基于视频的车流量检测
基于视频监控技术的交通流量监测及管理
基于视频监控技术的交通流量监测及管理交通问题一直是城市面临的头号难题。
随着城市化进程加快，交通流量管理和监测成为城市规划的关键。
视频监控技术已经被广泛应用于城市交通管理领域，通过监控交通流量，交通管理者能够更好地预测和处理交通拥堵，减少交通事故的发生和提升城市交通运输效率。
监测技术借助视频监控技术进行交通流量监测是最常见的监管方式。
这种方法的核心是将固定摄像头捕捉到的实时视频传输到中央控制台。
专业的交通监控系统使用高性能摄像机，可采集视频数据并进行实时图像处理。
基于高效算法进行图像处理，该系统可提供对数据的实时分析，包括车流量、车速、道路拥堵情况和其他交通信息。
该系统不断收集并分析数据，从而为交通管理者提供实时的数据和反馈，以便他们更好地优化路网和交通流量。
管理系统基于实时视频监测数据，并结合其他的数据资源，并借助预测算法和模型，交通管理者能够生成一个强大的交通管理系统。
这个系统有能力在实时情况下进行数据分析和可视化，准确地进行路网情况评估，并提供实时路况信息给驾驶员，以便他们能够电子地选择路线。
这种系统不仅能够减少拥堵，还可以大大提高交通出行的效率。
基于区块链技术的管理系统，可以将实时地交通流量数据进行存储和共享，对路网资源和交通工具进行优化调度，同时确保交通设施的秩序和公平性。
此外，应用区块链技术还能让交通出行的数据更加安全和完备，从而提高社会公共治理的水平。
面临的挑战尽管交通管理者能基于视频监控技术实现交通流量监泽和管理，但是在实际使用中还必须处理以下挑战：一是个人隐私问题，必须做好隐私保护工作，避免信息泄露。
二是结构复杂，由于城市交通由多种交通流量交叉组成，而每种交通流量具有独特的难题和困难，因此设计出一套全面的监管系统是非常复杂的。
三是大数据分析方面，必须使用最新的技术，以尽可能地分析和挖掘出更多交通信息，来更好地处理拥堵和事故问题。
结论总的来说，交通管理者可以借助视频监控技术更好地解决交通难题。
基于视频车流量检测模拟论文
基于视频的车流量检测模拟摘要:本文以vc++6.0作为基础开发平台,针对采集的交通视频图像,进行相关信息的识别与提取,利用经典的背景提取算法提取背景;采用减背景的方法进行目标检测;对车流量检测进行了简单的模拟。
关键词:背景提取, 目标检测,车流量检测一、引言近年来,基于计算机视觉和图像处理技术的交通信息检测技术(简称视频检测技术)逐步成为研究主流。
其工作流程为:通过安装在路面上方的摄像机采集交通图像,应用计算机视觉和图像处理技术处理图像数据,获取实时、丰富、动态的交通信息,进行交通的信号控制、信息发布等。
视频检测算法是整个智能交通系统的核心,其好坏将直接影响系统的检测精度和检测效率。
而在近几年its市场的推动下,基于视频图像分析和模式识别技术的交通流量检测算法针对其特有的应用场合,逐步成为目标检测技术的一个研究分支。
二、总体框架本文采用的视频文件时raw图像格式,首先读取若干帧的视频文件,然后分别利用背景提取算法和目标检测算法对读取到的视频文件进行背景提取和目标检测,进而统计出当前路面上的车流量信息。
同时,为了得到更为精确的车流量数据,采用了相应的背景更新算法对背景进行实时更新。
图1 总体框架图三、背景提取与更新3.1 背景提取(1)多帧图像平均法是将运动车辆看作为噪声,用累加平均的方法消除噪声。
利用车辆运行一段时间的序列图像进行平均而得到道路的背景图像。
该算法的特点是模型简单、计算方便。
但是,在实际应用中,往往是图像中的某些区域有亮度高的运动目标,而某些区域有亮度低的运动目标经过,通过平均法得到的背景图像就会出现亮暗分布不均匀的区块。
另外,该算法得到的背景图像受车流量的影响变化比较大。
当然,随着帧数的增加,噪声消除后的结果会有所改善。
(2)统计直方图法是统计一段时间内各个像素点上不同亮度值出现的次数,其中出现次数最多的,即直方图中最大值所对应的亮度值就是路面本身的亮度值。
该算法抗噪声干扰性好,在通常情况下提取出的背景较好,但运算量大、提取背景速度慢是该方法的主要缺陷。
一种基于视频的车辆检测新方法
ＺＨ ＡＮＧ ｎｇ， ＹＩＷ ｅ —ｍ ｉ ｇ， ＨＥ ｅ ， ＣＨＥＮ － ｉ Ｌｉ ｉ ｎ Ｗ ｉ Ｌｉ ｍ ｎ （ ｏｌｇ ｆ ｏ Ｃ ｌ ｅｏ ｍｍｕ ｉａｉｎＥｎ ｉｅ ｒ ｇ Ｃ ｏ ｇ ｉｇＵｎｖ ｒｉ ， Ｃ ｏ ｇ ｉｇ４ ０ ４ ｅ Ｃ ｎｃ ｔ ｇｎ ｅｉ ， ｈ ｎ ｑｎ ｉｅｓｔ ｏ ｎ ｙ ｈ ｎｑｎ ０ ０ ４， Ｃ ｉａ ｈｎ ）
张 玲 ，易 卫 明 ，何 伟 ，郭 磊 民 ，陈丽 敏
（ 庆 大学 通 信 工 程 学 院 ，重 庆 ４ ０ ４ ） 重 ０ ０ ４
摘 要 ：基 于 对 传 统 帧 差 法 的 改 进 ， 并 结 合 边 缘 检 测 法 ， 提 出 一 种 环 境 自适 应 能 力 强 、 计 算 量 小 、 适 合于运 动和静 止车 辆 同时检测 的车辆 检测 新方 法。该 方 法可正 确判 断有无车 辆 ，完成 车辆 的计数 ， 实 现 车 流 量 计 算 和 车 速 估 计 。 在 计 数 算 法 中 采 用 预 估 校 正 、 相 关 性 修 正 等 措 施 ，提 高 了检 测 精 度 ， 大 大 改 善 了车 辆 检 测 效 果 ， 可 为 交通 监 控 系统 提 供 实 时 有 效 的 交 通 参 数 。 关 键 词 ：车 流 量 ： 邻域 比较 ：边 缘 检 测 ； 数 据 流 ； 相 关 性
中 图 分 类 号 ：Ｔ ９ １ ３ Ｎ １． ７ 文 献 标 识 码 ：Ａ 文 章 编 号 ： １ ７ — ８ ２ｆ０ ６０ — ２ ４ ０ ６ ２ ２ ９ ２ ０ ）４ ０ ６ — ５
基于视频的车流量统计算法
