当前位置：文档之家 › 基于计算机视觉的汽车流量检测统计

基于计算机视觉的汽车流量检测统计

  • 格式：pdf
  • 大小：321.33 KB
  • 文档页数：4

第34卷　第5期2006年　5月　华　中　科　技　大　学　学　报(自然科学版)J.HuazhongUniv.ofSci.&Tech.(NatureScienceEdition)Vol.34No.5　May　2006

收稿日期:2005205216.作者简介:陈振学(19772),男,博士研究生;武汉,华中科技大学图像识别与人工智能研究所(430074).E2mail:chenzhenxue@163.com基金项目:总装备部基金资助项目(51401020201JW0521).基于计算机视觉的汽车流量检测统计陈振学1　汪国有1　刘成云2(1华中科技大学图像识别与人工智能研究所,湖北武汉430074;2武汉科技大学理学院,湖北武汉430081)摘要:利用计算机视觉和图像处理的方法对交通路口通行车辆进行流量统计.首先,由摄像机视场的标定原理和标定公式,得到了摄像机成像平面内的像素距离与实际三维空间距离的对应关系;然后,采用基于光流场的车辆检测方法,对所有经过设置的虚拟线圈的车辆进行实时检测和信息提取;最后,对提取的车辆信息进行统计和计算,得到实时路况信息.实验结果表明,该算法具有较高的检测概率,能够满足系统的精度和实时处理要求.关　键　词:交通流量;计算机视觉;光流场;流量统计中图分类号:TP391 文献标识码:A 文章编号:167124512(2006)0520046204StatisticsofvehicleflowsbasedoncomputervisionChenZhenxue　WangGuoyou　LiuChenyunAbstract:Onthebasisofcomputervisionandimageprocessing,amethodwasproposedtoimprovethestatisticalresultsofvehicleflowdetectionattrafficcrossing.Accordingtocamerascenecalibra2tiontheoryandexpressions,thecorrespondingrelationbetweenthepixelsdistanceonthecameraima2gingplaneandthefactualdistanceof3Dspacewasobtained.Thevehicledetectionmethodbasedonopticalflowwasutilizedtoextracttheallvehiclespassingthesetdummyloop.Thereal2timeroutein2formationwouldbeobtainedwithcomputingtheextractedvehicles.Theexperimentalresultsshowedthatthismethodhashigherdetectionprobabilityandsatisfiedwithsystemaccuracyandrobustnessre2quire.Keywords:trafficflow;computervision;opticalflow;flowstatisticsChenZhenxue　DoctoralCandidate;InstituteofPatternRecognition&AI,HuazhongUniv.ofSci.&Tech.,Wuhan430074,China. 交通流量信息是交通控制中的重要信息.要实现交通流数据的提取,先要进行车辆检测.目前国内常见的交通流检测的方法有超声波检测、红外检测、环形感应圈检测和计算机视觉检测[1～3],超声波检测精度不高,容易受车辆遮挡和行人的影响,检测的距离短(一般不超过12m);红外检测受车辆本身热源的影响,抗噪声的能力不强,检测精度也不高;环形感应圈检测精度高,但要求设置于路面土木结构中,对路面有损坏,施工和安装不便,而且安装的数量多.现在,有学者将视频检测应用到交通流量的检测和交通控制上,获得了很大的成功.它是一种基于视频图像的检测技术,也称为计算机视觉或机器视觉检测,是一种结合数字视频图像和人工模式识别的技术.本文借鉴国内外相关技术研究成果,提出了一套视频检测系统的设计方案.1　摄像机视场距离的标定算法摄像机视场距离的标定涉及成像几何的理论,将客观世界的三维场景投射到摄像机的二维平面,需要建立摄像机的模型来描述.通过确定摄像机的物理参数和方位参数,找到两者的对应关系,才能把像平面的度量确定下来.成像变换涉及不同坐标系之间的变换.在摄像机的成像系统中,涉及到的坐标系有4个(如图1所示):

