基于视频的车流量统计算法设计毕业论文

基于视频的车流量统计算法设计

摘要：智能交通系统(ITS)已经被科学家认为是解决当前城市交通问题最有效的方法,也是目前和未来交通发展的主流方向。ITS的前提是获得交通道路的实时信息,比如车速、车流量等。本文主要研究ITS中基于视频检测技术的车流量统计方法,对所涉及的运动目标检测、背景提取、阴影去除以及车辆统计等核心技术进行了详细的研究。

本文的工作主要分为以下四部分：

对车流量统计相关算法进行了研究,针对目标检测算法,研究了光流法、帧间差分法和背景差分法。针对背景提取算法,研究了均值法、统计中值法、单高斯背景模型法和混合高斯背景模型法；针对阴影消除算法,研究了基于HSV颜色空间变换的阴影消除算法、基于色彩特征不变量的阴影消除算法和基于纹理特征的阴影消除算法。同时,本文对上述算法进行了实验对比分析。

给出了一种改进的混合高斯模型背景提取算法,当读入一定帧数的图像之后认为背景达到稳定状态,读入新的视频帧时,对当前帧进行判断,如果像素点和稳定背景图像的像素点差值大于阈值Th1,就对该像素点进行更新,反之就不更新。

给出了一种改进的基于虚拟区域的车流量统计算法,首先设置检测区域和检测线,然后跟踪检测区域中车辆的质心到检测线的距离d,如果d小于Th2认为有一辆车辆通过,通过实验验证,本文算法的精确率能达到90%左右。

实现了一个车流量统计系统,整个系统主要包括视频播放模块、GMM背景更新模块、前景构建模块和车辆计数模块。视频播放模块主要完成视频的播放和显示；GMM背景更新模块主要是实现本文的背景提取算法；前景构建模块的主要功能是通过阴影去除和形态学操作得到较好的前景图像；车辆计数模块的主要功能是完成本文的车流量统计算法。本文深入研究了车流量统计的相关算法,并给出了一种改进的混合高斯模型算法和一种改进的基于虚拟区域的车流量统计算法,最后用VC实现了一个车流量统计系统,实验结果表明本文设计的系统能够对车辆目标进行准确检测与统计。

关键词：

智能交通系统

；

运动目标检测

；

背景提取

；

阴影消除

；

车流量

Videotrafficbasedonstatisticalalgorithmdesign

Abstract:IntelligentTransportationSystems(ITS)hasbeenconsideredbyscientiststosolvethecurrentproblemofurbantrafficthemosteffectivemethod,butalsothepresentandfuturedirectionofthemainstreamtransportdevelopment.ITSisaprerequisitetoobtainreal-timetrafficandroadinformation,suchasspeed,trafficandsoon.ThemainarticleITSstatisticalmethodsbasedontrafficvideodetectiontechnologyinvolvedinmovingtargetdetection,backgroundextraction,shadowremovalandvehiclestatisticssuchasthecoretechnologyforadetailedstudy.

Themainworkofthispaperisdividedintothefollowingfourparts:

1）Statisticsontrafficrelatedalgorithmshavebeenstudiedfortargetdetectionalgorithmtostudytheopticalflowmethod,theinter-framedifferenceandbackgroundsubtraction.Forbackgroundextractionalgorithm,themeanvaluemethod,statisticalmedianmethod,asingleGaussianbackgroundmodelmethodandGaussianmixturebackgroundmodellaw;againstshadoweliminationalgorithmtostudytheHSVcolorspaceconversionbasedshadoweliminationalgorithm,basedoncolorcharacteristicsinvariantsshadoweliminationalgorithmandtexturefeaturesbasedonthealgorithmtoeliminateshadows.Meanwhile,thepaperofthealgorithmexperimentallyanalyzed.

2）GivesanimprovedGaussianmixturemodelbackgroundextractionalgorithm,whenreadinacertainframeofimagebackgroundreachesasteadystateconsidered,whenreadinthenewvideoframe,thecurrentframetodetermineifthepixelandstablebackgroundimagethepixelvaluedifferenceisgreaterthanthethresholdTh1,thepixeltobeupdatedonthecontraryisnotupdated.

3）Givesanimprovedtrafficstatisticalalgorithmbasedonavirtualarea,thefirstdetectionareaandthedetectionlineisset,thenthedistancedcentroidtrackingdetectionlineinthedetectionareaofthevehicle,ifdislessthanTh2consideredavehiclepassingthroughprecisionexperiments,theproposedalgorithmcanreachabout90%.

4）Implementsatrafficstatisticssystem,theentiresystemincludingvideoplaybackmodule,GMMbackgroundupdatemodule,prospectsbuildingblocksandvehiclecountingmodule.Videoplaybackmoduleofthecompletionofvideoplaybackanddisplay;GMMbackgroundupdatemoduleistoachievethebackgroundofthisextractionalgorithm;prospectsmainfunctionmoduleisconstructedandmorphologicaloperationsgetbetterforegroundimagebyshadowremoval;mainvehiclecountingmodulefeatureofthispaperistocompletethetrafficstatisticalalgorithms.Thisarticlestudiesthecorrelationalgorithmtrafficstatistics,andgivesanimprovedGaussianmixturemodelalgorithmandanimprovedalgorithmforvirtualregionaltrafficstatisticsbasedonthelastonewithVCtrafficstatisticssystem,theexperimentalresultsThisdesignshowsthatthesystemcanaccuratelydetectvehicletargetsandstatistics.

Keywords:IntelligentTransportationSystems;movingtargetdetection;backgroundextraction;shadowelimination;traffic

毕业设计（论文）原创性声明和使用授权说明

原创性声明

本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。

作者签名：日期：

指导教师签名：日期：

使用授权说明

本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。

作者签名：日期：

学位论文原创性声明

本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。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后果由本人承担。

作者签名： 日期：年月日

学位论文版权使用授权书

本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权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，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。