基于视频的车流量统计算法常志国;李晶;胡云鹭;郭茹侠【摘要】The vehicle counting algorithm based on virtual line inevitably exists the possibility of missing and error. Concerning this issue, this paper extracts and combines two types of image information- the virtual lines’ relative positions with the objects and its pixel value variance, then a new vehicle segmentation and counting method is proposed. First, it determines the relative positions between the objects and the virtual lines, and combines with the variance of virt ual lines’ pixel value. With these information, it can improves the accuracy of the traffic flow by means of dividing vehicles. A testing system is developed for testing the performance of the method. The system has run in some kinds of weather, and its result is analyzed. The results show that the method has excellent performance both in real-time and accuracy in the daytime and the accuracy was above 95% for each lane of traffic. But the performance in the nighttime may not be optimal. Therefore, improvement is planned to make during following research.%基于虚拟检测线的车辆计数算法不可避免地会出现漏检和误检问题。
基于视频的车流量统计算法
现： 经Ｇ ＭＭ 建模后 ， 利用背景差分法 检测 得到的前 景
图像 巾 ， 车辆 内部容 易出现空洞 ， 这给 后续 车辆的检测 和跟 踪带来 了困难 。本文采用 Ｇ ＭＭ 结合 背景差分法 得到 二值化 图像 ， 然 后在 目标像素 的邻域 范围 内， 将与 目标 像素具有相似 邻域 结构的背景 像素标 记为 目标像 素， 这将 在一 定程度上 ， 填补 车辆 内部空洞 ， 便 于对车
了Ｊ 。 泛 的应 用ｌ ｌ － ２ １ 。 本文在 研究 国 内外相 关技 术的基 础上 ， 提出了 一 种基 于视 频的车流 量统计 算法 ， 并在 Ｖ ｉ ｓ ｕ ａ ｌ Ｓ ｔ ｕ ｄ ｉ ｏ
下 辆检 测
读 入 背 视 景 频 ～ 建
举辆 跟 踪
获
连 前 通 特 目 景 征 标 图 —● 域 一一 Ｉ 提 — ＿ ． 跟
序
列
模
像
处
理
取
取 － Ｉ 查＝ 踪 流
量
Байду номын сангаас
图 １车 流 量 统 计 流 程
（ １ ） 车 辆 检 测
背景建 模 中较常 用的是 高斯混 合模 型 ， 但 实验 发
２ ０ ０ ８上结 合 Ｏ ｐ ｅ ｎ Ｃ Ｖ ２ ． ４ ． ４编 程 实现 ， 取 得 了较 好 的
图像块 ｘ的位置 ， 用 目标 中心点坐标 （ ｘ ， ｙ ） 表示 。
其中， ｈ是控 制 衰减程 度 的参数 ； （ Ｎ ） 表 示 以
像素 ｊ 为中心 、 大小为 ｆ ｘ ｆ 的相似 窗 Ⅳ 上 的灰度 向量 ，
②训练 ＭＩ Ｌ分类器
第 一步 ， 训 练 Ｍ 个 弱 分类 器 。每 一 个 弱分 类 器 ｈ ｋ ） 由特征 及其所服 从分布的参数唯一确 定。假设
基于视频的车辆检测技术在智能交通系统中的应用
从 目前 发展状 况来 看 ， 使 用市 面上 出售 的采 集卡 进 行编 程处 理时 ． 通常 需要在 厂家 提供 的驱 动程 序上
进 行再 次开 发 。 开发过 程 主要采 用 以下 ３种 方式 ： １ ）
益 不受 侵害 。从 目前发展 状况 来看 ， 抬杆放 行 系统 与
配置 的 Ａ Ｐ Ｉ 具 有反 应速 度快 、 自身功 能 强大 等 特 点 。
在实 际 使用 过程 中 ，单 一 设 备是 不 能独 立 完成 工 作
的。 要 结 合 Ｗｉ ｎ ｄ ｏ ｗ ｓ系统 的实 际应 用 特 点 ， 通过 消 息 的 发送 与接 收 支持采集 系统 的通讯 配置 。
第 １ ０期 总第 ２ ３ ２期
２ ０ １ ３年 １ ０月
农 业 科 技 与 装 备
Ａｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ￣ Ｓ ｃ ｉ ｅ ｎｃ ｅ ＆Ｔｅ ｃ ｈｎ ｏ ｌ ｏ ｇ ｙ ａ ｎ ｄ Ｅｑ ｕｉ ｐｍｅ ｎｔ
Ｎ ０． １ ０ Ｔｏ ｔ ａ ｌ Ｎ ０． ２ ３ ２
记 录 。智 能监 控 系统 在 画 面 内行 车状 态 较 少 的情况
下， 能够 自行 大幅度 压缩 数据 ， 并 自动删 除无关 数据 ， 大 大提 升 了储存 空 间的有 效利用 率 。
２ ． ２ 收 费监控
对 于交 通 监控 而 言 ， 高 速路 收 费 口、 过 桥 收费 口 及 道路 通行 收费 口都 是十 分重 要 的监测 点 。 不仅要 对
交 通之 所 以会时常 出现拥 堵现 象 ， 是 由于部 分流 动车辆 不按 章行 驶 ，给顺 畅的道路 增 添了额 外 负担 ，
一种基于视频分析的车流量统计方法[发明专利]
![一种基于视频分析的车流量统计方法[发明专利]](https://img.taocdn.com/s3/m/5c9c8df9cc7931b764ce15c8.png)
专利名称：一种基于视频分析的车流量统计方法专利类型：发明专利
发明人：常志国,李晶,胡云鹭,郭茹侠,何创,闻江申请号：CN201510962491.2
申请日：20151219
公开号：CN105427626A
公开日：
20160323
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于虚拟检测线的车流量统计方法，并应用于实际的道路交通场景中。
对实时交通视频流进行处理，采用帧差法进行运动目标的识别和提取。
车流量检测部分，基于虚拟检测线的车辆计数方法不可避免地会出现漏检和误检问题。
针对这一问题，本发明提取并结合了两种图像信息：位置信息和像素变化信息，提出了一种新的基于虚拟检测线的车流量分割计数方法。
该方法结合了虚拟线圈和目标跟踪各自的优势，兼顾了车流量统计的实时性和准确性。
实验结果表明，本方法在多种不同天气状况下在各车道对视频车辆计数的准确率均大于95％，具有容易推广实施的优势。
申请人：长安大学
地址：710064 陕西省西安市碑林区南二环中段33号
