視頻交通參數(shù)檢測技術(shù)研究現(xiàn)狀及發(fā)展趨勢

引言

隨著經(jīng)濟(jì)的發(fā)展和人民生活水平的提高，汽車保有量不斷增加，我國城市交通問題日益嚴(yán)峻，交通堵塞，交通事故頻繁發(fā)生。如何通過智能交通系統(tǒng)建設(shè)來緩解日益嚴(yán)重的交通問題已成為交通領(lǐng)域的研究熱點(diǎn)。對道路交通信息進(jìn)行實(shí)時(shí)檢測，根據(jù)交通流的變化，迅速做出交通誘導(dǎo)控制，可以有效減輕道路擁擠程度，減小車輛行車延誤，降低交通事故發(fā)生率，保障行車安全，并減少車輛對環(huán)境的污染。因此,道路交通信息的實(shí)時(shí)采集與處理方法的研究無論對城市交通控制、交通管理、交通規(guī)劃、路網(wǎng)建設(shè)，還是對未來智能交通運(yùn)輸系統(tǒng)功能的實(shí)現(xiàn)都具有重要的理論意義和實(shí)用價(jià)值。

交通參數(shù)檢測技術(shù)經(jīng)過近40年的研究，國內(nèi)外專家學(xué)者提出了多種交通參數(shù)提取方法，主要以測速雷達(dá)、環(huán)形檢測線圈、超聲波檢測器、交通微波探測等設(shè)備獲取交通參數(shù)。實(shí)際應(yīng)用表明，這幾種交通參數(shù)提取方法存在以下不足：一是檢測可靠性不高；二是安裝維護(hù)不便；三是獲取交通信息量少；四是無法獲取直觀的交通流信息。由于受到檢測能力和可靠性方面的限制，上述幾種交通參數(shù)提取方法已不能滿足ITS的要求，研究有更高應(yīng)用價(jià)值的交通參數(shù)提取方法顯得日益重要。

隨著計(jì)算機(jī)技術(shù)、數(shù)字圖像處理和模式識別等技術(shù)的發(fā)展，視頻檢測技術(shù)在交通信息檢測中占據(jù)了越來越重要的地位。相對于以往的交通參數(shù)提取技術(shù)，通過對視頻圖像的處理來獲取交通流參數(shù)信息主要有以下優(yōu)點(diǎn)：

首先是可實(shí)現(xiàn)智能監(jiān)控，并提供豐富的交通圖像信息,能夠高效、準(zhǔn)確、可靠地完成道路交通的監(jiān)視和控制工作；同時(shí),安裝監(jiān)控?cái)z像機(jī)比較方便、經(jīng)濟(jì)，可通過原有的攝像機(jī)監(jiān)控系統(tǒng)升級得到，維護(hù)方便，可以節(jié)省大量的人力物力;此外,計(jì)算機(jī)技術(shù)、數(shù)字圖像處理和模式識別等技術(shù)的迅速發(fā)展和處理器性能的不斷提高，能夠滿足視頻交通參數(shù)提取的實(shí)時(shí)性、可靠性要求。

基于視頻圖像的交通參數(shù)檢測主要包括車輛檢測和交通參數(shù)的提取兩個部分。其中,車輛檢測是交通參數(shù)檢測的基礎(chǔ),只有判斷出目標(biāo)是要檢測的車輛，才能進(jìn)行下一步參數(shù)(如車流量、車速和車道占有率等)的提取。

1車輛檢測

車輛的檢測是交通流參數(shù)提取的基礎(chǔ)。一般可利用車輛相對于場景的運(yùn)動，將車輛從背景中分離出來，從而實(shí)現(xiàn)運(yùn)動車輛的檢測。目前，常用的車輛檢測方法有四種:光流法、背景減除法、邊緣檢測法和運(yùn)動矢量檢測法等。

