tǒng)的設(shè)計 17 / 30 車流量的檢測 交通流量檢測是智能交通系統(tǒng)中的重要組成部分，交通信息的收集是智能交通系統(tǒng)的基礎(chǔ)，實時、可靠的基本交通信息是我們判斷交通狀況的根本依據(jù)，是智能交通系統(tǒng)科學(xué)控制和管理人、車、路的前提?；谝曨l的車流量統(tǒng)計的方法可分為虛擬檢測線法和車輛跟蹤法兩大類。虛擬檢測線法，其工作原理類似于地埋式線圈檢測器。用戶在圖像上定義檢測區(qū)域位置，當(dāng)車輛經(jīng)過該區(qū)域時，必然引起局部區(qū)域的視覺信息變化，系統(tǒng)通過虛擬檢測線變化強度來判斷車輛經(jīng)過與否，進(jìn)而可以計算車流量。該方法運算量小，在滿足實時要求的前提下完成流量檢測，同時也未能充分利用圖 像信息，降低了系統(tǒng)的可靠性。車輛跟蹤法則是通過識別出交通場景圖像中符合車輛特征的像素，進(jìn)行圖像分割，并依據(jù)提取出的特征來匹配前后兩幅圖像中的車輛，從而計算車流量。理論上車輛跟蹤法比虛擬檢測線法更為嚴(yán)謹(jǐn)，由于車輛跟蹤法是以大范圍的區(qū)域為處理對象，因此克服了虛擬檢測線法小范圍處理易受噪聲干擾的不足，而且交通參數(shù)提取也更為全面 。車輛跟蹤法進(jìn)行參數(shù)提取時不需要考慮車道的分布，因此不受車道的影響。但是，要想同時達(dá)到比較高的準(zhǔn)確性以及實時性要求確實不易。因此，本文采用虛擬檢測線的方法統(tǒng)計車流量。 車流量檢測系統(tǒng)的設(shè)計 車流量即交通流量，是指在給定的單位時間內(nèi)，通過道路某一斷面或某一點的運行單元 (車輛 )。按時間分類有 :日交通流量、高峰小時交通流量 (輛 /小時 )等等 。按交通運行單元分還可以分為機動車交通流量、自行車交通流量等等。本文研究了在一定時間之內(nèi)的汽車交通流量。 系統(tǒng)框圖如圖 所示： 基于視頻的車輛檢測及擁堵系統(tǒng)的設(shè)計 18 / 30 圖 像 采 集預(yù) 處 理背 景 建 模圖 像 分 割形 態(tài) 學(xué) 處 理提 取 車 輛 信 息車 輛 計 數(shù)背景更新 圖 系統(tǒng)功能框圖 車流量檢測算的 研究 當(dāng)車輛經(jīng)過檢測線時，檢測線上的圖像灰度將發(fā)生變化，對當(dāng)前幀的灰度跟背景幀的灰度相減，利用檢測線上運動象素的個數(shù)來確定是否有車輛通過，該方法計算車流量，算法非常簡單快捷。詳細(xì)的流程圖如圖 所示。 基于視頻的車輛檢測及擁堵系統(tǒng)的設(shè)計 19 / 30 設(shè) 置 虛 擬 檢 測 線圖 像 濾 波背 景 差二 值 化形 態(tài) 學(xué) 處 理提 取 車 輛 信 息是 否 有 車 輛 通 過 檢 查 線 背 景 更 新否計 數(shù) 加 1是實 時 交 通 圖 像初 始 背 景 圖 系統(tǒng)流程圖 提取車輛信息 當(dāng)車輛經(jīng)過檢測線時，檢測線上的圖像灰度將發(fā)生變化，對當(dāng)前幀的灰度跟背景幀的灰度相減，利用檢測線上運動象素的個數(shù)來確定是否有車輛通過，該方法計算車流量，算法非常簡單快捷。詳細(xì)的流程圖如圖 所示。 ? ? ? ?????? ?? ??e l s eTnj0j，iFG1iM1 (41) 式中， M(i)為提取出的一維車輛信息， FG(i, j)為檢測線上點 ((i)的二值圖， T 為閾值 。 由于車輛有一定的寬度，車輛通過時必然會在圖像上留下記錄。對一維函數(shù)進(jìn)行統(tǒng)計分析，形成如圖 所示的曲線。在這條曲線上可以看到一些連續(xù)的值為 1”的點， 基于視頻的車輛檢測及擁堵系統(tǒng)的設(shè)計 20 / 30 表示有車輛出現(xiàn) 。連續(xù)的值為“ 0”的點，表示沒有車輛出現(xiàn)。 圖 檢測線上的圖像分割結(jié)果 圖 相對應(yīng)的車輛信息 車流量計數(shù) 根據(jù)虛擬檢測線上車輛的位置和相鄰幀間的運動關(guān)系來進(jìn)行車輛的計數(shù)。鄰幀間的運動關(guān)系可以描述為 : 用 flag=1 表示信息位為 1, flag=0 表示信息位為 0。 (1)當(dāng)前幀某位置為 flag=1 時 : 如果上一幀中該位置 為 flag=1，則表明有車正通過檢測區(qū) 。 如果上一幀中該位置 為 flag=0，則表明車輛剛進(jìn)入檢測區(qū)。 (2)當(dāng)前幀某位置為 flag=0 時 :2 如果上一幀中該位置 為 flag=1，則表明有車剛離開檢測區(qū) 。 如果上一幀中該位置 為 flag=0，則表明無車進(jìn)入檢測區(qū)。 計數(shù)算法 :通過上面的幀間關(guān)系可以看出，統(tǒng)計幀間車輛信息的上升沿，并且是連續(xù)出現(xiàn)的“ 1。當(dāng)“ 1”的個數(shù)達(dá)到某個長度時即認(rèn)為該位置有新車到來，進(jìn)行計數(shù)。 擁堵級別評定 擁堵評價指標(biāo)的建立是嚴(yán)格按照擁堵強度、擁堵范圍、擁堵時間二個參數(shù)來制定的，這二參數(shù)中的擁堵強度是本文的研究對像，它是通過交通流區(qū)域占有比例值與擁堵等級標(biāo)準(zhǔn)的聯(lián)系來反映交通擁堵輕重程度的一個重要指標(biāo)。 國外比如美國已經(jīng)擁有了完善的交通擁堵評價系統(tǒng) CMS (congestionManagement System)。為了推動暢通工程的開展，我國公安部和建設(shè)部也制定了一系列科學(xué)、實用的 基于視頻的車輛檢測及擁堵系統(tǒng)的設(shè)計 21 / 30 交通擁堵評價體系。交通擁堵指數(shù)是交通擁堵評價體系的重要兀素之 一，他是評價交通流擁堵狀態(tài)的一個給定參照，區(qū)域比例可以與相應(yīng)的擁堵指數(shù)對應(yīng)，輸出值越大就代表交通狀況越差，相反就表示當(dāng)前交通運行狀況良好。 圖 擁堵及級別與擁堵指數(shù)對用表 圖 負(fù)荷度與交通流量擁堵等級的對應(yīng) 對 于 本系統(tǒng)對交通負(fù)荷度的輸出判定結(jié)果有兩種，一種是交通流相對 于 路面區(qū)域的比例，另一種是車輛數(shù)與承載數(shù)的比例。要想在程序中得到一個對交通流飽和度的準(zhǔn)確評定，我們必須權(quán)衡兩者的重要性，根據(jù)國際慣例，對交通流擁堵狀態(tài)的評價主要包含面積密度和個數(shù)密度，兩者對交通負(fù)荷度的影響的大小并不是本文所要考慮的問題，因此我們可以假定交通流相對十路面區(qū)域比例 P 的“影響系數(shù)”為 Ki，車輛數(shù)與承載數(shù)比例的“影響系數(shù)”為 Kp，如果車輛個數(shù)為 N，當(dāng)前選擇區(qū)域的車輛最大負(fù)荷為 G，則本系統(tǒng)的輸出負(fù)荷度應(yīng)為 : ? ?N/GKPK 21 ? （ 42） 本章小結(jié) 本章 主要講述了計算車流量的一種法，主要是利用設(shè)置虛擬檢測線的方式，對經(jīng)過車輛進(jìn)行統(tǒng)計，得到單位時間內(nèi)，該路段的車流量信息，從而可以直觀的反映出，某段時間內(nèi)，該路段的交通擁堵情況，另外我們還可以通過交通流相對于路面區(qū)域的比例，來判斷擁堵情況。 基于視頻的車輛檢測及擁堵系統(tǒng)的設(shè)計 22 / 30 總結(jié)與展望 總結(jié) 本文首先說明了課題的研究背景、意義和現(xiàn)狀及系統(tǒng)總流程，接著介紹了利用 混合高斯建模 進(jìn)行交通 背景的提取 原理和過程，實現(xiàn)了交通流圖像 背景與前景的區(qū)分 。然后對采集圖進(jìn)行了包括腐蝕、膨脹、 開運算，閉運算 等一系列圖像處理操作，接著利用上述圖像操作數(shù)據(jù)對交通流擁堵狀態(tài)進(jìn)行評價。在文章的最后對智能交通擁堵狀態(tài)識別系統(tǒng)的各模塊進(jìn)行了分解，從縱向的角度去分析闡述了幾個主要模塊在功能實現(xiàn)上的連續(xù)性。 智能交通領(lǐng)域是一個 和熱門并且 很有吸引力的領(lǐng)域，同時也是一個很具有挑戰(zhàn)性的領(lǐng)域，圖形圖像與智能交通的知識碰撞給筆者帶來了對此領(lǐng)域進(jìn)行深入研究的巨大動力，通過這 一學(xué)期 對本課題的 設(shè)計 工作，筆者也參閱了大量的相關(guān)文獻(xiàn)，著重從如何提高識別的效率，如何避開外界環(huán)境 波動 的影響， 在 如何 克服交通流圖像的多樣性和復(fù)雜性上進(jìn)行研究，最終實現(xiàn)了交通擁堵智能識別系統(tǒng)的所有 仿真實驗 ，以下就此 設(shè)計 做一個總結(jié)。 本文可以看作是對智能交通擁堵識別系統(tǒng)的 分 析，也可以看作是車輛擁堵識別技術(shù)基十圖像研究方面的算法和設(shè)計，更可