国籍：CN
代理机构：西安通大专利代理有限责任公司
代理人：徐文权
更多信息请下载全文后查看。
【精编完整版】基于视频的车流量统计算法设计毕业论文设计
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：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Th1,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。
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。
基于视频的车流量统计算法
像 素值 的单 高斯模 型 为 ，ｉ ，） （， ｔ表示第 ｔ 坐标 为 （，） 帧 的像 素 点对 应 的灰 度值 。Ｐ ， √，） 表 示 ｔ （ （ ｔ） 时刻 坐标 为 （， 的像 素点 ）
背景消 减 法 是 目前 基 于 视 频 检 测 算 法 最 常 用 的一种 检测 方法 ， 景 消 减法 可看 作 帧 差法 的一 种 背 特 殊情 况 ， 固定 不 变 的一 帧 作 为 背 景 ， 后 视 频 去 然
１ １ 背景 消减 法 ．
过程 ， 而且 在 一 定 时 间 内变 化 不会 很 大 ， 因此 可 以
考虑对每一帧每一像素值利用高斯模型建模 ， 即在
一
定 时间 内 ， 位置 为 （， 的每 一 像 素值 都 服从 均 值 ）
为
方差为 吒 的高斯分布。 设图像中每一点的
，ｉ ， 一 （ ｆ ） （，ｔ Ⅳ ， ） 吒 （） １
的每一帧都与背景做差分 ， 如果灰度值小于预先设 定 的阈值 ， 则认为是 背景像 素点 ， 如果 灰度值大 于 预先设定的阈值 ， 则认 为是 前景像素点 ， 由于背景
２１ ０ １年 ３月 １ 日收 到 ４
第一作 者简介 ： 王卫锋 （ ９２ ， ， １ ８ 一） 男 河南周 口人 ， 士研究生 ， 硕 研 究 方向： 较长像处理与模式识别。
消减法对 环境 变化 比较 敏 感 ， 而 背景 提 取 和 背 景 因 更 新显 得尤 为重要 ， 。
２ 背景建模
常用 的背景建 模 方 法 有 滑 动平 均 ， 斯 背 景 建 高 模 等方 法 ， 高斯背 景 又分 为单 高 斯 背景 和多 高 斯 背 景模型， 现采 用单 高斯 背景模 型 。
第 １卷 １
动态信息提取在车流量检测方面的应用
动态信息提取在车流量检测方面的应用摘要：为了有效缓解交通压力，对智能交通的车流量检测进行了研究。
常用的电磁感应装置法和超声波检测法普遍存在反射信号不稳定，测量误差大等问题。
利用动态信息提取法从视频中提取可靠信息，完成道路交通的监视工作，可提高道路、车辆的自动化程度；交通监控系统中安装的视频摄像机比其它传感器更便捷，省去了二次安装，且安全系数高。
经验证该设计易于实现图像的时实性处理且成本低，稳定性高，在交通检测领域具有广泛的实用价值。
关键词：动态信息信息提取车流量智能检测1 引言1.1 基于视频的智能交通系统简介视频交通流检测及车辆识别系统是一种利用图象处理技术实现对交通目标检测和识别的计算机处理系统。
对道路交通状况信息与交通目标的各种行为（如违章超速，停车，超车等等）进行实时检测，实现自动统计、计算交通路段上行驶车辆的数量、行驶速度以及识别划分车辆的类别等各种交通参数，达到有效监测道路交通状况信息的作用。
同时，将检测和识别到的交通信息存储起来，为分析和交通管理提供依据。
视频交通流量检测及车辆识别系统是一个集图象处理系统和信息管理系统为一体的综合系统。
其目标是代替人去处理和理解信息，实现实时性、灵活性和精确性[1]。
1.2 汽车流量检测方法简介由于白天和晚上路面光强变化非常大，这对算法的适应性提出了更高的要求，为了能全天得到车流量的信息，所以整个算法将白天和晚上分别开来处理。
白天车流量检测算法已经在工控机上成熟应用，不再赘述。
晚上的路面能见度比较低，算法主要是对车灯的识别。
在晚上，车灯有很强的亮度，所以只要能正确的检测到车灯就可以进行车辆的测量。
算法的干扰来自路面对车灯发出来的光线的反射。
通过使用Matlab仿真可发现，二值化去噪以后，图像的亮斑基本上是车灯的形状，而路面反光区向前发散，据此可以通过检测窗上亮斑的形状特征来识别车灯和路面反光区[2]。
2 系统方案的设计2.1 系统构成通过摄像机将道路交通流图像捕捉下来，再将这些捕捉到的序列图像送入计算机进行图像处理、图像分析和图像理解，从而得到交通流数据和交通状况等交通信息，系统的基本工作流程如图1所示。
基于视频的车辆流量自动检测方法设计
与 背景 更新 和 车辆计 数 ４个模 块 ， 图 １所示 。 如
收稿 日期 ： ０ １ １ — ８ ２ １－１１
图 １ 车流量检测流程
基 金 项 目 ： 东 省 自然 科 学 基 金 资 助 项 目 （４２ ０ ０ １０ ０ ３ ； 山市 科 技 发 展 专 项 资 金 资 助 项 目（ ０ ９ １ ） 广 ８ ５ ８ ０ ０ ０ ０２ ）佛 ２ ０ ０ １ 作者 简 介 ： 志 伟 （ ９ ６）男 ， 南 常 德 人 ， 南 理 工 大 学 与 佛 山科 学 技 术 学 院联 合 培 养 硕 士 研 究 生 。 吴 １８ 一 ， 湖 华 ＊通 讯 作 者 ： 彦 斌 （９ ２）男 ， 宁 大 连 人 ， 山科 学 技 术 学 院教 授 ， 士 。 范 １６一， 辽 佛 博
Ｊｎ ２ １ ａ． ０２
文 章 编 号 ：０８０ ７ （０ ２ ０—０ １０ １ ０— １ １２ １ ） １０ ０— ５
基 于视 频 的 车辆 流 量 自动检 测 方 法设 计
吴 志 伟 ， 范彦 斌 ， 清 华。 卢
（． 南理 工大学 机械 与汽 车工程 学院， 东 广州 ５０ ４ ；．佛 山科 学技 术学院 机 电工程 系， 东 佛 山 ５ ８ ０ ） １华 广 １ ６ ０２ 广 ２０ Ｏ
可 以分 为虚 拟线 圈法 和 目标 跟踪法 Ｅ ， Ｔ 虚拟 线 圈法 以车 辆经 过 虚拟 线 圈 时图像 的变化 作 为特征 进 行计 ］
数 ， 有计 算量 小 、 具 实时性 好 等优点 ； 目标 跟踪 法用 空间差 判断 相邻 帧 中的车辆 是否 为同一 辆车 ， 主要有 基 于模 型 的方 法 、 于 区域 的方法 以及基 于 动态轮廓 的方 法【 等 ， 时性 不如 虚拟线 圈法好 。 基 ８ 实 本 文 首 先 用 高斯 平 均 法 （ ｕ ｎｎ ａ ｓｉｎＡｖ ｒｇ ，Ｒ Ｒ ｎ ｉｇＧ ｕ ｓ ｅａ ｅ ＧＡ） 练 一 定 数 量 的视 频 帧 获 取初 始背 ａ 训
