交通管理中车辆流量统计系统的设计开题报告文献综述

交通管理中车辆流量统计系统的设计与实现文献综述一、前言随着现代经济的高速发展，交通运输的保障就显得尤其重要，对交通管理的要求也越来越高，将计算机科学与通信等高新技术运用于交通监控管理与车辆控制，以保障交通顺畅及行车安全，从而改善环境质量，促进经济发展的智能交通系统ITS(Intelligenttrafficsystem)也随之应运而生[1][2][3]。其中交通管理中车辆流量统计是智能交通系统需要考虑的重要技术与信息之一。它为智能控制提供重要的数据来源，作为ITS的基础部分，车辆流量统计系统在ITS中占有很重要的地位。基于视频的车辆流量统计系统适应性强且容易维护，目前已广泛的应用于智能交通监控系统中[4]。基于视频的车辆流量统计系统作为最有前途的方法之一，有以下优点[5]：(1)能够提供高质量的图像信息，能高效、准确、安全可靠地完成道路交通的监视和统计工作。(2)安装视频摄像机破坏性低、方便、经济。现在我国许多城市已经安装了视频摄像机，用于交通监视和统计。(3)由计算机视觉得到的交通信息便于联网工作，有利于实现道路交通网的监视和统计。(4)随着计算机技术和图像处理技术的发展，满足了系统实时性、安全性和可靠性的要求。本课题将对基于视频的交通管理中车辆流量统计系统进行研究。二、国内外的研究现状和发展趋势2.1基于视频的车辆检测国外发展状况国外许多学者对交通车辆检测技术做了大量相关研究，其中包括判断有没有车辆的到来、车辆流量的大小、车速的快慢以及车辆牌照的识别等，这些参数的分析涉及到运动目标跟踪、模式识别、数据挖掘、网络技术[6]等领域，这方面的难点很多，要做到完全自动化而不需要人工干预很难，特别是视频图像处理和识别是技术上的难点，世界各国的学者为此做了大量的工作，也取得了不少的成果。1997年BiranCarlson提出了一种实时检测交通流参数的方法[7]，并将其应用于明尼苏达州立大学开发的Autoscope商业系统中，系统中应用数字图像处理技术来检测车辆、对车辆计数、获得车速、判断车辆是否出现等交通流参数。在由摄像机拍摄得到的道路视频中设置虚拟传感器，每个虚拟传感器针对道路图像中的一小窗口进行操作，虚拟传感器状态可以是有车或无车中的一种状态，通过帧差的方法和在潮湿道路上检测阴影和反射的方法确定传感器的状态，通过监视和控制一个或多个传感器的状态，可以对车辆进行计数、测量车速、车长、流量、车道占有率和车头时距等一系列信息。2001年，FungGS.K等人提出基于三维数据的车辆识别思想[8][9]，对以往基于二维图像数据的识别方法进行了较大的改进，利用交通车辆图像序列，在三维的数据集上对车辆进行检测。通过给定的车辆图像和摄像机参数，车辆的形状可以由四个步骤来近似估计。第一步在两个连续帧之间提取特征点，第二步是进行特征点的运动估计，第三步是运动矢量特征点的高度估计，第四步是基于特征点高度的三维形状估计。2.2基于视频的车辆检测国内发展状况随着视频交通检测技术的发展，国内的科研人员也不断提出了很多用于车辆检测的新理论和新技术。近年来，很多国内视频车辆检测技术已经应用在城市交通路口监测和高速公路车速测量等方面。国内也有很多机构长期从事视频车辆检测技术的研究，对车辆检测中的车辆计数、分类和测速等基本交通参数的提取都进行了大量的研究工作。车辆检测中常用的图像处理方法有灰度差法，背景差法[10][11]，帧差法，边缘检测法等，针对各方法自身的特点，结合所要解决的问题国内学者提出了一些新方法。上海交通大学自动化系王春波等人在研究复杂的交通环境中检测行驶车辆时，提出了一种新方法。用序列图像中连续三帧图像的差分化分出运动区域[12][13]，并用一种基于图论的静止分割产生的区域信息来修正运动分割的结果。并设计了一个模板来增强图像区域间的对比度，以改进分割效果。在研究中发现光照对检测效果有很大影响。基于视频的车辆检测与跟踪方法的准确性受环境因素影响很大，其中车辆的运动阴影和车辆间的遮挡是两个重要因素。采用背景差法[10][11]进行运动对象分割，并结合运动边缘检测以提高检测的准确性，对提取出的感兴趣区域按一定规则进行区域融和以检测车辆。该方法能有效解决车辆遮挡和阴影问题，实时提取交通信息。2.3智能交通检测系统的发展趋势视频的图像处理有其突出的优点，表现在：获取信息的手段相对简单方便，并可以获得非常巨大的日标信息，是其它处理手段所无法比拟的；测帚精度高，抗干扰能力强，使用先进的数字图像处理技术，可以消除许多自然及人为干扰;运用预测技术可以实现记忆跟踪以及对瞬问丢失目标的再捕获。常用的基于视频的车辆检测方法有:灰度比较法、帧差法、背景差法、边缘检测法。灰度比较法采用对路面和车辆的灰度统计值来检测车辆[14][15]，它对环境光线的变化十分敏感。背景差法计算当前输入帧与背景图像的差值,以提取车辆,但背景图像需实时刷新。边缘检测法能够在不同的光线条件下检测到车辆的边缘[16][17]。然而,当车辆色彩较暗或位于阴影中,使车辆边缘模糊,则可能引起漏检。传统的帧差法是将相邻两帧相减,按车道开固定窗口对保留的运动车辆信息进行检测。该方法常因车辆换道或相邻车道的车辆部分覆盖了被检测车道检测窗而引起误检。背景差分算法是一种基于视频流的运动检测技术，是一种结合数字图像处理和模式识别的技术，其效率高、发成本低、检测准确率高；随着计算机技术和多媒体技术的迅速发展，自动控制和多媒体技术的融入，其使用范围将越来越广泛。三、相关技术介绍本设计以VC++为开发平台，利用OpenCV视觉库[18][19][20]，采用基于背景差分法和运动目标质心跟踪算法,通过开发车流量计数系统MFC界面，实现对视频中车辆的检测，跟踪和计数功能。