1.1光流法

光流是空間運(yùn)動物體在觀察成像平面上的像素運(yùn)動的瞬時(shí)速度，是利用圖像序列中像素在時(shí)間域上的變化以及相鄰幀之間的相關(guān)性來找到上一幀和當(dāng)前幀之間存在的對應(yīng)關(guān)系，從而計(jì)算出相鄰幀之間物體的運(yùn)動信息的一種方法。一般而言，光流法是由于場景中目標(biāo)本身的移動、相機(jī)的運(yùn)動，或者兩者共同運(yùn)動產(chǎn)生的。利用光流法檢測運(yùn)動車輛的基本原理：給圖像中的每一個像素點(diǎn)賦予一個速度矢量，這就形成了一個圖像運(yùn)動場，在某一特定時(shí)刻，圖像上的點(diǎn)與三維物體上的點(diǎn)一一對應(yīng)。根據(jù)各個像素點(diǎn)的速度矢量特征，可以對圖像進(jìn)行動態(tài)分析。如果圖像中沒有運(yùn)動目標(biāo)，則光流矢量在整個圖像區(qū)域上是連續(xù)變化的。當(dāng)圖像中有運(yùn)動目標(biāo)時(shí)，貝啟標(biāo)和圖像背景存在著相對運(yùn)動，運(yùn)動目標(biāo)所形成的速度矢量必然和鄰域背景速度矢量不同，從而檢測出運(yùn)動目標(biāo)及位置。光流法的優(yōu)點(diǎn)在于光流不僅攜帶了運(yùn)動目標(biāo)的運(yùn)動信息，還攜帶了有關(guān)景物三維結(jié)構(gòu)的豐富信息，它能夠在任何場景下，檢測出運(yùn)動對象。但是，利用光流法進(jìn)行運(yùn)動車輛檢測時(shí)，計(jì)算量較大，無法保證實(shí)時(shí)性和實(shí)用性。

1.2背景減除法

背景減除法是目前基于視頻檢測算法中最常用的一種方法。它是一種利用當(dāng)前幀圖像與背景圖像對應(yīng)像素點(diǎn)的灰度差值來檢測車輛的技術(shù)。把當(dāng)前幀F(xiàn)?與背景圖像B?灰度值相減，差的絕對值高于判決門限的像素判為前景圖像，即運(yùn)動目標(biāo),低于判決門限的像素判為背景。處理后的二值圖MPn為:

如果當(dāng)前圖像的像素點(diǎn)和背景圖像的像素點(diǎn)灰度值差別很大，就認(rèn)為此像素點(diǎn)有車通過；相反，如果當(dāng)前圖像的像素點(diǎn)和背景圖像的像素點(diǎn)灰度值差別較小，在一定的閾值范圍內(nèi)，我們就認(rèn)為此像素點(diǎn)為背景像素點(diǎn)。背景減除法的關(guān)鍵是背景提取與背景更新，然而它對于動態(tài)場景的變化，例如光照的變化和陰影的干擾等特別敏感。因此，選取一個可靠的背景模型進(jìn)行背景的提取與動態(tài)更新以適應(yīng)環(huán)境的變化是必要的。背景提取與更新大致分為非模型法和模型法兩種。

在非模型法中，最重要的是灰度選擇的假設(shè)規(guī)則。Gloyer等人假設(shè)在訓(xùn)練階段背景至少在50%的時(shí)間內(nèi)可以被觀測到，由此提出了中值法(median)，即將圖像序列中處于某個像素點(diǎn)中間的灰度值認(rèn)為是該點(diǎn)的背景像素灰度值。但如果像素在少于50%的事件內(nèi)被觀測到，中值法就會得到錯誤結(jié)果。曾燕等提出在車輛密度大的情況下，沿時(shí)間軸計(jì)算每個像素點(diǎn)的灰度直方圖分布，取分布值最大的點(diǎn)，即mode值點(diǎn)為背景點(diǎn)并提出一種新的背景提取算法，即mode算法。張運(yùn)楚等提出了基于C-均值聚類的動態(tài)背景生成算法，把連續(xù)多幀圖像中相應(yīng)位置處像素的灰度值分別進(jìn)行聚類，選擇樣本點(diǎn)最多的聚類中心值作為該像素的背景值。非模型法得到的是灰度圖像形式的參考背景，系統(tǒng)每讀入一幀新的圖像，就將該幀圖像每個像素點(diǎn)的灰度值與參考背景圖像對應(yīng)的像素點(diǎn)灰度值相減。若差值大于某個背景閾值T，則該像素點(diǎn)屬于運(yùn)動物體，反之則為背景像素。此類算法對環(huán)境變化和光照條件變化等較為敏感，不適合作為室外環(huán)境變化較大的視頻監(jiān)控背景提取。

