开题报告

济宁学院本科毕业设计（论文）开题报告

毕业设计（论文）题目		智能交通系统中车辆提取与计数算法研究（Study of Vehicle Detection and Counting in ITS）
题目类型	科研基金项目			题目来源
系	物理系			专业	物理学
指导教师				职称
姓名			年级		学号
一、立题依据(国内外研究进展或选题背景、研究意义等) 本项目的研究意义：基于视频的车辆检测和计数算法对于交通安全和交通控制具有非常重要的理论意义和实用价值，是基于视频智能交通系统的基础。随着经济的快速发展，车辆的数目急剧增长，使得交通状况日益恶化，这几乎是困扰所有大城市的问题。为解决交通拥挤，避免交通事故，为道路建设提供数据，20世纪80年代末90年代初，智能交通系统(Intelligent Transportation System)应运而生，TIS通过对道路交通信息进行实时监测，了解道路交通的运行状况，根据交通流的动态变化，迅速做出交通控制，减轻道路拥挤程度，减少车辆行车延误[21，减低了交通事故发生的概率，使得交通设施充分利用，从而达到智能交通系统的目的。车辆的检测技术是智能交通系统的基础，常用的方法有线圈检测、微波检测器、超声波检测器、视频检测等。环形检测器目前在交通检测系统中应用最为广泛。它的原理是通过一个电感器件即环形线圈与电子单元构成一个调谐电子系统，当车辆通过或停在线圈上时，改变了线圈的电感量，激发电路产生一个输出，从而检测到通过或停在线圈上的车辆。它的优点是成本较低，安装方便。缺点是受环境影响比较大，而且线圈本身容易损坏，在更换安装和维护时要开挖路面，影响交通，这种检测方式对于交通流的数据提取也十分有限。微波检测器由发射天线和发射接收器组成。发射器对检测区域发射微波，当车辆通过时，由于多普勒效应反射波会以不同的频率返回，通过检测反射波的频率来检测车辆是否通过。超声波检测器也是运用反射原理，发射器从顶部发出超声波，当有车辆通过时，接收器接收到回波的时间是不一样的，据此可以判断是否有车通过。车辆的视频检测技术相比以上检测技术有如下优点: 安装维护方便，摄像机架设在路边，安装维护不需要封闭道路，挖掘路面，不会影响正常交通。 2，检测范围大，摄像机的图像区域可以同时检测多个车道，而且可以检测多个交通参数。 3，可以对交通现场录像，供以后查询。基于上述的优越性，基于视频图像的车辆检测技术对于智能交通系统的发展有巨大的推动作用，对于日常生活和国家的经济发展都有很大的实际意义4Ij，所以基于视频的车辆检测技术成为研究的热点。国内外研究现状：智能交通系统是目前世界交通运输领域的前沿研究课题，发达国家提出并执行了一系列研究计划，其核心是针对日益严重的交通需求和环境保护压力，采用通信技术、计算机技术、控制技术、信息处理技术等对传统交通运输系统进行深入的改造，以提高系统资源的使用效率、系统安全性，减少资源的消耗和环境污染。基于类似原因，我国对智能交通系统的发展也抱有极大的热情。根据我国的国情、技术基础及发展阶段，发展智能交通系统需要突出如下原则[5]: 1，中国城市正面临机动化的关键时刻，应确立可持续发展的战略指导思想，建立良性发展的交通系统基础。 2，为尽快实现产业化，中国智能交通系统发展应该首先在较为成熟的技术基础上，通过技术集成，形成新的系统概念和系统功能。 3，智能交通系统的建设，应该有利于提高交通企业和管理部门的管理水平，向管理要效益，要资源。近几年来，ITS在中国有了长足的发展.1999年，由科技部牵头，联合建设部、交通部、公安部等十多个相关部委，组织成立了全国智能交通系统(TIS)协调小组，为推动交通系统的智能化发展提供了组织机制保障;2000年完感了中国TIS体系框架研究和标准规范的制定。其中标准规范的制定从一定程度上确定了系统构成、功能模块以及模块之间的通信协议和接口，建立了能够与国际接轨的ITS标准体系，作为“十五”科技计划的重大专项项目予以实施，并将以示范工程为引导，加快技术开发与产业化，促进相关技术的全面发展。四川省车辆自动识别管理系统(AVIM)宜宾示范工程、广州市智能交通管理系统建设就是典型的体现。对于ITS应用的各种情况，视频检测还有很多不足，运动检测的难点主要有以下三点: 1，运动物体的正确检测和分割自动适应环境的变化，去除噪声及阴影的影响物体之间的遮挡与重叠以上难点揭示了研究的方向，要求提出更加鲁棒和结果更加准确的视频检测算法。目前对于运动物体检测，己有很多方法，常用的方法有:相邻帧差法，三帧差法，背景抑制法，光流法。对于去除噪声有均值滤波，中值滤波等算法。阴影去除有统计方法和确定算法。物体之间的遮挡与重叠是另一难点，基于视频的智能交通系统现在对此研究不多，其中刘光耀等[]s假定车辆的模型及高度，然后根据重投影速度，重建车辆的三维信息，最后根据遮挡规则判断是否遮挡。先进的交通控制是智能交通的基础，本文提取的车辆数目给交通控制提供依据，现有的基于视频指导交通控制的算法，有利用车辆的排队长度[3l1ll’协l，这种只能在车辆密集排列的时候，对于比较稀疏的情况则不适用，例如当监视区域只有头部和尾部有车，统计的排队长度是整个监视区域的长度，另外一种情况，在监视区域头部有密集排列的多辆车，但是提取的排队长度小于上一种情况。