导读:本文包含了视频车流量检测论文开题报告文献综述及选题提纲参考文献，主要关键词:目标检测,目标分割,车辆跟踪,车辆计数
视频车流量检测论文文献综述
黄鑫[1]（2018）在《基于视频的车流量智能交通检测系统研究》一文中研究指出智能交通系统是交通运输行业未来的发展方向,其中车流量统计是该系统的重要组成部分,对视频应用数字图像处理技术可直接实现车辆计数,避免了人工计数效率低下和铺设地感线圈对路面造成破坏的负面影响。本文在现有的车流量统计算法基础上,就车辆检测、跟踪和计数方面做了相应研究。车辆检测方面,提出了一种ViBe算法和帧差法相结合的检测目标的算法。对视频图像使用ViBe算法得到前景图像,对相邻前景图像使用帧差法得到车辆目标检测结果,记录每一帧背景模型更新的次数防止光照发生变化造成误检。针对检测得到的粘连目标,若使用形态学方法进行分割会使得目标变形严重不利于跟踪,本文首先采用图像细化算法得到粘连目标的骨架,然后使用Shi-Tomasi算法得到骨架内所有角点,接着采用DBSCAN聚类方法对角点进行分类,该聚类算法无需输入类别数目使得不论粘连车辆数目的多少均能按照分类结果将其分割开来。经过实验测试该目标检测算法,提取的车辆外形清晰,“鬼影”现象能快速消除且能够将多车辆粘连目标分割为单目标。车辆跟踪方面,首先对分割后的车辆使用卡尔曼滤波算法得到下一视频帧中的大致坐标,然后使用图像相似度得到其准确坐标,减少了匹配车辆的搜索范围,同时为每个车辆创建相应链表将车辆最新的特征信息添加至表尾处,可以得到车辆行驶轨迹。车流量统计方面,在视频画面中设置两条虚拟检测线,分别是起始统计线和停止统计线,经过比较目标坐标与虚拟检测线的相对位置完成车流量的统计,并且得到当前道路的交通情况。(本文来源于《西南交通大学》期刊2018-05-01）
胡志承,谢炜,王劲松,崔震[2]（2017）在《视频检测技术对车流量的研究与应用》一文中研究指出通过视频检测技术统计车流量时,常常需要将多种算法混合使用才能达到预期的效果。本课题主要研究的是白天天晴的情况,此时车身清晰可见,车流量检测首先需要解决的是车辆检测的问题,即从复杂的交通情景中提取前景图。在不同的应用中,对于前景的定义也不同。而本文研究的车流量统计是通过静止的摄像机拍摄运动的车辆,所以交通场景是基本静止不动的,运动的是车辆。所以将车辆区域作为前景图,其余部分则是背景。但是,在实际道路交通场景中,背景并非完全静止,光线的变化,刮风引起的机械晃动等都会引起背景的变化,所以要在实际场景中准确提取前景并非容事。而且在晴天时,阴影的检测与去除也是要解决的关键问题,因为阴影会伴随车辆运动,会被误认为前景图。(本文来源于《数码世界》期刊2017年12期）
杨婷[3]（2017）在《停车场车流量视频检测关键技术研究与应用》一文中研究指出在当前经济迅速发展的大形势下,汽车保有量与日俱增,这就需要更高效的利用现有的停车位满足车主的需求,而当前停车场车位检测设备和提示设备不仅硬件成本高,耗费的软件资源大,设备之间信息通信更是与传输距离和传输速率密切相关。本文基于上述背景对车流量视频检测的关键技术进行研究,并应用于停车场。该系统具有硬件设备便携、成本低廉、车位信息直观透明、设备维护方便快捷等优点。传统的视频检测算法大多采用计算机平台进行数据处理,而本系统硬件处理平台采用TMS320DM642芯片,配合摄像头作为数据采集设备、数据编解码芯片进行数模转换,扩展SDRAM进行视频数据存储外加扩展FLASH用来存储算法程序,最终通过GPIO口传输信号到外接LED显示系统完成停车场车流量的监控和车位情况的实时显示。系统采用传统的背景差分法和阈值判别法对图像中的运动车辆进行检测,并对传统的背景模型更新算法进行改进,不仅平滑了背景中的噪声点同时保证了系统的实时性,此外通过数学模型及实验分析确定虚拟检测带的位置和高度,并确定背景模型更新速度;同时提出邻帧二值归类算法进行车辆行驶方向判别,根据像素变化的规律识别车辆行驶方向,运算量相对较少,满足系统对实时性的要求,最终通过阈值分割进行车辆识别与计数,保证了系统的准确性。本论文最后通过实验室模拟小车测试以及实地测试方案,结果表明,该系统可以满足停车场车流量的实时监测与计数的要求。(本文来源于《中北大学》期刊2017-05-31）
