一种基于视频技术的车辆检测和计数算法
基于视频图像和深度学习的车辆轨迹检测与跟踪
基于视频图像和深度学习的车辆轨迹检测与跟踪摘要：随着城市交通的不断发展和车辆数量的急剧增加，车辆轨迹检测与跟踪成为了一个重要的研究课题。
本文提出了一种方法。
该方法能够实时地检测和跟踪车辆，并生成车辆的轨迹信息。
实验结果表明，该方法在车辆轨迹检测和跟踪方面取得了较好的效果。
关键词：车辆轨迹检测；车辆轨迹跟踪；视频图像；深度学习1. 引言随着城市交通的快速发展，车辆保有量不断增加。
汽车成为了人们出行的主要方式之一，对于城市交通管理和交通安全具有重要意义。
车辆轨迹检测与跟踪作为交通领域的一个重要研究方向，能够帮助城市交通管理部门更好地了解车辆行驶的路径，提供决策支持和交通管理指导，为交通管理和交通安全提供重要的参考依据。
2. 相关工作在过去的几十年中，许多学者和研究机构都对车辆轨迹检测与跟踪进行了深入研究。
传统的方法主要是基于计算机视觉技术，利用视频图像中的特征进行车辆的目标检测和跟踪。
然而，由于车辆数量的增加和道路环境的复杂性，传统方法在实际应用中往往存在一定的局限性。
近年来，深度学习的快速发展为车辆轨迹检测与跟踪提供了新的思路和方法。
深度学习网络能够从大量的数据中学习和提取特征，能够更准确地进行目标检测和跟踪。
3. 方法框架本文提出的方法主要包括三个步骤：预处理、车辆轨迹检测和车辆轨迹跟踪。
3.1 预处理预处理主要是对输入视频图像进行预处理，以提高检测和跟踪的效果。
预处理包括图像去噪、图像增强和图像分割等步骤。
首先，采用去噪算法对输入图像进行去噪处理，以减少图像中的噪声对车辆检测和跟踪的影响。
然后，采用增强算法对图像进行增强，以提高图像的对比度和清晰度。
最后，采用图像分割算法将图像分割成多个区域，以便更好地进行车辆的检测和跟踪。
3.2 车辆轨迹检测车辆轨迹检测是指在给定的视频图像中检测和识别车辆的位置和边界框。
本文采用了一个基于深度学习的目标检测算法，通过训练深度学习网络，能够在视频图像中准确地检测和识别车辆。
智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述
智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述一、概述随着科技的快速发展和城市化进程的推进，智能交通系统（ITS）已经成为现代交通领域的重要研究方向。
基于视频图像处理的车辆检测与跟踪方法是智能交通系统的重要组成部分，对于提高道路安全、优化交通流量、实现智能交通管理具有重要意义。
基于视频图像处理的车辆检测与跟踪方法主要利用计算机视觉和图像处理技术，对视频序列中的车辆进行自动检测、跟踪和识别。
这种方法可以实时获取道路交通信息，为交通管理和规划提供数据支持。
同时，通过车辆检测与跟踪，还可以实现车辆行为分析、交通事件检测等功能，为智能交通系统的进一步发展提供有力支持。
近年来，随着深度学习、机器学习等人工智能技术的快速发展，基于视频图像处理的车辆检测与跟踪方法也取得了显著的进步。
通过构建深度学习模型，可以实现对车辆目标的准确、快速检测，同时利用多目标跟踪算法，实现对多辆车辆的连续跟踪。
这些技术的发展为智能交通系统的车辆检测与跟踪提供了新的解决方案，也为未来的智能交通发展奠定了坚实的基础。
基于视频图像处理的车辆检测与跟踪方法仍然面临一些挑战，如复杂交通场景下的车辆遮挡、光照变化、动态背景干扰等问题。
未来研究需要不断探索新的算法和技术，提高车辆检测与跟踪的准确性和鲁棒性，以适应智能交通系统的发展需求。
本文将对基于视频图像处理的车辆检测与跟踪方法进行综述，介绍其基本原理、发展历程、现状以及未来的发展趋势。
通过总结现有方法的优点和不足，为未来的研究提供参考和借鉴。
同时，本文还将探讨当前面临的挑战和未来的研究方向，为智能交通系统的进一步发展提供有益的探索和启示。
1. 智能交通系统概述智能交通系统（Intelligent Traffic Systems，ITS）是信息技术、数据通信技术、传感器技术、电子控制技术以及计算机技术的综合应用，旨在构建一种大范围内、全方位发挥作用的实时、准确、高效的综合运输和管理系统。
【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。
基于视频图像的车辆检测、跟踪与流量统计
清华大学综合论文训练题目：基于视频图像的车辆检测、跟踪与流量统计系别：电子工程系专业：电子信息工程姓名：鹿文浩指导教师：王生进教授2008 年 6 月 12 日中文摘要本文针对视频监控中的车辆检测跟踪问题，具体研究了在昼间车流密度较高情况下以及在夜间车辆的检测与跟踪算法。
首先针对昼间车流密度高的特点将类Haar+Adaboost分类器的统计学习方法用于昼间车辆检测，并在检测后进行一定后处理去除虚警。
实验结果表明，在车流密度较高的情况下仍能快速地检测出车辆，明显优于运动目标检测的效果。
其次针对夜间车辆特征不丰富的难点以Hough圆检测为核心，设计了一种夜间车辆检测方法。
实验结果表明，在车流较稀疏的情况下，该方法能够正确且快速地检测出车辆，是一种可行有效的夜间车辆检测方法。
然后针对昼间、夜间车辆检测结果的漏检、错检问题，提出了一种基于Kalman滤波器的4状态跟踪算法，通过跟踪算法不仅前后帧车辆信息联系起来，也去掉了一些虚警并在一些帧中补全了漏检的车辆，使检测效果变得更加稳定。
最后加入了分车道车流量统计模块，并设计了界面，完成了一个完整可用的车辆检测跟踪与流量统计系统。
