基于视频的交通流检测算法分析与系统实现

《基于视频的交通流检测算法分析与系统实现》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、摘要最近几年智能交通系统(ITS)在我国取得飞速的发展，智能交通系统能够快速、准确的进行交通信息采集、处理、决策和指挥调度，并能发挥交通基础设施的最大效能，提升交通管理服务的质量。视频监控系统是智能交通系统中应用最为广泛的技术之一，基于视频的运动目标检测和跟踪是视频监控系统的重要组成部分，是后续进行车辆行为分析的基础。本论文的研究重点是基于视频的运动车辆检测、跟踪和车流量检测，以及如何在嵌入式系统中实现这些算法。主要工作为：1．运动目标检测。目标检测算法的研究对象是利用道路上监控违章的摄像头所采集的视频。依据实际的交通视频图像

2、，对四种常用的目标检测算法进行分析后，提出了一种改进的基于核密度估计背景差分法和混合帧差法相结合的运动车辆检测算法。该算法利用改进的非参数核密度估计法建立背景模型，实现背景的提取和更新；在混合帧差法中利用动态阈值提取出当前帧的运动车辆。利用多次试验确定算法中的参数，从试验结果中可以得出该算法和背景差分法、帧差法相比，在实时性和精确性方面都得到了提高。2．运动目标跟踪。在分析了四种常用的跟踪算法后，本文对卡尔曼(Kalman)滤波算法和GM(1，1)灰色预测模型算法进行对比分析，并分析比较Harris、Moravcc和SUSAN

3、这三种角点检测算法，提出了一种基于Harris角点和GM(1，1)模型相结合的车辆跟踪算法，该算法和传统的Harris角点检测算法相比，减少了算法的运行时间；和galman滤波算法相比，能更准确和快速的跟踪图像序列中的目标。3．车流量检测。本文采用虚拟线对多车道的车流量进行检测，并在道路上设置两条虚拟线，取这两条虚拟线所采集的车流量均值作为每个车道上的车流量。通过这种方法可以获得更加准确的车流量值。4．系统实现。在基于工控机ARK-1310的嵌入式Linux系统中，将已采集的交通视频通过网络传输到服务器端，并在服务器端利用Op

4、cnCV对接收到的视频图像进行车辆检测、跟踪，检测车道中的车流量。实验结果表明，本文的算法能够对系统中实际的交通视频进行处理。关键词：核密度估计；混合帧差法；Harris角点；GM(1，1)模型；运动目标检测；多目标跟踪Ⅱ扬州大学硕士学位论文AbstractIntelligentTransportationSystem(ITS)inrecentyearsachievedrapiddevelopmentinChina．Itcarlcollectandprocesstrafficinformationquickly,thencom

5、mandanddispatchtraffic．ITScouldplaythemaximumperformanceofthetransportationinfrastructureandenhancethequalityoftrafficmanagementservices．111evideosurveillancesystemisoneofthemostwidelyusedtechnologiesintheintelligenttrafficsystem．Movingtargetdetectionandtrackingbase

6、donvideoaretheimportantpartsofthevideosurveillancesystem，廿leyprepareforthevehiclebehavioranalysis．Movingvehicledetection，trackingandtrafficflowdetectionbasedonvideoarethefocusesofthisthesis．Howtoimplementthesealgorithmsinembeddedsystemsisalsothefocusofthethesis．Them

7、ainworkisasfollows：1．Movingtargetdetection．111eobjectoftargetdetectionalgorithmisthevideocapturedbythecameraontheroadtoshoottheillegalvehicles．Thisarticleanalysedfourcommonlyusedtargetdetectionalgorithmbasedontheactualtrafficvideoimage，thenitproposedamethodofcombini

8、ngbackgroundsubtractionbasedonimprovedkerneldensityestimationwithimprovedhybridframedifferenceformovingobjectdetection．111emethodusedimpro