李瑞[4]（2017）在《基于视频的多车道车流量检测技术研究》一文中研究指出车流量作为智能交通系统中重要的交通流信息,能够直接反应道路交通状况,因此利用计算机视觉技术高效的检测出车流量对于建立更好的交通管理体制和合理的城市规划都有重要意义。本文在对运动车辆检测、车流量统计的算法理论、技术研究基础上,着重分析了用于运动车辆检测的ViBe算法和虚拟线圈的车流量统计算法,并在此基础上提出一种基于改进ViBe算法的自适应虚拟线圈的多车道车流量检测方法。本文研究主要工作如下:1.改进ViBe算法,解决传统ViBe算法中存在的“鬼影”问题。首先根据原算法进行背景样本初始化,然后利用图像二值化的思想,考虑到像素被多次判断为前景有可能是背景样本需要更新所致,当前帧图像经过传统ViBe的前景检测后再根据被判断为前景目标的次数进行二次判断,并改变原算法背景更新策略中固定的抽样因子,加大“鬼影”消除期间的背景更新概率。通过实验证明,该方法能及时消除“鬼影”,提高不同场景下运动车辆检测的准确率。2.提出自适应虚拟线圈的多车道车流量检测方法,主要解决固定的虚拟线圈不能准确检测出多车道的车流量问题。首先设定固定的检测区域,根据运动车辆的运动轨迹建立或者撤销虚拟线圈序列,再根据传统的虚拟线圈车辆计数算法统计出虚拟线圈序列中的车流量。本文采用不同场景下的视频序列进行对比实验,实验结果表明,本文方法解决了虚拟线圈算法对多车道车流量检测的局限性,检测的车流量准确率高于虚拟线圈算法,并且时间效率没有降低。(本文来源于《重庆邮电大学》期刊2017-05-21）
柴娟[5]（2017）在《基于视频的车流量及车辆闯红灯检测系统研究》一文中研究指出智能交通系统(Intelligent Transportation System)是我国未来交通发展的趋势,车流量统计与车辆闯红灯检测是智能交通系统的重要组成部分,传统的基于地感应线圈的系统需要破坏已经建好的路面,影响道路的使用寿命,而近年来应用越来越广泛的基于虚拟线圈的系统不能对车辆的运动轨迹进行跟踪,因此,本文旨在设计一个基于视频的车流量及车辆闯红灯检测系统,此系统能够准确预测车辆的位置并绘出车辆的运动轨迹,系统有较好的视频处理速度和车辆检测的准确度。本文的主要工作有以下叁个方面:1、研究了车辆检测的前期工作,包括图像平滑、背景建模、目标提取及阈值分割几个步骤,并对每个步骤所选用的算法进行研究和仿真对比它们的处理速度和实际效果,最终确定采用中值滤波对图像进行预处理、采用混合高斯法进行背景建模、采用背景差分法进行目标提取以及最大类间反差法进行阈值分割。2、在选定算法后,结合算法所需要的运算量及系统的设计要求,选用叁星S5P6818处理器,摄像头选用CMOS,USB接口,并进行了Linux内核移植配置,安装QT和opencv的运行时序。3、利用QT框架和opencv计算机视觉库,对所设计的硬件平台上的配套软件进行开发,用卡尔曼滤波法对车辆位置进行预测并跟踪,设计了系统的交互界面,实现了车流量统计及闯红灯检测的功能。经过实验证明,本系统的准确度和处理速度基本能够达到预期效果。(本文来源于《郑州大学》期刊2017-05-01）
陈坤[6]（2017）在《基于视频处理的车流量检测算法的研究与应用》一文中研究指出为了缓解城市交通紧张的问题,智能交通系统(ITS)作为一种先进的交通管理技术,越来越受到人们的重视,在ITS的前沿技术方面,科研人员做了大量的研究,车流量统计是智能交通中交通监控系统的核心内容,本文主要研究的是关于视频车流量检测的相关算法和应用。与其它车流量检测方式相比,基于视频处理的车流量检测设备安装简单、维护方便、运算快捷,是一种实用的检测方式。本文详细分析了视频图像的预处理、车辆目标的提取以及跟踪,车辆计数以及车流量的计算。在车辆检测算法方面,权衡各方法的利弊,选择背景差分法作为本文的车辆检测算法;在背景重建方面,在统计直方图法和滑动窗口均值滤波法的基础上,本文提出了一种固定窗口背景自动更新算法,此方法可以有效减少数据的运算量,当背景环境发生变化的时候,可以快速更新背景;在车辆计数方面,结合矩形标记法和虚拟线检测的优点,提出车辆目标质心绊线检测的方法,该方法可以快速检测出越过绊线的车辆,对于误检率的减少非常有效。本文的车流量检测程序是基于Visual Studio 2013平台,利用Open CV 2.4.13的代码库编写出来的,经试验证明,本文编写的车流量检测程序能够实现比较好的检测效果,准确度相对较高,具有一定的使用价值。(本文来源于《长安大学》期刊2017-04-27）