关键词：车辆检测车辆跟踪类Haar特征 Adaboost级联分类器 Hough 圆 Kalman滤波器4状态跟踪算法ABSTRACTAiming at car detecting and tracking problems in video monitoring and controlling system, this paper mainly studies car detecting and tracking problems in the conditions of high traffic density in daytime and normal traffic density at night.In order to coping with the condition of high traffic density, we bring in the Adaboost learning algorithm with Haar-like features and propose some afterwards process. Our experiment results show that this algorithm has an advantage over moving object detecting algorithm obviously.As there is much less feature of car at night compared to it is in daytime, we propose a night car detecting algorithm that focuses on Hough circle detecting. Our experiment results show that it is a fast and usable algorithm when facing the night car detecting problem except that the traffic density is too high.After these works, we propose a tracking algorithm named 4-states tracking algorithm based on Kalman filter. This algorithm not only links up the car information between different frames, but solves some problems in car detecting part like false hits and miss hits.At last, we implement a complete car detecting, tracking and traffic statistics system with a friendly interface.Keywords：car detecting car tracking haar-like adaboost cascade Hough circle Kalman filter 4-states tracking目录第1章引言 (1)1.1 视频交通监控系统研究背景 (1)1.1.1 ITS简介 (1)1.1.2 基于视频图像的监控方法 (1)1.1.3 交通流量统计的重要性 (2)1.2 基于视频图像的车辆检测跟踪系统一般框架 (2)1.2.1 预处理模块 (2)1.2.2 识别模块 (3)1.2.3 检测模块 (4)1.2.4 跟踪模块 (4)第2章车辆检测跟踪研究现状 (5)2.1 昼间车辆检测方法 (5)2.1.1 运动目标检测算法概述 (5)2.1.2 背景差法 (5)2.1.3 背景建模方法[6] (5)2.1.4 帧间差法 (6)2.1.5 运动目标检测的优缺点 (6)2.2 夜间车辆检测方法 (7)2.3 车辆跟踪方法 (8)2.3.1 车辆跟踪的目的 (8)2.3.2 Kalman滤波原理介绍[7][8] (8)2.3.3 车辆跟踪中的Kalman滤波模型 (10)2.3.4 基于Kalman滤波器的车辆跟踪算法 (11)第3章基于统计方法的昼间车辆检测 (15)3.1 基于统计的分类器训练方法概述 (15)3.2 Adaboost基本理论[10] (15)3.3 基于类Haar特征的Adaboost强分类器 (16)3.3.1 特征的选择 (16)3.3.2 一级强分类器的形成[10] (18)3.4 强分类器的级联[10] (19)3.4.1 级联的意义 (19)3.4.2 级联强分类器的训练方法 (19)3.5 后处理 (20)3.5.1 后处理的意义 (20)3.5.2 后处理的方法 (20)3.6 实验结果 (21)3.6.1 加入后处理前后的比较 (21)3.6.2 与运动目标检测的比较 (23)第4章基于Hough圆的夜间车辆检测 (25)4.1 Hough检测原理[14] (25)4.2 车灯检测流程 (27)4.2.1 车辆检测整体流程 (27)4.2.2 灰度分割提取车灯 (27)4.2.3 子图切割、Hough圆检测并恢复坐标 (28)4.3 车灯匹配 (28)4.3.1 车灯匹配的目的 (28)4.3.2 双向匹配法 (28)4.4 实验结果 (29)第5章基于Kalman滤波的改进车辆跟踪 (31)5.1 车辆跟踪所面对的问题 (31)5.1.1 检测结果的不足 (31)5.1.2 常见情况 (31)5.2 4状态跟踪法 (32)5.2.1 检测态 (32)5.2.2 准备锁定态 (32)5.2.3 锁定态 (33)5.2.4 准备失锁态 (33)5.2.5 状态转换方式 (33)5.2.6 其他问题 (34)5.3 实验结果 (34)第6章总结和展望 (37)6.1 工作总结 (37)6.2 前景展望 (39)6.2.1 新的特征 (40)6.2.2 新的系统结构 (40)6.2.3 更加稳定地车灯提取方法 (40)6.3 心得体会 (40)插图索引 (41)表格索引 (43)参考文献 (45)致 谢 (47)声 明......................................错误！未定义书签。
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。
智能交通系统中基于视频的车辆检测方法
智能交通系统中基于视频的车辆检测方法智能交通系统的快速发展和应用，改变了我们对城市交通的认识和管理方式。
在这个系统中，车辆检测是一个关键的环节，它对实现智能交通管理、提高交通效率和安全性起着至关重要的作用。
视频技术作为智能交通系统中最常用的一种检测方法之一，以其高效、准确和实时性成为了车辆检测的首选方法之一。
基于视频的车辆检测方法可以分为两个主要步骤：前景提取和车辆检测与跟踪。
前景提取通过对视频图像的对比度、颜色、运动等特征进行分析，将前景目标与背景进行区分。
常见的前景提取算法包括帧差法、背景减除法和光流法等。
