|
_ _ 1 _ 2 _ _ _ 1 _ 2 _ num near num near num near num nearN num far num far num far num farN = + + + ⎧⎨ ⎩ = + + + L L （4-5） 在假设目标车辆从近端虚拟线框到远端虚拟线框这段路程不变换车道的前提下，总存 在： _ 1 _ 1 _ 2 _ 2 _ _ _ _ num near num far num near num far num nearN num farN num near num far > ⎧⎪ > ⎪⎪⎨⎪ ⎪ > > ⎪⎩ 250 M （4-6） 根据式（4-6），当第i 车道检测出有大型车辆进过时，我们提取连续的50 帧内远端虚 拟线框检测区内第i 车道的统计数据num_ fari 和近端数据num _ neari ， 对数据 num_neari − num_fari 进行跟踪，如果该数据变动，则说明该大型车辆在进入远端虚拟 线框后有了分裂或遮挡（ 粘连） ， 需要对最终的远端数据进行修正。如果 255 num_neari − num_fari 变小，则说明是该车连通域分裂，反之则是遮挡。用变化后的 num_neari − num_fari 数据与变化前的数据进行差分，将该差分值赋予num _ diff （可 能是正整数也可能是负整数）。 对远端第i 车道统计数据的修正是用该车道统计数据num_ fari 加上num _ diff 得到 最终的修正统计值，最后根据式（4-5）把远端虚拟线框检测修正后的数据加起来作为该方 260 向车流量的最终统计值。 3 结论与算法展望 本文提出了一套完备的车流量统计算法方案，在实际测试中的效果也比较明显。精确的 车流量统计，无论是单独作为一个系统还是为别的相关系统提供统计数据，都与其相当大的 发展空间。学者对基于视频的车流量统计的研究已经有一段历史了，但是真正能用于实际场 265 景并有较高准确度的系统较少。车流量统计的实际用途广泛，有着巨大的研究潜力。另外本 文中也存在着部分待解决的问题和算法遗漏需要改进，例如对虚拟线框内大型车辆通行判定 只是从单一方面入手，可能存在潜在的错误判定，其解决方法有很多，可以多加上一些判定 规则，例如虚拟线框内目标车辆连通域的面积大小等。还有对目标车辆在远近虚拟线框之间 换道的情况没有考虑，算法对不同场景需要调试参数较多，不利于算法移植等一些列问题需 270 要解决。 [参考文献] (References) [1] 贺晓锋，杨玉珍，陈阳舟．基于视频图像处理的车辆排队长度检测[J]．交通与计算机. 2006, 24(5): 43-46. [2] 郁梅，蒋刚毅，贺赛龙. 基于路面标记的车辆检测和计数[J]. 仪器仪表学报, 2002, 23(4): 386-391 275 [3] 李庆武,石丹,孟凡,徐立中. 基于模糊集理论的车道标志线精确检测[J]. 交通与计算机, 2007, 25(6): 1-3. [4] 何毅，杨新. 基于隐马尔科夫度量场模型的车辆检测和跟踪[J]. 上海交通大学学报, 2008, 42(2): 270-273. [5] Priebe Ce, Marchette D. J. Adaptive mixture density estimation. Pattern Recognition[J], 1993, 26(5): 771-785. [6] Traven, H.G.C. A neural network approach to statistical pattern classification by 'semiparametric' estimation of probability density functions[J]. IEEE Transactions on Neural Networks, 1991, 2(3): 366-377. 280 [7] C.Papageorgiou, T.Poggio. A trainable system for object detection[J]. Intl.Journal Computer Vision, 2000, 38(1), 15-33. [8] Wren C, Azabayejani A, Darrel T, et al. Real-time tracking of the human body[ J ]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19(7): 780～785. [9] Stauffer C, Grimson W. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern 285 Analysis and Machine Intelligence, 2000, 22(8): 747～757. [10] I Haritaoglu, D Harwood, L S Davis. W4:Rea-Time Surveillance of People and Their Activities[J]. IEEE Trans.PAMI, 2000, 22(8): 809-830. 原创学术论文网Tag：代写论文 代写MBA论文 代写硕士论文 代写博士论文 |
 |
 |
 |
 |
 |
 |
 |