模型法則通過對圖像的每個像素點(diǎn)建立對應(yīng)的像素模型來完成背景的自適應(yīng)提取和更新。Friedman和Russe將像素的灰度看作是3個高斯分布的加權(quán)，這3個高斯分布分別對應(yīng)于背景、前景和陰影。由于背景往往比較復(fù)雜，對其僅用一個高斯分布表示是不夠的。之后許多模型法都是在其基礎(chǔ)上進(jìn)行改進(jìn)的。如H.Kim等對背景建立多個高斯分布的混合模型，并未對前景建立，因此建立了多個前景模型與子相結(jié)合,實(shí)現(xiàn)了更為有效的運(yùn)動檢測。Elgammal等人提出一種無參數(shù)的核密度估計(jì)算法，提高了運(yùn)動檢測的靈敏性，但運(yùn)算量很大。F.ElBaf等人提出了模糊混合高斯模型，用于背景建模和機(jī)器視覺等領(lǐng)域。

1.3邊緣檢測法

邊緣檢測方法利用車體的不同部件、顏色等提供的邊緣信息有效地提取車輛的邊緣，能夠?qū)o止和運(yùn)動車輛進(jìn)行有效檢測。相對于背景減除法，由于車輛的表面、形狀及顏色的不同，邊緣檢測法所能提供的信息相對顯著。即使車輛與路面的顏色相近，根據(jù)路面和車輛對光照的反射不同，車輛仍能被有效檢測出來。

車輛的邊緣可通過計(jì)算圖像在空間和時(shí)間上的灰度的變化率和變化方向獲取?？臻g上的邊緣檢測算法可用基于方向?qū)?shù)求卷積的邊緣檢測算子比如Sobel算子、Roberts算子、Prewitt算子、Robinson算子、Krisch算子、高斯-拉氏算子(LOG)等進(jìn)行邊緣提取，這些算子在算法復(fù)雜度以及效果上有很大的差別，應(yīng)根據(jù)實(shí)際情況選用適合的算子；而時(shí)間上的邊緣檢測算法是通過計(jì)算連續(xù)幀之間對應(yīng)像素點(diǎn)的差獲得。但是上述邊緣檢測算子本質(zhì)上是高通濾波器，它們在增強(qiáng)邊緣的同時(shí)也同樣擴(kuò)大了引起邊緣劣化的高頻噪聲。為了克服高頻噪聲的影響，在傳統(tǒng)的邊緣檢測算法的基礎(chǔ)上，先對圖像進(jìn)行平滑濾波減弱噪聲影響，再進(jìn)行邊緣提取。Marr和Hildreth提出了先用高斯函數(shù)對圖像進(jìn)行平滑濾波，然后采用Laplace算子進(jìn)行邊緣增強(qiáng)的方法，其邊緣檢測效果有了很大提高。基于濾波的圖像邊緣提取方法由于抗噪能力和準(zhǔn)確率都有較大提高，已成為邊緣檢測的主要發(fā)展方向。

1.4運(yùn)動矢量檢測法

運(yùn)動矢量檢測法是對前后連續(xù)兩幀圖像進(jìn)行模塊跟蹤匹配，用當(dāng)前圖像的某一宏塊在下一幀范圍內(nèi)捜索最優(yōu)匹配，計(jì)算出兩幀間各個宏塊的平均運(yùn)動矢量，根據(jù)運(yùn)動矢量的大小進(jìn)而判別有無車輛。設(shè)t幀第i個MN的宏塊為s(x,y,t)采用基于宏塊的全局搜索算法，利用最小平均絕對差分值(MAD)準(zhǔn)則，則第t+1幀相應(yīng)宏塊移動的位移(％，妃為min(MAD(d,,dj)，該宏塊從t幀到t+1幀的運(yùn)動矢量為：