需要强调的是本文中的车辆计数统计的是交通场景中瞬时的车辆数目，而现有的大部分计数算法[0[l10]‘】统计的是某一时间段内通过某一路口的车辆数目。通过某一路口的车辆数目的大小可以反映出道路交通流在数量方面的特性，但是当某段时间道路某断面的交通流量为零时，却有两种可能:一是道路上没有车辆行驶，另一种可能是道路上有车辆，其车速为零，即交通堵塞。这时，交通流量就难以表示交通流的实际情况。在日常生活和交通管理的实践中就会发现11头当道路上车辆增多、车流密度由小变大时，驾驶员被迫降低车速，单位时间内通过道路某一点的车辆数减少;而车流密度由大变小时，又允许驾驶员以较大的车速行驶，单位时间通过道路某一点的车辆数又可能增加。而统计交通场景中车辆的瞬时数目，可以克服上述困难。目前国内的算法主要集中在差分法和基于统计模式的运动目标检测，基于运动矢量估计的算法尚在起步阶段。哈尔滨工业大学的张泽旭、李金宗、李宁宁等做过基于光流矢量和canny边缘检测算子来进行运动目标的检测和分割算法理论研究[4]。电子科技大学的魏波做过基于统计模式方法的运动目标检测算法，首先利用较简单的算法对运动场进行了粗略的估计，然后根据马尔可夫(Markov)随机场理论构造出运动场的间断点分布模型，利用此模型来检测运动场间的断点，以此来实现运动目标的检测。实验表明，这一方法十分有效，且运算负担较小，并可通过DSP实现实时检测[5]，但未能实现跟踪。也有人对帧差算法运用先进的技术进行了优化和改进，如模糊聚类算法[6]、遗传算法聚类[7]等。但是都只停留在理论算法的研究基础上。此外，对于基于运动矢量的车辆检测和跟踪，国内也有一定的研究[8]。 1978年，美国JPT(加州帕萨迪纳市的喷气推进实验室)首先提出了运用机器视觉来进行车辆的检测的方法，指出其是传统检测方法的一种可行的替代方案。几年后，美国明尼苏达大学的研究人员研制了第一个可以投入实际使用的基于视频的车辆检测系统。该系统使用了当时最先进的微处理器，在不同场景和环境下的测试结果良好，说明了利用视频传感器实时检测车辆的可行性。同期基于视频的车辆检测的研究也在欧洲和日本广泛展开。此后十年间基于视频的车辆检测技术取得了长足的进步。1991年，美国加州理工大学对在高速公路上运用视频方法的检测技术进行了评估，在评估报告中对当时采用的不同的视频车辆检测技术详尽地进行了分类。三年后，美国休斯飞机公司评测了当时存在的几种检测技术，包括视频检测技术，测评结果指出基于视频图像处理的车辆检测系统已经具备了投入实际使用的潜力。1994年MDOT(明尼苏达运输部)为FHWA(美国联邦公路局)进行了更详尽严格的测评，结果表明视频检测器的检测准确性和可靠性可以达到令人满意的程度。同时随着视频车辆检测技术的发展，人们已不满足于仅仅检测出车辆，FHWA进一步利用此技术来提取交通参数，如交通流量，十字路口的车辆转向信息等。日本东京大学的Shunsuke KAMIJO，Katsushi IKEUCHI，Masao SAKAUCHI等人也做了很多深入的改进算法研究。主要的研究方向是如何根据运动估计、基于马尔可夫(Markov)随机场等技术进行运算，以解决运动目标的遮挡问题[3]。该算法首先计算运动背景的参考灰度，通过灰度阈值来检测车辆并进行初始化标志，同时计数器更新，然后通过运动矢量的计算，更新车辆区域和编号，最后通过马尔可夫(Markov)随机场进行优化。参考文献 [1]Karmann K P,Brandt A V.Moving Object Recognition Using an Adaptive Background Memory[C]//Proc.of Time-varying Image Processing and Moving Object Recognition.Amsterdam:[s.n.],1990:289-296. [2]Fredman N,Russell S.Image Segmentation in Video Sequences[C]//Proc.of the Uncertainty in Artificial Intelligence.Providence,Rhode Island,USA:[s.n],1997. [3]Gao D S,Zhou J,Xin L J.A Novel Algorithm of Adaptive Background Estimation[C]//Proc.of 2001 International Conferenceon Image Processing.Shanghai:[s.n.],2001:395-398. [4]王成儒,刘豫.一种视频图像序列中运动对象的分割与跟踪算法[J].光电工程,2006,33(7):9-12. [5]王敏,骆惠,黄心汉.一种新的自动多阈值图像分割方法[J].信号处理,2000,16(1):90-94.