涉密论文按学校规定处理。

作者签名： 日期：年月日

导师签名：日期：年月日

指导教师评阅书

指导教师评价：

一、撰写（设计）过程

1、学生在论文（设计）过程中的治学态度、工作精神

□优□良□中□及格□不及格

2、学生掌握专业知识、技能的扎实程度

□优□良□中□及格□不及格

3、学生综合运用所学知识和专业技能分析和解决问题的能力

□优□良□中□及格□不及格

4、研究方法的科学性；技术线路的可行性；设计方案的合理性

□优□良□中□及格□不及格

5、完成毕业论文（设计）期间的出勤情况

□优□良□中□及格□不及格

二、论文（设计）质量

1、论文（设计）的整体结构是否符合撰写规范？

□优□良□中□及格□不及格

2、是否完成指定的论文（设计）任务（包括装订及附件）？

□优□良□中□及格□不及格

三、论文（设计）水平

1、论文（设计）的理论意义或对解决实际问题的指导意义

□优□良□中□及格□不及格

2、论文的观念是否有新意？设计是否有创意？

□优□良□中□及格□不及格

3、论文（设计说明书）所体现的整体水平

□优□良□中□及格□不及格

建议成绩：□优□良□中□及格□不及格

（在所选等级前的□内画“√”）

指导教师：（签名）单位：（盖章）

年月日

评阅教师评阅书

评阅教师评价：

一、论文（设计）质量

1、论文（设计）的整体结构是否符合撰写规范？

□优□良□中□及格□不及格

2、是否完成指定的论文（设计）任务（包括装订及附件）？

□优□良□中□及格□不及格

二、论文（设计）水平

1、论文（设计）的理论意义或对解决实际问题的指导意义

□优□良□中□及格□不及格

2、论文的观念是否有新意？设计是否有创意？

□优□良□中□及格□不及格

3、论文（设计说明书）所体现的整体水平

□优□良□中□及格□不及格

建议成绩：□优□良□中□及格□不及格

（在所选等级前的□内画“√”）

评阅教师：（签名）单位：（盖章）

年月日

教研室（或答辩小组）及教学系意见

教研室（或答辩小组）评价：

一、答辩过程

1、毕业论文（设计）的基本要点和见解的叙述情况

□优□良□中□及格□不及格

2、对答辩问题的反应、理解、表达情况

□优□良□中□及格□不及格

3、学生答辩过程中的精神状态

□优□良□中□及格□不及格

二、论文（设计）质量

1、论文（设计）的整体结构是否符合撰写规范？

□优□良□中□及格□不及格

2、是否完成指定的论文（设计）任务（包括装订及附件）？

□优□良□中□及格□不及格

三、论文（设计）水平

1、论文（设计）的理论意义或对解决实际问题的指导意义

□优□良□中□及格□不及格

2、论文的观念是否有新意？设计是否有创意？

□优□良□中□及格□不及格

3、论文（设计说明书）所体现的整体水平

□优□良□中□及格□不及格

评定成绩：□优□良□中□及格□不及格

（在所选等级前的□内画“√”）

教研室主任（或答辩小组组长）：（签名）

年月日

教学系意见：

系主任：（签名）

年月日

1绪论

1.1课题研究背景及国内外发展现状

随着经济全球化与科学技术日新月异的发展，交通运输作为社会经济生活的一个重要方面，对保证社会经济体系的正常运转发挥着重要的作用，已经成为人们生活中不可缺少的重要组成部分。近20年来，世界各国先后建立四通八达的交通运输网络，但交通工具的增长速度远远高于道路和其他

交通设施

的增长，因此随之引起

交通拥堵

、

交通事故

、环境污染、能源短缺等问题已经成为世界各国面临的共同的问题，也造成了巨大的物质与经济损失。如美国德州运输研究所研究美国39个主要城市，估算美国每年因交通阻塞而造成的经济损失约为410亿美元，12个最大城市每年的损失均超过10亿美元；预测到2020年，因事故造成的经济损失每年将超过1500亿美元。但单纯依靠修建道路与交通设施和采用传统的管理方式来解决交通问题，不仅成本昂贵、环境污染严重，而且其缓解交通拥堵、提高交通运输效果也非常有限。为此在30多年前人们就提出了

智能交通

系统的概念，但对

智能交通

系统或

智能运输

系统（IntelligentTransportationSystems,ITS）进行系统的研究始于20世纪80年代，从1994年起，智能交通系统这一术语得到全世界的广泛承认。ITS是将驾驶员、交通工具和道路、环境三位一体来考虑。广义上ITS应包括交通系统的规划、设计、实施与运营管理的智能化；而狭义上ITS则主要是指交通运输管理和组织的智能化。其实质就是采用现代高新技术对传统的交通运输系统进行改造而形成一种新型现代交通系统。也就是说，ITS就是将先进的信息技术、传感技术、数据通信技术、自动控制技术、运筹学、图像分析技术、计算机网络以及人工智能等有效地综合运用于整个

交通管理

系统。在系统工程综合集成的总体思路指导下，建立起一种在大范围内全方位发挥作用的实时、准确、高效的运输综合体系[1][2][3]。ITS智能化的特征体现在：原理上是基于知识体系；系统功能上应至少具有判断能力、推理能力和学习能力、并应有辅助决策的作用；结构上应由机器

感知

、机器学习、机器识别及知识库等部分组成。当然，ITS并不意味着交通系统完全智能化。在组织或控制交通系统时，只是希望系统运行秩序化，即尽可能达到高度组织化的程度，利用计算机和其他设备部分地替代交通主体——人，完成部分预测、处理和决策，在交通系统管理中更重要的还是人参与。ITS的发展将推动运输进入信息时代，是21世纪现代交通运输系统的发展方向。只有将“人和物的运载和运输”和“信息的运载和运输”融为一体，充分利用信息技术的最新成果，挖掘信息资源的最大潜力，才能大幅度提高运输效率和服务质量，满足日益增长的社会需求。

1.1.1智能交通系统的发展

早在20世纪60年代，美国就开始进行智能交通系统的先驱性研究，即电子路径诱导系统研究（ElectronicRouteGuidanceSystem,ERGS）。80年代中期加利福尼亚交通部门研究的PATHFINDER系统获得成功，加速了智能交通系统的发展。此后，美国进行“智能化车辆——道路系统”（IntelligentVehicle-HighwaySystem,IVHS）方面的研究；1990年美国运输部成立了智能化车辆道路系统组织；1991年美国国会通过了“综合地面运输效率法案”，发展经济上有效、环境上友好的国家级综合地面运输系统，以提高

客运

和

货运

的运输效率。1992年，由美国运输部、联邦顾问委员会和全国智能交通协会联合制定了“智能交通系统”发展战略计划；1993年，美国DOT（运输部）正式启动了ITS体系框架开发计划，目的是要开发一个经过详细规划的国家ITS体系框架。1994年IVHS更名为ITSAmerica(IntelligentTransportationSocietyofAmerica)。

欧洲ITS的发展早在1969年，欧共体委员会就提出要在其成员国之间开展与

交通控制

相关的电子技术研究与开发工作。1985年，在法国的积极倡导和推动下，欧洲开始了一项名为“由里卡”（Eureka）的高新科技研究与开发计划，制定了包括交通技术在内的九大重点研究领域，包括以车辆的研究开发为主体的PROMETHEUS研究计划和以道路基础设施开发为主体的DRIVE研究计划。“由里卡”最初在交通领域共设置了46个项目，旨在开发新型交通系统，改造陈旧的交通设施、减少交通环境污染并提高交通运输