通過宏塊運(yùn)動矢量可得到宏塊運(yùn)動的大小(Iu|)及運(yùn)動方向(/V)若zv與車道方向夾角足夠小，且mi足夠大，則判定該宏塊有車，否則無車。

2基于視頻圖像的交通參數(shù)提取方法

從具體處理對象來看，基于視頻圖像的交通參數(shù)提取方法大致可分為兩大類：基于虛擬傳感器(虛擬點(diǎn)、虛擬線、虛擬線圈)的交通參數(shù)提取方法以及基于目標(biāo)提取和跟蹤的交通參數(shù)提取方法。

2.1基于虛擬傳感器的交通參數(shù)提取方法

基于虛擬傳感器的交通參數(shù)提取方法中，B.Coifman等提出了一種基于虛擬線的交通參數(shù)提取方法，該方法主要根據(jù)車道位置在垂直于車道的方向上設(shè)置的虛擬檢測線組，并利用車道間的距離和檢測線兩邊的像素值變化來提取車流量和車速等參數(shù)。D.Beymer等提出了基于虛擬線圈的交通參數(shù)提取方法，該方法通過檢測虛擬線圈上的像素強(qiáng)度變化來檢測車輛，它可以根據(jù)實(shí)際情況自動調(diào)整虛擬線圈的尺寸,以提高所提取的交通參數(shù)的可靠性。X.Hao等利用自適應(yīng)背景更新和虛擬線圈相結(jié)合的方法，即當(dāng)虛擬線圈中的像素達(dá)到一定閾值時(shí)更新背景并對車輛進(jìn)行檢測。L.Yu等提出結(jié)合虛擬檢測線和輪廓特征的實(shí)時(shí)參數(shù)提取方法，該方法在圖像上方設(shè)置虛擬檢測線，根據(jù)檢測線兩邊的灰度變化和提取的輪廓特征對車輛進(jìn)行檢測和參數(shù)提取。圖1所示是一般車輛檢測模塊的處理流程圖。

圖1  車輛檢測模塊處理流程圖

基于虛擬傳感器的交通參數(shù)提取方法僅通過檢測指定區(qū)域內(nèi)移動的像素群，不需要理解像素群的具體含義。該技術(shù)實(shí)現(xiàn)簡單，通常是在車道上設(shè)置一些虛擬傳感器(虛擬點(diǎn)、虛擬線或虛擬線圈)，當(dāng)車輛經(jīng)過傳感器時(shí)，引起圖像中局部區(qū)域內(nèi)容的變化，處理該變化信號，可以提取所需信息。為提高檢測的可靠性和穩(wěn)定性，學(xué)者們提出用虛擬線替代虛擬點(diǎn)來測量交通參數(shù)，該方法通過檢測虛擬線上的像素強(qiáng)度變化來檢測過往車輛；同時(shí)通過在道路垂直方向設(shè)置多條平行的檢測線來檢測車輛的通過速度。在此基礎(chǔ)上，利用虛擬檢測線組,實(shí)現(xiàn)多車道車流量和車速等參數(shù)的提取。

在虛擬線圈內(nèi)根據(jù)前景分割的掩模做出虛擬線圈當(dāng)前是否被車輛覆蓋，在虛擬線圈內(nèi)部通過數(shù)字形態(tài)學(xué)處理前景掩模的面積為A，虛擬線圈的面積為A，則使用簡單的閾值方法來做出虛擬線圈是否被車輛覆蓋的判斷。

當(dāng)m=0時(shí)，代表當(dāng)前沒有車輛覆蓋線圈，m=1則代表當(dāng)前有車輛覆蓋線圈，T為可設(shè)置的閾值。

車輛速度的測量方法主要分為單線圈模式和多線圈模式兩種。g因子方法是一個典型的算法，但是g因子方法預(yù)設(shè)參數(shù)的給定是比較困難的。根據(jù)速度的定義提出了一種簡單的多線圈模式的車速測定算法，稱為雙線圈車道平均速度算法(Dual-LoopsAverageVelocityAlgorithm，DLAVA)。該算法主要關(guān)注車道的平均速度，在獲得車道平均速度的基礎(chǔ)上給出車輛的地點(diǎn)速度。該算法實(shí)現(xiàn)簡單，并對實(shí)際的交通場景中可能出現(xiàn)的各種情況進(jìn)行較為全面的分析。