其中，背景减除法是最常用的一种方法，它通过建立背景模型来动态地更新背景图像，从而准确地提取前景目标。
在前景提取的基础上，车辆检测与跟踪是接下来的关键步骤。
车辆检测与跟踪的目标是在前景目标中准确地识别和跟踪车辆，并将其与其他非车辆目标进行区分。
传统的车辆检测方法主要依赖于图像处理技术，如边缘检测、灰度变换和形态学处理等。
然而，由于车辆的形状和外观的多样性，传统方法往往存在一定的局限性和缺陷。
为了克服传统方法的局限性，近年来，基于深度学习的车辆检测与跟踪方法得到了广泛的应用。
深度学习技术以其强大的特征学习能力和自适应性在图像处理领域取得了巨大的成功。
基于深度学习的车辆检测方法主要包括两个关键步骤：特征学习和目标检测。
特征学习利用深度神经网络自动地学习和提取图像中的有用特征，将其转化为高级语义特征。
目标检测利用训练好的深度神经网络对特征图进行目标识别和位置定位，实现对车辆的准确检测与跟踪。
除了基于深度学习的方法，基于视频的车辆检测还可以结合其他传感器和技术，如雷达、红外传感器和激光雷达等。
这些传感器可以提供关于车辆位置、速度、方向等更详细和全面的信息，从而提高车辆检测的准确性和鲁棒性。
例如，激光雷达可以通过测量反射激光束的时间和强度来准确地检测车辆及其周围环境，同时还可以避免遮挡和光照条件的影响。
基于视频处理的运动车辆检测算法的研究
摘 要 ： 辆 检 测 技 术 是 现 代 智 能 运 输 系 统 的重 要 组 成 部 分 ， 有 的相 关 视 频 检 测 算 法 能 够 检 测 目标 且 对 环 车 现
境 具 有 一 定 的 适 应 性 ， 其 在 算 法 实 时 性 、 别 率 等 方 面 仍 有 待 提 高 。提 出 了一 种 基 于 Ｆｓ ｅ 准 则 函 数 法 的 但 识 ｉ ｒ ｈ 自适 应 阈 值 背 景 减 法 和 对 称 差 法相 结 合 的 运 动 车 辆 检 测 算 法 ， 方 法 采 用 ｓ ｒｎ ｒ 算 法 提 取 背 景 ， 过 背 景 该 ｕｅ ｄａ 通 减 法 提 取 出 目标 前 景 ， 将 其 与 对 称 差 法 相 结 合 得 到 准 确 的 运 动 目标 区 域 并 实 时 地 完 成 背 景 更 新 。实 验 表 再 明 该 方 法 快 速 、 确 ， 有 一定 的 实 用 价 值 。 准 具 关 键 词 ：车 辆检 测 技 术 ；背 景 减 法 ； 称 差 法 ； 景 更 新 对 背
基于OpenCV的视频道路车辆检测与跟踪
基于OpenCV的视频道路车辆检测与跟踪摘要：随着城市交通的不断发展，道路车辆的数量不断增加，为了保证交通的安全性和顺畅性，对道路上的车辆进行检测和跟踪显得尤为重要。
本文基于OpenCV库，研究了一种基于图像处理技术的视频道路车辆检测与跟踪方法，通过对视频帧进行预处理、车辆区域的提取和目标跟踪的算法实现，可以有效地检测和跟踪道路上的车辆，具有较高的准确性和稳定性。
1. 引言随着城市的发展和人民生活水平的提高，道路交通日益拥挤，车辆数量不断增加，给交通管理工作带来了巨大的挑战。
为了解决交通拥堵和事故隐患问题，对道路上的车辆进行有效的检测和跟踪至关重要。
基于计算机视觉技术的图像处理方法成为道路车辆检测与跟踪的重要手段。
2. 方法2.1 视频帧预处理在进行车辆检测与跟踪之前，首先需要对视频帧进行预处理。
主要包括图像的灰度化、平滑处理、图像二值化等步骤。
通过灰度化处理，可以将彩色图像转换为灰度图像，便于后续的车辆检测。
平滑处理通过滤波器对图像进行处理，减少图像中的噪声。
图像二值化将灰度图像转换为二值图像，将车辆与背景分离出来，便于车辆区域的提取。
2.2 车辆区域的提取在预处理之后，需要对图像中的车辆区域进行提取。
通过阈值分割方法，可以将图像中的车辆区域与背景分离开来。
同时，为了减少车辆区域中的噪声，可以使用形态学操作进行进一步的处理。
利用腐蚀和膨胀操作，可以使车辆区域更加完整和连续。
2.3 目标跟踪在提取了车辆区域之后，需要对车辆进行跟踪。
本文采用的方法是基于均值漂移算法的目标跟踪方法。
通过计算车辆区域的直方图信息，结合均值漂移算法的迭代法则，可以实现对车辆的跟踪。
在迭代过程中，通过调整窗口的大小和位置，可以对车辆进行准确地跟踪。
3. 实验与结果为了验证本文方法的有效性，我们在OpenCV的环境下进行了一系列的实验。
实验采用了多段道路视频，包含了不同道路条件和车辆数量的场景。
实验结果表明，本文方法可以准确地检测和跟踪道路上的车辆，且具有较高的稳定性。
车辆计数算法
车辆计数算法摘要：1.车辆计数算法的定义和作用2.常见的车辆计数算法类型3.车辆计数算法的应用场景4.车辆计数算法的优缺点分析5.我国在车辆计数算法研究方面的进展正文：车辆计数算法是一种通过图像、视频等数据源中检测和识别车辆，并统计车辆数量的技术。
在交通管理、城市规划、停车场管理等领域具有重要的应用价值。
常见的车辆计数算法主要有以下几种：1.基于图像处理：通过车辆轮廓、车辆尺寸等特征识别车辆，并计数。
2.基于视频分析：通过连续的图像序列，识别并跟踪车辆，从而实现计数。
3.基于深度学习：利用深度学习模型，如卷积神经网络（CNN）等，对图像或视频进行端到端的分析和计数。
车辆计数算法的应用场景非常广泛，包括但不限于：1.交通流量监测：通过车辆计数算法，可以实时监测道路交通流量，为交通管理部门提供决策依据。
2.城市规划：通过统计某个区域的车辆数量，可以为城市规划提供参考数据。
3.停车场管理：通过车辆计数算法，可以实时了解停车场的剩余车位，提高停车场的使用效率。
车辆计数算法的优点主要体现在：1.实时性：可以实时监测和统计车辆数量，提供及时有效的数据。
2.自动化：相比于人工计数，车辆计数算法具有更高的准确性和效率。
然而，车辆计数算法也存在一些缺点，例如：1.受光照、天气等环境因素影响：在光照不足或天气恶劣的情况下，算法的准确性可能会受到影响。
2.受车辆类型、姿态等因素影响：不同类型、姿态的车辆可能会被误判或漏判。
我国在车辆计数算法研究方面取得了显著的进展。
例如，清华大学等研究机构提出了基于深度学习的车辆计数算法，可以在复杂环境下实现准确计数。
此外，我国还在推动车辆计数算法在实际应用场景的落地，如智能交通系统、智慧城市建设等领域。
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。