安全

。1986年，以奔驰为主的欧洲11家汽车公司进行了民间主导的PROMETHEUS（ProgrammeforEuropeanTrafficwithHighestEfficiencyandUnprecedentedSafety）研究计划，确定了四个基础研究领域和三个应用研究领域。PROMETHEUS计划取得了巨大的成功并于1994结束。随后在1995年，欧洲又开始一项新的研究计划——PROMOTE（ProgrammeforMobilityinTransportationinEurope），该计划的主要目的是实现道路交通管理系统和安全系统。同时，欧洲还实施了以欧盟各个成员国政府为主导的DRIVE（DedicatedRoadInfrastructureforVehicleSafetyinEurope）研究计划，其目标是通过对道路交通与环境相互关系的研究，提高道路交通的安全性和运输效率。在日本，1973年，以通产省为主开发的“汽车综合（交通）控制系统”（CACS:ComprehensiveAutomobile(traffic)ControlSystem）被认为是日本最早的ITS项

目，当时在世界上处于领先地位；从1984年开始，建设省主持开发了“路车间通信系统”（RACS:Road/AutomobileCommunicationSystem）;从1987年开始，日本警察厅支持开发“先进的车辆交通信息与通信系统”（AMTICS:AdvancedMobileTrafficInformation&CommunicationSystem）；1989年，建设省又将RACS

升级为“先进的道路交通系统”（ARTS:AdvancedSafetyvehicle）；通产主导研究开发了“超智能车辆系统”（SSVS:SuperSmartVehicleSystem）。1991年日本政府开发并投入运行了“车辆信息与通信系统”（VICS:VehicleInformation&CommunicationSystem）。同时，日本警察厅也于1991年，在AMTICS的基础上开发了“新交通管理系统”（UTMS:UniversalTrafficManagementSystem）。目前日本的ITS研究与应用开发工作主要围绕三个方面进行，它们分别是：汽车信息和通信系统VICS（VehicleInformationandCommunicationSystem）、

不停车收费

系统

ETC

（ElectronicTollCollection）、先进道路支援系统AHS（AdvancedHighwaySystem）。

在香港，20世纪70年代后期就制定了在

公路

隧道

中应用ITS的计划，第一个ITS系统于1984年安装启用。1997年，一套尖端的TCS系统在青马地区建成，除了遵循标准的TCS以外，该系统还广泛采用了可变的信息显示和标识，以提高效率和安全。1999年，香港ITS发展战略初步建立框架；将ITS应用于香港地区战略公路网（SRN）的研究已于1999年8月完成。2000年3月，香港完成了交通信息中心的可行性研究报告，报告对交通信息技术进行了深入的评估，并探讨如何将这些技术整合起来在香港形成一个现代的信息系统。中国是当今世界交通基础设施建设发展最快的国家，但仍满足不了经济的快速发展和人民生活水平提高的要求，而且这一供需矛盾也日益突出。中国早在20世纪70年代末就开始在交通运输和管理中应用电子信息及自动控制技术，首先在北京、上海和广州等大城市开始了交通

信号控制

的研究与开发，在全国主要的大城市使用了单点定周期

交通信号

控制器和线性协调交通信号控制系统；1978年，北京市在前三门大街试验自行开发的

城市交通

控制系统：“七五”期间，我国在南京试验自行研制开发的自适应交通控制系统；其后，我国又有广州、天津、深圳、大连等近20个城市建成了交通信号控制系统；80年代初开始，我国陆续引进了国外先进的交通控制系统（如英国的SCOOT系统、澳大利亚的SCATS系统等）。20世纪80年代后期，我国开始了ITS基础性的研究开发工作，包括优化道路交通管理、交通信息采集、驾驶员考试系统、车辆动态识别等；90年代开始建设交通指挥控制中心，目前，我国的大中城市都已基本建立了交通控制中心或交通指挥中心，并开展了驾驶员信息系统、城市交通管理的智能化诱导技术等方面的研究。随着研究的不断深入，学术交流活动也日益增多。1997年我国召开了“97北京智能交通系统发展趋势国际学术研讨会”；1998年，国际标准化组织交通信息与控制技术委员会ISO/IC2004中国委员会正式成立，委员会的主要任务是积极推进中国ITS的标准化；1999年，我国成功举办了“99国际智能交通技术研讨会暨展会”；2000年7月，“第四届亚太地区智能交通（ITS）年会暨技术产品展览会”在北京举行。为中国推动中国ITS的发展，2000年2月29日，科技部会同国家计委、经贸委、公安部、交通部、铁道部、建设部、信息产业部等部委相关部门，在充分协商和酝酿的基础上，成立了发展中国ITS的政府协调领导机构——全国智能交通系统（ITS）协调指导小组及办公室，并成立了ITS专家咨询委员会。特别是国家在“九五”期间，原国家科委与十几个部委成立了全国

智能运输

系统协调指导小组及办公室，将

全球定位系统

GPS

(GlobalPositioningSystem)、地理信息系统GIS(GeographicInformationSystem)以及管理信息系统MIS(ManagementInformationSystem)简称为“3S”（GPS、GIS、MIS）作为重点项目予以支持，并初步启动了ITS体系框架和标准体系的研究；“十五”期间，随着各项技术成熟与发展，ITS应用已经成为社会的共识，为此科学技术部将“智能交通系统关键技术开发和示范工程”列入“十五”国家科技攻关计划的重大项目。目前该项目已经全面启动，首批确定了北京、上海、天津、重庆、广州、济南、青岛、杭州、深圳和中山10各城市作为智能交通试点示范城市。智能交通系统的发展符合未来交通运输发展的方向，将为我国高新技术产业的发展提供一个巨大的市场。因此在我国开展智能交通与运输系统的开发和应用，将对促进国民经济和社会的快速发展，增强国际竞争力有十分重要的作用。为了从整体上规范我国的智能交通系统建设，在全国智能交通系统协调领导小组和国家科技部的领导和组织下，我国完成了“智能交通系统体系框架”的研究和编制工作，并正在进行“智能交通系统标准框架”的进一步研究和修编工作。目前，我国已经建立或正在研究开发的智能交通系统主要包括以下方面：

（1）交通信号控制系统。我国大多数大城市已经建立了交通信号控制系统，其中包括我国自行开发的系统和引进的国外SCATS、SCOOT等系统。目前，我国若干研究机构和一些企业集团正在致力于适合中国混合交通特点的、具有一定自学习功能的、与交通诱导等其他子系统有相当协调能力的信号控制系统的研究开发工作。

（2）交通监控系统。我国多数城市已经建立了以电视摄像为主体的交通监控系统。

（3）交通管理系统。利用网络技术实现车辆档案、驾驶员档案、交通事故及交通违章的综合管理，并实现数据共享。

（4）交通信息动态显示系统。利用交通控制系统和交通信息系统等进行动态信息显示。

（5）交通诱导系统。利用交通广播电台或交通寻呼台实时发送交通信息。

（6）交通运输安全报警系统。利用GPS/GIS等的功能。

（7）电子收费系统（ETC）。利用电子技术、计算机技术以及信息通讯技术，通过安装在汽车上的电子标识卡（存储与车辆收费有关的大量信息，如预缴金额、车型、车主）与安装在收费车道旁的读写收发器，通过微波或红外线进行快速的数据交换，实现车辆的不停车收费不仅可以解决收费站的排队问题，而且应用它可以方便实现道路拥挤收费，进行交通需求管理；可以进行交通监视、事件检测，实时的OD矩阵估计等。

