浅谈车辆视频检测技术的发展及趋势

<正>视频车辆检测技术即在视频序列中提取运动的车辆对象,是利用视频图像进行车辆检测的一种交通检测技术,它涉及计算机图像处理技术、模式识别、信号处理和信号融合等多个领域。近年来,基于计算机视觉和图像处理技术的视频车辆检测技术逐步成为研究主流。性价比优良的视频车辆检测技术1978年,美国JPT(加州帕萨迪纳市的喷气推进实验室)首先提出了运用机器视觉来进行车辆的检测的方法,指出其是传统检测方法的一种可行的替代方案。     

背景提取基础上运动车辆视频检测

提出了一种在一系列连续视频图像中提取背景的方法，在背景提取的基础上对视频图像中运动物体进行检测，以实现对高速公路上过往车辆的自动监控功能。     

基于视频的车辆跳动检测系统研究

高速公路实施计重收费,货车司机为了减少重量采取"跳秤"、走"S"型等违规行为。为打击这种行为,减少收费纠纷,对车辆跳动轨迹自动检测系统进行特别研究。从系统结构设计出发,根据收费站车道的环境特点,利用视频检测技术,通过设定虚拟检测区域、车牌定位、轨迹等关键技术获取车辆驶过计重秤台前后的运动特征,提出改进的轨迹检测流程,实现"跳秤"报警、录像等功能。现场试验表明,系统对计重收费中存在的不规范行为的检测和处理具有使用价值。     

基于违法要素的电子警察车辆视频检测技术研究

随着平安城市、智能交通等项目的建设,针对电子警察的研究越来越多,而抓拍违法要素无疑是电子警察违法认定的重要依据,因此对违法要素的检测显得尤为重要。对目前常用的几种车辆视频检测技术在电子警察违法要素中的应用展开初步探讨,并分析和比较各技术特点和限制,以区别其适用的范围,提出在电子警察工程设计和实际应用中,将几种车辆视频检测技术进行有机结合,才能进一步提高车辆违法的捕获率、号牌识别的准确率等技术指标。     

电脑收费系统视频图像干扰处理

根据实际工作的经验总结，分析，提出电脑收费系统视频图像受干扰时的原因查找，分析及处理措施，着重提醒注意细节的检查，偶发生因素的影响，多方位地寻找原因。     

基于视频图像的交通事件检测系统研究与开发

交通事件检测是智能交通系统中的重要组成部分和关键技术.文中基于计算机视觉技术与数字图像处理技术,结合当前我国高速公路交通监控所需和已有监控设施,对基于视频图像的交通事件检测进行了研究,并完成了系统的开发和测试.     

基于视频数据的交叉口状态判别及排队长度估计

为了评价信号控制交叉口的交通状态及估计周期排队长度,本文以集散波为理论基础,分析视频检测的机动车通过上下游相邻交叉口的数据,提出了基于车辆延误时间的交叉口交通状态判别划分,进一步设计了欠饱和及饱和交通状态下的交叉口最大排队长度估计方法.实例分析表明,本文方法所估计的排队长度比较接近实际调查值,排队相对误差在可接受的范围内,结果验证了所设计的排队长度估计方法是有效可行的.     

基于视频的道路交通事件自动检测技术

结合当前道路交通事件自动检测的实践经验和国内外相关技术进展,讨论了交通事件检测的类型、目的和各种检测技术,重点介绍了基于视频的道路交通事件自动检测所采用的图像处理算法和基于视频的道路交通事件自动检测算法。     

视频车辆检测器在高速公路上的应用

介绍视频车辆检测器的基本构成和工作原理，分析影响视频检测精度的因素，指出视频车辆检测器的优点，讨论在高速公路主线和匝道上如何设置视频检测域。     

基于视频图像的车辆灯光状态鉴定方法研究

违法使用车辆远光灯是导致夜间道路交通事故的重要原因之一,针对当前道路交通事故中车辆灯光状态鉴定方法存在的不足,本文基于视频图像,从车载监控视频和道路监控视频两个角度分析视频图像中目标车辆前照灯光斑特征、目标车辆前照灯灯光在道路环境参照物上的投影光斑特征等信息,比对分析视频图像中远光灯、近光灯反馈信息的异同点,总结基于视频图像的车辆灯光状态鉴定方法,为道路交通事故处理过程中充分应用视频物证提供技术保障。     