智能交通系统中的车辆跟踪算法
智能交通系统中的车辆跟踪算法智能交通系统（Intelligent Transportation System，简称ITS）是运用现代通信、计算、控制和电子技术，以及现代交通管理理论和方法进行交通管理和服务的系统。
在智能交通系统中，车辆跟踪算法扮演着重要的角色，可以对道路上的车辆进行实时定位和跟踪，提供大量的交通数据用于实时交通监测和管理。
本文将重点介绍智能交通系统中常用的车辆跟踪算法。
一、基于视频的车辆跟踪算法基于视频的车辆跟踪算法是通过对交通监控摄像头拍摄的视频进行处理，提取视频中的车辆信息，并对车辆进行跟踪。
这种算法通常包括以下几个步骤：1. 车辆检测：通过图像处理和目标检测技术，对视频中的车辆进行检测和定位。
常用的车辆检测算法包括基于颜色、纹理和形状等特征的检测方法。
2. 车辆特征提取：在车辆检测的基础上，对检测到的车辆进行特征提取。
常用的特征包括车辆的尺寸、形状、运动特征等。
3. 车辆跟踪：利用车辆的特征，在不同的视频帧中进行车辆的跟踪。
常见的跟踪算法包括基于卡尔曼滤波器的跟踪方法、基于粒子滤波器的跟踪方法等。
基于视频的车辆跟踪算法具有较高的准确性和可靠性，但对计算资源和算法实时性要求较高。
二、基于全球定位系统（GPS）的车辆跟踪算法基于全球定位系统的车辆跟踪算法通过车辆携带的GPS设备获取车辆的位置信息，实现对车辆的实时跟踪。
这种算法的主要步骤包括：1. GPS数据采集：通过车辆上的GPS设备，获取车辆的位置信息。
GPS设备通常以一定的频率采集车辆的位置数据。
2. 数据处理：对采集到的GPS数据进行预处理，包括数据过滤、噪声处理等。
此外，还可以采用数据插值等方法提高数据的时空分辨率。
3. 轨迹重建与跟踪：通过GPS数据，重建车辆的轨迹，并进行车辆的跟踪。
常用的方法包括基于卡尔曼滤波器的轨迹预测和滤波算法、基于历史轨迹匹配的车辆跟踪方法等。
基于全球定位系统的车辆跟踪算法可以实现对车辆的实时跟踪，但受GPS精度和设备更新速率等因素的限制。
基于视频图像处理的车辆排队长度的检测
起 的 ， 这 些 区域标 记 为前 景像 素 ， 用标 记 的像 素 区 将 利 域 可 以确定 运 动 目标 在 图像 中的位 置 。由 于相邻 两 帧 间的 时间 间隔非 常短 。用前 一 帧 图像 作 为 当前 帧 的背 景 模型 具有 较好 的实时 性 ， 背 景不 积 累 ， 更新 速 度 其 且 快 、 法简 单 、 算 计算 量小 。
２２车辆 存 在检 测 ．
图 １直线 检测 算 法 原 理 图
对 图 像 中检 测 边 缘 后 的 虚 拟 区 ， 理 过 程 是 从 处
（ ，） ｉｊ 像素开始， ＯＯ 从左至右， 从下至上， 处理每一个像素。 以黑色 点像 素 ） ， 个像 素处 理过 程 为 根据 参数 为例 每 如 果 没 有 检测 到 虚 拟 区 内的运 动 车辆 ，那 么 接 下 Ｗ、， Ｌ先检测相邻上方 的点， 再检测相邻右方的点， 只要 来 要进 行车 辆存 在检 测 。本 文将 背 景差 别法 和边 缘 检 在 一 个方 向上 检测 到直 线 ， 判 定（ｉ 则 ｉ） ，位于某 条 直线上 ， 测 法这 两种 算法 结合 起来 来 对 车辆进 行存 在 检测 。下 置标 志位为 真， 到 的直线 数加 ｌ 检测 。 面分 别对 这 两种 算法 进行 介绍 。 显然 ，， Ｌ ｈ参数 是控 制直线 检 测精 度（ 图 中，＝ ；， 上 Ｌ ｈＬ
摄 像机 来获 取 车流量 信 息 ，安装 在计算 机 里 的控 制 软
件 可 以在拍 到 的现场 图上设 置 虚拟车 辆检 测 域 ，当 车 辆 通过 虚拟 检测 域 时 ．检测 器对 路 口各 车道 车流 量 进
ｗ
， ＝
ｗ２ｘ ） ｗ（Ｙ （， ， Ｍ － ｚ ｙ ） ｌ ｘ ＞ －
基于视频的车辆检测和分析算法
第 ６卷 第 ３期
２０ ０ ７年 ６月
江 南 大 学 学 报 （ 然 科 学 版） 自
Ｊ ｕ ｎ ｌ ｆＪ ａ ｇ ａ ｉ ｅ ｓ ｔ （ ｔ ｒ ｌ ｃ ｅ ｃ ｄ ｔ ｎ ｏ ｒ ａ ｉ ｎ ｎ ｎ Ｕｎ ｖ ｒ ｉｙ Ｎａ ｕ ａ ｉｎ ｅ Ｅ ｉ ｏ ） ｏ Ｓ ｉ
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ｖｉ ｅ ～ ｓ ｄ ｓ ｒ ｅ ｌａ ｅ ｙ ｔ ｍｓ ｈ ｖ ａ ｄ ｏ ｂａ ｅ ｕ ｖ ｉｌ ｎｃ ｓ ｓ ｅ ａ ｅ ｗｉ ｅ ｒ ｎ ｏ ａ ｄ ａ ｇｅ ｆ ｐｐｌ ａ ｉ ｎｓ ｆ ｔ ａ ｆｃ ｉ ｔｏ ｏｒ ｒ ｆ ｉ ｃ ｍｏ ｔ ｉ ｇ．Ｉ ｈｉ ｐｅ ，ａ ｐ ｏ ｃ ｏ ｈｅ ｄｅ ｅ ｔｏｎ ａ ｄ ｔ ａ ｋｉ ｆｖ ｈｉｌ ｓｉ ｇｈ ｙ ｗａ ｎｉｏｒｎ ｎ ｔ ｓ ｐａ ｒ ｎ ａ ｐｒ ａ ｈ ｆ ｒ ｔ ｔ ｃ ｉ ｎ ｒ ｃ ｎｇ ｏ ｅ ｃ ｅ ｎ ｈｉ ｗａ ｓ
是 对于较 大 的 目标 ， 中间 变化 不 大 的重 叠 区域 不 能
检 测到 ， 多 目标 的识 别 跟 踪 造成 困难 ． 光 流 法 对 而
， 而实 从 现 车辆 测 速 、 型识 别 、 测 违 章驾 驶 和 道 路 异 常 车 监 情 况等 ， 而有 利 于优 化交 通 调 度 、 从 指导 交 通 规 划 、
埋线 圈方式 ） 基 于视 频 的车 辆 检 测 系 统 就 是 要 对 ．
消除事 故 隐患 、 减少事 故损 失等． 近年来 ， 针对 车 辆 检 测 出现 了很 多方 法 ［ ］ 主 １，
要 分为 ３类 ： 差法 ， 流 法 ， 景 减 除 法． 差 法 帧 光 背 帧
就 是检测 目标 运动 过 程 中 的灰 度变 化 区 域 ， 缺 点 其
基于Vi Be的车流量统计算法
基于Vi Be的车流量统计算法Vi Be（Vehicle Be）算法是一种基于车辆识别技术的车流量统计算法。
它通过图像处理和机器学习的方法，对道路上的车辆进行识别和计数，可以实时准确地统计车流量，为城市交通管理提供数据支持。
Vi Be算法的核心思想是通过视频监控摄像头拍摄的道路图像序列，提取出车辆的特征信息，然后使用机器学习算法对这些特征进行分类和识别。
具体而言，Vi Be算法包括以下几个关键步骤：1. 预处理：首先对视频图像序列进行预处理，包括去噪、平滑和亮度调整等。
