一种快速车流量检测算法.docVIP

一种快速车流量检测算法 　　摘要：车流量检测是城市智能交通的关键技术之一，针对目前视频检测算法复杂度高、检测准确率不高的问题，提出了一种快速车流量检测算法，该算法通过划定进入和离开检测线。并结合背景差分方法，将目标的面上检测，转化为线上检测，避免了对目标复杂的跟踪过程及其带来的检测误差，有效降低了算法的复杂度，提高了检测的准确率，实验表明，该算法能够快速分车道检测车辆，计算复杂度低，检测准确率高，且具有车辆速度测量能力，能够为智能交通系统提供必要的支持。 　　关键词：智能交通系统；车流量检测；背景差分；检测线 　　DoI：10.15938/j.jhust.2016.04.004 　　中图分类号：TP391 　　文献标志码：A 　　文章编号：1007―2683（2016）04―0019-06 　　0引言近年来，城市交通压力日加严峻，车辆拥堵现象越发普遍，智能交通系统作为一种前景广阔的解决方法，能够为交通拥堵提供早期预警，及时疏散车流，因而得到了人们的广泛重视，要实现智能交通系统，首先要能够实时而准确地掌握道路上的车流量、车速、车型等交通参数信息，目前，获取这些信息，主要有3种方法，第一种是接触式检测，将感应装置埋藏于路面之下的，当车辆通过时，引起感应装置的响应，从而得到所需要的交通流量信息，这种方法的安装维护较为困难，随着车辆的增多，导致这类装置使用寿命较短，路基下沉、冰冻等也会影响采集系统的使用，且该种系统难以对车辆的速度进行有效监测，第二种方法是波频检测，主要有微波、红外、超声波三种，利用返回频率差或者时间差来检测车辆，这种方法受到天气的影响较大，且成本较高，第三种方法是视频检测方法，这种方法利用计算机视觉技术获取道路交通的参数，具有安装维护简单、成本低廉等优点，目前，车辆视频检测技术目前仍处于快速发展阶段， 　　车辆的视频检测技术，利用交通路口的视频探头，获取车辆通行的视频画面，然后利用视频或者图像处理的方式，获取车辆的动态信息，从而实现对车流量的实时监控，常用的处理方法有：相邻帧差法、边缘检测法、背景差分法，相邻帧差法通过提取相邻图像帧的变化量检测目标，容易受到树木、行人、光线等变化信息的影响，导致检测概率不高；边缘检测法在车辆边缘不明显的情况下容易造成漏检；背景差分方法由于较好的可靠性受到了更大的重视，文提出了混合高斯背景模型的方法，在初期采用新的权值和方差更新方法，获得了较好的性能，文研究了基于高斯混合模型的多车道车流量检测算法，运用高斯混合模型对检测带进行背景建模，实现了多车道车流量检测，文提出基于差异深度积累的目标检测算法和基于卡尔曼滤波的目标跟踪算法，实现了多运动目标的检测与跟踪，以上这些背景差分算法在进行车流量检测时，都是以车辆目标为中心，且其整个背景的维护需要用到整个视频探头可以捕捉的画面，算法设计较为复杂，且背景容易受到树木抖动的影响，造成检测概率不足。 　　本文提出一种快速车流量检测的实用算法，通过划定可以调节宽度的检测线，仅仅在检测线上采用背景差分方法，对目标进行检测，由于需要处理的数据由原来的整个面，减少为一条线，即从二维图像数据转变为少量的一维数据，使得计算量大大减少；同时，检测线的选取可以有效避开树木等抖动背景，使得背景更加稳定，检测概率更高，在完成原有算法的多车道检测基础上，本文算法实现快速实现车流量、车速的检测，具有更好的检测概率和更低的计算复杂度， 　　本文主要介绍了算法的预备工作，给出了算法的主要步骤和关键环节，利用实测数据对本文算法和已有算法进行了对比分析，最后对本文进行了小结， 　　1.车流量检测的预备 　　交通视频的相近帧之间蕴藏着大量的车辆运动信息，如图1所示，采用合适的方法将这些运动信息检测和提取出来，就能够达到提取场景内交通参数的目的，图2所示为车辆检测的基本过程，首先需要从视频中提取数字图像序列，对每一帧进行预处理、形态学处理，最后进行目标的检测，其中，对图像的预处理以及形态学处理方法是整个车辆检测算法的预备工作， 　　1.1图像预处理 　　实际采集到的交通流视频都会受到噪声等的影响，会使得车辆检测的准确率变差，所以，在进行检测车流量之前，需要对图像进行一系列预处理主要包括：灰度化、滤波、二值化等。 　　彩色图像的灰度化：彩色图像的数据量较大，为了减小运算量，提高后续算法的速度和应用实效，需要将彩色的交通流视频图像进行灰度化处理，本文算法采用工程中常用的加权平均法来对图像进行灰 　　图像滤波：在视频图片中，由于受到椒盐噪声影响，导致个别像素起伏较大，因此，还需要对其进行平滑滤波处理，为了实现快速车辆检测，本文算法采用较为经典的中值图像滤波，中值滤波的基本原理是利用一个滑动窗口，该滑动窗口依次滑过图像的所有像素点，对滑动窗口内对应的像素