图1　成像系统坐标系间的关系a.世界坐标系,也称真实世界或绝对坐标系XYZ;b.摄像机坐标系,以摄像机为中心制定的坐标系xyz;c.像平面坐标系,在摄像机内所形成的像平面坐标系x′y′;d.计算机图像坐标系,计算机内部数字图像所用的坐标系MN,以像素为单位.根据以上几个坐标系不同的转换关系,就可以得到本系统所需要的摄像机成像模型,换算出二维图像到三维场景的对应关系.摄像机成像变换的过程由三部分组成,分别对应坐标系的相互转换(见图2).图2　成像变换的过程从世界坐标(X,Y,Z)到摄像机坐标(x,y,z)的变换中,若仅考虑刚体目标的情况,则可表示为　[x,y,z,1]T=R[T・[X,Y,Z,1]T](1)式中:T是平移矩阵;R是旋转矩阵,表示像平面在世界坐标系里的旋转变换.旋转可以借助刚体转动的3个欧拉角来表示(如图3),利用欧拉角可将旋转矩阵R表示成θ,φ和

图3　欧拉角示意图R=r1r2r30r4r5r60r7r8r900001,式中:r1=cos

Ty)+r3(Z+Tz)r4(X+Tx)+r5(Y+Ty)+r6(Z+Tz)r7(X+Tx)+r8(Y+Ty)+r9(Z+Tz)1.　(2)根据透镜成像原理,从摄像机的三维空间坐标(x,y,z)到像平面坐标(x′,y′)的变换为x′=fx/z;　y′=fy/z　(f>0).(3)计算机中使用的图像坐标单位是存储器中离散像素的个数,所以对实际像平面的坐标还需取整数转换才能映射到计算机的成像平面,从像平面坐标(x′,y′)到计算机图像坐标(M,N)的变换为M=Om-x′/Sx;　N=On-y′/Sy,(4)式中:Om和On分别为像平面的原点在计算机图像平面上所映射的点像素所在的行数和列数;Sx和Sy分别为在x和y方向上的尺度因子.将式(2)～(4)映射方程结合起来,就可推导出计算机图像坐标(M,N)与实际的三维空间坐标(X,Y,Z)的变换方程　M=Om-(f/Sx)・r1(X+Tx)+r2(Y+Ty)+r3(Z+Tz)r7(X+Tx)+r8(Y+Ty)+r9(Z+Tz),　N=On-(f/Sy)・r4(X+Tx)+r5(Y+Ty)+r6(Z+Tz)r7(X+Tx)+r8(Y+Ty)+r9(Z+Tz).(5) 根据建立的摄像机模型(5)可知,最终要确定的参数有R,T,f,Sx,Sy,Om,On,其中旋转矩阵R有9个未知元素,但实际上只有3个自由度(θ,φ,<);平移矩阵T有3个未知元素,记为(Tx,Ty,・74・第5期 陈振学等:基于计算机视觉的汽车流量检测统计 h),h是摄像机的高度.R和T是摄像机的方位参数;f,Sx,Sy,Om,On是摄像机的物理参数.由此可知需确定的参数为11个,把它们记成向量的形式如下P=[θ,φ,<,h,f,Sx,Sy,Om,On,Tx,Ty]T. 在实际标定时,取6个样本点的坐标作为式(5)的输入,就可以求解摄像机的标定参数[4].注意到需要求解的方程是非线性的,直接求解将很难得出结果,因此必须采用迭代的数值计算方法,最终得出近似值.利用迭代法,只要选择合适的样本点和解的初值,在给定的误差范围内,就可以得到满足精度要求的参数值.2　通行车辆的检测与识别汽车流量的统计首先要对摄像机视场内的通行车辆进行检测和识别.由于图像光流的计算不需要在图像序列中建立特征之间的对应关系,属于较高层次的计算机视觉表达,比背景差影法、边缘检测法具有更好的鲁棒性.因此,本文采用光流场的检测算法,利用连续相邻两帧的车辆的运动信息对车辆进行检测和分割.光流的计算基于如下两个假设:a.任何物体点所观察到的亮度随时间是恒定不变的;b.图像平面内的邻近点以类似的方式进行移动.虽然这两个假设在实际应用中并不是总成立,但对于估算光流场,这些理想化的假设是必要的.由假设a可知运动实体的亮度沿运动路径保持恒定.于是设时变图像可表示为I(x,y,t),则根据该约束条件可以认为I(x,y,t)=I(x+Δx,y+Δy,t+Δt).(6)把式(6)等号的右边用泰勒级数展开可得　I(x+Δx,y+Δy,t+Δt)=I(x,y,t)+Ixdx+Iydy+Itdt+ε,式中:Ix,Iy,It是亮度函数I(x,y,t)关于x,y,t的偏导数;ε为高阶项.简单的忽略高阶项则有:Ixdx+Iydy+Itdt=0;Ixdx/dt+Iydy/dt+It=0,式中(dx/dt,dy/dt)=(u,v)为(x,y)点的光流.所以就得到了光流方程Ixu+Iyv+It=0.光流方程说明了这样一个现象:一个运动物体经过一固定摄像机,则图像上某一点灰度的时间变化率等于它的空间变化率乘上物体经过摄像机的运动速度.方程中包含两个未知量,若要求解光流(u,v),必须引入其他的约束条件.常用的约束光流方法是假设光流在这个图像上的变化平滑,即约束平滑条件:令光流速度的梯度幅度的平方值u2x+u2y和v2x+v2y最小[5].于是,可将光流场u,v的计算归结为如下的变分问题:　(Ixu+Iyv+It)2+α2(u2x+u2y+v2x+v2y)=δmin. 利用迭代算法,可以得到(u,v)的递归解:　u(k+1)=󰁦u(k)-Ix(Ix󰁦u(k)+Iy󰁦v(k)+It)/(α2+I2x+I2y);　v(k+1)=󰁦v(k)-Iy(Ix󰁦u(k)+Iy󰁦v(k)+It)/(α2+I2x+I2y),式中󰁦u(k),󰁦v(k)是第k次迭代的速度估计(u(k),v(k))的邻域平均值.光流场检测结果如图4所示.

