基于無(wú)人機(jī)視頻的交通參數(shù)提取技術(shù)研究.pdf

1、交通信息是交通運(yùn)營(yíng)和管理的基礎(chǔ)，更是智能交通系統(tǒng)(ITS)的基礎(chǔ)和保障，獲得全面、準(zhǔn)確、實(shí)時(shí)的交通信息對(duì)交通運(yùn)營(yíng)、管理和智能交通系統(tǒng)應(yīng)用效果起著非常重要的作用。無(wú)人機(jī)具有體積小，飛行靈活，檢測(cè)目標(biāo)的空間范圍大等特點(diǎn)，與傳統(tǒng)的交通檢測(cè)技術(shù)相比，能夠采集的更多種類的交通信息，對(duì)交通管制和研究等工作具有重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。本文針對(duì)無(wú)人機(jī)拍攝的交通視頻，研究了適用于無(wú)人機(jī)視頻的車輛檢測(cè)和交通參數(shù)提取技術(shù)。本文的主要研究?jī)?nèi)容如下:
　

2、　第一，本文歸納總結(jié)無(wú)人機(jī)的發(fā)展及其應(yīng)用情況，分析了無(wú)人機(jī)交通信息采集的優(yōu)勢(shì)，對(duì)基于無(wú)人機(jī)視頻的交通算法和應(yīng)用研究做了較詳細(xì)的歸納和總結(jié)，明確了本文的研究方向。同時(shí)闡述了圖像處理的相關(guān)基礎(chǔ)知識(shí)，簡(jiǎn)要介紹和討論了幾種經(jīng)典的視頻車輛檢測(cè)算法、車輛跟蹤算法和評(píng)價(jià)指標(biāo)。
　　第二，針對(duì)現(xiàn)有幀間差分法容易出現(xiàn)空洞的現(xiàn)象，和背景建模計(jì)算復(fù)雜，建模效果不佳的情況，提出了一種基于對(duì)稱差分的分塊建模算法。將對(duì)稱差分結(jié)果作為判斷背景像素或車輛像素的依

3、據(jù)，以塊為單元判斷像素屬性，若為背景則塊的像素值賦值給背景圖像中對(duì)應(yīng)的塊，其中塊的尺寸根據(jù)車輛寬度確定。接著利用背景差分、閾值分割、形態(tài)學(xué)處理等圖像處理技術(shù)實(shí)現(xiàn)運(yùn)動(dòng)車輛的檢測(cè)。同時(shí)提出正檢率P正、重檢率P重、漏檢率P漏、錯(cuò)檢率P錯(cuò)4個(gè)評(píng)價(jià)指標(biāo)來(lái)衡量算法性能。利用本文算法和對(duì)稱差分算法從無(wú)人機(jī)視頻中檢測(cè)運(yùn)動(dòng)車輛并進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明本文算法對(duì)無(wú)人機(jī)視頻中的車輛正檢率達(dá)92.29％，并具有較高的穩(wěn)定性。
　　第三，在無(wú)人機(jī)視頻車輛檢

4、測(cè)的基礎(chǔ)上，提出從無(wú)人機(jī)視頻中提取交通密度和流量的方法。交通密度的提取首先是通過(guò)標(biāo)定已知目標(biāo)的長(zhǎng)度獲得圖像像素與實(shí)際長(zhǎng)度的比例從而獲得感興趣區(qū)內(nèi)道路的長(zhǎng)度，再結(jié)合感興趣區(qū)內(nèi)檢測(cè)到的車輛數(shù)，最后通過(guò)K=(1000·N)/(L·η)計(jì)算交通密度。交通流量的統(tǒng)計(jì)是分析虛擬線圈中像素的數(shù)目的變化來(lái)判斷車輛是到達(dá)或是離開(kāi)。
　　第四，利用CamShift算法和人工標(biāo)注的方法獲取車輛軌跡。CamShifi算法通過(guò)計(jì)算目標(biāo)車輛質(zhì)心坐標(biāo)來(lái)代替車輛

5、坐標(biāo)，連續(xù)幀的車輛坐標(biāo)形成車輛的軌跡。輪廓和對(duì)角線標(biāo)注方法是通過(guò)人工的方式選取圖像中車輛的頂點(diǎn)，分別通過(guò)4個(gè)頂點(diǎn)和2個(gè)頂點(diǎn)計(jì)算中心坐標(biāo)來(lái)代替車輛坐標(biāo)形成車輛軌跡。實(shí)驗(yàn)結(jié)果表明，2類方法得到車輛軌跡都具有連續(xù)、穩(wěn)定、準(zhǔn)確度較高的特性。
　　第五，提出了基于虛擬線圈和車輛軌跡的4種車速提取方法。虛擬線圈方法是在車輛檢測(cè)的基礎(chǔ)上，通過(guò)檢測(cè)車輛在虛擬線圈內(nèi)指定幀數(shù)駛過(guò)的像素距離來(lái)計(jì)算車速?；谲囕v軌跡的方法是通過(guò)2個(gè)車輛軌跡點(diǎn)坐標(biāo)及其對(duì)應(yīng)