二、研究的主要内容及预期目标 1.研究内容本文的研究内容主要包括：（1）以背景重构为基础的车辆检测算法体系的研究，主要分析了如何重构道路背景、如何分割和提取车辆；（2）车辆发生遮挡和粘连的情况，提出了两种方法尝试处理该问题。一种是通过LAB颜空间聚类来确定遮挡区域车辆数目，另一种是通过分析遮挡区域形状区分每一辆车。 2.本文的主要工作有： 1.提出了一种基于背景重构的运动车辆提取算法。与已有的运动车辆提取算法相比，该算法是基于区域进行运动车辆的提取。通常的基于背景重构的运动车辆提取算法是在像素级上完成的，容易受到噪声的影响，而且容易将两个车辆判别为一个车辆。该算法比通常的基于像素的搜索算法在准确性、鲁棒性上有所提高； 2.提出了基于区域的多特征匹配的运动车辆跟踪算法。在运动车辆的跟踪中，根据运动车辆在相邻两帧中移动距离不远和在图像中面积变化不太大的特点，采用运动车辆的大小、形状、运动估计与质心位置在图像中进行匹配，从而实现对运动车辆的跟踪，该算法已在试验框架中得到验证。 3.针对交通事件检测要求，在运动车辆跟踪结果的基础上，对车辆运动方向检测和车辆速度估算给出具体检测算法。本文利用运动车辆的最小外接矩形大小的变化趋势和质心的偏移方向，再加上规定的行驶方向先验知识，即可获得运动车辆的行驶方向。通过对摄像机的标定，利用上述获取的运动车辆的行驶方向，获得运动车辆的大致速度。 3. 拟解决的关键问题： 1.车辆的分割及提取。 2.处理由于车辆遮挡引起的分裂与合并问题。
三、研究方案（思路） 1、拟采取的研究方法、研究手段、技术路线、实验方案及可行性分析（1）研究方法及手段 1，研究了以往的背景重建算法，针对以往算法的不足，本文提出了一种基于T分布的动态背景重建算法，可以利用数十帧图像重建一幅不包含运动车辆的初始背景。 2，对比现有的运动物体提取算法，最终选择了基于RGB空间的背景抑制算法。估计出图像RGB三个通道的噪声方差，二值化差图像时RGB每个通道的闽值设为各自通道噪声方差的三倍。 3，研究了两种去阴影的算法，分别是基于HSV空间的去阴影方法和蓝波段信息去阴影方法。 4，最后对车辆发生遮挡和粘连的情况进行了研究，提出了两种方法尝试处理该问题。一种是通过LAB颜空间聚类来确定遮挡区域车辆数目，另一种是通过分析遮挡区域形状区分每一辆车。（2）技术工艺路线（3）基于视频的车辆检测和跟踪算法体系的有效性和可行性。 1背景的生成一般而言，从包含行驶车辆、非机动车及行人的交通图像序列中，获得一帧不包含任何运动目标的“干净”背景是背景提取的难点。课题中背景提取采用的是基于众数法的原理[3]：在一个图像序列中，在某一阈值范围内，认为序列中出现次数最多的几个(算法中取3个)灰度值最有可能为背景灰度值，因此按照其各自出现次数做加权得到的平均值为背景值。以图像序列1,2,…,i,…,j,...,N中的同一个像素点p为例： 1 1 (){} 1,2,, max(); N i jji Count i boolean I I Threshold i N i arg Count i = ? ?=∑?< ?= ?= ? (1) p ,initial i1 i 2 i3 B =αI +βI +γI(2) 3 1 1 2 3 _() () _ () _ () _ n n Count Sum Count i Count i Count Sum Count i Count Sum Count i Count Sum α β γ = ? =∑ ?? ?= ?? ? ?= ?? ?= ?? (3) Count(i)是图像序列的第i帧与序列中其他所有帧的灰度差值的绝对值在阈值范围内出现的次数。Threshold是所选取的灰度差阈值，按照灰度级0~255的取值，算法可以选取一个与像素位置无关的阈值。取Threshold=2,i1 ,i2,i3分别是出现次数最多、次多和第3多的序列标号，这3帧图像在像素p上的灰度值，按照它们出现次数作相应的加权和，得到了背景在像素p上的初始灰度值Bp,initial，权值分别为α,β,γ。