基于图像处理技术和支持向量机的交通量检测方法研究

摘要

智能交通系统(ITS)目前是一个非常活跃的研究领域。ITS的应用需要大量的交通数据，而车辆检测是获取交通数据的关键。传统的车辆检测方法主要有电磁感应环形线圈式车辆检测器和雷达波检测器、红外线检测器及超声波检测器等波式检测器。但使用“磁”或“波”检测的方法均不能提供全面的交通信息，这将影响ITS的应用效果。近年来，视频检测技术因其具有较多的优点而得到了迅速发展。视频检测系统安装维护方便，无须破坏路面，也不会中断交通运行，检测范围大，功能全面，能获得常规检测器很难获得的车辆尺寸、车型等重要交通参数。因此，视频检测系统具有广阔的应用前景。 支持向量机(Support Vector Machine，简称SVM)是一类新型机器学习方法，由于其出色的学习性能，该技术已成为当前国际机器学习界的研究热点，并在很多领域中得到了成功的应用，目前仍处于不断发展阶段。本系统的车辆自动分类方法就是基于SVM理论的，是SVM在新的应用领域的一个探索。 本文的主要工作和结果如下： (1) 本文考虑到Windows系统中普通定时器资源在开发大型应用程序中存在的不足，以及多媒体定时器在克服这些不足时的优点，在本系统中使用了多媒体定时器。由于多媒体定时器的精度可达到1ms，并且优先级很高，从而保证了数据采集的实时性和时间的准确度。 (2) 本系统根据小孔成像原理以及摄像机的安装情况，实现了摄像机的标定和车辆特征数据的计算，建立的图像上点的象素级坐标和实际物体点的坐标之间的对应关系简单明了。 (3) 本文提出了一种行列快速扫描法来提取车辆特征。算法的基本原理是在AOI区域内先通过行扫描得出所有检测到的目标的宽度，将最大的宽度确定为检测车辆的宽度。考虑到物体只要连续的行上有黑色象素，那么就可以认定是一个物体上的，当出现整行的白色象素时才认为后面搜索的象素属于另外的物体，因此在已经确定的宽度区域内将满足搜索条件的最大的行数确定为车辆的长度。整个搜索过程采用隔点搜索的方法进行，大大提高了系统的实时性。同时实验结果表明：该算法对于车体部分组成区域和路面的灰度值几乎相等的情况，依然能够获得准确的特征值。 (4) 本文将支持向量机理论成功地应用到交通车辆自动分类系统，并与常用的基于神经网络的车辆分类方法作了比较，结果表明：SVM方法识别正确率达96﹪，比其它方法具有更优的性能。 (5) 在车流量方面，通过设置两个布尔变量记录检测到目标前后是否有车辆存在的方法，实现了车流量的精确记数。其思想是：只有当检测之前没有车并且检测之后有了车时，车流量才加1，这样就避免了如果是车辆速度太慢而使得在AOI0区域内一直检测到有车存在而使车流量不断增加的多检情况的发生，保证了车辆记数的准确性。方法简单，极易实现。