基于神经网络的车流量检测及预测研究.pdf

《基于神经网络的车流量检测及预测研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、分类号UDC：密级编号基于神经网络的车流量检测及预测研究Stud)7onTrafficFlowDetectionandPredictioHBased0nNeuralNetwork学位授予单位及代码：量查堡王盘堂!!Q!竖2学科亏业名称及代码：盐簋扭应旦基盔f鲤12业2研究为向：国缝丝堡皇攥基丝到申请学位级别：亟±指导教师：奎壬熬援研究生：型!焦鑫论文起止时间：—2009．11--—2010．12长春理工大学硕士学位论文原创性声明本人郑重声明：所呈交的硕士(或博士)学位论文．《基于神经网络的车流量检测及预测研究》是本人在指导教师的指导下．独立进行研究工作所取得的成果。除文中已经注明引

2、用的内容外，本论文不包含任何其他个人或集件已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。作者挠乎挨缸zo{1年上月型日长春理工大学学位论文版权使用授权书本学位论文作者及指导教师完全了解“长春理工大学硕士、博士学位论文版权使用规定”，同意长春理工大学保留并向中国科学信息研究所、中国优秀博硕士学位论文全文数据库和CNKI系列数据库及其它国家有关部门或机构送交学位论文的复印件和电子版，允许论文被查阅和借阅。本人授权长春理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，也可采用影印、缩印或

3、扫描等复制手段保存和汇编学位论文。作者签名：．趱叁々—!生年土月!』_R导师签名塑。止年昱_月型同摘要针对目前车流量检测及预测所存在的一些问题，本文对于常用的多种运动目标的检测方法进行了研究，选择了实时性强，速度较快实用性高的背景差分法作为运动目标的检测方法。对于背景的重建与更新的问题，本文提出了一种新的背景更新与重建的方法t即用帧差法与背景差分法相互结合的方法来进行背景的重建，使用像素级的更新与帧级的更新的多层次的背景更新方法，实验结果表明，该方法能够快速准确的实现背景的重建与更新。对于阴影检测去除的问题本文提出了一种基于H$I的阴影检测消除的快速方法，该法快速准确有效，实时性强

4、。在运动车辆检测计数当中本文使用的是虚拟感应线圈法．利用运动像素的方法对车辆计数．结果较为准确，为后面的车流量检捌幌供了可靠的数据。在车流量的预测当中．利用BP神经网络对交通路口的车流量进行了预测，预测结果令人满意，满足了应用的需隶，为交通诱导做了一些理论实践。本文的研究结果表明，基于视频的车流量检测的方法检测结果准确度高．快速实时性强，基于BP神经网络的车流量预测结果精确度高．能够满足应用需求。关键词：车流量检测预测模型背景更新神经网络背景重建AbstractAimingattheexistingproblemsoftrafficdetectionandprediction．th

5、isarticledoesmanydetectionmethodsaresludiedformovingtargetsselectedreal-timestrong，fastandhi曲practicabilitybackgroundsubtraclionmethodforthedetectionofmovinglargosThjsariicleproposedanewmethodofbaekgroundupdmingandreconstruction．whichusesframedifferenceandbackgroundmethodscombinedapproachtothe

6、reconstructionofthebackground．usingpixel—levelupdateFrame-levelmulti-levelbackgroundmethod．experimentalresultsshowthatthemethodca／1achievefastandaccuratereconstructionofthebackgroundandupdatesTltisarticleproposedanewmethodmrtheremovalofshadowdetection．uhichIsbasedoBHSI’saquickwav⋯一faslaccurate

7、mideriectivemethod．andrealtimeThisarticleusedthevirtua】lnduationcol】methodcountsdetectedlnthemovementofvehiclestheresultshowsthismelhodcanprovideamoreaccuratereliabletrafficdataforthedetectionofthebacklnwhichtheforecasttrafficUsingBPneL