这些操作可以提高后续特征提取和识别的准确性。
2. 车辆检测：在预处理后的图像中，使用目标检测算法识别出图像中的所有车辆。
目标检测算法可以使用基于深度学习的方法，例如基于卷积神经网络的物体检测算法。
3. 特征提取：对于每个被检测到的车辆，在图像中提取出其特征信息。
常用的特征包括车辆的大小、形状、颜色、纹理等。
这些特征可以通过计算图像中的像素值、颜色直方图、纹理特征等方式获得。
4. 特征分类：将提取出的特征送入机器学习算法进行分类。
常用的分类算法包括支持向量机、随机森林、神经网络等。
这些算法可以根据提取到的特征信息对车辆进行分类，区分不同类型的车辆。
5. 车辆计数：根据分类结果，统计不同类型车辆的数量，得到车流量统计结果。
可以通过对连续图像帧的计数结果进行累积，实时地获取车流量信息。
Vi Be算法具有以下优点：1. 精度高：基于图像处理和机器学习的方法可以提取出丰富的车辆特征信息，对车辆进行准确的分类和识别。
相比传统的手工提取特征的方法，Vi Be算法能够更好地适应不同场景和光照条件下的车辆识别任务。
2. 实时性好：Vi Be算法可以在实时视频流上进行车流量统计，几乎不需要延迟。
这对于实时交通管理非常重要，可以及时掌握车流量情况，进行路况监控和调整。
3. 鲁棒性强：Vi Be算法对于一些常见的图像干扰因素具有一定的鲁棒性，例如光照变化、背景干扰等。
基于视频序列的车辆检测与跟踪算法研究与应用
收稿日期5作者简介男,6年生,讲师,张家口市,5基金项目年张家口市科学技术研究与发展指导计划项目(3B)基于视频序列的车辆检测与跟踪算法研究与应用王剑雄王玉兰张建梅孙志田洪斌孙皓月河北建筑工程学院摘要提出了一种基于区域的模板匹配跟踪算法,针对复杂场景中目标被干扰、遮挡等情况,提出了一种基于遮挡判断和运动轨迹预测的抗遮挡跟踪算法,可实现对被干扰或遮挡的目标进行有效跟踪,文中给出仿真结果,证明了该算法的有效性和实用性.关键词模板匹配;车辆检测;背景差分;车辆跟踪中图分类号TP3911算法简介计算机视觉就是利用各种成像系统代替视觉器官作为视觉信息输入手段,由计算机来代替大脑完成处理和解释.计算机视觉不仅能使机器感知环境中的几何信息,包括位置、大小、形状、运动等,还能对它们进行描述、解释和理解.计算机视觉技术为交通系统提供了直观方便的分析手段,交通环境中的大量信息,如车辆、交通标志和路面标识等都源于视觉.用计算机视觉来处理和理解这些信息成为一种必然的选择.在跟踪的过程中,由于车辆交错、气候与时差及人为干扰等会对跟踪的目标产生图像灰度差别太大或短暂部分或全部遮挡.在这种情况下,要求目标跟踪系统应具有一定的鲁棒性,能够自动调整天气和时差带来的图像灰度影响,以及在短暂遮挡过后,能够重新捕获目标,维持目标的跟踪.因此,要求跟踪系统应具备以下能力:能够自动调整光线太强或太弱给追踪目标成像带来的不利影响;能够自动消除下雨或下雪等气候带来的随机噪声;部分遮挡时对目标进行预测的能力.当跟踪车辆处于车流辆较密集的时侯,很难用某种方法将其与背景分割开来.此时,可以选择基于区域相关匹配的跟踪方法,它的原理是不需要将目标与背景分离出来,而是把目标整体或目标区域作为一个整体,通过区域之间的相似性度量对目标实施有效跟踪.它的突出优点是原理简单,执行效率高,满足光电侦察设备的实时性和实用性要求.针对上述情况,本文提出了一种抗气候、抗时差、抗遮挡的跟踪算法,可实现全天候的机动车辆或其它地面目标进行有效跟踪,具体算法步骤如下:图像的去噪处理;图像的灰度调整;采用基于区域匹配的方法对目标进行跟踪;采用图像相关置信度对目标进行遮挡判断;判断目标如可能认为遮挡,则调整原来模板的局部区域作为新的模板重新匹配.2基于灰度的模板匹配算法运动目标检测依据前景目标所处的背景环境,可以划分为两类,静态背景下的运动目标检测和动态背景下的运动目标检测.本文主要研究摄像机不发生运动的静态背景运动目标检测.运动目标检测结果的好坏直接关系到整个系统的优劣.好的运动目标检测算法应能准确地检测到运动目标、而且能适应各种监控环境、有较强的抗干扰性以及处理速度快等特点.本文采用基于区域匹配的方法对目标进行跟踪,跟踪系统采用相关跟踪作为目标图像跟踪的基本手段.如何在规定的场景环境中,精确、实时地完成目标区域跟踪任务是设计的目的.模板匹配是指用一个较小的图像,即模板与源图像进行比较,以确定在源图像中是否存在与该模板相同或相似的区域,若该区域存在,还可确定其位置并提取该区域.第28卷第4期2010年12月河北建筑工程学院学报JOU RNA L OF HEBEI INSTITU TE OF ARCHITECTURE AND CIVIL ENGINEERIN G Vol 28No 4Dec.2010:2010-08-2:19707024:2009092100模板匹配常用的一种测度为模板与源图像对应区域的误差平方和.设f(x,y)为MN 的源图像,t (j,k)为J K(J M,K N)的模板图像,则误差平方和测度定义为公式(1),D(x,y)=J -1j=0K-1k=0[f (x +j ,y +k)-t(j ,k)]2(1)由上式展开可得公式(2),D(x,y)=J -1j=0K-1k =0[f (x +j,y +k)]2-2J -1j K-1k t (j,k)f (x +j ,y +k)+J -1j=0K-1k=0[t(j ,k)]2(2)令DS(x,y)为公式(3),DST (x,y)为公式(4),DT(x,y)为公式(5),DS(x,y)=J-1j=0K-1k=0[f (x +j ,y +k)]2(3)DST (x,y)=2J -1j=0K-1k=0[t(j ,k)f (x +j,y +k)](4)DT (x ,y)=J -1j=0K-1k=0[t(j ,k)]2(5)公式(3)中DS(x,y)称为源图像中与模板对应区域的能量,它与像素位置(x,y)有关,但随像素位置(x,y)的变化,DS(x,y)变化缓慢.公式(4)中DST (x,y)模板与源图像对应区域的互相关,它随像素位置(x,y)的变化而变化,当模板t(j,k)和源图像中对应区域相匹配时取最大值.公式(5)中DT (x,y)称为模板的能量,它与图像像素位置(x,y)无关,只用一次计算便可.显然,计算误差平方和测度可以减少计算量.