当所有的像素点都被标识出来，完整的背景图像就生成了。 2背景更新系统使用了一种加权系数法更新背景图像[3]。 1 1 (1)0<<1 pt pt pt B KB K C K ?? =+?(4) 其中，Bpt为要估计的背景；Bpt-1为初始背景；Cpt-1为当前图像。原来的背景对现在的要估计的背景在于权值系数K的影响，算法中K=0.95。 3前景提取实时交通视频监测关注的是前景图像，即图像中运动的目标，因此研究每一帧由摄像头捕获到的图像同背景图像的差值，根据像素灰度差减值是否大于一定的阈值来判断该像素是否属于预前景区域。由于图像存在多方面的干扰，因此直接由当前图像和背景差减得到的前景图像不是很准确，称之为预前景。对预前景区域在原图像上覆盖的部分做边缘检测，再结合形态学运算得到平滑后的前景边缘，最后利用得到的边缘图像生成其边缘直方图，计算直方图分割阈值得到最终前景目标。 4边缘检测 Sobel算子是较好的图像边缘检测算法，通常利用Sobel算子计算图像边缘时，得到的是图像在轴x(或轴y)上的一阶梯度值。计算x和y轴的Sobel算子分别如下： 1 0 1 2 0 2 1 0 1 ??? ??= ?? ? ????? A, 1 2 1 0 0 0 1 2 1 ????? ??= ?? ??? ? B 由于实时的输入图像中，前景的边缘同时在x和y轴上具有同等的重要性，因此算法同时采用2个方向的Sobel算子计算边缘，并对其取加权和。以a,b分别代表输入图像由A,B卷积而得的值，那么取 4 a +b 作为最后边缘图像的灰度值。图2(a)是试验路段原始图像，图2(b)是对原图上预前景区域计算边缘。图2(c)是图2(b)的灰度直方图。 5形态学运算在直接对预前景计算边缘后，需要用形态学的方法对其进行修补。首先将边缘图像膨胀一次，再腐蚀一次，即对图像做一次闭运算。 A ?B =(A ⊕B )B 1 1 1 1 1 1 1 1 1 ??? ?= ??? ?? ? B 其中，?是闭运算符；是腐蚀运算符；⊕是膨胀运算符；A代表边缘图像；B为结构元。图2(b)经过闭运算后得到图3(a)，图3(a)的灰度直方图，如图3(b)所示。对比图2(c)和图3(b)，可以看出，闭运算使得边缘图像，像素分布均匀，便于阈值分割法提取最终块状前景目标。 6直方图阈值选取根据4.2节得到的前景图像中经常包括大量干扰，如阴影、车辆灯光反射等，需要消除这些影响才能很好地分析交通目标。得到预前景的边缘直方图后，应当根据不同的光线条件选取阈值α，将边缘直方图分为灰度值大于α和小于α的2部分。在边缘图像中，前景车辆上的边缘突出，灰度值比阴影或车灯等都要大，因此，当阈值α选好后，只要去除灰度值比α小的这部分像素，留下灰度值比α大的这部分像素，通过这样的处理就可以很好地将部分阴影和车灯的反射去除。 255 arg max{()} Nn N αHisto n Threshold = =∑> (5) 其中，Histo(n)是灰度值n在直方图中的所占百分比。在不同光线条件下，Threshold的选取决定了最后的前景提取结果。实验中选取Threshold=0.5，由于这个值较小，提取的前景也较小，因此能够避免一些遮挡发生的情况。在不同的光线条件下，根据式(5)阈值α能够自动调整。从而实现自适应阈值分割的最终前景提取。图4是在不同光线条件下的实验结果，从左到右依次是原图像、闭运算后边缘图像和对边缘图像进行阈值分割后的前景图。最后的前景由图4(a)~(c)中右图的实心标块显示。图4(a)是光线良好的情况下的实验结果，没有阴影的干扰，闭运算和最终前景都基本和预前景重合。图4(b)是阴影存在情况下的实验结果，闭运算的结果阴影部分的边缘已经不太明显。最终前景基本覆盖了车辆部分。图4(c)是夜晚路面反光情况下的实验结果，闭运算的结果，路面反光部分的边缘还比较明显。最终前景也较好地反映了车辆部分。
四、论文进度安排论文计划分五部分： 1. 材料 2. 方法 3. 结果 4. 讨论 5. 小结

五、主要参考文献