1.1.2智能交通系统的主要研究内容

根据ITS的研究内容，对ITS项目进行分类的方法有很多种，这里采用的是美国国家ITS框架体系（《NationalITSArchitecture》）中对ITS的分类方法，将其分为7大类：先进的交通管理系统（AdvancedTrafficManagementSystems,ATMS）、先进的

出行

者信息系统（AdvancedTravelerInformationSystems,ATIS）、先进的

公共交通

系统（AdvancedPublicTransportationSystems,APTS）、先进的车辆控制及安全系统（AdvancedVehicleControlandSafetySystems,AVCSS）、商用车辆营运系统（CommercialVehicleOperations,CVO）、紧急救援管理系统（EmergencyManagementSystems,EMS）、电子付费与电子收费系统（ElectronicPaymentSystems&ElectronicTollCollection,EPS&ETC）。

（1）先进的交通管理系统（ATMS）

ATMS利用监测、通讯及控制等技术，将交通监控系统监测所得的交通状况，经由通讯网络传输到交通控制中心，中心在结合其他方面所获得的信息，制定及评估交通控制策略，执行整体性的交通管理，并将相关信息传给出行者，以达到运输效率最大化及运输安全等目的。本系统主要特色是强调子系统间协调与实时控制的功能，提供匝道控制、信号配时方案、事件管理以及替代路线导引的参考等。

（2）先进的出行者信息系统ATIS

ATIS由先进的信息、通讯及其他相关技术，提供出行者必要的信息，使其能在车内、家里、办公室、车站、途中等地点方便地取得所需地出行信息，作为出行方式与路线选择的决策参考，以顺利到达目的地。

（3）先进的公共交通系统APTS

APTS采用各种智能技术促进公共交通的发展，如通过个人计算机、闭路电视等向公众就出行时间方式、路线及车次选择等提供咨询，在

公交

车站通过显示屏向候车者提供车辆的实时运行信息。

（4）先进的车辆控制及安全系统AVCSS

AVCSS结合

传感器

、电脑、通讯、电机及控制技术应用于车辆及道路实施上，帮助驾驶员提高行车安全性，增加道路容量，减少交通拥挤。本系统主要特色是利用传感器弥补人类感官功能的不足，减少危险的发生；提高自动控制的程度，实现更安全、准确、可靠的控制，避免驾驶员因判断错误或技术不成熟所造成的损失。城市智能交通信号控制方法及仿真研究CVO系统利用前述ATMS、ATIS与AVCSS技术于商业营运车辆，例如车辆自动识别技术、车辆自动定位技术、车辆自动分类技术等，提供企业内部劳动生产率，提升运输效率及安全，改进对突发事件的反应能力，改善车队管理和交通状况，并减少运输成本，提高生产力。所谓“商用车”不仅包括大型与重型车辆（如卡车、货车），也包括紧急救援用车辆（如救护车、拖吊车），以及每日运作的商用小型车（如

出租车

）等。

（5）紧急救援管理系统EMS

EMS即为当紧急危难发生时，求援车辆如何求援、救援车辆如何在最短时间内到达现场，以及如何警示其他驾驶员的系统。本系统包括车辆故障与事故求援、事故救援派遣以及救援车辆优先通行等部分，为使事件能在最短时间获得解除，降低伤害的程度。

（6）电子付费与电子收费系统EPS&ETC

电子收费系统应用各种通讯和电子技术使得出行者和交通经营管理机构之间的交易变得更容易。电子收费利用车上的电子卡与路测的电子接收设备进行通讯。

1.2智能交通系统研究的意义

智能交通系统的主要目标就是要充分有效地利用现有的交通资源，使其利用效率最大。智能交通系统将缓解拥挤、减少交通事故、降低交通环境影响以及提高效率等方面产生可观的社会经济效益。具体来说，智能交通系统的社会经济效益主要体现在如下几个方面：

（1）减少交通拥挤和行车延误

随着城市人口的增加和社会经济的发展，汽车和道路交通量不断的增加，相应引起的交通拥挤也增加。不管在发展中国家，还是发达国家，每年由于交通拥挤造成的经济损失也十分巨大。ITS通过提供各种有选择的信息服务，能够使得出行者的路径选择向网络均衡和系统最优方向接近，达到路网负荷的均匀化，实时监控系统能够迅速发现交通事故。先进的交通信号控制系统能够根据实际情况调整信号控制，可大大减少行车延误，实现道路资源的高效使用。美国交通部估计，若将ITS与新增容量相结合，可以将未来用于应付交通拥挤而需扩建基础设施的费用减少一半。

（2）减少交通事故的发生率、死亡率

根据美国的预测，到2020年，美国因交通事故造成的经济损失每年将超过1500亿美元，而采用智能交通系统将会提前对危险的预知，从而大大增加交通的安全性，将事故损失降至最低。

（3）能源消耗量减少，污染程度降低

事实表明，单纯依靠交通设施建设解决交通问题，不但不能完全满足交通需城市智能交通信号控制方法及仿真研究求，还占用和消耗了大量的土地、燃油等资源，并造成了汽车尾气排放量的剧增，给环境带来了恶劣的影响。如美国人口不足世界人口的5%，但能源消耗占了全世界总消耗的30%以上，其中交通运输所消耗的能源占了1/4，而其中95%是石油。在未来，ITS在大规模、大范围应用将明显改善这一状况，大大降低交通运输系统的消耗和对环境的污染。

（4）产业发展与就业机会的增加

ITS涉及道路建设、交通管理、通信、计算机、电子、汽车、自动控制、信息服务、网络技术等众多媒体技术应用可能性最大的行业。同时，ITS的技术发展与市场需求也将会推动与其相关的产业发展，增加就业岗位，促进社会经济的健康

1.3本文主要硏究内容和结构安排

本文的主要内容分为以下四部分:

1) 对车流量统计相关算法进行了研究,针对目标检测算法,研究了光流法、帧间差分法和背景差分法;针对背景提取算法,研究了均值法、统计中值法、单高斯背景模型法和混合高斯背景模型法;针对阴影消除算法,研究了基于HSV颜色空间变换的阴影消除算法、基于色彩特征不变量的阴影消除算法和基于纹理特征的阴影消除算法。同时,本文对上述算法进行了实验对比分析。

2) 给出了一种改进的混合高斯模型背景提取算法,当读入一定帧数的图像之后认为背景达到稳定状态,读入新的视频帧时,对当前帧进行判断,如果像素点和稳定背景图像的像素点差值大于阈值7,就对该像素点进行更新,反之就不更新。