DLAV算法需要在車道的車流方向上設(shè)置兩個線圈，稱為流方向上的第一個線圈為主線圈，第二個線圈為副線圈，兩個線圈之間的距離L應(yīng)該接近平均車長。圖2所示是DLAV算法示意圖。

主線圈的工作流程是在主線圈車輛進(jìn)入時(shí)，即在車輛檢測信號的上升沿，發(fā)出一個通知信號給與之對應(yīng)的副線圈。

副線圈有空閑狀態(tài)和計(jì)時(shí)狀態(tài)兩種工作狀態(tài)。當(dāng)副線圈接收到主線圈發(fā)來的通知時(shí)，無論副線圈處于哪種狀態(tài)，副線圈都進(jìn)入計(jì)時(shí)狀態(tài)，并將計(jì)時(shí)器的起點(diǎn)to設(shè)置為當(dāng)前時(shí)間。當(dāng)副線圈檢測到車輛進(jìn)入時(shí)，如果副線圈當(dāng)前處在空閑狀態(tài)，則不作任何操作；而如果副線圈原來處于計(jì)時(shí)狀態(tài)，則轉(zhuǎn)為空閑狀態(tài)，并估計(jì)車輛的該地點(diǎn)速度為：

其中，為當(dāng)前時(shí)間。

2.2基于目標(biāo)提取和跟蹤的交通參數(shù)提取方法

基于目標(biāo)提取和跟蹤的交通參數(shù)提取方法中，C.Hsu-Yung等提出了一種帶自檢能力的智能參數(shù)提取方法，檢測光照變化情況并自動選擇檢測算法；N.Kanhere等提出基于車輛前部特征跟蹤的交通參數(shù)提取方法，該方法提取出車輛的二值化圖像，通過對車輛前部特征跟蹤提取出車流量、車速以及車型等參數(shù)。隨后在2008年提出一種在低角度拍攝實(shí)時(shí)分割跟蹤特征不變量的參數(shù)提取方法，利用低角度跟蹤車輛的特征不變量，從一定角度上解決了復(fù)雜遮擋、抑制車輛陰影等問題。C.C.C.Pang等對交通參數(shù)檢測問題進(jìn)行了研究,并提出一種先用Sobel算子對差分圖像進(jìn)行邊緣提取而獲取運(yùn)動車輛的約束框，再對約束框進(jìn)行重心跟蹤而獲取車長和平均速度的參數(shù)提取方法。K.Robert等長期致力于交通圖像處理的研究，提出了一種能夠在白天和晚上對交通參數(shù)進(jìn)行提取的方法，解決了白天和夜晚檢測切換的問題。G.Zhang等提出了一種利用非標(biāo)定攝像的交通參數(shù)提取方法，通過對圖像拉伸和壓縮變換得到簡化車輛模型，利用基于Kalman濾波的跟蹤方法進(jìn)行目標(biāo)跟蹤獲取交通參數(shù)的過程中，考慮車輛合并與分離等復(fù)雜情況，因此提高了參數(shù)的可靠性。

該方法是基于背景差分的視頻分割基礎(chǔ)上，對運(yùn)動目標(biāo)在跟蹤區(qū)域內(nèi)進(jìn)行跟蹤，最后在目標(biāo)跟蹤的基礎(chǔ)上提取交通參數(shù)。

2.2.1目標(biāo)跟蹤

車輛目標(biāo)的跟蹤是將被分割的車輛進(jìn)行合并，粘在一起的車輛分割，并對每輛車建立跟蹤軌跡。涉及到對二值圖像進(jìn)行連通區(qū)域標(biāo)識及用最小外接矩形法矩形提取等。車輛跟蹤方法有基于特征的跟蹤、基于3D的跟蹤、基于動態(tài)輪廓的跟蹤和基于區(qū)域的跟蹤。