基于上述分析,若设DS(x,y)也为常数,则用DST (x,y)便可进行图像匹配,当DST (x,y)取最大值时,便可认为模板与图像是匹配的.但假设DS(x,y)为常数会产生误差,严重时将无法进行匹配,因此可用归一化互相关R(x,y)作为误差平方和测度,其定义为公式(6),R(x,y)=J -1j=0K-1k =0t(j ,k)f (x +j,y +k)J-1j =0K-1k=0[f (x +j,y +k)]J -1j=0K-1k =0[t(j ,k)]2(6)模板匹配如图1所示,其中假设源图像f(x,y)和模板图像t(j,k)的原点都在左上角.对任何一个f (x,y)中的(x,y),根据上式都可以算得一个R(x,y).当x 和y 变化时,t(j,k)在源图像区域中移动并得出R(x,y)所有值.R(x,y)的最大值指出了与t(j,k)匹配的最佳位置,若从该位置开始在源图像中取出与模板大小相同的一个区域,便可得到匹配图像.图1模板匹配示意图3为减少计算量,提高跟踪的速度,采用先粗后精的相关跟踪算法在获得图像数据后,先用模板在图像中进行粗匹配匹配搜索采用隔行隔列的方式进行(即当搜索区为大小时,粗匹配需要计算55个点位置上的相关匹配值,结果保留匹配中最小的五个相关匹配值的点坐标69第4期王剑雄王玉兰张建梅等基于视频序列的车辆检测与跟踪算法研究与应用.10010000.在图像中分别以粗匹配得到的五个最小的相关匹配点为中心,在其33邻域内进行精匹配,即计算45个点,并比较精匹配结果,得到最小匹配值的点位置,即为正常跟踪点坐标.当判断出目标被遮挡后,表明当前图像跟踪运算的结果不可信,判断目标如可能认为遮挡,则调整原来模板的局部区域作为新的模板重新匹配.4仿真结果使用Matlab70高级语言编程,对上述算法进行了仿真测试.测试图像是用数码相机拍摄的街道背景和车辆目标,如图2所示,把它作为模板匹配原图.又在正常行驶的道路上拍摄图3和图4作为测试图,图4中车辆目标在路口转弯过程中,被树木遮挡一部分,经过了遮挡判断后对目标也能准确检测.仿真测试非常理想,不管遮挡与否都能准确识别出来,本文用矩形的线框标于图3和图4上.图2图3图45结论仿真测试的情况表明,本算法不仅能够在正常情况下对复杂场景下运动目标进行稳定的跟踪,而且能够有效地对目标遮挡做出判断,对目标运动进行较准确的预测,对于复杂背景图像中被遮挡目标的跟踪具有良好的效果.该算法在实际的可实现性和实时性方面,都已经具备了工程实用的要求.参考文献[1]李熙莹.一种自动提取目标的主动轮廓法.光子学报,2002,31[2]常发亮,刘雪,王华杰.基于均值漂移与卡尔曼滤波的目标跟踪算法.计算机工程与应用,2007,43(12)[3]张昊,黄战华等,基于差分图像的运动目标跟踪与分割方法的应用研究.光学技术,2005,4[4]张素兵,刘泽民.基于蚂蚁算法的时延受限分布式多播路由研究.通信学报,2001,22(3):70~74[5]T B ,R M ,X G I V f f x f I ,3~(下转第页)E.errance oult oss J.ieheals iang ao.nto t he wood:isual surveillance o noncooper ative and camou laged targets comple out door setings.Pr oceedings o the EEE.200189:182140274Sequence Controlling System of Hydrogen AnnealingFurnace Based on PLCShi Shu zhen g1,Liu D ongxin2,Xu Zhen g3,Lv Y isha41.H ebei Institute of Architectur e and Civil Eneginneering;2.Hengshui Economic and Applicable H ousing Development Center;3.Xuanhua Steel Co.Lt d;4.Zhangjiakou Tobacco M onopoly Ber eauAbstr act Annealing furnace is the important equipment with is used for mental strips and bright an nealed wire.According to the application of hydrogen annealing fur nace,we mainly developed PLC sequence contr olling system which can meet the requirement of controlling system.Key words the hydrogen annealing furnace;sequence control;PLC(上接第70页)Research and Application of Vehicle Detection andTracking Algorithms Based on Video SequenceWa ng J ian xion g,Wan g Y u lan,Zhan g J ian m ei,Sun Zhi tia n,Hon g Bin,Sun Ha oyu eH ebei Institute of Architectur e and Civil Engineer ingAbstr act T his paper puts forward a method based on regional template matching algorithm.Accord ing to such complex scene as the interference and block of target,it is proposed based on block and forecast of trajector y tracking algorithm,which can achieve the effective algorithm to the inter fered or block tar get.The simulation results are given to show the effectiveness and practicalness of the method.Key words template matching;vehicle detection;background subtraction;vehicle tracking。
