基于视频的交通路口车辆计算研究答辩PPT

基于视频的交通路口车辆计算研究LOGO2023/10/5Content目录1选题目的2主题内容3解决方法4实验分析5总结展望LOGO2023/10/5LOGO选题目的2023/10/5LOGO功能：智能调节红绿灯时长

根据十字路口各方向的车流量，自动调节红绿灯时长，尽可能使总体等待时间最短。依据：路口的交通状况信息

诸如车流量、车流密度、车道占有率等交通信息，作为信号灯控制的依据。意义：提高路网通行效率

提高路网通行效率，减少车流总体等待时长，从而降低能源消耗，减轻环境污染。实现交通信号灯的智能控制2023/10/5LOGO路口交通信息的采集方法01基于物理线圈的交通信息采集方法优点：车辆检测精度较高。缺点：安装维护困难，必须破坏路面、中断交通，且无法解决车辆改道问题。基于视频的车辆目标检测的交通信息采集方法优点：除了具备基于视频虚拟线圈的优点外，还解决了车辆改道问题。缺点：无法解决车辆相互遮挡问题。基于视频虚拟线圈的交通信息采集方法优点：安装维护简单，克服了物理线圈寿命短、不易维护等缺点。缺点：无法解决车辆改道与遮挡问题。02032023/10/5LOGO主题内容2023/10/5LOGO03Method

车辆计算01HOW

02车辆目标检测车辆分割开始结束2023/10/5光源渐变、树枝晃动、摄像机抖动影响；街道上行人、自行车或电动车、霓虹灯等非路面背景目标干扰。阴影的颜色特征与灰黑色车辆颜色特征相似，且车辆阴影具有与车辆一样运动特征，这就容易造成阴影的误分类。静态车辆目标是指车辆在静止一段时间之后，将与车道背景纹理相融合，易将静态车辆目标误认为背景，而造成误检测。由于是对视频图像信息的处理，因此信息量巨大，如保证高性能，将影响算法的实时性，不利于实际应用。动态背景干扰阴影抑制实时性静态车辆目标检测01020304车辆检测需要解决的问题LOGO2023/10/5LOGO解决方法2023/10/5路面ROI分割颜色特征建模车辆目标与路面背景像素分类车辆目标分割LOGO2023/10/5LOGO路面ROI分割1.什么是ROI区域？2.如何分割出路面ROI区域？2023/10/501LOGO路面ROI分割输入图像Canny边缘图像Hough直线检测结果冗余直线过滤结果路面ROI分割结果手动分割结果02030506042023/10/5颜色特征建模

我们对N幅城市交通场景的路面或车辆颜色的在RGB颜色空间的分布分析发现，路面颜色总是以某条轴线为中心聚集起来，呈圆柱体状。LOGORGB颜色空间2023/10/5颜色特征建模

如果我们将路面颜色投影到正交于这条轴线的平面上，那么路面颜色在这个平面将会汇聚在一个较小的区域。LOGOST颜色空间2023/10/5颜色特征建模

如果我们将路面颜色投影到正交于这条轴线的平面上，那么路面颜色在这个平面将会汇聚在一个较小的区域。LOGOUV颜色空间2023/10/5颜色特征建模

如果我们将路面颜色投影到正交于这条轴线的平面上，那么路面颜色在这个平面将会汇聚在一个较小的区域。LOGORM颜色空间2023/10/5颜色特征建模

如果我们将路面颜色投影到正交于这条轴线的平面上，那么路面颜色在这个平面将会汇聚在一个较小的区域。RGB颜色空间0102ST颜色空间UV颜色空间03RM颜色空间04LOGO2023/10/5像素点属于路面背景的概率像素点属于车辆目标的概率VSLOGO车辆目标与路面背景像素分类已知像素点属于某类别的先验概率，那么根据贝叶斯公式可计算出其后验概率，即该像素点属于车辆或者路面的概率。因此我们可以选择具有最大后验概率的类作为该像素点所属的类。贝叶斯分类器2023/10/5目标分割图像二值标注图像合成图像LOGO车辆目标分割2023/10/5LOGO

将二值标注图像映射成加权图，把图像像素节点看做图顶点，邻接像素节点之间的关系看做图的边，邻接像素节点之间的相似性看做边的权重，根据权重设计能量函数，通过最小化能量函数完成对图进行分割，即求取图的最小割。