胡云鹭[7]（2017）在《基于视频的车流量及车速检测系统研究》一文中研究指出伴随着国民经济的快速发展,智能交通技术已经逐渐发展成为推动现代交通技术发展的重要力量。其中基于视频的车流量与车速检测技术的研究正是智能交通系统的一个重要课题。本文在数字图像处理技术基础上,设计并开发了基于交通流视频的车流量统计及车速检测系统。主要完成的研究工作总结如下:运动车辆检测方面,实现了一种背景差分法与帧间差分法相结合的运动目标检测方法。首先对帧差法与背景差分法处理后得到的帧间差分与背景差分二值化图像进行一系列逻辑运算并采用自适应背景更新算法对背景图像进行更新,接着对运算得到的前景图像进行形态学处理,最终提取出完整平滑的车辆目标轮廓。运动车辆跟踪方面,深入研究了一种基于车辆特征点及匹配算子的车辆跟踪算法。首先利用GM(1,1)预测模型对车辆目标重心的大体位置进行预测,再通过重心坐标匹配算子得到上下帧间匹配度最大的运动车辆,对该车辆进行标记则完成运动目标在连续帧间的跟踪。车流量统计方面,给出了一种改进的结合检测线状态特征的车流量统计方法,通过虚拟检测线上与车辆的相对位置状态变量及像素值状态变量的状态变化对是否有车辆经过进行判断。最后针对单虚拟检测线进行车流量检测易造成多检的弊端,本文将每条道路上设置一定间隔的双虚拟检测线进行车流量统计,当两条检测线同时判断有车辆通过时,则该车道车流量计数加1。车速检测方面,采用了一种改进的坐标系转换法,通过实现摄像机标定,得到了实际交通道路与平面图像之间的映射关系。并结合视频测速原理采用了双检测线车速检测法,将每条车道上检测线像素位置信息通过图像像素坐标系与世界坐标系的转换关系得到检测线之间的实际距离,便可实现对车辆目标实际速度的检测。在Microsoft Visual Studio 2010平台并结合OpenCV图像处理库设计并开发了基于视频的车流量及车速检测系统。实验结果证明,在车流量统计模块,相对于单一检测线进行检测,双虚拟检测线可大大提高每条车道上的车流量检测精度;在车速检测模块,不同天气下不同车道的车速检测在稳定性与精确性方面都可达到理想效果。(本文来源于《长安大学》期刊2017-04-11）
邱梦[8]（2016）在《基于视频图像处理的车流量检测理论研究》一文中研究指出在智能交通系统中,交通信息的实时获取有着越来越重要的作用,获取交通信息的主要手段是车辆检测。车辆检测是智能交通系统的一个重要研究领域,它可以用于检测公路主线车流量、车型、车速、占有率等交通数据,为管理者、决策者提供有效的数字依据。车流量的检测是信息收集的重点,不但有利于实现整个交通系统的调度,而且对单个路口红绿灯控制策略也有很大的帮助。通过对车流量的分析,合理分配时间,智能控制交通流,最大限度的实现通行率,减少车辆等待通行时间。车流量检测的方式有多种,但基于图像处理的视频车辆检测技术以其检测区域大、系统设置灵活等突出的优点,成为智能交通系统领域的一个研究热点。因此,基于视频的车流量检测技术成为其研究领域的重要方面和基础。本文首先针对车辆提取中背景差分法的背景的建立和更新问题,通过分析和研究混合高斯模型的优缺点,结合帧间差分法,提出了一种改进的混合高斯模型运动目标快速检测算法。算法解决了两个问题:一是本文利用帧间差分法初始化背景参数,以改善建模速度慢且一直出现鬼影的问题;二是通过相邻背景间差分值与阈值比较结果,选择背景更新方案,改善背景更新计算量大,耗时间,对光线变化敏感的问题。对于一个实时性要求高的系统来说,快速性是很重要的。本文提出的方法能比较好的消除鬼影,并且在背景更新效率上得到了提高。其次,阴影问题一直是视频图像目标提取的一个比较难处理的地方,对车辆提取有很大影响,它是车流量检测不可缺少的一步。本文对其模型和检测方法进行研究,采用基于直方图法阴影检测算法实现了阴影的检测及去除。车流量检测最后一步是对车辆计数,通过前面的章节对视频图像进行处理后,采用基于虚拟线圈的检测方法实现了车流量检测,在有阴影的影响下也能较准确的实现计数。(本文来源于《东北大学》期刊2016-12-01）