图4　车辆检测分析通过阈值化的分割方法,可以将感兴趣的车辆分割提取出来,并根据分割得到的区域的面积S、区域的长度H和宽度W进行识别,此区域满足车辆信息的条件是:Smin

合集下载

基于计算机视觉的交通流量监测与预测

基于计算机视觉的交通流量监测与预测

基于计算机视觉的交通流量监测与预测

随着城市化进程不断加速，交通拥堵问题也日益凸显。在如今的城市交通中，优化交通流势在必行。而交通流量监测与预测技术可以对交通流进行精准的控制，以达到最佳的通行效率。基于计算机视觉的交通流量监测与预测技术是一种具有广泛应用前景的技术，本文将围绕此话题展开讨论。

一、计算机视觉技术在交通监测中的应用

1.1 相机监测技术

计算机视觉中最基本的就是相机监测技术。通过设置相机并安装于路口或交通要道处，就可以实现对车辆行驶情况、车辆数量等信息的实时监测。

相机监测技术可以采用传统的停车路口的卡口式、在线监控，或者采用90°电视墙式。其中，双相机解算技术更是常见 在这种情况下，由于车辆离开了监测区域，无法准确测量车辆速度而影响监测准确度。然而，通过双相机监测技术，由于充分覆盖了监测区域，保证了车辆的监测。并且利用一些处理算法帮助较准确地解算出车速与车辆类型等信息。

