|
文 献 综 述 1.绪论 1.1研究背景及意义 随着城市规模的逐渐扩大，道路上车辆数量不断增多，城市中的交通路网规模也越来越大。在如今交通需求膨胀的情况下，交通拥堵情况频发，尤其是在通勤日的早 晚高峰期间，交通拥堵逐渐演变为一个不可避免的问题。在此背景下，分析和指导交通管理的智能交通系统(ITS) 便应运而生了。智能交通系统是指利用数字图像处理技术，对设备采集的视频图 像进行分析，从而为交通管理智能化提供依据。利用数据分析与数据挖掘等技术手段，可以在海量交通数据中发现有价值的规律 和模式，以数据驱动来分析城市路网系统中的交通状况，建立ITS的分析、评价以及 预测模型，用于ITS的实时交通管理与控制，提供交通管理决策支持，可以显著改善交通的管理和控制水平。 1.2研究现状 由于视频检测技术的实时性和灵活性，在安防、交通等各个领域具有很高的 实用价值和广阔的市场前景，因此，视频图像处理技术受到越来越广泛的关注。国外早在70年代随着高速公路的发展就开始进行交通参数提取的研究，并且 针对不同的应用领域提出了相应的算法。 目前，视频车辆检测技术在世界市场上具有最高声望的是美国的ISS(Image Sensing System)和Peek Traffic System Inc.这两家公司，他们的产品几乎覆盖了整个市场，其中，Peek的Video Track系列产品和ISS公司的AutoScope系列都是智能交通领域比较成熟的产品。 随着科学技术的飞速发展和对智能交通技术研究的不断深入，人工神经网络 也融入高速公路对交通事件的判断中，1995年，Chew和Ritchie联合开发了基于 多层前馈网络的算法，该神经网络模型由输入层、中间层和输出层三层模型组成，输入层主要由上下游流量、占有率和速度组成；中间层主要是处理数据；而输出 层则产生交通事件和非交通事件，将二者区分开来［1M2Io 综上所述，国外高速公路智能视频检测算法的研究过程大致分为两个阶段： 早期的以加利福尼亚算法和McMaster算法为代表的经典算法；后期的以神经网络和模糊理论为代表的人工智能算法，人工智能算法是基于新兴的理论和方法，但其检测效果已经表现出极大的优势，在很大程度上推动了高速公路智能检测算法的发展。 国内视频检测技术起步较晚，在高速公路运营和管理方面也缺乏系统的理论和方法。基于视频的车辆检测技术研究目前还处于发展和完善阶段。1994年，邓卫等根据交通公路突变理论，提出了在交通拥挤情况出现时，来判断交通拥挤 的类型；1998年，张云伟等利用Wiener数字滤波原理，提出了一种滤波算法，即通过数字滤波来判断是否属于交 通事件引起的拥挤；2006年，刘智勇等根据交通事件对交通流参数的影响规律选择支持向量机的输入量，提出了用支持向量机分类的方法判断交通事件检测问题。 综上所述，国内对交通事件检测的研究虽然起步较晚，但主要集中在对新技术的研究上，比如，神经网络、支持向量机、小波变换等，具有一定的前瞻性和时代性。 |
|
2.关键技术 2.1视频图像预处理 车辆检测系统处理的是实时视频流，因而，首先必须有数据源，对视频图像进行采集；图像经过数字化后，其质量有所下降，同时会引入一些噪声，噪声无处不在，而且无法完全消除，所以，在视频检测之前需要对这些噪声进行抑制和削弱。 2.2视频图像背景建模及背景更新 前景目标是针对背景而言的，在交通场景中，由于环境光线会随时间渐变， 树木、建筑物、车辆等投射到地面的阴影会随光线不同而发生变化，风力也会因天气变化而不同，同时，车辆也会临时停靠在路边等等，这些因素会使背景发生渐变或突变，这就要求背景模型的更新要跟随时间变化而变化。 2.3车辆目标检测与跟踪 首先，通过摄像头获取视频序列图像（数据源），根据分析类型在序列图像上设置感兴趣区域，之后根据前景目标是否为车辆进行检测，对检测目标进行跟踪，并对车辆跟踪信息和车流量进行统计并记录。运动目标检测最终目的就是将前景目标从背景图像中分离开来，其实质上就 是把静止像素点与运动像素点分开，这一步骤是图像理解的基础。针对视频设备得到的序列图像提出相应视频检测方法，一般包括：时间差分法、光流场法和背景减除法。 2.4基于虚拟线圈的视频车流量检测系统 车辆检测系统实现的主要功能是通过采集实时的视频信号，获取交通车辆信息，并将获取的视频图像序列进行目标检测，即从原始视频图像序列中分离出背景图像和前景目标。常用的目标检测方法有：光流法，帧间差分法以及背景差法。通过目标检测得到背景和运动目标后，采用目标跟踪算法，对车辆目标进行跟踪，并对感兴趣区域车辆目标数目进行统计。最后，将分析结果输出到显示终端设备，并录入数据库，以反馈实时路况信息，提供交通管制策略参考数据。