一种基于视频图像的车辆测速算法
一种基于视频图像的车辆测速算法王成钢;刘海;谭中慧【摘要】为适应快速变化的交通管理需求,解决地感线圈和微波车检器等传统车辆测速分析设备存在的使用寿命短、功能单一和运维成本高等问题,提出一种基于视频图像的车辆测速算法.该算法利用视频网像与实际距离的对应关系建立像素到距离的二维映射表,可直接利用现有的监控摄像机,通过寻找目标在时间序列中的像素位置坐标,将其转换成实际距离坐标,求出最佳的时间-距离曲线,从而计算出目标的真实速度.经验证,该算法的准确率高、抗干扰性强、通用性好.【期刊名称】《上海船舶运输科学研究所学报》【年(卷),期】2019(042)001【总页数】6页(P65-69,83)【关键词】视频图像;车辆测速;二维映射;最小二乘法;直线拟合【作者】王成钢;刘海;谭中慧【作者单位】中远海运科技股份有限公司,上海200135;中远海运科技股份有限公司,上海200135;中远海运科技股份有限公司,上海200135【正文语种】中文【中图分类】TP391.410 引言随着我国的车辆保有量不断增加，道路交通管理水平不断提升，道路交通参数调查方面的要求越来越高，其中测速是关键参数之一。
目前应用较为成熟的车速测量设备主要是传统的地感线圈和微波车检器，两者均采用稳定的有源信号作为触发源，原理简单，信号稳定，缺点在于：前者长时间受车辆碾压，容易损坏，使用寿命不长，且在运行维护时需开挖路面，难度大、成本高；后者易受邻车的干扰，准确性受制于交通流的复杂程度。
诸多问题随着交通的不断发展而日益凸显。
近年来，随着视频图像处理技术的快速发展，许多学者开始致力于研究基于视频图像技术的交通参数检测方法[1]，先后研究出虚拟线圈法和轨迹跟踪法并将其运用到车速测量中[2]。
这2种方法可有效避开传统物理接触式车速测量方法存在的问题，安装简单，维护方便，受交通流状况的影响较小，但在车辆提取、目标分割和稳定性跟踪等关键环节存在诸多技术瓶颈，检测的准确性和稳定性均难以满足实用要求。
- 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)。
灰度变换、二值变换等处理，即可较好的分离出前景
物体。也可以先将 backimage 和 temp 转换成单通道
灰度图像再进行相减，这样把两幅度的灰度值相减，
如果 backimage 和 temp 完全一样，则相减的值为 0，
即为一幅全黑的图像； 而两幅图相减后不为 0 的区域
即为前景物体所在区域。其差分公式如下：
Bi （ x，y） 0
if（ Di（ x，y） ＞ T） 其它
1． 2． 3 形态学滤波法［6］
在实际处理过程中，由于传感器本身的光学特性
以及传输线路的影响，可能会在每一帧图像中产生一
定的噪声，从而给目标检测带来困难。为提高目标检
测的有效性和正确性，有必要对 Bi（ x，y） 图像进行形
态处理以消除噪声。
运动目标检测的视频处理过程如图 1 所示。
图 1 运动目标检测的处理过程
1． 2 常用检测方法的原理及实现方法 1． 2． 1 背景差法
背景差法［2］首先选取背景中的一幅或几幅图像
全面感知 Comprehensive Perception
的平均作为背景图像，然后把以后的序列图像当前帧
和背景图像相减，并进行背景消去操作。若所得到的
30 物联网技术 2012 年 / 第 1 期
本设计是基于 OpenCV 库来进行的，可在 Windowsxp 及 Visual c + + 6． 0 的环境下运行调 试，本实验所采用的视频序列是分辨率为 352 × 240 的 AVI 格式的彩色视频流，其处理速度 为 24 帧 / s。 2． 1 背景的获取和更新
本设 计 中 采 用 运 行 期 均 值［7］ 法 来 实 现 背 景 建 模。运行期均值法（ running average） 是中值滤波法的 改进算法，其思想是通过引入学习率 α 来体现背景 图像对场景变化的响应。α 越低，则前景的变化越不 会影响背景，α 一般取 0． 05 左右，可以根据反复实验 调节 α 的大小，以找到最合适的 α 值。
Keywords： video technology； vehicle detection； counting algorithm； intelligent transportation
0引言
随着视频监控的普及，智能视频监控是当前备受 关注的前沿技术，该技术主要利用计算机视觉和视频 分析的方法对视频图像序列进行自动分析，从而实现 对动态场景中目标的定位、识别和跟踪，分析判断目 标行为，得出对图像内容含义的理解以及对客观场景 的解释。在视频监控系统中，车辆的检测在交通方面 意义重大。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，在国外，FHWA（ 美国联 邦公路局） 就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［1］。
图 3 车辆计数流程图
当然也可以采用其他方法： 可限定一个时间阈 值 T，检测到某一目标车辆在背景中停滞时间过久或 者活动太小以至于可以忽略，则可认为该地点发生了 交通堵塞或者车祸事件，此时系统则应发出报警。
2 车辆检测技术与程序实验
图 2 车辆计数流程图
在寻找轮廓过程中，由于二值图像的缺陷会把重 叠在一起的车辆算成是一个大的矩形框，因此，如果 只在找到符合条件的矩形框后就令 numcar 自增 1， 则可能会造成车辆的误测，会少计算重叠的车辆。这
对车辆的检测和计数，可以检测交通路口的车流 量，通过对车辆的检测可以实现对车辆堵塞和车祸进 行报警等功能。
1 车辆检测和计数系统的实现步骤
1． 1 提取目标物体 对车辆的检 测，首 先 要 把“车 ”的 图 像 从 背 景 中
提取出来。由于针对交通系统中的车辆，特别是交通 路口的车辆，一般都是运动物体，因而可以运用运动
difference（ x，y） = temp（ x，y） － backimage（ x，y）