基于视频的车流量检测
基于视频的车流量检测摘要：随着交通事业的迅速发展，智能交通系统（Intelligent Traffic System，ITS）作为新一代道路交通系统变得日趋重要。
在智能交通系统的发展中，实时获取交通车流量的车辆检测技术扮演着一个极为重要的角色。
本文利用实时刷新背景的方法提取车辆视频的背景,并通过视频的当前帧与背景帧之间的帧差来提取车辆轮廓,以检测车辆,并且利用质心跟踪的方法对检测到的车辆进行跟踪,同时根据一定的区域匹配准则对车辆进行统计。
关键字：智能交通系统图像处理目标识别流量统计随着我国城市化进程加速，城市人口及机动车数量正在飞速增长，这导致了交通流量不断加大，各种交通堵塞事故频发。
交通问题已经成为了政府部门工作的重要难题，同时也给城市的经济建设带来了阻碍和约束。
为了解决这一问题，智能交通系统（ITS）便应运而生，从而实现交通运输服务和管理的智能化。
交通数据监控系统是智能交通系统中的一个重要组成部分，它能够对道路交通状况进行数据参数采集检测，例如：车牌、车速、车流量、车型、排队时间长度等重要信息。
所以，适当的信息检测技术就发挥着非常重的作用。
因此，本文以智能交通系统为背景，以视频图像处理技术为手段，将车辆目标识别和统计算法与OpenCV相结合，研究并设计了基于视频的车流量检测系统。
重点对车辆的目标识别与统计算法进行了研究，提出一种基于背景差分法的目标识别算法，使用的背景能进行实时更新。
1车辆检测算法首先，对捕获的每一帧图像，与提取的背景相减，得到两者的灰度差图。
先通过阈值二值化差图，这里用的是自适应阈值法。
然后用Canny算子进行边缘检测，通过膨胀与腐蚀运算提取到连通区域。
最后寻找车辆的轮廓检测到车辆区域。
车辆检测算法流程如图1所示:图1 检测算法流程图1.1 实时背景更新算法为了能够更加准确的检测到运动目标，就要使背景图像随着当前帧图像的背景变化而变化，即实时背景更新[1]。
图像背景是在图像序列中的灰度值基本不变化或者变化很小的像素。
基于视频检测的流量监测技术在高速公路中的应用
关键 词 ： 频检 测 ； 测技 术 ； 视 监 高速公 路
中图分 类号 ： ９ Ｕ４
１ 述 ． 概
理 的实 时 ｌ 生方面 已经 完全 能够 满足 要求 。计 识别 ， 造成 计数 偏少 。 ３阴影 造 成 的统 计 失 真 ： 阳光 照射 强 ． 在 时下 ， 智能 交通 系统 是 以缓 和道 路堵 塞 、 算 机 图像处 理技 术在 智能 交通 系统 中有 着 十 车辆 传 减 少 交通事 故 、提供 方便 和 舒适 的交 通行 路 分广 阔 的应 用前 景 。现在 已经 成 为智 能交 通 烈 的时 间段 ， 通常 都带 有强 烈 的阴影 ， 为 目的 ， 先进 的信 息技 术 、 通讯 传 输技 系统 领域 的研 究热 点 ，不 论是 在理 论研 究 还 统 的视 频检测 方法 很难 去 除阴 影 的影 响而将 将 数据 阴影也 作 为车辆计 数 ， 了计数 偏 多 。 造成 术、 电子传 感技 术 、 技术 及计 算 机技 术等 是 实际应 用 中都有 着十分 重要 意义 。 控制 针 对 以上 的问题 ，采 用 了相应 的措 施 予 有效 地 集 成 运 用 于整 个 地 面交 通 管理 系统 。 ３ 于视频 检测 的流 量监测 技术 ． 基 ３１现有 的流量 监测 技术 ． 以解决 ： 它通 过 传播 实时 的交通 信 息使 出行 者对 即将 目前在 高速上 应用 的流 量监 测技 术包 括 １ 用 车 辆 动 态 跟 踪 ： 一 辆 车 进 入 相 ． 采 从 面 对 的交通 环境 有足 够 的 了解 ，并 据 此作 出 机 检测 区域开 始 ， 进行 特征 识别 和提取 ， 就 综 正 确 选择 通 过 消 除道 路 堵 塞 等交 通 隐 患 ， 建 以下几 种 ： 角点等 特征 ， 车辆 进行 识 别 ， 位 ，
基于计算机视频的交通流参数检测
维普资讯
基 于计算机视频的 交通 流参数检 测——鲍 占阔 扬 玉珍
陈阳舟
际距 离 与摄 像 机 的 安装 位 置 密切 相关 ， 各个 参 数
的关 系 如 图 ２所 示 ： 摄 像 机 的 安装 高 度 ； 为 ｈ为
视 场 角度 （ ＯＶ） ｆ ｒ为 一条 检 测线对 应 的角度 ； Ｆ ；／ ｌ
１ 虚 拟 检 测 区域 设 置 与 图像 处 理 流
程
１ １ 虚拟检 测 区域设 置 ．
２ ）安 装 视 频 摄 像 机 比安装 其 它 传 感 器更 经 济， 对道 路交 通 设施 破坏 性更 低 ； ３ ）由计 算 机 视 频 采集 的交 通 量 信 息 便 于联 网通信 ， 于实 现对 道路 交通 网的监控 。 便 基 于计 算 机视 频 图像 的车辆 检测 方法 主要有
处理速 度 ， 笔者 在这 里只考 虑单 车道 的情 况 。
将 摄像 机 安装 在 被 检测 道 路 的 正上 方 ， 向 面 车头。 摄像 机安 装的理 想高 度 为７ ５ｍ～１ ． ． ０ ０ｍ， 太 高或 太 低都 会 影 响摄 取 图像 的效 果 ， 便进 行 不
（ ）图 像 帧 差 法 （ 续 两 幅 图 像 之 间 的 差 １ 连
优 背景更新 策 略 。该 更新策 略是 在选择 性更 新背
景算 法 的基 础 上 ， 过 比较 时 间段 内衣 度 变化 的 通
维普资讯
交通 与 计 算 机 ２ ０ 第 ３期 第 ２ ０ ６年 ４卷 总 １０期 ３
基于计算机视频的交通流参数检测
鲍 占阔 杨 玉珍 陈 阳舟
（ 京工业大学 北 北京 １０２） ０ ０ ２
摘 要 针对视频 交通流 的特点 ， 总结 以往视 频车辆检测方 法的基础上 ， 出了一种改善 在 提 背景的更新方法 ， 并着重对车流量统计 和车速计算算法 的实现进 行了介绍 。最后给 出了实现结果 并 讨论 了提高检测数据准 确性 的措施 。 关键词 交通流 ｉ 视频车辆检测 ｉ 背景差分 Ｉ 背景更新
基于视频图像处理的交通流检测系统
前 较 成 熟 的系 统 主 要 有 美 国 Ｅ ｏ ｏｉ ｃ ｎ ｌｅ公 司 的 Ａｕｏ ｃ ｐ ｔ ｔｓｏ ｅ
Ｚ Ｎ ｉ— ｉｇ ＨＡ Ｇ Ｊｅ ｙ ，ＷＡ Ｇ Ｓ ｅ ｇｊ ，Ｄ Ｎ ｉｏ ｑｎ ｎ Ｎ ｈ ｎ－ｉ ｎ Ｉ Ｇ Ｘ ａ— ｉｇ
（ ｅｔ Ｅｅｔ ｎｃＥ ｇｎｅｉｇ ｓ ｇ ｕ ｎｖｒｉ ｔ ｅＫ ｙＬ ｂ ｒ ｏｙ Ｄ ｎｅｌ ｅｔＴｃ ｎｌ ｙ ａｄ Ｓｓｅ ，Ｂ ｉｎ ０ ８ ，Ｃ ｉａ Ｄｐ． ｌｃ ｏｉ ｎｉ ｒ ，Ｔｉ ｈ ａＵ ｉｅｓｙ Ｓａ ｅ ａｏａ ｒ 厂Ｉｔｌｇｎ ｅｈ ｏｏ ｎ ｙｔ ｒ ｅ ｎ ｎ ｔ ｔ ｔ ｉ ｇ ｍｓ ｅ ｉｇ １０ ４ ｈｎ ） ｊ
