基于计算机视觉的智能交通监控系统的研究

摘要

智能交通监控系统是未来交通发展的必然趋势，其关键技术的研究具有深远的意义。基于视觉的交通监控是计算机视觉技术在智能交通监控系统中的主要应用之一。计算机视觉为交通系统提供了更为直观方便的分析手段，交通环境中大量的信息来源于视觉，用计算机视觉技术来处理或理解这类信息是一种自然的选择。它对于缓解交通阻塞，提高道路通过率，减少事故的发生，加强交通安全具有重要的现实意义。 本文主要围绕智能交通监控系统中的模式识别、图像处理和人工智能等关键技术，从低层视觉、中层视觉和高层视觉三个层次，对智能交通监控系统进行具体的研究。低层视觉中，主要研究了车辆的检测与分割的方法，还包括图像的预处理、背景更新以及阴影消除等技术的研究：中层视觉中，主要研究车辆跟踪的方法，以及交通参数的检测；高层视觉中，对行人识别技术进行了一定的，同时研究了违规情况的报警。 本文把主要工作放在视觉信息提取上，即低层视觉和中层视觉。这是视觉技术中最基本最困难的问题，同时也是后续处理的基础，是交通行为正确理解的保证。

目录

文摘

英文文摘

东南大学学位论文独创性声明及东南大学学位论文使用授权声明

前 言

第一章绪论

1.1.研究背景和问题的提出

1.2.研究现状

1.2.1.车辆描述和车辆运动跟踪

1.2.2.交通参数检测

1.3.本论文的内容与结构安排

1.3.1.本论文研究内容

1.3.2.本论文的结构安排

1.4.研究的基本方法

1.5.研究中可能存在的困难及创新

1.6.选题的理论意义和实践价值

第二章低层视觉：运动物体的检测与分割

2.1.引言

2.2.运动物体的检测

2.2.1.光流法

2.2.2.帧间差分法

2.2.3.背景差分法

2.2.4.基于背景差分，结合帧间差分的运动物体检测方法

2.3.图像预处理

2.3.1.形态滤波

2.3.2.阴影消除

2.4.运动物体的分割

2.4.1.区域分割概述

2.4.2.线段编码分割

2.4.3.获取区域的几何特征描述

2.5.实验结果

2.6.本章总结

第三章中层视觉：车辆跟踪与交通流参数

3.1.引言

3.2.车辆位置估计

3.2.1.卡尔曼滤波器原理

3.2.2.卡尔曼滤波器车辆位置的估计

3.3.车辆跟踪

3.3.1.Sobel边缘检测

3.3.2.Hausdorff距离

3.3.3.部分Hausdorff距离

3.3.4.基于部分Hausdorff距离的车辆跟踪方法

3.4.交通流参数检测方法

3.4.1.车流量的检测

3.4.1.车辆速度检测

3.4.3.占有率的检测

3.4.4.排队长度的检测

3.5.实验结果

3.6.本章总结

第四章高层视觉：行人识别与违规报警

4.1.引言

4.2.行人识别

4.2.1.行人运动的主要特点

4.2.2.行人识别算法

4.3.违规检测

4.4.本章总结

第五章全文总结

5.1.本文的主要工作

5.2.对智能交通监控系统的展望

致 谢

参考文献

作者简介