在 OpenCV 中实现差分该功能的函数是：
cvAbsDiff（ backimage，temp，difference）
1． 2． 2 二值化
一幅图像包括目标物体、背景还有噪声，要想从
多值的数字图像中直接提取出目标物体，最常用的方
设实时加权的图像为 movingAverage，则： movingAverage（ x，y） = （ 1 － α） · movingAverage （ x，y） + αimage（ x，y） 上述公式中，右边的 movingAverage（ x，y） 和 image（ x，y） 均为前一时刻 Ti － 1 时背景图像和当前图像 的灰度值，公式左边的 movingAverage（ x，y） 为当前时 刻 Ti 的背景图像各像素的灰度值。用变换过后的 movingAverage 优化 temp，即可实现背景的建模，这样 可减少环境变化对背景差法的影响，提高背景差法的 适应性。 1． 3 分析目标物体 通过对视频中运动车辆的提取，一般都可以得到 提取的目标物体（ 即车辆） ，接下来就可以对系统进 行车辆计数功能的设计。 算法中，通过函数 cvFindContours（ ） 来实现在二 值图像中寻找轮廓，并用函数 cvBoundingRect（ ） 获得 矩形框的数据。 可以通过对图像中矩形框的数目的计算来对车 辆的数 目 进 行 计 数，但 是 该 方 法 也 存 在 以 下 几 个 问题： 首先，对视频的处理实际上是把视频分成一帧一 帧的图像进行处理，单纯的根据矩形框的数目进行车 辆计数会造成车辆的重复计数，因为同一辆车会在几 帧甚至几十帧图像中出现； 其次是对停止车辆的处理，若车辆驶入画面停了
其实现方法是对二值化后的图像进行膨胀、腐蚀
等形态学滤波，这 可 以 在 OpenCV 中 由 函 数 Smooth
（ ） 和 Dilate（ ） 及 Erode（ ） 实现，其中腐蚀 Erode（ ） 和 膨胀 Dilate（ ） 对滤波的效果起主要作用。 1． 2． 4 背景建模方法
背景差法的原理很容易理解，但是，这样的减背 景很容易受光照等环境物体的影响，背景差法的研究 主要集中在背景建模的研究上，即主要研究如何实现 背景图像 的 建 模 和 自 适 应 更 新［3］，使 背 景 能 够 不 断 接近理想状态，以期减少场景变化对视频图像检测的 影响。目前 的 背 景 建 模［4］ 方 法 主 要 有 时 间 差 分 法 （ temporal difference） 、中 值 滤 波 法 （ average \ median filtering） 、W4 方法、混合高斯法 （ mixture of Gauss） 、 隐马尔科夫模型（ hidden Markov models，HMM） 等。
全面感知 Comprehensive Perception
一种基于视频技术的车辆检测和计数算法
南 楠，肖 曦
（ 西南交通大学，四川 成都 610031）
摘 要： 介绍了一种基于视频的车辆检测和计数算法，分析了该算法程序的实现过程，并针对系统进行了实验。实
验结果证明，该车辆检测和计数系统可以检测交通路口的车辆，并且可以对通过的车辆进行计数。
在算法中，可循环对每一个圈出的矩形框进行处 理。对一个矩形框，首先求取其中心点的值 aryX，以 及宽、高等基本数据。为了避免车辆的重复计数，可 利用边界进行计数，并定义两个边界变量 closetoleft 和 closetoright。操作时可首先根据 aryX 的值判断车 辆是否处于边界，若处于边界且未完全进入画面，则 不 断 更 新 边 界 值，即 令 closetoleft （ closetoright ） = aryX，并根据上一帧图像的边界量 closetoleft（ closetoright） 判断车辆是否刚刚进入画面。若刚刚进入画 面，则根据 aryX 和 preX 的比较来判断车的行驶方向 是进入还是出去，并对于刚进入的车辆进行计数，其 余情况不计数，这样就可以避免重复计数，这样，即使 车辆在画面中停顿后又开始运动也不会重复计数。 实现这一功能的算法流程图如图 2 所示。
（ Southwest Jiaotong University，Chengdu 610031，China）
Abstract： A video-based vehicle detection and counting algorithm is introduced． The implementation process of the algorithm is analyzed，and experiment for the system is performed． The vehicle detection and counting system can detect vehicle traffic intersection，and can count vehicles．
里可以利用算法解决，因为在实际路况中，车的大小 是有限的，如果程序框出的矩形框面积过大，则大部 分原因可能是车辆重叠造成的，所以，当矩形框面积 过大时，通常认为是多辆车重叠的结果，设计时可以 设定几个门限面积值，然后根据矩形框面积的大小是 否大于门限面积值来决定 numcar 自增几次。门限面 积值的设定可以通过反复的实验来确定，一个最合适 的值可使误差达到最小。实现该功能的流程图如图 3 所示。
收稿日期： 2011-09-17
28 物联网技术 2012 年 / 第 1 期
目标检测技术，将车辆从静止的背景中分离出来再进 行分析［1，8］。视 频 监 控 中 常 见 的 运 动 目 标 检 测 算 法 主要有 3 类： 光流法，邻帧差法和减背景方法。光流 法的优点 是 对 动 态 环 境 有 很 好 的 适 应 性，但 复 杂 度 高，抗噪性 差，难 以 符 合 视 觉 监 视 实 时 处 理 的 要 求； 邻帧差法虽 然 算 法 简 单，易 于 实 时 监 控，但 难 以 获 得精确目标，容易产生空洞； 减背景技术是最为常用 的，它把序列中的每帧与固定的静止参考帧（ 如静 止的背景） 做帧差，若像素的差值大于某一阈值，就 判断此像素物体为运动目标上的。阈值操作后得到 的结果直 接 将 给 出 了 目 标 的 位 置、大 小、形 状 等 信 息［1-2］。综合分析，这里采用减背景法。