基于特征的跟蹤方法是通過提取目標(biāo)的局部特征，對特征進(jìn)行匹配，而不需要對整個目標(biāo)區(qū)域進(jìn)行匹配，如提取目標(biāo)的某個或一組特征一一點(diǎn)、線、形狀、子區(qū)域、灰度分布等。該方法操作簡單，受目標(biāo)相互遮擋問題影響較小，是常用的方法之一?；?D的跟蹤也稱基于模型的跟蹤，是將幾何形狀的三維模型投影成圖像，再根據(jù)圖像中的目標(biāo)位置的變化來實(shí)現(xiàn)跟蹤，常用Kalman濾波器對模型進(jìn)行更新，包括目標(biāo)區(qū)域特征提取、Kalman模型預(yù)測、目標(biāo)的匹配捜索、Kalman濾波器更新。將相鄰圖像間進(jìn)行輪廓匹配，跟蹤并實(shí)時(shí)修改輪廓特征是基于動態(tài)輪廓的跟蹤方法?；趨^(qū)域的跟蹤是跟蹤運(yùn)動目標(biāo)構(gòu)成的連通區(qū)域中共有的特征信息。

2.2.2參數(shù)提取

車流量

車流量(輛/時(shí)間)表示單位時(shí)間(根據(jù)使用需求不同，交通量的單位可以為10min、30min、1h等)內(nèi)通過檢測區(qū)域的車輛總數(shù)。即對某段內(nèi)經(jīng)過的車輛在跟蹤區(qū)域內(nèi)進(jìn)行多步跟蹤，完成車輛數(shù)量的可靠統(tǒng)計(jì)，從而獲得車流量參數(shù)。

車輛速度與平均速度

視頻圖像是一種二維圖像，要獲取車輛的實(shí)際速度，必須將二維位置信息轉(zhuǎn)化到三維世界坐標(biāo)中。由于公路近似平面,攝像機(jī)與地面相對位置可以提前獲知，同時(shí)標(biāo)定檢測區(qū)域的坐標(biāo)位置信息，再根據(jù)對目標(biāo)的跟蹤得出車輛在區(qū)域內(nèi)的運(yùn)動時(shí)間，從而計(jì)算出車輛速度vi，即：

式中，V,表示第，輛車通過所測路段的速度；S為所測路段的長度；為第，輛車經(jīng)過所測路段所用的時(shí)間。

平均速度是在某一段時(shí)間內(nèi)，處在所測路段長度范圍內(nèi)的所有車輛行駛速度的平均值，若以vs表示，則：

式中，n表示處在所測路段長度范圍內(nèi)的車輛總數(shù)；vi表示第i輛車的行駛速度；vs表示平均空間車速。

(3)車道占有率

車道占有率表示在某一瞬間，一定的觀察路段長度內(nèi)行駛的車輛總長度占該觀察路段長度的百分比，用R表示為：

式中，Rs為車道占有率；為空間平均速度；為車輛的平均長度；Q(T)為時(shí)間T內(nèi)通過檢測區(qū)域的車輛總數(shù)。

3交通參數(shù)提取的發(fā)展趨勢

3.1智能化

智能化是視頻交通參數(shù)提取的重要發(fā)展趨勢，視頻交通參數(shù)檢測技術(shù)經(jīng)過多年的發(fā)展，檢測精確度和穩(wěn)定性等指標(biāo)都有很大的提高，但系統(tǒng)的智能化程度仍十分有限，距離“人腦”的判斷能力還很遠(yuǎn)。因此，不斷提高系統(tǒng)的智能化程度是該技術(shù)后續(xù)研究的重要內(nèi)容。

3.2采用立體視覺方法

現(xiàn)有的視覺監(jiān)控中，幾乎所有的研究都是基于單目影像對運(yùn)動物體的監(jiān)測與跟蹤，所得到的運(yùn)動信息存在一個深度尺度因子，要想得到絕對移動量，需要一個附加條件。立體視覺研究的是由多目視頻圖像獲取物體三維幾何信息的方法，直接模擬人類視覺處理景物的方式，從兩個或多個視點(diǎn)觀察同一目標(biāo)，以獲取在不同視角下的感知圖像，通過圖像融合和匹配獲得圖像的深度信息。它符合人們觀察物體的習(xí)慣，也能獲得三維物體的景深信息。該方法能夠克服單一視角下由于遮擋或深度影響而容易產(chǎn)生的歧義，能夠有效解決遮擋問題，提高交通參數(shù)提取的有效性和準(zhǔn)確性。

