《基于视频算法的交通拥堵治理研究文献综述》2400字.docxVIP

基于视频算法的交通拥堵治理研究文献综述

1传统拥堵检测算法研究现状

传统的交通视频拥堵检测一般分为以下三个步骤：选择感兴趣的区域、对车辆目标进行检测、根据拥堵参数进行拥堵判定，这些方法基于固定在路边的摄像头，提取可靠的交通状态信息，例如固定时间内的交通流密度、队列长度、车辆平均速度和道路占有率等，以检测车道的拥堵情况。

大体来说，传统的车辆拥堵检测方法可以分为两类：基于图像处理（背景或前景提取）的方法和基于运动的方法。

交通拥堵往往会导致车辆速度变慢，使运动目标与背景产生混淆，而背景减法则提供了完整的特征信息。但这种技术的问题是，它会对光线和外部事件引起的场景变化非常敏感。HsiaoMH等人提出了一种应用于智能交通系统的实时流化技术[2]，采用背景配准的方法对每幅图像中的车辆进行检测，发送方以不同码率传输编码后的车辆和背景信息，并在远端对车辆进行跟踪和计数时，分别对车辆和背景的比特流进行解码，最后提取并分析重要的流量参数，检测流量事件。在[3]中，作者开发了一种利用多幅背景图像分析道路背景特征来提取交通堵塞事件的方法。实验中背景图像的提取是通过对连续三帧进行差分来实现的，在提取的背景图像中，通过分析角点特征来检测交通拥堵。而李晓飞利用图像的直方图统计特征，与多帧均值相结合，提出了一个自适应背景提取更新的算法[4]。在交通拥堵的情况下，采用纯多帧方法避免了图像的尾迹模糊现象，计算复杂度相对较低,提取速度快，能获得良好的背景图像。

基于前景提取的方法中，RAwan等人开发了一种处理数字数据的技术，能直接从视频图像中实时检测车辆和计算交通密度[5]。它是基于参考图像和交通图像的方法，如果数码相机的方向不一致，则会增加密度误差的计算。因此，为了获得最佳结果，系统必须在相同的方向上拍摄图像。基于视觉的方法面临严重的光照变化、阴影、摇摆的树木和移动的云的问题[6]。在[7]中，作者提出了一种不需要背景建模的车辆检测方法来克服上述问题。为了不受光照变化影响，作者首先建立了一种基于块的帧差分方法，然后利用双前景融合来精确提取目标检测区域；为了从前景图像中分离粘连的车辆，作者采用了基于纹理的目标分割方法；为了去除由于云的摆移动等情况而产生的假目标区域，作者采用假前景滤波手段；最后，基于图像的纹理特征，应用虚拟环路检测器计算交通流量。还有LWei等人基于图像的纹理特征提出了一种估计车辆密度的算法[8]，该算法的原始输入数据为车辆图像的灰度共生矩阵，计算方法为特征提取和灰度降级，计算结果包括能反应车辆密度的能量特征和熵特征，进而得到拥堵的判断结果。[9]中则利用图像处理技术和预测机制检测道路上的拥堵百分比。

基于运动的方法最典型的代表是光流法，XLi等人通过提取特征点来计算光流速度，进而得到宏观光流速度来估算交通流的速度以判断交通拥堵情况[10]。之后，他们通过进一步研究，通过提取特征点和道路区域来进行宏观光流速度的计算，同时结合道路的边缘密度以判断道路的空间占有率，通过交通流速度和道路空间占有率这两个交通参数与相应的阈值比较得到最终的拥堵的状态[11]。张鸿阳等人则对传统光流法进行了改进，在光流法的基础上结合分水岭算法，有效分割出粘连的车辆，使车流量的检测更加准确[12]。

2基于深度学习的拥堵检测研究现状

近年来，计算机视觉算法的发展使得拥堵检测有了新的发展。Ozkurt和Camci使用神经网络方法从视频记录中执行车辆计数和分类任务[13]，基于卡尔曼滤波的背景估计也被用于估计车辆密度[14]。此外，更快的递归卷积神经网络(RCNNs)已被用于交通密度计算[15]。然而，这些方法在低分辨率和高遮挡的视频中表现不佳。

其中，CPranamesh等人使用YOLO和DCNN从相机图像中检测交通拥堵[16]，并与浅层算法SVM进行比较，利用不同位置、方向和天气条件下的相机图像来检测交通拥堵，发现基于深度学习的方法准确率均高于百分之九十。Zhu，Sun等人提出了一种以交通为导向的模型，从交通监控系统采集的超低帧率视频大数据集中对拥堵进行分类的方法。该方法在一个基于经验数据的自建数据集上进行了测试，该数据集包含了中国陕西省5215公里高速公路的14470个监控摄像头拍摄的图像，他们的实验结果考虑各种干扰、条件等限制，能达到95.77%的精度，优于无监督网络[17]。MAAbdelwahab等人提出了一种基于深度残差学习和运动轨迹的视频动态建模的快速可靠的交通拥堵检测方法[18]。

综合来看，基于深度学习的检测方法相比于传统的基于图像处理和运动的方法在场景适用性方面更具优势，针对的目标场景更为广泛，适用性广。

参考文献

[1]佚名.高德地图发布《2019年度中国主要城市交通分析报告》[J].城市规划通讯,2020.

[2]Hs