仅 需 要 对 监 控 视频 进 行 分 析 ，就 能 实 现 多 车 道 全 路 段 的 监控 ， 测准确 ， 备简单 ， 本低 ， 于维护更新 ， 检 设 成 便 已成 为 智 能 交 通 监 控 系统 的 发 展 趋 势 。 １７ 自 ９ ８年美 国加 州 帕 萨 迪 纳 市 喷 气 推 进 实 验 室 首 次 提 出使 用 机 器 视 觉 检测 车 辆 以来 ， 频 监 控 技 术 在 智 能 交 通 中 得 到 了快 速 发 展 。 视 目
动 变换 视 角 时 ，能 通 过 自主 学 习调 整 参 数 而 无 须 人 工 标 定， 检测 精 度 高 ， 自适 应 性 强 。
基于视频的交通流参数智能检测系统研究
２ 系统 硬 件 组 成 与软 件 处 理 流 程
２ １ 系统 硬 件组 成 ．
．
系统由前端分处理器和中心数据库服务器 ２ 部分组成 。系统结构如图 １ 所示 。 前端分处 理器 包括摄 像头 、 频采集 卡 、 视 工
控机等 ， 中摄像 头应 安装在 视线 良好 、 于监 其 适 控路 面状 况 的位置 ， 如过 街天 桥 、 边 高支 架。 路 系统将视频采 集卡 所采集 的现场道 路状况进 行 分析处理 ， 得到需要 的交 通流参 数并上 传至中心 数据库 保存 。 中心数据库服务器可安装在道路监控 中心 、 交管部 门监控 室 等 便 于人 工操 作 与维 护 的地 点 。 数据库用 于保 存各前 端分处 理器上 传 的道路 交 通 流 相关 数据 ， 支持 用 户 通 过 网络 终 端 设 备 进 并 行 实 时查 询 。
维普资讯
第 ２ 卷第 ２ ３ 期 ２０ ０ ８年 ４月
成
都
信
息
工
程
学
院
学
报
ＶＤ． ３Ｎｏ． １２ ２
Ａｐ ．２ ０ ｒ ０８
Ｊ ＯＵＲＮＡ ＨＥ ＤＵ Ｌ ＯＦ Ｃ ＮＧ ＵＮＩ ＲＳ ＴＹ ＯＦ Ｉ 、ｌＭ Ａ ＯＮ ＴＥ 玎 ＯＬ Ｙ ＶＥ Ｉ ＮＦ３ Ｒ ＴＩ （ ＯＧ
频 的交通流参数智能检测系统将摄像机 、 图像处理技术 、 模式识别技术等结合起来 ， 应用越来越广泛 ， 以往方法 较 的优点在于 ：１视频摄像机安装简便 ， （） 易于调试 ， 不破坏路 面， 不影响交通 ， 甚至可以利用现有公路 网已有的视频
设备 ， 节省开支 ；２视频 中包含更多的交通流信息 ， （） 视频检测中不仅可以统计车流量 、 车速等参数 ， 同时也可以获 取车辆类型 、 运行轨迹 、 车牌号码等信息 ；３视频检测根据需要可适用于大 区域 、 （） 大场景 的检测 ， 有利于交通的管 理和控制 ；４ 视频检测可以为交通管理部门提供详实的视觉信息 ， （） 如违章车辆 的图片 、 行驶录像等ｕ ３ 一ｊ 。
视频车流量检测系统方案
车流量检测系统建设方案厦门科拓通讯技术有限公司版权所有视频车流量检测系统介绍一．科拓视频车流量检测系统简介1.1 系统简介厦门科拓通讯技术有限公司视频车流量检测系统是当今数字图像处理、计算机视觉和模式识别等各项技术高度结合的产品。
视频交通流量检测系统利用图像处理与识别技术，通过视频信号检测道路交通流量。
该系统利用摄像头获取视频信号，由图像处理设备将视频信号转换成数字图像；计算机对数字图像进行处理，识别车辆。
当车辆通过"虚拟线圈"时统计车流量及相关车辆信息，并将数据传输到控制中心，也可存储在硬盘上。
该产品具有图像智能系统的小型化、准确率高、智能化等优点，主要适用于路段、路口、高速公路进出口等地点。
厦门科拓通讯技术有限公司视频车流量检测系统高效准确的车辆计数性能，在车流量检测中具有人工计数和其他方法难以比拟的优点。
1.2 系统功能特点与优点1. 智能化车场信息提取及管理●基于智能视频图像处理，可以准确智能计算路段、路口、高速路进出车辆数目，车流量信息。
●该系统无需人工干预，完全智能化，24小时不间断的实时车流量信息提取及处理。
2. 高效准确稳定的系统性能●将车流量检测信息通过GPRS传送到控制中心，实时车流量信息提取及处理、日常维护方便，基本可以达到免维护。
●产品应用安全可靠，低功耗，使用寿命长。
●自动准确显示进出车流量的数目。
●高准确率：白天的检测准确率可以达到99%以上，晚上的检测准确率可以达到98%3. 灵活的应用功能●可以应用于一切室内路段路口，高速公路路口的智能车流量检测。
●该产品安装简易方便，不对现场产生任何破坏及影响。
4. 与其他产品相比的优点●从视频图像中提取可靠信息，完成道路交通的监视工作，可提高道路、车辆的自动化程度；交通监视控制系统中安装的视频摄像机比安装其它传感器更经济且破坏性低，实际道路交通系统中已经安装了许多摄像机用于道路交通监视和控制，可一举两得现有的传统视频检测方法基于工控机，其算法成熟，且已形成相关产品。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文章编号:100128220(2004)0420404205基于视频的车流量检测①彭仁明1,贺春林2(11四川绵阳职业技术学院,四川绵阳621000;21西华师范大学计算机学院,四川南充637002)摘 要:介绍了目前基于视频的车辆检测算法的优点和缺点,在此基础上提出了一种新的算法,该算法自适应能力强,计算量小,可正确判断有无车辆、完成车辆的计数,实现车流量计算、车速估计.采用了预估校正和相关性修正等措施,提高了检测精度,为交通监控系统提供实时有效的交通参数.关键词:视频;数据流;相关性;修正中图分类号:TP399 文献标识码:A1 引 言随着经济的发展,人民生活水平的提高,汽车保有量大幅增加,怎样安全高效地对交通进行管理,就显得非常重要.解决这一问题的关键是建立智能交通系统(ITS ),其中车辆检测系统是智能交通系统的基础.它为智能控制提供重要的数据来源[1-3].作为ITS 的基础部分,车辆检测系统在ITS 中占有很重要的地位,目前基于视频的检测法是最有前途的图1 检测算法流程Fig.1 The flow of defection alg orithm 一种方法,它是通过图像数字的方法获得交通流量信息,主要有以下优点:(1)能够提供高质量的图像信息,能高效、准确、安全可靠地完成道路交通的监视和控制工作.(2)安装视频摄像机破坏性低、方便、经济.现在我国许多城市已经安装了视频摄像机,用于交通监视和控制.(3)由计算机视觉得到的交通信息便于联网工作,有利于实现道路交通网的监视和控制.