3.3多傳感器檢測

多傳感器信息融合檢測，則可以有效地克服單一傳感器可靠性低、有效監(jiān)控范圍小的缺點(diǎn)，可以獲取更全面可靠的交通信息。例如，視頻傳感器(攝像機(jī))與激光雷達(dá)結(jié)合可以解決圖像模糊問題；視頻傳感器與紅外傳感器結(jié)合可以增強(qiáng)目標(biāo)識別的可靠性，尤其是黑天光照條件不好的情況下作用更加明顯。對于多傳感器檢測,信息如何融合是一個關(guān)鍵的問題。通用的做法是神經(jīng)網(wǎng)絡(luò)方法，該方法是將各種傳感器獲得的信息作為神經(jīng)網(wǎng)絡(luò)的輸入，用基于推理的算法將上述信息進(jìn)行融合處理，從而實(shí)現(xiàn)對車輛的檢測。從長遠(yuǎn)看，多傳感器融合檢測也將受到越來越多的重視，成為基于視頻的交通參數(shù)提取的另一研究熱點(diǎn)。

3.4人工神經(jīng)網(wǎng)絡(luò)等方法的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)是一個超大規(guī)模非線性連續(xù)時(shí)間自適應(yīng)信息處理系統(tǒng)。近年來，基于人工神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法得到了極大的發(fā)展?；谌斯ど窠?jīng)網(wǎng)目標(biāo)檢測方法的基本思路是將每幀圖像分割為mXn個圖像塊，預(yù)處理后將這些圖像塊投影到一個線性濾波器組，得到不同的圖像模式，然后把這些不同的圖像模式根據(jù)預(yù)先計(jì)算得到的聚類原形進(jìn)行分類；最后用訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)分類器來判斷圖像模式是否包含目標(biāo)。神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，必將推動交通流參數(shù)檢測技術(shù)的發(fā)展。4結(jié)語

基于視頻圖像的交通參數(shù)檢測不僅能夠有效檢測出車流量、車速、車道占有率，還能識別車輛類型和車輛運(yùn)動軌跡,可以提供交通監(jiān)控圖像，實(shí)用性遠(yuǎn)遠(yuǎn)超過環(huán)形線圈、超聲波檢測器等傳統(tǒng)檢測方法。本文的研究對于提高我國道路交通運(yùn)營管理水平和效率，對建立實(shí)時(shí)、準(zhǔn)確、高效的綜合運(yùn)輸和管理系統(tǒng)具有重要作用。雖然基于視頻圖像的交通參數(shù)提取方法的研究取得了一定的成果，但由于問題的復(fù)雜性，該方法還有待繼續(xù)完善，今后要進(jìn)一步加強(qiáng)對檢測算法的優(yōu)化和改進(jìn)研究，以提高檢測算法的速度、準(zhǔn)確度、自適應(yīng)性，保證圖像處理的實(shí)時(shí)性和有效性。

隨著圖像處理技術(shù)的進(jìn)步和微電子技術(shù)的發(fā)展，檢測功能的擴(kuò)展和系統(tǒng)成本將會降低，視頻交通參數(shù)檢測技術(shù)在ITS中必將得到不斷的提高和應(yīng)用。視頻交通參數(shù)檢測技術(shù)正朝著智能化、網(wǎng)絡(luò)化、集成化、實(shí)時(shí)性、視覺檢測立體化等方向發(fā)展。可以預(yù)言，視頻交通參數(shù)檢測技術(shù)將會是21世紀(jì)智能交通系統(tǒng)的主流交通檢測技術(shù)之一。

20211019_616e4facc1ef8__視頻交通參數(shù)檢測技術(shù)研究現(xiàn)狀及發(fā)展趨勢