基于视频的车流量检测算法

实现了一种基于虚拟检测线的道路车流量检测算法.利用高斯混合背景模型进行背景建模,检测出包含运动目标的图像块,系统根据超过检测线的连通区域图像面积占整个连通区域面积的比值来判断是否有车辆经过,进而实现车流量统计.     

基于视频的车流量检测建模与分析

交通流量信息是智能交通控制中的关键成分。论文在对视频图像进行灰度处理、频域滤波和均衡化的基础上,结合直方图分析、背景差分、动态阈值二值化处理等图像分析过程,提出了双虚拟线平均法检测多车道车流量,并完成参数灵敏度检验。针对初识背景提取时间过长的问题,加入了跳帧法和像素块法,以提高系统效率。考虑到背景的时变性,采用选择更新法进行周期更新。实际结果表明,该方法兼顾了智能交通系统的环境适应性、检测实时性和统计精确性等要求,四个车道车流量统计的准确率均大于90％。     

基于虚拟窗口的自适应车流量检测应用研究

基于视频交通检测中实时性和准确性要求,研究了三帧差分、背景差分及动态阈值等算法,提出增加虚拟窗口的方法,使整个车流量检测算法只针对有效序列图像信息进行处理.该方法通过排除差异大图像求均值,快速初始化虚拟窗口背景模型,在检测窗口内使用三帧差分和动态阈值准确定位运动车辆目标,实时更新背景后,根据背景差分法得到的窗口图像信息统计车流情况.实验结果表明,该方法可以有效应用于基于视频的实时车流量检测中.     

基于背景重构的公路车流量检测方法

在分析现有检测算法的基础上,提出了一种车流量统计算法,应用自适应背景重构方法,首先利用差分法提取动目标,然后通过先边缘检测再膨胀腐蚀的方法去除车影,最后在虚拟检测线上分区域段设置资源信号灯统计车流量。实验结果表明,本算法能够适应公路背景的变化,有效地去除了车影,统计结果准确可靠。     

基于视频的车流量统计算法

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.针对这一问题,提取并结合了两种图像信息：目标与检测线相对位置信息和检测线像素值变化信息,提出了一种车流量分割计数方法用于提高准确率.首先确定车辆和检测线的相对位置,然后结合检测线上图像像素特征的变化规律对车辆进行分割计数.开发了一个测试系统验证本算法的实际效果,对多种不同场景下采集的视频进行了测试和结果分析.实验结果表明,在白天情况下,本算法在实时性和准确性方面都达到了理想的效果,各车道的准确率均在95%以上;但在条件恶劣的夜间场景下,准确率略有下降,需在下一步工作中做深入研究.     

视频车流量检测中的虚拟检测区域自动提取

针对传统视频车流量检测中虚拟检测区域人为设置,使得系统不能自动适应不同的车道环境,灵活性低的问题,提出了自动提取虚拟检测区域的算法。利用均值法获得粗糙背景,再通过概率Hough变换和车道线特征排除各种干扰线段,获取车道线并自动提取虚拟检测区域。实验表明,该算法准确度达到90%以上,实时性较好、鲁棒性高,对后续实时车流量检测及车速计算等具有较好的应用价值。     

基于虚拟线圈的光流法车流量检测

在交通系统中常需要知道道路的占有率、车流量等交通参数。该文提出了一种有效的车流量检测方法，这种方法首先在视频图像中设置好虚拟线圈作为检测区域，然后用光流法对检测区域进行图像处理，求出光流场，根据光流场的信息来判断检测区域内是否有车辆通过，通过对检测区域的不断判断来统计车流量信息。试验证明该文提出的车流量检测算法具有实施方便、检测精度高的特点，而且很容易推广用来测量占有率、车速等其它交通参数。     

基于中介度量理论的车辆检测算法

为提高传统虚拟检测线法的车流量检测率,提出在车辆判决条件中引入检测线上发生改变像素的连接程度,并针对车辆判决中存在的模糊问题,引入中介数学知识,设计了基于中介度量理论的车辆检测算法。该方法综合考虑多项判决条件,利用中介度量理论解决识别中存在的模糊问题,获得了较高的识别率。实验结果表明,该算法具有实时性及高准确性,为车流量检测提供新的解决办法。     

改进YOLOv5s+DeepSORT的监控视频车流量统计

针对监控视频中车流量统计准确率低的问题,提出一种改进YOLOv5s检测结合Deep SORT跟踪的车流量统计方法。为了提升检测器识别效果,将注意力模块CBAM与YOLOv5s网络的Neck部分融合,提高网络的特征提取能力;将CIoU Loss代替GIoU Loss作为目标边界框回归损失函数,加快边界框回归速率的同时提高定位精度;使用DIoU-NMS替换NMS,改善目标拥挤时的漏检问题。调整Deep SORT外观特征提取网络的结构,并在车辆重识别数据集上重新训练,降低目标遮挡导致的身份切换。连接改进的YOLOv5s检测器和Deep SORT,在视频中设置虚拟检测线统计车流量。实验结果表明：改进的YOLOv5s相较原始算法平均准确率提高2.3个百分点,结合Deep SORT跟踪,在行车平峰、高峰、夜间三种场景的车流量统计准确率达到93.5%、91.2%、89.9%。     