(4)随着计算机技术和图像处理技术的发展,满足了系统实时性、安全性和可靠性的要求.目前常用的基于视频的车辆检测方法主要有:灰度比较法、背景差法、帧差法、边缘检测法.灰度比较法采用对路面和车辆的灰度统计值来检测车辆.但它对环境光线的变化十分敏感.背景差法计算当前输入帧与背景图像的差值,以提取车辆,但背景图像需实时刷新[3],其检测精度很大程度上依赖于背景图像的可靠性.帧差法是将相邻两帧相减,对保留的运动车辆信息进行检测,环境光线变化对其影响不大[4].然而当摄像头的抖动引起相邻两帧背景点的相应“抖动”时,该方法不能完全将背景滤除,从而引起误判,而且对于静止或车速过慢的车辆,该方法不能有效检测.边缘检测法能够在不同的光线条件下检测到车辆的边缘,利用车体的不同部件、颜色等提供的边缘信息可进行静止和运动车辆的检测[5],但是对①收稿日期:2004-09-02作者简介:彭仁明(1969-),男,四川广安人,绵阳职业技术学院讲师,主要从事电子类教学和科研工作.第25卷Vol 125 第4期No 14西华师范大学学报(自然科学版)Journal of China West Normal University (Natural Sciences )2004年12月Dec 12004于车辆边缘不明显和道路隔离带存在的情况,该方法可能造成漏检、误检.以上的方法进行车辆检测时,通常是在输入图像中按车道设置一些固定窗口(即虚拟传感器)对车辆进行检测.这种固定开窗的检测方式常常对车辆换道或相邻车道的车辆部分覆盖了被检测车道检测窗时造成误检.2 车辆检测的新算法2.1 车辆检测新算法流程如图1所示.2.2 截取检测带为了提高数字系统处理的实时性的要求,我们只取检测图像中的一部分来进行处理,这个过程我们叫做截取检测带,但是检测带内要包含足够的车辆信息,以满足检测精度的需要.检测带的宽度和高度可以根据需要进行设置,从而保证了算法的通用性和灵活性.检测带的位置:检测带位置的选取应充分考虑摄像头安装的高度和倾角以及摄像头的景深的影响,一般情况下,在获取的图像靠近底部的位置,车辆之间的间距较大.这个位置在无车辆拥塞的情况下,没有前车遮挡后车的问题.检测带的高度:车辆前后间距在图像上大约为40-50个像素,因此检测带高度应小于40-50行,否则会引起误判.又考虑到检测带的高度决定其内包含的总像素数,将直接影响计算量,因此检测带高度不应过高.另一方面,检测带的高度又不能过小,否则带内包含的车辆信息量太少,易受噪声影响,引起误判.综合考虑以上因素,取高度为20行.如图2.图2 提取检测带Fig 12 Obtain detection zone 2.3 图像的预处理因为从摄像头摄取的图像里不可避免地包含噪声,噪声的去除直接关系到后面车辆检测的精度,为什么要将图像的预处理放到检测带之后呢?主要是基于实时性的考虑,经过截取检测带后要处理的图像内容大大地减少了,这样就加快了图像预处理的时间.在图像预处理中,考虑到后面要提取图像的边缘,因此我们没有采用均值滤波,而是采用的中值滤波的方法.在去除噪声的同时,中值滤波又保留了图像的边缘.同时我们对传统的中值滤波进行了快速算法的改进,加快了图像预处理的速度.我们选取的是模板为3×3中值滤波器.2.4 邻域比较背景的去除直接影响到后续工作的难易程度,影响到车辆计数的准确率.实际上,摄像头安装在路杆上或者桥头上,车辆经过或者风吹动时,不可避免地要引起摄像头的轻微抖动,使得相邻两帧图像的背景像素不可能一一对应.若用相邻两帧对应点直接相减,是不可能完全将背景去除的,必定会留下残余的背景信息.因此我们采用邻域比较和帧差法相结合来消除传统帧差法中背景去除不干净的现象.但是它又不同于传统的邻域比较,因为传统的邻域比较是在同一帧画面中进行的而本文是在相邻两帧中进行邻域比较,具体算法如下:(1)取当前帧的图像像素为f 1(i ,j ),则相应地取前一帧图像的一个3×3的模板: f 2(i -1,j -1)) f 2(i -1,j ) f 2(i -1,j +1)f 2(i ,j -1) f 2(i ,j ) f 2(i ,j +1)f 2(i +1,j -1) f 2(i +1,j ) f 2(i +1,j +1) 第25卷第4期彭仁明,等:基于视频的车流量检测405 (2)将当前帧的像素f 1(i ,j )与模板中像素为f 2(i ,j )的灰度相比较,若它们的差值小于阈值,则判为背景点,将其灰度值置0,就不再做邻域比较;否则再与前一帧其余的8个邻域点相比较,只要有一个差值小于阈值,就将其判为背景点,不再比较.(3)为什么要这样比较呢?主要是为了得到最优的邻域比较结果,并且减少不必要的计算量,因为相邻两帧对应点的相关性最大,因此将当前帧检测带内的点优于上一帧的对应位置的点进行灰度值比较,若差值在某一范围内,则将该点视为无变化点,作为背景去除,不再做邻域比较;否则再顺序比较其它邻域点.如图3所示.图3 邻域比较Fig.3 Neighborhood com paring2.5 提取检测带的数据流以及对数据流的校正2.5.1 数据流的提取邻域比较后,检测带内留下了车辆的信息,如何对这些车辆进行计数?如何判断相邻两帧的车辆信息是否是同一辆车?以图像宽度为800个像素为例,为了减少数据的运算量以及所需存储器的数目,可选取每10个像素宽的信息生成数据流的一个信息位.为此,定义3个长度为80的一维数组a 、b 、c ,分别表示前一帧数据流、当前帧数据流、两帧数据流之差.若检测带的高度为20个像素,则把每个宽10个像素、高20个像素的浮动窗内像素的灰度值进行累加(∑∑g ,g 为灰度值),如果累加值大于某个设定的阈值,就将对应的数组元素赋值为‘1’,否则赋值为‘0’.这样就得到了当前图像的反映车辆运动信息的数据流.其效果图4所示1第26帧邻域比较结果图当前帧未修正信息流:00000000000000000000000001111011111100000000000011111100000000000000000000000000(a )数据流的提取当前帧已修正信息流:00000000000000000000000001111111111100000000000111111111110000000000000000000000(b )数据流的修正图4 数据流的提取及修正Fig.4 Obtain and m odify the data array由于邻域比较可能会造成车辆的一部分信息丢失,甚至产生断带,使获得的数据流在有车辆信息的连续‘1’中,会产生毛刺‘0’.