3) 给出了一种改进的基于虚拟区域的车流量统计算法,首先设置检测区域和检测线,然后跟踪检测区域中车辆的质心到检测线的距离,如果小于7认为有一辆车辆通过,通过实验验证,本文算法的准确率能达到90%左右。

4) 实现了一个车流量统计系统,整个系统主要包括视频播放模块、GMM背景更新模块、前景构建模块和车辆计数模块。视频播放模块主要完成视频的播放和显示;GMM背景更新模块主要是实现本文的背景提取算法;前景构建模块的主要功能是通过阴影去除和形态学操作得到较好的前景图像;车辆计数模块的主要功能是完成本文的车流量统计算法。

本文各个章节安排如下:

第1章是绪论,主要介绍了基于视频的车流量检测技术的国内外发展现状,阐述了研究车流量统计的必要性。

第2章介绍了常用的三种目标检测算法,包括光流法、帧间差分法以及背景减除法,并且对光流法和帧间差分法进行了实验仿真。然后介绍了常用的背景构建算法,包括统计中值法、均值法、单高斯模型法和混合高斯模型法,并进行了实验对比。

第3章详细的介绍了实现过程的方法,并对方法进行了详细的介绍。

第4章在VC6.0的基础上实现了本文的算法,系统主要包括视频播放模块、背景构建模块、后处理模块和车辆计数模块。

2车流量统计算法相关研究

基于视频的交通流量统计系统安装调试方便，维护也很简单，对路面和土木设施不会产生破坏，对道路交通状况不会产生影响，具有直观、可监视范围广、费用较低等优点，而且容易提供大量交通管理实时信息便于扩展其它功能，因而可广泛应用于交叉道口和公路干线的交通监测系统中，具有广阔的应用前景。具体讲，它可以为智能交通系统提供如下的功能和数据：

1)实时检测并跟踪所监视区域内的目标车辆，记录其位置、行驶速度以及尺寸等特征信息；

2)实时自动地统计并记录当前道路上车流的统计参数，例如车速、等待时间、道路占有率、车流量等，并对堵车等特殊的车流状况进行判断并作出及时信息反馈；

3)自动识别感兴趣车辆的车牌号码和车辆类型；

4)实时检测监视区域内的车辆有无违章行为(包括越线、超速等)和事故发生。若有，则报警并记录现场情况，为交通部门事后处理提供确凿的证据。

其中，在提供的各种功能中，车辆的实时检测、识别与跟踪是最基础的部分，其它的功能都是建立在车辆检测、识别与跟踪的正确结果基础上的。本章将针对基于视频的交通流量统计系统中的车辆检测和车辆跟踪这两大核心技术进行研究。其中车辆检测部分是研究重点。

2．1基于视频的交通流量统计系统组成

通常，基于视频的交通流量统计系统由三部分组成:

1)摄像头进行实时视频采集

2)车辆检测(识别分割)模块

3)车辆跟踪(计数统计)模块

首先由摄像头拍摄得到实时交通场景的视频序列，然后将视频序列送到车辆检测模块，根据一定的视频处理方法和准则判断是否有车辆经过监视的交通场景，并对车辆进行识别分割，然后，在跟踪模块通过对车辆的运动进行运算和估计，实现对车辆的计数统计。

2．2车辆检测技术

车辆检测模块，主要是对交通场景的视频序列中的车辆进行分割，将有可能是车辆的区域从复杂的交通场景中提取出来，以便进行车辆的跟踪计算。车辆检测的重要性不单局限于视频交通流量统计系统，对于整个视频智能交通系统，车辆检测也是运用最为广泛、同时也是最为基础的一个分支。在几乎所有的ITS中车辆检测都是必不可少的一步。

车辆检测的处理流程，可以再细分为两个步骤：候选区域确定和车辆确认：

在车辆候选区域确定阶段，需要确定车辆可能存在的区域，其它区域则被认为没有运动目标出现，从而不必再参与后续的处理。这一阶段往往根据视频序列的时间特性来分割运动目标，它需要先提取每帧图像中的运动信息，然后利用运动信息的均一性来划分区域和估图像的运动场，并将具有相似运动的区域聚类，以获得场景中的运动区域。

而车辆确认阶段则是对上一处理过程中获得的候选区域作进一步处理，精确的提取出该区域中的车辆，确定其位置。此阶段一般根据视频序列的空间特性来分割视频对象，它常常是把每一帧图像都当成是一幅静态图像，依靠经典图像处理技术进行处理。

2．2．1概述

虽然车辆检测技术发展至今已有五十多年的历史，但是其效果仍然不够理想，因为仍然存在如下的客观条件：

1)由于进入摄像机监视范围的车辆具有不同的角度和速度，往往导致视频序列中的车辆在尺寸、位置、方向上产生很大的变化。

2)车辆的外观不但取决于车辆的角度，同时又受到邻近物体的影响，例如车辆之间的遮挡关系、光照条件的改变等外界因素，往往也会对车辆的外观带来较大影响，而且这种情况又是随机出现的。

因此，车辆检测算法和人们预想的ITS中达到的要求还有很大差距，无论是识别性能还是处理速度都还有很大的发展潜力。

近年来，国内外学者对视频图像的运动目标检测进行了许多研究，比较常用的方法有基于检测线的图像差分法和光流场法。前者利用视频帧之间的差分值进行检测，后者通过合并运动矢量相同的区域进行检测。基于光流场法的运动目标检测由于噪声、多光源、阴影、透明性和遮挡性等原因，使得计算出的光流场分布不是十分可靠和精确，且光流场的计算实时性和实用性较差。图像差分法又分基于背景差分的方法和基于帧间差分的方法，前者定位精确、速度快，但缺乏合理的背景更新方法；后者可以提取出物体的运动信息，但由于相对运动与物体位置并非完全一致，存在检测出的运动目标位置不精确的情况。为此有人提出许多方法的融合改进，如基于边缘的背景去除法，但该类方法存在着由于运动目标边缘与背景边缘可能有一定交迭，使部分运动目标信息被去除的缺点。此外，各类传统的图像处理方法也在车辆目标检测阶段针对不同的环境特点而有所应用。下面对各算法原理进行分类介绍。

2．2．2核心技术

车辆检测的目标是：针对视频帧，区分出运动的车辆目标和道路背景。这一过程往往是结合视频序列所提供的时空特性来进行的，通过分析连续画面间的变化部分，抽出运动目标的特性来判断其运动状况。通常的做法就是突出目标或消除背景。这类方法有检测线法，计算运动矢量的光流场法等。其中检测线法又可以根据不同的规则再作细分。而另一类方法，是传统的图像分割方法在车辆检测阶段的应用。例如均值聚类法、边缘检测法，区域分割法等，这些方法虽然没有利用视频序列特有的时间特性，但由于算法稳定成熟，执行效率高，在某些交通监视环境中也有不错的效果。