虚拟窗口阴影去除算法的车流量检测研究

针对城市道路交通流量检测中的实时性和准确性的要求,在背景差分的基础上提出了一种改进的基于虚拟窗口检测的方法。通过获取前景目标尽量少的帧图像,快速建立虚拟窗口的初始背景模型,并实时更新背景;将Sobel边缘检测算法引入前景目标检测,从而快速检测出前景目标变化的完整区域,提高检测的准确率;再使用基于HSV色彩空间直方图势函数去除阴影算法,进一步去除前景目标中的阴影区域,有效地保留了真实的运动目标区域;最后统计交通车流量,可结合其他信息(如红绿灯状态)做出该路段相应的交通流状况判断。通过实验结果证明,所提出的检测算法可有效应用于视频交通车流量检测中。     

基于虚拟线框的视频交通信息检测

视频交通信息检测近年发展很快,因具有大区域检测、设置灵活等优越性,已成为智能交通系统的一个研究热点。在以往的检测基础上提出一种基于虚拟线框的背景差分法进行车辆识别、车辆行驶方向判断及速度计算等算法。应用正交实验法来确定虚拟线框的大小,采用选择-平均法实现动态的背景更新。最后给出系统检测结果,经分析得出该系统准确率高于80%。     

基于视频虚拟检测带的交通流量检测方法

交通数据的正确掌握对后续的交通控制起着至关重要的作用,采用基于视频虚拟检测带的交通流量检测方法,对检测带范围内像素点RGB的强度值进行统计,将无车辆时的统计值作为标准特征模板并执行模板更新策略,通过计算每一帧实时视频图像的特征值与标准模板特征值的距离进行车辆检测.为了提高检测精度,提出了一种基于阴影特征的阴影检测算法.在早晨和中午的不同光照条件下进行试验,在阴影明显的情况下,该方法的检测准确率在91％以上,在阴影不明显的情况下,检测准确率达到95％,可满足智能交通的需要.     

面向航拍图像多运动目标的实时检测与识别

为了实现无人机(UAV)航拍图像中多运动目标的实时检测与识别,将静止目标和运动目标分别定义为背景和前景,利用图像稳化技术将航拍图像序列中的每帧与相邻帧对齐,克服UAV飞行动作对摄像机转动拍摄图像的影响;选取图像中的行人和车辆作为前景,分别使用哈尔(Haar-like)特征和级联分类器对图像中的目标进行检测和识别;利用密集光流计算两幅连续图像的运动矢量,从而区分静止目标(背景)和运动目标(前景),最终图像结果仅保留运动目标所在区域;将文章方法用于DroneVehicl航拍数据集实验,每秒平均帧数达到47.08 fps,检测精度为94%,并且表现出较高的召回率和F统计量,可达到实时检测与识别效果。     

基于视频检测技术的交通车流量研究

研究在复杂的交通十字路口环境下完成交通车流量的获取,首先对视频图像提取背景模型,进而通过图像差分获得前景图像（即运动目标）,并进行图像二值化以及去噪等图像预处理过程,而后通过设置虚拟检测区域实现对该检测区域内的车辆计数,最终得到车流量信息。     

基于自适应虚拟线圈的多车道车流量检测算法

针对虚拟线圈检测算法在多车道车流量检测中存在误检或者漏检的问题,提出一种基于自适应虚拟线圈的车流量检测算法。根据图像二值化原理,对ViBe算法的前景检测部分进行二次判断,并改变背景更新机制,提出一种改进的ViBe算法,以达到快速消除鬼影的目的,更准确地完成前景目标提取。在道路上设置固定检测区域,根据运动目标在固定检测区域的运动轨迹来建立或者消除非固定虚拟线圈,再进一步使用虚拟线圈的车流量检测算法实现车流量统计。选择三个不同的场景4车道无车辆变道、2车道有车辆变道和3车道有车辆变道且环境突变进行实验,所提算法的车流量检测准确率比传统的虚拟线圈算法分别提高8.9、25和16.6个百分点,且所用时间相当。实验结果表明所提算法更适用于多车道的车流量检测。     

基于车前灯的夜间车辆视频检测研究

针对夜间车辆视频检测和车流量统计的难题，提出了一种改进的基于视频图像处理提取车前灯的算法。通过分析夜间车辆视频的特点，利用梯度滤波法消除地面反射光对车灯的干扰，实现图像增强，并将分水岭分割算法和直方图双峰法相结合提取车前灯的信息。利用车灯配对匹配原则设计了一种新的匹配算法和跟踪算法实现车灯的配对与跟踪，最终准确地实现了车辆检测和车流量的统计功能。     

基于帧差法和背景差法融合的车流量检测方法

研究优化车流量检测准确度问题。针对运动目标速度和外界环境都是影响车流量检测准确性,容易造成车流量的漏检和误检等。为了克服传统算法所存在的缺陷,在现有算法的基础上,提出了一种融合帧差法和背景差法的智能车流量检测方法。首先利用帧间差分方法为主,结合减背景方法为辅,然后通过一种迭代阈值分割法滤除噪声并对背景进行实时更新。完成了多车道的车流量检测,并进行了仿真,结果得到多组数据,并提高了计算准确率。仿真结果表明,改进方法可有效地提高了车流量检测精度。     

基于视频信息的城市路段交通安全状态评估方法研究

城市道路交通安全状态实时评估是智能交系统的重要研究内容。针对现有交通安全状态实时评估方法的评估效果不理想的问题,建立了基于视频信息的城市路段交通安全状态评估方法。首先,分析了基于视频信息的交通流参数快速检测方法;然后,从车速离散度的角度提出了影响城市路段交通安全状态的路段车速离散度的概念;最后,建立了基于路段车速离散度的城市路段交通安全状态评估方法。实验表明,所提方法能够实时合理地对城市道路的安全状态水平进行评估,评估结果可以为交通管理部门制定有效的城市路段交通安全改进方案提供相应的依据。