因此需要修正数据流,消除毛刺,得到尽可能连续的‘1’.2.5.2 数据流的修正(1)填1:在两个连续的‘1’段中间产生的毛刺‘0’,其数目与没有车的‘0’数目相比还是很少的,并且与‘1’之间的距离比较小.根据这些特征我们对数据流进行“填1”处理.I 1n =0 n >51 n Φ5(1)I 0n :当前n 个“0”信息位 n :连续0的个数406 西华师范大学学报(自然科学版) 2004年(2)填0:如果上一帧车头部分进入检测带,邻域比较的结果所提取的车辆信息的‘1’的个数不足判断有新车过来,而当前帧车体进入了检测带,虽然邻域比较的结果所提取的车辆信息的‘1’的个数表明有车辆在,但与上一帧相减的结果始终不足计数,从而造成该车漏检.为了解决这种车辆头部小尾部大造成的车辆误判的问题以及有效消除车前灯的影响,可将这些不足判别车辆信息的‘1’抹‘0’.I 0N =N >5 1N Φ5 0(2)I 1N :当前N 个“1”信息位 N :连续1的个数通过这样的数据流修正后,我们就得到了由连续的‘1’和‘0’组成的数据流.从而使车辆的计数算法变的相当简单,并提高了计数的精度如图4所示.从前面输入图像可以看出在检测带内有两辆车,现在检测的结果也是两辆车.2.6 相关性修正对于有些车辆由于情况比较复杂,会使相邻两帧的信息变化出现忽多忽少情况(如图5),这样就可能出现漏计或误计的现象.为了克服这种现象,利用前后两帧图像相关信息进行修正如图6所示.图5 一辆车进入检测带内连续三帧时的情况 Fig 15 The in formation of a vehicle in the detection zone 笫27帧信息流:00000000000000000000000011111111111100000000000000000000000000000000000000000000第28帧未修正信息流:00000000000000000000000011111111100000000000000000000000000000000000000000000000第28帧修正信息流:00000000000000000000000011111111111100000000000000000000000000000000000000000000第29帧未修正信息流:00000000000000000000000011111111100000000000000000000000000000000000000000000000第29帧修正信息流:00000000000000000000000011111111111100000000000000000000000000000000000000000000图6 修正信息流Fig.6 M odify the data array2.7 车辆计数由于窗口浮动,这给车辆计数带来一定的困难.为此,笔者提出了用检测带内车辆信息的变化规律进行计数的方法.其原理如下:如果用当前帧的数据流减去上一帧的数据流则只可能出现4种情况和3种结果:(1)上一帧某一位置没有车,当前帧对应位置也没有车:0减0,结果为0;(2)上一帧某一位置有车,当前帧对应位置也有车:1减1,结果为0;(3)上一帧某一位置没有车,当前帧对应位置有车:1减0,结果为1; 第25卷第4期彭仁明,等:基于视频的车流量检测407(4)上一帧某一位置有车,当前帧对应位置没有车:0减1,结果为-11显然,结果为‘1’,表示有新车辆到来:结果为‘-1’,表示车辆已离开.利用该结果就可以方便地进行车辆的计数和车速的估算了.其方法如下:(1)利用数据流上升沿‘1’来进行车辆的计数.(2)利用上升沿‘1’和下降沿‘-1’之间的帧数,根据摄像头的拍摄速度和车辆的长度进行车速的估算.(3)由于噪声的存在,数组c里可能会出现较短的连续‘1’段,为此可根据车辆的最小宽度来选取一个阈值,如:车辆的最小宽度为100个像素,即占数据流信息为10位,就可以选取连续的‘1’段长度大于9计为一辆车.共有多少个连续的、长度大于该选定阈值的‘1’段,就表示新到来了多少辆车.其结果图7所示.第39帧信息流:00000111111111111000000000000000000000000000111111111111111000000000000000000000(a)当前帧图象 00001111111111111000000000000000000000000000000000000000000000001111111000000000(b)当前帧图像及对应信息流车辆变化信息:00000000000000000000000000000000000000000000212121212121212121212121212121000001111111000000000新车数1 总车数 8 本帧有车2辆图7 车辆计数结果图示Fig17 The result of the vehicle count3 实验结果及分析实验中,输入的图像是按5帧/s的频率从历时45min的录像中采集到的,其中包括各种道路情况(如单向单车道、双车道,双向双车道、四车道,有隔离带和无隔离带等)在各种光线条件下(如阴天、黄昏、夜晚低亮度照明等)的大量图像序列.算法中采用的相关性修正,消除了对车顶情况比较复杂的车辆,如大巴、货车的误检.从而使得该算法的误检率和漏检率大大低于帧差法.实验结果表明,该算法能够正确判断有无车辆的信息,在交通拥塞状况不十分严重、车速不太快(车速≤70km/h)的情况下,该算法对车辆计数的准确率可达95%.至于该算法的漏检原因与帧差法一样,要求车速不能过快.但这个问题可用提高DSP的采集处理图像的速度来解决,由于该算法的计算量小,可允许DSP的采集处理图像的速度在10帧/s以上.因此,该算法的提出,为智能交通系统获取有无车辆信息、车流量统计、平均车速估计等实时有效的交通参数提供了良好的解决方案.参考文献:[1] 杨 俊.基于视频检测的城市智能交通系统应用研究[J].测控技术,2003,22(3).[2] 朱志刚,徐光佑.VIS AT ARAM:全天候自动交通检测视觉系统[A].97北京智能交通系统发展趋势国际学术研讨会论文集[C]11997,97-101.[3] VI ARANI E.Extraction of T raffic In formation from Images as DEIS1Image Analysis and Processing[A].Proceedings.InternationalC on ference on,1999.