1)基于视频序列彩色图像颜色比对的检测线法

这是一种低级层次的车辆目标检测方法。它以假设路面颜色与车辆颜色不同作为前提条件。实现中，首先在视频序列的每一帧中相同位置上设定一条虚拟的检测线(如图2．3中的虚线所示)，然后根据假设，通过检测线的车辆的颜色与检测线所在的路面的颜色是不同的，因此计算机首先获取检测线所在路面颜色作为参考，然后定时与当前视频帧中检测线所在位置的颜色进行对比。如果颜色差值小于某个阈值，则认为时背景微变，使用新的背景色代替原先设定的参考色；如果对比后的颜色差值大于与先设好的阈值，那么认为有车辆通过，可以据此实现车辆的通行检测。

这种方法的优点是算法非常直观简单、程序运行速度快，但缺点也很明显。首先，为了保证车辆之间的空隙路面能够被摄像头捕获，以实现车辆确认，摄像头与路面必须形成90度左右夹角，而且必须安装得很高才能拍到整个路面；其次，由于这种方法是直接进行对应区域颜色对比的，摄像头不能晃动，否则会导致对应像素的位置不匹配而产生错误。另外，在多车道环境中，当同时有多辆汽车经过虚线区域时，这方法就会失效。

2)基于视频序列的灰度图像差分检测线法

经过检测线上的车辆使得序列灰度图像在检测线位置上的灰度值发生变化，通过对这种灰度的变化进行图像的差分计算，来实现对运动车辆的检测。检测线上灰度变化的检测方法通常有以下两种：帧差法和背景差法。

①帧差法

帧差法是将视频序列中两帧(或多帧)连续图像逐像素相减，以去除基本不动的物体及背景。理想情况下由于背景在多幅连续帧中基本不变化，因此差分后图像的非0部分表明对应像素发生了移动，由此可以将图像中运动的车辆目标突显出来。

在实际应用中，运动的车辆目标相对于路面平动而且方向与于图像平面平行，因而形成了简单的二维平移运动。当图像帧之间的间隔较短时，可以认为车辆的各部分在图像平面上的灰度基本保持不变。

在最简单的形式帧f(x,y,t1)和f(x,y,t2)之间的变化可用一个二值差分图像表示化的结果。

因为两帧视频图像之间的时间间隔一般很短，所以差分后的图像受光线变化的影响很小，检测相对稳定。但在实际中，单纯使用上述基本相邻帧差分法也会产生不良后果。首先是计算的差分图像经常会含有许多噪声；其次，当运动的车辆目标简单时，两帧间物体重叠部分会检测不出来，即只检测出物体的一部分，致使车辆目标容易出现断裂和破碎，给后续的识别带来很大困难；另外，检测出物体在两帧中的位置不够准确，当运动目标运动速度很大时，容易产生虚影，即检测到的运动目标比实际目标要大，甚至会出现一个目标变成两个目标的情况。由于将连续帧差方法运用于车辆运动检测，效果往往不理想，因此有很多变种方法随即产生。

首先是使用图像滤波的方法，减少噪声带来的干扰，这一方法简单易行，但它的优点是以误过滤掉某些缓慢运动或微小运动物体的差分信号为代价的。

除了使用滤波器，在最基本的单帧图像间的差分方法外，人们自然的想到了多帧差分的方法。这一方法可以消除随机噪声带来的影响，剔除掉没有发生像素移动的地方也会出现图像相减差别不为零的情况。在采集的一系列图像中连续三帧(或者更多的图像)做两两差分。

另外，帧差图像还可以由两组属于相邻图像帧的像素(如相邻的四个元素)的均值相减得到。

帧差法的优点是计算简单且不易受环境光线变化的影响，但它不能检测静止车辆，且处理效果依赖于图像采样频率以及被检测车辆的车速。如果运动速度较快，而选取的时间间隔过大，就会造成两两帧之间无覆盖区域，从而无法检测到运动物体；而如果运动速度过慢，而选取的时间过小，则造成过度覆盖，最坏的情况是物体几乎完全重叠。

②背景差法

背景差法是选取一幅固定交通场景的背景图像作为参考图像，将当前待检测的视频帧和该参考图像逐像素相减作差分，如果参考图像选取得当，理想情况下差值图像中非0的像素点表示了运动物体，由此可以实现运动车辆的较准确提

取。

则车辆检测可表示为：当公式中V(i,j)=1表示对应像素为车辆区域，反之V(i，j)=0表示该区域为背景区域。

这是一个最简单最基本的背景差方法，描述了背景差的基本思想，实际环境中，背景图像并非理想静止状态，由于环境的复杂和运动的多样性，为满足实际应用的需要算法比这复杂的多。因此除了设定合适的阈值用来对运动目标确认外，交通背景参考图像的选取也是背景差分法能否取得良好效果的关键，下面分别说明。

采用阈值进行目标分割的目的是把运动车辆和微小变化的背景分开。阈值分全局阈值和局部阈值两种，前者只用一个阂值来对整个图像进行二值化，后者先将一帧图像划分为若干个子图像，对每个子图像再确定相应的阈值。现实中需要根据序列图像的背景复杂度进行选择。若车辆运动的背景相对单一，如单纯的路面或是有静止停靠车辆的街道等，则使用全局阈值；反之，若序列图像还包括除路面及车辆以外的信息，如风中的树木、活动的背景车辆及行人等，则需要计算车辆序列图像的局部阈值作为车辆检测的阈值。阈值技术的核心是区分出前景和背景。每一个像素点确定一个阂值，其两边分别是前景和背景。不恰当的阈值选取会造成车辆的误检测，阈值过高会造成漏检，阈值过低又会把背景检测为车辆或将相邻车辆检测为同一辆车。关于全局阈值的选取，典型的有直方图阈值法以及基于灰度平均值的二值化方法等。这种方法对前景和背景有较强对比的情况特别有效。

和阈值设定一样，对于背景参考图像的选取也是背景差法的研究重点。基于背景差的车辆检测的准确性很大程度上依赖于背景图像的可靠性。

背景图像可由人工拍摄一幅没有车辆目标的纯图像来得到，但随着研究的深入，人们意识到单纯的选取一幅质量好的背景图像作为参考，具有很大的局限性。因为摄像机采集到的视频图像必然受到外界光照变化以及其它背景中非检测对象的运动物体的影响，例如光照产生的车辆阴影及周边建筑物阴影，背景中除车辆目标外同样运动的行人等。这些都使得单纯确定一幅交通场景背景图像作为参考产生了明显的缺陷。因此，研究重点慢慢转变为，如何能够更加有效的对参考图像进行更新。

背景更新的方法有很多，可以通过对视频序列图像进行平均，或者统计序列图像像素点上出现频率最大的灰度值等多种方法来得到。目前最常用的方法是多帧平均(FrameAveraging)'法和选择更新(SelectiveUpdating)法。