OpenCV(OpensourceComputerVisionlibrary)是Intel公司开发的图像处理和计算机视觉开放源码库，它由一系列的C函数和C++类组成，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV主要用于对图像进行一些高级处理[21]，如特征检测与跟踪、运动分析、目标分割与识别以及3D重建等。由于OpenCV源代码完全开放，而且源代码的编写简洁而高效，且代码执行效率高，所以近年来在国外的图像处理相关领域中被广泛地使用，成为一种流行的图像处理软件包。背景差分法[10][11]是指用当前帧减去背景图，得到前景图，实现对运动物体的提取。采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种方法,其性能依赖于所使用的背景建模技术。背景差分法检测运动目标速度快[10][11]，检测准确，易于实现，其关键是背景图像的获取。在实际应用中，静止背景是不易直接获得的，同时，由于背景图像的动态变化，需要通过视频序列的帧间信息来估计和恢复背景，即背景重建，所以要选择性的更新背景。四、总结本课题将对基于视频图像的交通管理中车辆流量统计系统的设计与实现进行研究。主要是构建一个视频采集与信号处理、车流量统计的识别系统[22]；通过摄像机进行视频信号采集，进行信号处理，提取以帧为单位的图像，对图像进行边缘特征提取，勾画车辆的几何特征，设计车辆的轮廓构造算子，勾勒车辆的轮廓特征和典型特征；建立车辆的轮廓特征和典型特征的样本库；构造车辆的几何特征和样本几何特征匹配算法，利用统计规律进行数量统计。本设计利用OpenCV视觉库，采用基于背景差分法和运动目标质心跟踪算法[23],通过开发车流量计数系统MFC界面，实现对视频中车辆的检测，跟踪和计数功能。希望自己通过运用已学过的和新学习的知识把这个课题圆满完成。五、参考文献[1]陆化普,李瑞敏,朱茵编著.智能交通系统概论[M].中国铁道出版社,2004[2]张洋.智能交通系统中视频车辆检测盒跟踪技术的研究[D].湖南大学，2013[3]DavidG.Lowe.DistinctiveImageFeaturesfromScale-InvariantKeypoints[J].InternationalJournalofComputerVision,2004,60(2):91-110[4]顾晶.基于计算机视觉的智能交通监控系统的研究[D].东南大学,2006[5]MichaelKass,AndrewWitkin,DemetriTerzopoulos.Snakes:Activecontourmodels[J].InternationalJournalofComputerVision,1988,1(4):321-331[6]杨学超.运动目标检测与统计[D].北方工业大学,2007[7]YingLiTian,AndrewSenior,MaxLu.Robustandefficientforegroundanalysisincomplexsurveillancevideos[J].MachineVisionandApplications,2012,23(5):967-983[8]DanielScharstein,RichardSzeliski.ATaxonomyandEvaluationofDenseTwo-FrameStereoCorrespondenceAlgorithms[J].InternationalJournalofComputerVision,2002,47(1):7-42[9]曹治锦.基于视频的车辆检测和车型识别[D].浙江大学,2004[10]刘怀强.基于视频的车辆检测与跟踪技术研究[D].中国海洋大学,2006[11]李跃发.基于视频的车辆检测与跟踪技术研究[D].西安电子科技大学,2007[12]王春波，张卫东等.复杂交通环境中车辆的视觉检测[J].上海交通大学学报，2000(12):1680-1686[13]Marie-PierreDubuisson,AnilK.Jain.Contourextractionofmovingobjectsincomplexoutdoorscenes[J].InternationalJournalofComputerVision,1995,14(1):83-105[14]崔雨勇.智能交通监控中运动目标检测与跟踪算法研究[D].华中科技大学,2012[15]ZhongxinLiu,ZengqiangChen,ZhuzhiYuan.Event-triggeredaverage-consensusofmulti-agentsystemswithweightedanddirecttopology[J].JournalofSystemsScienceandComplexity,2012,25(5):845-855[16]刘相莹.智能交通中的车辆检测技术及其发展[J].科技信息(学术研究),2007(28):263-264[17]郭怡文,袁飞虎.基于背景差分的多车道车流量检测系统[J].电光与控制,2010(09):90-93[18]郑南宁著.计算机视觉与模式识别[M].国防工业出版社,1998[19]陈吉庐.基于OpenCV的红外运动目标检测与跟踪算法研究及实现[D].南京理工大学,2010[20]侯穆.基于OPENCV的运动目标检测与跟踪技术研究[D].西安电子科技大,2012[21]余晓蓉.运动目标检测与跟踪技术研究[D].西安电子科技大学,2010[22]丁昌华.基于视频技术的车辆跟踪方法研究[D].东南大学,2006[23]张强.运动目标识别视频监控系统设计与实现[D].华中科技大学2011