1.2 基于深度学习的交通监测

近年来，基于深度学习的交通监测技术也得到了迅速的发展。由于深度学习具有强大的学习能力和预测能力，在交通监测上也取得了卓越成果。

深度学习监测技术可以借助卷积神经网络（CNN）等方法来实现对车辆的识别与分类等功能。在实际应用中，将监控视频数据收集到的车辆图片进行预处理，并基于网络模型对车辆进行分类、识别与统计。这会让我们准确地监测到车辆数量、车型、车速、车道分布等诸多信息。

二、交通监测的必要性 交通监测与预测技术对于城市交通管理来说，是至关重要的。在日常城市交通管理中，准确把握道路交通情况、掌握交通拥堵状况，是保障城市交通安全与通行畅顺的首要任务。而实时交通监测数据可以被用于城市交通规划、指挥和决策：

2.1 交通规划

交通规划是一项长期而且繁琐的工作。一些城市交通问题的解决需要大量经验和数据。交通监测技术提供的准确的交通流数据可以为交通规划提供有力的支持，从而使交通规划更加科学和合理。

基于Vi Be的车流量统计算法

基于Vi Be的车流量统计算法

基于Vi Be的车流量统计算法

【摘要】

基于Vi Be的车流量统计算法在交通领域有着重要的应用价值。本文首先介绍了Vi Be算法的概述，然后探讨了该算法在车流量统计中的应用及其优势。还深入讨论了Vi Be算法存在的不足之处，并提出了改进基于Vi Be的车流量统计算法的思路。结合前人研究成果，展望了基于Vi Be的车流量统计算法的前景，总结了本文的研究工作，并展望未来研究方向。通过本文的研究，将有助于提高车流量统计的准确性和效率，为交通管理提供更多有力的支持。

【关键词】

车流量统计算法, Vi Be算法, 优势, 不足, 改进, 前景, 研究工作,

研究方向, 引言, 正文, 结论.

1. 引言

1.1 研究背景

车流量统计是城市交通管理和规划的重要组成部分。随着城市化进程的不断加快，城市交通拥堵已经成为人们生活中的一个普遍问题。准确地监测和统计车流量对于改善交通拥堵、提高道路通行效率、优化交通规划具有至关重要的意义。

传统的车流量统计方法主要依靠人工收集数据或使用传感器设备，但这些方法存在着很多问题，比如数据采集效率低、成本高昂、数据精度无法得到保障等。研究如何利用先进的计算机视觉技术来实现车流量统计就显得尤为重要。

在这样的背景下，基于Vi Be的车流量统计算法应运而生。Vi Be算法是一种基于背景差分的运动目标检测算法，具有简单、稳健、高效的特点。通过将Vi Be算法应用于车流量统计中，可以实现对车辆的自动检测和跟踪，提高数据采集效率，减少人力成本，提高数据处理精度。

本文旨在深入探讨基于Vi Be的车流量统计算法，分析其应用和优势，同时针对其不足之处提出改进方案，为未来的交通管理工作提供参考和借鉴。

1.2 研究意义

车流量统计一直是交通管理和规划领域中的重要问题，通过准确统计车辆数量和流量情况，可以帮助交通部门更好地制定交通政策和优化交通网络。而随着智慧城市和智能交通技术的发展，基于视频监控的车流量统计算法也得到了广泛的应用。

基于视频车流量检测模拟论文

基于视频车流量检测模拟论文

基于视频的车流量检测模拟

摘要:本文以vc++6.0作为基础开发平台,针对采集的交通视频图像,进行相关信息的识别与提取,利用经典的背景提取算法提取背景;采用减背景的方法进行目标检测;对车流量检测进行了简单的模拟。

关键词:背景提取, 目标检测,车流量检测

一、引言

近年来,基于计算机视觉和图像处理技术的交通信息检测技术(简称视频检测技术)逐步成为研究主流。其工作流程为:通过安装在路面上方的摄像机采集交通图像,应用计算机视觉和图像处理技术处理图像数据,获取实时、丰富、动态的交通信息,进行交通的信号控制、信息发布等。