根据Ford-Fulkerson理论，图的最小割问题等价于最大流问题。如果我们把图G看做有向的管道，将其权重看做管道的容量，那么最大流就是指一次从源点通过管道流出汇点的最大流质的容量。如此，该组管道即对应于最小割的边。车辆目标分割2023/10/5LOGO实验分析2023/10/5132基于颜色特征的车辆检测与分割算法性能分析基于车道空间占有率的车辆计算基于颜色特征的车辆检测算法存在的问题与解决方法LOGO2023/10/5准确率PprePpre=SOR/(OR+SR-SOR)漏检率PmissPpre=OR-SOR/OR其中，OR表示图像分割的目标区域；SR表示算法的分割区域；SOR表示算法分割的目标区域。LOGO性能度量标准SORSROR误检率PfalsePpre=SR-SOR/SR2023/10/501LOGO基于颜色特征的车辆检测与分割算法分割效果输入图像时间平均法TAM基于ST颜色特征空间基于UV颜色特征空间020605高斯混合模型MoG基于RGB颜色特征空间基于RM颜色特征空间手动分割结果040803072023/10/5LOGO基于颜色特征的车辆检测与分割算法分割性能度量度量标准车辆检测算法误差准确率误检率漏检率时间平均方法30.28%27.97%65.69%高斯混合模型39.96%31.70%50.94%基于颜色特征车辆检测RGB颜色模型52.15%26.72%35.60%ST颜色模型47.48%7.52%50.62%UV颜色模型43.30%51.03%21.11%RM颜色模型63.05%21.27%24.01%2023/10/5颜色特征模型车辆目标图像分割算法车辆像素与路面背景像素分类器模型LOGOLOGO基于颜色特征的车辆检测与分割算法分割性能影响因素2023/10/5ColorConstancy颜色恒常性多光源非均匀光照场景的颜色恒常性颜色恒常性，它是人类在不同的有色光源下对物体表色的颜色感知在某种程度上保持不变的一种能力，这一概念被引入到计算机视觉领域，用来表示计算机校正在有色光源场景中采集到的图像到标准光源下，还原图像中物体表色的能力。LOGO如何降低光源颜色对算法性能的影响2023/10/54场景光源颜色估计场景图像划分多光源非均匀光照场景的颜色恒常性LOGO1区域光源颜色估计2该方法能够有效处理多光源非均匀光照场景图像，无需人工干预，无需先验知识和对光谱能量分布以及物体表面反射属性的假设。其核心思想是：通过图像划分，弱化光源光谱能量对每个区块的影响，然后分别估计每个区块的光源颜色，最后根据这些区块对场景光源颜色的贡献合并成一种复合光源颜色作为场景光源的近视。光源颜色聚类3图像校正52023/10/5LOGO多光源非均匀光照场景的颜色恒常性校正效果图一01输入图像灰度世界算法Max-RGB算法020304灰度边缘算法基于网格划分的灰度边缘基于聚类图像分割的灰度边缘05062023/10/5LOGO图一的颜色恒常性校正效果性能度量

度量标准实验算法角度误差中位数均值最大值灰度世界4.7˚4.7˚11.9˚max-RGB10.0˚10.9˚21.4˚灰度边缘8.3˚8.9˚22.9˚基于网格划分(k-means,k=3;patch-size=16)灰度世界5.4˚5.1˚11.5˚max-RGB3.2˚3.5˚12.1˚灰度边缘7.6˚7.8˚16.9˚基于聚类的图像分割(k-means,k=3)灰度世界4.8˚4.7˚11.2˚max-RGB8.1˚8.3˚16.4˚灰度边缘2.9˚4.0˚14.4˚2023/10/5LOGO多光源非均匀光照场景的颜色恒常性校正效果图二010203040506输入图像灰度世界算法Max-RGB算法灰度边缘算法基于网格划分的灰度边缘基于聚类图像分割的灰度边缘2023/10/5LOGO图二的颜色恒常性校正效果性能度量

度量标准实验算法角度误差中位数均值最大值灰度世界5.5˚5.2˚9.2˚max-RGB7.6˚7.5˚9.2˚灰度边缘5.9˚6.4˚13.1˚基于网格划分(k-means,k=3;patch-size=16)灰度世界4.4˚4.5˚8.3˚max-RGB2.4˚3.3˚8.5