一个完整的车辆检测系统至少需要具备上述四个模块：视频数据采集、运动目标检测、运动目标跟踪、结果统计分析。 2.5基于交通量数据分析交通状态 预测分析：利用回归分析对交通流量进行实时预测，并且对比了普通线性回归分析、基于随机梯度下降的回归分析、局部加权线性回归模型之间的准确性而得到最优回归模型。采用不同的统计分析方法将最优回归模型得到的结果进行逐步回归，通过多次迭代而得到了自变量个数更少的最优精简模型，并对比了原始模型生成的回归 方程与精简模型生成的回归方程之间的预测准确性。 拥堵状态分析：在进行数据预处理后，通过SPSS软件对数据特性进行分析，最后对交通拥挤概念和类型进行介绍，根据交通流参数的选取原则选择交通参数（车流量和占有率）以及确定评价拥堵等级的指标。 3.总结与展望 在阅读相关文献的过程中，我对相关问题的概念和想法有了初步的认识，但是，由于当前自身代码能力的欠缺，绝大部分内容仍是只知形式，不懂内涵。在今后的几个月，应从零学起Python相关知识，应用到视频车流量提取、交通数据分析中去。 |
|
２．本课题要研究或解决的问题和拟采用的研究手段（途径）： |
|
1.研究问题 （1）无人机视频获取及数据预处理； （2）利用视频数据提取交通量等数据； （3）基于交通量数据分析交通状态； （4）开发具备以上功能的系统 分析内容包括基于交通量数据进行统计分析、预测分析、拥堵状态分析。 2.研究手段 本课题主要应用了基于视频的交通流量检测与分析技术，主要包括图像预处理、背景提取及背景更新、阴影抑制、目标检测、车流量统计，交通数据分析，经过上述一系列步骤，最终开发出一个基于视频的交通流量检测与分析系统。 图像预处理方面，本系统运用图像平滑方法削弱噪声，并用形态学增强方法使图像细节信息更突出显示出来，为后期处理奠定基础。在背景提取与更新方面，通过分析比较几种常用背景提取和更新方法，提出一种分块背景提取和更新算法，使背景提取的时间效率得到提高，为后续工作提供有力保障。目标检测方面，通过对比几种检测方法，提出一种基于帧差的背景减除目标检测方法，实现了基于虚拟检测线圈的车流量统计方法，针对图像中感兴趣区域使用改进的背景减除算法，并结合使用形态学腐蚀、膨胀运算与阴影抑制方法，以实现基于视频的实时车辆数目统计。该方法对于环境光线变化具有较好的适应性，不受车辆运动状态与车道数目变化的限制，而且算法计算复杂度低，计算量小，检测精度高。用Python语言，在Windows平台下，开发出一个基于视频的高速公路车流量检测与分析系统，并将车流量等信息录入数据库，并对交通量数据进行统计分析、预测分析、拥堵状态分析。 |
|
参考文献 [1]Menon, P. K., Sweriduk, G. D., Bilimoria, K. D., Altos, L., amp; Field, M. (2002). Aiaa 2002-5012. August, 1–12. [2]Zeng, J., Yu, S., Qian, Y., amp; Feng, X. (2018). Different Traffic Rules. 5(6), 1099–1104. [3]Gao, J., Dai, L., amp; Gan, X. (2018). Theoretical amp; Applied Mechanics Letters. 8, 304–314. [4]Zeroual, A., Messai, N., Kechida, S., amp; Hamdi, F. (2017). A Piecewise Switched Linear Approach for Traffic Flow Modeling. 14(December), 729–741. [6]常鹏阳. 基于Spark分布式蚁狮算法的小波神经网络短时交通流预测研究[D]. 2020. [7]郭明雪. 基于交通流空间相关性的偶发拥堵下最短路径算法研究[D]. 2020. [8]薛声军. 基于时空图卷积网络的城市路网交通流预测研究[D]. 2020. [9]尹杨. 基于深度学习的路网短时交通流分析与预测研究[D]. 2019. [10]晏松, 王军利, 朱茵. 基于神经网络算法的多源交通数据融合研究[C]// 2014第九届中国智能交通年会大会论文集. 2014. [11]田立明.基于视频的高速公路车流量检测系统研究与实现[D].2012. [12]王文华.交通数据驱动的道路拥堵状况判定与预测分析[D].2019. [13]高智文.顾及多源交通数据的景区客流预测研究[D].2020. [14]李刚.乐业至百色段高速公路交通量分析及预测研究[D].2016. [15]张振.基于车辆通行大数据的高速公路路况预测的研究与应用[D].2020. |