基于车头时距与行程时间的排队长度算法

基于电子警察过车数据,分析该周期内车道通行车辆的车头时距变化规律,提出该周期车道排队长度值的实时计算方法。针对多次排队、绿波协调情况,结合通行车辆的行程时间对结果进行修正,得到该周期车道最大车辆排队长度值。通过桐乡市庆丰路实时监控视频对比计算结果,证明本算法具有较高准确性。算法便于工程实践,可为信号配时优化提供数据支撑。     

基于抽样车辆轨迹数据的信号控制交叉口排队长度分布估计

排队长度是评价信号控制交叉口运行状态的重要参数之一。现有大多数基于抽样车辆轨迹数据的排队长度估计方法可以实现周期级排队长度估计,但是需要信号配时、渗透率或车辆到达分布等实践中难以获取的输入信息。此外,这类方法在低渗透率条件下往往难以确保估计结果的准确性和可靠性,极大地限制了其实用性。因此,提出一种抽样车辆轨迹数据驱动的时段级信号控制交叉口排队长度分布估计方法,可不依赖任何交通流理论模型和前述输入信息实现排队估计。首先,通过理论推导可以证明时段内抽样车辆的停车位置分布和排队长度分布之间可互相转化;然后,提出一种扩展的核密度估计方法来拟合并平滑抽样车辆停车位置分布,从而有效地适应不同日期和周期的轨迹叠加所带来的波动,提高方法的适用性;最后,基于前述推导和拟合的停车位置分布实现时段排队长度分布、平均排队长度和百分位排队长度估计。分别采用仿真和实证数据对上述方法进行验证和评价。结果表明,通过叠加5 d相同时段的抽样轨迹数据,15 min的平均排队长度估计误差仅为1.59 veh,相对误差仅为9%。同时,面向不同分析时长,只要给定超过100 veh抽样车辆的观测样本,无论渗透率高低,所提出的方法在定时或自适应信号控制交叉口都可实现时段排队长度分布的准确估计,其成果可进一步用于信号控制交叉口运行可靠性评估以及多时段定时信号控制的鲁棒优化。     

基于网联车辆轨迹数据的周期排队长度估计

近年,基于网联车辆轨迹数据的交通管控与服务研究方兴未艾。其中,信号控制交叉口排队长度估计备受关注。然而,在低渗透率条件下,单个周期内轨迹稀少且提供的交通信息十分有限。现有研究仅以当前周期内网联车辆轨迹数据为输入,难以获得准确且可靠的周期级排队长度估计结果。因此,融合利用历史网联车辆轨迹数据提供的车辆到达和停车位置信息以及当前周期内实时观测的网联车辆排队信息,提出一种基于最大后验概率的周期最大排队长度估计方法。首先,依据历史轨迹数据的停车位置信息,估计排队长度的先验分布;其次,依据历史轨迹数据的车辆到达信息,估计周期内车辆的历史到达分布,并结合周期内最后1辆排队网联车辆的到达时刻与停车位置,构建排队长度似然函数;最后,基于贝叶斯理论,结合前述先验分布与似然函数,推导周期排队长度的后验分布,并采用最大后验概率方法实现周期最大排队长度的估计。仿真结果表明：所提方法在不同饱和度和渗透率条件下,均优于现有的方法;即使在车辆轨迹数不超过1 veh·周期^-1的低渗透率条件下,所提方法的平均绝对估计误差也不超过2 veh·周期^-1。实证结果表明：在渗透率仅为8.96%的条件下,所提方法的平均绝对误差为2.12 veh·周期^-1,平均相对估计误差为12.4%,同样优于现有同类方法。     