视频检测算法是整个智能交通系统的核心,其好坏将直接影响系统的检测精度和检测效率。而在近几年its市场的推动下,基于视频图像分析和模式识别技术的交通流量检测算法针对其特有的应用场合,逐步成为目标检测技术的一个研究分支。

二、总体框架

本文采用的视频文件时raw图像格式,首先读取若干帧的视频文件,然后分别利用背景提取算法和目标检测算法对读取到的视频文件进行背景提取和目标检测,进而统计出当前路面上的车流量信息。同时,为了得到更为精确的车流量数据,采用了相应的背景更新算法对背景进行实时更新。

图1 总体框架图

三、背景提取与更新

3.1 背景提取

(1)多帧图像平均法是将运动车辆看作为噪声,用累加平均的方法消除噪声。利用车辆运行一段时间的序列图像进行平均而得到道路的背景图像。

该算法的特点是模型简单、计算方便。但是,在实际应用中,往往是图像中的某些区域有亮度高的运动目标,而某些区域有亮度低的运动目标经过,通过平均法得到的背景图像就会出现亮暗分布不均匀的区块。另外,该算法得到的背景图像受车流量的影响变化比较大。当然,随着帧数的增加,噪声消除后的结果会有所改善。

(2)统计直方图法是统计一段时间内各个像素点上不同亮度值出现的次数,其中出现次数最多的,即直方图中最大值所对应的亮度值就是路面本身的亮度值。

计算机视觉技术在智能交通系统中的应用研究

计算机视觉技术在智能交通系统中的应用研究

计算机视觉技术在智能交通系统中的应用研究

智能交通系统是指利用计算机和通信技术对交通流信息进行收集、处理和传输，以提高交通系统的运行效率、安全性和环境友好性的一种系统。计算机视觉技术作为智能交通系统的重要组成部分，为交通监控、车辆识别、交通流量检测等提供了精确、高效的解决方案。本文将对计算机视觉技术在智能交通系统中的应用研究进行详细探讨。

一、交通监控

交通监控是智能交通系统中最常见的应用之一。通过摄像头采集的交通场景图像，计算机视觉技术可以进行车辆检测、行人检测、目标跟踪等操作，实现对交通场景的实时监控和分析。例如，可以利用计算机视觉技术实现对危险驾驶行为的识别，如违法变道、闯红灯等，从而提高道路交通安全。

二、车辆识别

车辆识别是智能交通系统中的另一个重要应用。通过计算机视觉技术，可以对车辆进行自动识别和分类。在交通管理中，可以通过车牌识别技术实现对车辆违规行为的监控和查处。在智能停车场系统中，计算机视觉技术可以实现对车辆的进出场管理，提高停车场的管理效率和安全性。

三、交通流量检测

交通流量检测是智能交通系统中的另一个重要应用领域。通过计算机视觉技术，可以对交通场景中的实时车流量进行检测和统计。通过交通流量检测技术，可以评估道路网络的负载情况，制定合理的交通调度策略，提高交通系统的运行效率。同时，交通流量检测也为城市规划部门提供了有价值的数据基础。 四、交通事故分析

计算机视觉技术在智能交通系统中的另一个重要应用是交通事故分析。通过对交通场景图像进行处理和分析，可以对事故发生的原因进行追溯和研究。例如，可以通过计算机视觉技术对事故前的车辆行驶轨迹进行分析，从而判断事故责任的主次。交通事故分析帮助交通管理部门了解交通事故的发生规律和原因，并对交通安全管理提供科学依据。

五、行人识别

行人识别是智能交通系统中的一个重要技术挑战。通过计算机视觉技术，可以对交通场景中的行人进行实时识别和跟踪。行人识别技术在智能交通系统中具有广泛的应用，如人流量统计、行人行为分析等。通过行人识别，交通管理部门可以根据行人的数量和行为轨迹，合理规划人行道和人行灯的设置，提高行人交通的安全性和便利性。