论文部分内容阅读
随着社会经济和人工智能的快速发展,车流量与人流量检测已成为视频检测领域研究的热点问题,市场需求强烈。人、车、路是分析智能交通系统问题的三要素,从根本上来化解人车路之间的矛盾是解决交通拥堵问题的关键所在。在世界坐标系中,路是相对静止的,但车和人相对于地面是运动的,从而产生了车流量与人流量。目前利用彩色摄像机的传统方法检测车流量与人流量,易受光照、阴影等影响,尤其在夜间环境下光照不足、能见度较低、彩色图像特征较少,很难实现准确检测,在没有光照的情况下基本失效。近年来随着Kinect的推出,使深度图像的获取成本大大降低,Kinect能够获得彩色图像丢失的深度数据,能够弥补仅利用彩色图像的不足。因此改变数据采集方式,利用Kinect深度图像去解决夜间车流量检测与人流量检测问题。首先,介绍Kinect的组成结构和工作原理,对Kinect开发工具Kinect for windows SDK和OpenNI进行分析,并实现深度图像获取。阐述深度图像噪声和空洞的产生原因,分析图像抖动与空洞数量的关系,并对深度图像去噪和修复进行研究。其次,针对夜间环境下基于彩色摄像机的车辆检测方法存在精度低、稳定性差以及无法对车型进行有效识别等问题,提出深度虚拟线圈夜间车流量检测算法。对深度图像进行预处理,分别获得运动目标深度图(Motion Depth Map:MDM)与空洞深度图(Hole Depth Map:HDM)。然后在MDM与HDM上设置虚拟线圈,利用积分图像分别生成对应的一维运动信号,对其进行加权合成实现对车辆运动特征的表达,获得以强度信号为主,空洞信号为辅的一维计数信号,并实现车流量计数。在合成的计数信号范围内检测出车辆目标,判断车辆是否换道或跨车道线行驶,从而减少车辆统计的误差,并计算出车辆目标的几何特征,通过SVM对车型进行有效识别。实验结果表明,该算法对于单双车道的车辆计数正确率分别高达99.75%与99.25%,大小车型分类正确率可达99.80%,处理单张图片的平均时间仅为7ms。然后,为避免目标检测与跟踪的复杂性,提出深度虚拟线圈人流量检测算法。在深度图像中设置虚拟线圈提取特征信号,分析行人通过虚拟线圈时计数信号的变化规律,并对计数信号进行归一化。分析计数信号噪声产生原因和规律,实现计数信号去噪。然后获取行人运动方向和实现人流计数,并对系统的各个参数及应用场景进行分析。实验结果表明,该算法在单通道情况下正确率可达97.20%以上。最后,对于彩色摄像机的人流量检测存在易受光照、阴影影响等问题,提出基于深度图像与目标跟踪的人流量检测算法。分析前景检测和背景建模方法,提出联合深度截取和平均背景建模的方法实现前景检测。在头部检测的过程中,采用随机点与漫水填充法获得局部极值区域即潜在头部区域,提取维度较低的头肩区域特征描述符,利用阈值限制和SVM分类器,实现头部区域检测。利用目标特性进行匹配跟踪,采用多条计数线的方法获取人流量,并提出一种获取行人身高信息的方法。实验结果表明,该算法在不同场景中人流量检测正确率高达99.30%以上,身高测量平均相对误差在2.59%之内,处理单帧的平均时间仅为18.31ms。