考虑展宽段的路段排队长度检测算法

为了实时估计路段车辆排队长度,利用铺设在路段上的检测器,提出了一种车辆排队估计方法,对车辆排队进行实时跟踪。该方法考虑了一般的道路拓扑结构,路段排队的演化过程分为四个阶段：初始排队阶段、排队蔓延阶段、排队上溯阶段和堵塞路段阶段,不同阶段的排队利用不同的信息,通过不同的模型进行推算,通过实地调查验证,可以高效实时追踪路段排队的演化。     

基于复式伸缩窗的车辆排队与消散快速检测算法

基于视频图像处理方法,提出了一种复式伸缩窗来实时跟踪交叉口排队车辆队尾和队头的位置变化,从而准确描述交叉口车辆排队形成和消散过程。通过检测指定区域内车辆是否存在和是否运动,分别构建跟踪排队队尾和队头的队尾伸缩窗和队头伸缩窗。描述排队首尾伸缩变化的复式伸缩窗则由这两个伸缩窗相互协作所构成。根据跟踪队尾和队头的结果,车辆排队长度和停车延迟时间等重要参数就可以轻易得到。试验结果表明本文算法能实时准确地跟踪队尾和队头的位置,能适应不同天气环境和光照变化,其准确率达到92%以上,较好地满足车辆堵塞监控和交通信号灯控制的需要。     

基于视频分析的车流量综合检测算法

车流量检测是智能交通系统中的关键技术之一。研究了多种基于视频图像处理的车流量检测算法,包括基于灰度图像的背景差分法、帧差法、边缘检测法和基于彩色图像的色彩跳变检测法。在分析了以上算法在不同检测环境中适用性差异的基础上,提出了1种修正的背景差分法,并在此基础上实现了1种通用性更强的综合检测法。综合检测法结合背景差分法,边缘检测法和色彩跳变法三者优点,可依据光线条件自动选择检测区域和检测算法,适用于多种检测环境,准确率超过90％。     

环形信号交叉口进口道车辆延误及排队长度计算方法

由于环形交叉口的内在局限性,大部分的环形交叉口被改造为常规的十字交叉口或环形信号交叉口.为了分析环形交叉口内车流特性,针对环形信号控制交叉口,分析影响进口车道车辆延误与排队长度的因素;提出了2种常见的环形交叉口相位方案;根据每种相位方案,考虑进口道内侧车道、外侧车道的交通流运行特性,分别建立了进口道内侧车道、外侧车道的车均延误和平均排队长度计算模型,将内外侧车道区别考虑有利于分析环形交叉口内车流特性.以哈尔滨市博物馆环形交叉口为例,通过Vissim仿真软件得到仿真结果,将模型计算结果与仿真输出结果进行比较,结果基本相近.论证了模型的准确性.     

基于视频检测的高速公路车辆交通行为安全状态分析

在对目前视频检测系统分析的基础上,针对交通事件检测,提出了一种从微观的角度出发,在对单个车辆交通行为状态识别和实时分析的基础上,对车辆交通安全状态进行判断的方法。首先对交通冲突冲突区进行动态和静态划分,然后将车辆行驶区域根据交通行为过程分为危险区和趋势区,并对应静态和动态冲突区分别对危险区和趋势区的判定进行分析,给出了判定算法。测试表明,本文所提算法能够在一定程度上对交通事故进行提前预警,对于减少和避免交通事故发生具有重要意义。     

基于传统图像处理算法的车道线检测

在现代交通驾驶领域中,随着自动驾驶技术的迅速发展,车道线检测也变得至关重要。基于此,文章提出了一种基于传统图像处理算法的车道线检测方法,该方法利用了传统图像处理算法中的滤波算法、Canny边缘检测算法和Hough直线检测算法作为基本算法模型,采用只对ROI中进行检测的措施来满足对于前方车道线的准确检测。在检测中,使用了OpenCV开源图像处理库来对进行上述方法进行实现。此方法可极大减少对前方车道线检测的外界干扰,在汽车实验场中利用该方法,可以比较准确地检测出车辆前方的车道线,并且该算法在一般机器上能够实现实时级的车道线检测。但是在实验过程中,也发现当前方的障碍物较多的时候,所采用的算法不能很好地检测出车道线,对外界的抗干扰能力比较差。