夏永祥[9]（2016）在《基于视频的车流量检测》一文中研究指出随着国民经济的快速发展,汽车的保有量与日俱增,各种各样的交通问题也随之而来,因此建立一种能实现交通信息实时检测、共享、交流的智能交通系统(ITS)就显得尤为重要。作为ITS的组成部分,基于视频的车流量检测技术具有信息量丰富、设置灵活、成本低等优点。本文对基于视频的车流量检测统计技术中的检测与统计算法进行了研究,其主要内容包括以下几个方面:(1)检测区域的设置及几何校正。首先对视频数据进行采集及预处理,然后在视频数据的首帧中手动设置车道、以确定检测区域,并用几何变换对目标图像进行校正。(2)对运动目标检测算法进行了分析、改进。对比分析了传统的目标检测方法,针对实际交通场景的视频特性,将帧间差分法和背景差分法相结合实现运动目标的检测,同时通过背景建模的方式对背景进行实时更新,并对这几个的算法做了改进,使得检测目标更加完整可靠和准确。(3)对目标特征提取算法进行了分析及改进。从检测区域二值化图像中提取车辆信息数据流,确定出运动目标区域的二维边界,然后依据目标区域车尾的中心位置选取合适的匹配准则并统计车辆数目。和传统算法相比不仅算法的执行效率高而且车辆可以实现多车道、跨车道的同时计数。仿真实验结果表明:本文的算法能够比较准确的检测到经过路口的每一辆车辆,同时也可以统计出一段时间内道路的交通流量。车流量的统计效果比较稳定,能够保持在95%以上的准确率。(本文来源于《兰州理工大学》期刊2016-10-10）
石锦秀[10]（2016）在《基于视频处理的指定路段车流量检测方法的研究》一文中研究指出当前,基于视频检测技术的车流量检测广泛应用于公共交通。主要有背景建模法、帧间差值法、光流法等。其中背景建模法最为常用,主要有高斯背景模型(Gaussian model)以及码本模型(Codebook model)。考虑到实际情况中车流量较大,同时受到光照、车辆阴影、夜间车辆强光、车辆即停、交通阻塞等情况的影响,单独的背景建模或者帧间差值法无法应付上述可能的情况。本文提出将帧间差值法与背景建模法相结合的车流量检测法。该方法利用帧间差分法与背景建模速度的差异作为判断背景更新的条件,使用HSV特征法消除阴影,利用霍夫变换矫正旋转的视频图像。将算法在基于TI高性能处理器TMS320DM6446硬件平台上实现。实验结果表明,提出的算法能够在各种外界因素的影响下都具有较高的鲁棒性,提高了车辆的检测精度。(本文来源于《中国石油大学(华东)》期刊2016-10-01）
视频车流量检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
通过视频检测技术统计车流量时,常常需要将多种算法混合使用才能达到预期的效果。本课题主要研究的是白天天晴的情况,此时车身清晰可见,车流量检测首先需要解决的是车辆检测的问题,即从复杂的交通情景中提取前景图。在不同的应用中,对于前景的定义也不同。而本文研究的车流量统计是通过静止的摄像机拍摄运动的车辆,所以交通场景是基本静止不动的,运动的是车辆。所以将车辆区域作为前景图,其余部分则是背景。但是,在实际道路交通场景中,背景并非完全静止,光线的变化,刮风引起的机械晃动等都会引起背景的变化,所以要在实际场景中准确提取前景并非容事。而且在晴天时,阴影的检测与去除也是要解决的关键问题,因为阴影会伴随车辆运动,会被误认为前景图。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
视频车流量检测论文参考文献
[1].黄鑫.基于视频的车流量智能交通检测系统研究[D].西南交通大学.2018
[2].胡志承,谢炜,王劲松,崔震.视频检测技术对车流量的研究与应用[J].数码世界.2017
[3].杨婷.停车场车流量视频检测关键技术研究与应用[D].中北大学.2017
[4].李瑞.基于视频的多车道车流量检测技术研究[D].重庆邮电大学.2017
[5].柴娟.基于视频的车流量及车辆闯红灯检测系统研究[D].郑州大学.2017
[6].陈坤.基于视频处理的车流量检测算法的研究与应用[D].长安大学.2017
[7].胡云鹭.基于视频的车流量及车速检测系统研究[D].长安大学.2017
[8].邱梦.基于视频图像处理的车流量检测理论研究[D].东北大学.2016
[9].夏永祥.基于视频的车流量检测[D].兰州理工大学.2016
[10].石锦秀.基于视频处理的指定路段车流量检测方法的研究[D].中国石油大学(华东).2016