论文部分内容阅读
视频交通流检测技术与地感线圈等传统交通流检测技术相比，具有检测信息量大、信息直观、可同时检测多车道、安装和维护方便等无法比拟的优势，因而逐渐成为智能交通系统中的一个研究热点，并得到越来越广泛的应用。然而，目前视频交通流检测系统多数仍然采用车辆的灰度信息作为车辆的检测特征，受环境光照亮度变化的影响较大，鲁棒性不强。而且，随着这项技术的发展，一些新的应用需求不断提出，如检测场景发生变动时视频交通流检测系统能自适应地调整检测区域或使检测场景复位，这样它的摄像头就可以兼顾视频交通流检测、交通监控或治安监控等用途。为了提高视频交通流检测系统的检测鲁棒性，以及使其满足自适应场景的应用需求，论文主要开展了以下几个方面的研究工作：
(1)对视频交通流检测系统的核心技术--车流量检测方法进行了研究，提出了一种基于边缘背景差的车流量检测方法。该方法利用车辆边缘信息作为车辆的检测特征，采用基于变化因子的背景学习法来进行背景边缘图像的提取和更新，受环境光照亮度变化的影响较小，鲁棒性强；此外，该方法根据检测场景的类型特点和摄像机的安装条件来灵活选择检测区域类型和车辆计数开窗方式，对不同的检测场景和摄像机安装条件都具有较强的适用性。不同光照条件和不同交通流场景下的实验结果表明，该方法是一种实用有效的车流量检测方法。
(2)对自适应场景的视频交通流检测系统的核心技术--场景自适应技术进行了研究，提出了一种自适应场景的道路结构提取算法。该算法首先利用车道线组合对道路结构进行建模，然后利用霍夫变换对当前检测场景中的车道线进行检测，并利用匹配误差和消失点误差对检测到的车道线进行校验，最后利用消失点约束对检测不正确的车道线进行修正，最终提取出正确的道路结构信息。实验结果表明，该方法在白天正常天气条件下提取正确率高，是一种有效可行的道路结构提取方法。
(3)对自适应场景的视频交通流检测系统在实用过程中需要解决的一些关键技术问题进行了研究，并结合实际工程应用经验，给出了相应的解决方案。这些关键技术问题包括：对车流量统计算法的优化、交通拥堵检测及相应的背景更新策略、检测区域自动调整以及云台和摄像头复位控制等。
(4)在理论算法和工程技术研究的基础上，设计并开发了一套具有场景自适应功能的视频交通流检测系统，并应用到实际工程中。经过不同交通流场景、不同时间段、不同环境光照亮度以及检测场景变动等多种真实环境条件下对该系统的测评，结果表明该系统检测鲁棒性好，场景自适应能力强，能满足对视频交通流检测系统摄像机“一机多用”的新应用需求。系统目前已在广深高速公路中得到应用。