简单的多帧平均法是直接将前面若干输入图像的平均值作为当前背景，更新背景的方法如下：

其中，Bpt为当前更新的背景，Bpt-1是前一帧背景，Cpt-1，为上一幅场景图像，

Ⅳ为一个整数，K是指更新率。K越趋向1，新背景就越接近于上一幅背景。

公式(2．3)的含义即为：在序列图像中在N帧作为当前帧，下一帧即第N+1帧图像对应时刻的背景，是将第N+1帧之前的所有图像的每个像素点取灰度平均值。多帧平均法的缺点在于对场景改变过于敏感性，而这种改变并不总是由车辆运动引起的，同时K的正确取值也是个难题。

选择更新法的基本思想是只将没有检测到运动的区域即真正的背景进行更新。在背景更新前，先逐像素判断相邻两幅图像的差值，如果小于一个阈值，则说明在这个像素位置没有检测到车辆，可进行背景更新操作。同样，这种方法也很大程度上依赖于阈值的选取，如果选择不合理，背景图像将很快变得不可用。

国内也有学者在选择更新背景前进一步加入了背景调整步骤，即首先计算当前帧和上帧图像间的平均灰度之差，若差值大于设定阈值，则认为当前帧的平均灰度发生突变，就要在背景图像上逐像素加上此差值。

总的来说，实际应用中，背景差法是通过对两幅摄自不同时刻的图像进行查分，由于时间间隔明显长于之前讨论的帧差法，因此对于环境光照，阴影以及风等自然因素的随机变化非常敏感，背景图像需不断地被调整以迎合这些变化。

2．2．2．2光流场法

光流场法的基本思想是，在空间中，运动可以用运动场描述，而在一个图像平面上，物体的运动往往是通过图像序列中不同图像灰度分布的不同来体现的，因此，将空间中的运动场投影到图像上就表示为光流场(OpticalFlowField)。光流场反映了图像上每一点灰度的变化趋势，可看成是带有灰度的像素点在图像平面上运动而产生的瞬时速度场，也是一种对真实运动场的近似估计。研究光流场的目的就是为了从序列图像中近似计算不能直接得到的运动场。

假设运动可以由一系列映射参数描述，对应于同样的表面和三维运动的流量矢量将具有映射参数的相同集合。通过把具有同样映射参数的流量矢量分配为同一类的方法，完成光流分割。光流场法通常要进行运动场计算、建立光流约束方程(opticalflowconstraintequation)和求解光流方程这几步来完成。

在比较理想的情况下，光流场法能够检测独立运动的对象，不需要预先知道场景的任何信息，可以很精确地计算出运动物体的速度，并且可用于摄像机运动的情况。但也存在明显的缺点：首先，光流与运动场虽然有密切的关系，但又不完全对应。场景中目标运动导致图像中亮度模式运动，而亮度模式的可见运动产生光流。虽然在理想情况下光流与运动场相对应，但实际中也常有不对应的时候，有时有运动未必产生光流，而有时即使没有发生运动，在外部照明发生变化时，也可以观测到光流。其次，在缺乏足够的灰度等级变化的区域，实际运动也往往观测不到。另外，三维物体的运动投影到二维图像的亮度变化，本身由于部分信息的丢失而使光流法存在孔径问题(apertureproblem即无法确定在与光流场等亮度线方向上的光流分量)和遮挡问题，用光流法估算二维运动场会发生不确定，需要附加的假设模型来模拟二维运动场的结构。此外，在准确分割时，光流法还需要利用颜色、灰度、边缘等空域特征来提高分割精度，而且由于光流法采用迭代的方法来对运动车辆进行分割，因此时间复杂度较高，如果没有特殊的硬件支持，很难应用于视频序列的实时检测。

2．2．2．3传统图像处理的检测方法

在2．2节曾经指出，在实现交通流量统计的系统中，往往将车辆检测又细分候选区确定阶段和车辆确认阶段，前者常常使用视频帧中的时间信息利用目标运动的特性来进行区域确定，而后者常常是将确定出的候选区作为静态图像，对其中的车辆目标进行分割，做出精确提取。因此，传统的图像处理方法在车辆检测中也有较广泛的应用，下面仅对某几种常用方法作简要介绍。

1)边缘检测法

边缘是车辆目标最基本的特征之一。基于车辆边缘的边缘检测法通常效率较高，而且可以检测出静止车辆。由于边缘信息即使是在各种昏暗的光照环境下仍

较为明显，因此当图像亮度发生变化时表现也较为稳健。

由于边缘是图像上变化比较剧烈的地方，因此在数学上使用梯度来表示变化。使用图像的梯度来进行边缘检测不但可以应用到灰度图像，而且可以通过计算RGB彩色空间中的梯度，直接将此方法应用于拍摄到的彩色视频中进行车辆

检测。目前，常用的边缘检测方法有多种，如梯度算子、Laplacian算子、canny算子等。

Canny边缘检测是一种比较新的边缘检测算子，具有很好的边缘检测性能。

Canny边缘检测利用Gauss函数的一阶微分滤波器进行滤波，能在噪声抑制和边缘检测之间取得比较好的平衡。

理想情况下，上述采用梯度进行车辆边缘检测应该只能产生边缘上的像素。而实际上，结果像素由于噪声，不均匀照明等引起的边缘断裂和杂散的亮度不连续而难以得到完全的边缘特性。因此典型的边缘检测算法遵循用链接过程把像素组装成有意义的边缘的方法。一种常用的处理方式是采用Hough变换。

霍夫变换是一种用于区域边界形状描述的方法，经典的霍夫变换常被用于直线段、圆和椭圆的检测。它利用点线对偶性原理进行坐标变换，把直角坐标系下的直线检测问题转换到参数空间中，通过在参数空间中进行简单的点分布累加统计完成直线检测。

霍夫变换具有对噪声的抗干扰性高，以及处理多个形状的特点。而其推广的广义霍夫变换(GeneralHoughTransformationGHT)可以将检测推广到任意形状。其基本思想是将图像的空间域变换到参数空间，用大多数边界点满足某种参数形式来描述图像中的曲线。实现方法是寻找在参数空间有参数累加器形成的峰值。

由于HT是根据局部度量来计算全面描述参数，因而具有很强的容错性和鲁棒性。但是，GHT也有几个较大的缺陷：首先由于每个边缘点映射成参数空间的一个曲线，是一对多的映射，因此计算量大，占用内存空问大；其次是提取的参数受参数空间的量化间隔制约。因此，很多相关研究也在致力于对这两方面做出改进。

2)区域分割进行车辆检测、

典型的区域分割方法有区域增长法例如分水岭算法和聚类方法等。在视频交通场景的车辆检测阶段，由于视频帧的特性并非是多个较均匀的连通区域，因此区域增长方法很少单独使用。下面主要介绍一种基于聚类的区域分割方均值聚类法在车辆检测中的使用。

k-均值聚类法是在视频交通检测系统中，按照一定的聚类准则将提取到的视频序列中的数据分成几个聚集的方法。K-均值法就是将拍摄到的交通场景中的像素聚类为k个表示不同物体的区域块。