(下转第412页)参考文献:[1] PE NNI NCK X D,CH BAT M,PIERR L,et al.The Phase-Shaped Binary T ransmission(PS BT):A New T echnique to T ransmit Far Be2y ond the Chromatic Dispersion Limit[J].IEEE Photon.T echnol.Lett.,1997,9:259-261.[2] ONO T,Y ANO Y,FUK UCHI K,et al.Characteristics of Optical Duobinary S ignals in T erabit/s Capacity,High-S pectral E fficiencyW DM Systems[J].J.Lightwave T echnology,1998,16:788-797.[3] ONO T,Y ANO Y,FUK UCHI K.Dem onstration of High-Dispersion T olerance of20-G bit/s Optical Duobinary S ignal G enerated by aLow-Pass Filtering Method[M].Presented at C on f.Optical Fiber C ommunication,Dallas,TX,1997.[4] 原 荣.光纤通信[M].北京:电子工业出版社,2002.[5] 赵梓森.光纤通讯工程(修订版)[M].北京:人民邮电出版社,1995.[6] 张 煦.光纤通信技术[M].北京:中国科技出版社,1992.N e w Optical Modulation Form at:Optical DuobinaryJ IANG Y un2qi,CHEN Y i2qing(Department of Educational T echnology,China West N ormal University,Nanchong637002,China)Abstract:Optical communication is now widely used in the global tele-communications.The data communication is in2 creasing dramatically in recent years.One of the hot topic in optical communication is:H ow to effectively use the existing fiber,which has already installed in all of the links,meanwhile guarantee the delivering of the high quality optical signal in the optical transport netw orks.This paper has proposed a new optical m odulation format:optical duobinary m odula2 tion.This m odulation format can increase the optical-spectral efficiency and reduce the dependency on the optical chro2 matic dispersion.Hence it can realize the large transmission capacity,and long distance optical transmission in optical communication.K ey w ords:duobinary;optical chromatic dispersion;optical eye diagram(上接第408页)[4] FNBY M,SIY A L M Y.A Window-Based Image Processing T echnique for Quantitative and Qualitative Analysis or R oad T raffic Pa2rameters[J].IEEE T rans.on Vehicular T echnology,1998,47.[5] 蒋刚毅,郁 梅,叶锡恩,等.一种基于视觉的车辆跟踪及交通流量参数估计新方法[J].电路与系统学报,2001,11.V ehicle Flow Detection B ased on VideoPENG Ren2ming,HE Chun2lin(1.S ichuan Mianyang V ocational and T echnical C ollege,Mianyang621000,China;21The C ollege of C omputer Science,China West N ormal University,Nanchong637002,China)Abstract:This paper has sim ply introduced vehicle flow detection alg orithmic virtue and disadvantage based on video.We have brought forward a new alg orithm which adapts to the environment well and calculates very little.S o that we know Vehicle counting,speed estimating,and the in formation whether there are vehicles or not are achieved.In this alg o2 rithm,pre-estimate correction and relativity correction are success fully used to increase detection precision and im prove the detection effect.C onsequently,real-time and available traffic parameters can be obtained for the traffic m onitoring system.K ey w ords:video;data array;relativity m odification。