最早的k均值法的分割算法由Kottle提出，其聚类准则利用了像素的三个特征：横纵坐标和灰度值，其中灰度值可以将属于不同物体的像素分离，而坐标则决定了像素的归属区域。这种方法考虑到了像素所属物体在空间上的连续性，但缺点是分割区域的数目要作为算法处理的初始参数。由于在复杂的交通场景中具体需要分割出的车辆数目并非已知，因此事先预测可以正确分割图像的区域数目是相对困难的。为了解决这个问题，Badenas提出了一种多段(Multistage)分割方法，事先固定初始分割区域数目(6～10个)，然后根据初始分割区域的大小、密度等信息再来决定是否对此区域进行继续划分。

另外与k均值法相关的是区域合并问题。由于算法产生的最后分割区域数目不固定，产生的每一个区域块属于单一物体，但一个物体却可能包含多个区域，因此需要后续的融合操作将多个区域合并为单个的感兴趣区域(RegionOfInteresting，ROI)。由于不同物体间存在相对运动，而属于同一物体的区域则不存在这种相对运动，可以利用这一特征来初步合并区域再从时域分析区域块的运动矢量进一步合并得到ROI。

k均值法是一种有效的分割方法，后续的改进方法虽然克服了根据先验知识来预先对聚类个数进行设定的缺陷，但在聚类过程中均会涉及到迭代运算，这使其在实时性要求极高的交通检测应用中受到了一定的限,Or23l。

2．3车辆跟踪技术

对检测出来的运动车辆进行跟踪，也是ITS系统研究的焦点之一。由于视频监视器中的运动车辆目标跟踪不但可以提供被监视目标的运动轨迹，也为进入场景中目标的运动分析和场景分析提供了可靠的数据来源，因此不但是在交通流量统计中得到车速、车流量等的基础，也在辅助驾驶、自动导航、交通监控、事故检测等方面发挥着重要的作用。车辆跟踪所依赖的仍然是视频序列图像的运动信息，它要求将同一辆车在不同时间的运动轨迹描述出来。理想的系统要求实现对运动车辆的快速有效跟踪，并且能处理跟目标之间的重叠以及目标的暂时消失等情况。

2．3．1概述

在车辆跟踪技术中，根据对视频帧中的信息的利用层次不同又可以将常用方法分为两大类：提取像素信息结合邻域特征，并以此为处理单位的非模型方法，以及通过对图像内容进行理解后的模型处理方法。具体说有：基于区域匹配相关的方法、基于特征点的跟踪算法、基于变形模板的跟踪方法、基于3．D模型的运动目标跟踪方法等。在实际的跟踪过程中，当目标运动较快时，这些跟踪方法可能丢掉待匹配的对像，因此往往需要对具有一定特征的运动方式进行预测。常用的预测方法有多项式预测法及卡尔曼滤波器法。车辆跟踪与预测不是本文研究重点，所以只对目前常用的方法作概要介绍。

2．3．2核心技术

2．3．2．1非模型方法

非模型法的特点是将视频监视器中获取的视频序列中的车辆目标作为一组像素的集合进行处理。根据处理方法不同，又可以分为以下几类：

1)基于时域的运动估计法

基于时域的跟踪方法就是在时域上跟踪车辆检测模块检测出的一个个像素连通块，这些块区域表示检测出的车辆。这种车辆检测方法的核心思想是通过时域的运动估计跟踪图像序列中的运动物体来提高分割的准确性，将车辆跟踪过程和图像分割过程结合起来，进而减少计算复杂度，提高系统的实时处理能力。它综合考虑了空域和时域信息。在匹配不同图像帧中表示同一车辆的运动块的过程中，可以得到被跟踪车辆在n帧序列图像中的形态演变，因而也就有可能预测其在n+l帧中的形状，从而能纠正车辆图像的误分割情况，如运动块突然出现、消失以及形状突变等。这种方法和其它车辆检测跟踪方法主要的不同在于分割过程

和跟踪过程是同步进行的，而不是在跟踪过程前就有了明确的分割结果。这种方法在车辆稀少时效果比较好。

运动估计的方法有基于光流方程(OFE，OpticalFlowEquation)的方法、基于块的分析方法、像素递归法、贝叶斯法等。

2)基于动态轮廓的方法

基于动态轮廓的方法实质上是对待检测图像中的一组像素进行检测和跟踪，属于非模型方法。其跟踪方法的主要思想是先初始勾勒出车辆的轮廓并且不断地在后续帧更新轮廓进而达到跟踪的目的。以车辆轮廓为跟踪对象的方法有很多，虽然轮廓可以通过简单的边缘检测的方法得到，但这些简单的方法往往同时检测出背景中的一些干扰边缘。因而有些系统采用复杂些的边缘检测算法如自动轮廓获取或snake模型1251，这些算法以求能量最小值对目标进行分割跟踪，抗噪声能力突出，并且可以用专门的处理器进行实时处理，计算量相对较低。

但是基于动态轮廓的方法也有其自身的缺点：在阴影和道路拥挤的情况下其效果会变得很差，因为阴影和车辆之间的遮挡都会将本来相邻的多个连通块变为一个，造成漏检和误检。而且初始化具有困难。

2．3．2．2模型法

上面讲到的非模型的处理方法只是将处理得到的待检测图像中的运动块看作是一组像素的集合，缺点在于有可能把误分割形成的像素集合也检测为车辆目标。而基于模型的车辆检测方法的突出优点是对于视频帧的处理，不仅仅停留像素级别上，而是融合了对于图像内容的理解。

在视频交通流量统计系统中，车辆运动目标是刚体，不同于行人等非剐体目标，因此对车辆目标的跟踪可以利用其精确的外形先验知识，即以形状作为模型匹配的模板，这是使用模型法进行车辆目标跟踪的前提。

关于模型法，针对车辆的形状作为模板，实现中的跟踪方法又可以分为以下两种：

1)以被跟踪车辆目标特征为基础的跟踪算法；

2)通过计算二维运动区域与运动目标三维模型的对应关系进行目标跟踪。如通过计算二维运动区域的中心位置、运动方向，然后在二维运动的区域中计算与三维模型中线段的对应关系，由此来判别运动区域是否与目标模型相匹配。

在早期的车辆跟踪研究中，第一种以特征为基础的跟踪算法是研究的热点。匹配特征的选取一般包括那些与物理运动关系密切的信息，如位置、大小等，以及目标的形状拐点和颜色等，或将这些特征按照重要性进行权重组合来表示车辆。

基于特征点的算法的优点是通过特征提取，找到车辆的外形共性，不会产生像素阴影问题；而且，即使对于轻微遮挡的车辆，很多特征也是可见的。但是，算法在车辆彼此太近时，一般无法正确提取到足以识别车辆的特征，而且特征提取的