《基于图像的车流密度检测研究与仿真.doc》由会员分享，可在线阅读，更多相关《基于图像的车流密度检测研究与仿真.doc（4页珍藏版）》请在三一办公上搜索。
1、计算机仿真2012 年 8第 29 卷 第 8 期编号: 1006 9348( 2012) 08 0354 03基于图像的车流密度检测研究与仿真陈贺明，邹丽霞( 河南广播电视大学信息工程系，河南 郑州 450008)摘要: 研究车流密度准确检测问题。在交通高峰时期，车流的密度状态变化具有很强的随机性。一旦车流密度瞬时增大，车 流图像前后帧之间的密度关联性被破坏。传统的车流密度检测算法受到车流图像间的密度关联性被破坏的影响，建立的车 流密度关联系数不准确，从而导致车流密度估计准确率不高。为此，提出了一种基于图像突变像素差值的车流密度检测方 法，通过车流密度差异显著性检测，判断车流密度是否发生突变
2、，在发生突变的条件下，利用像素差值密度估计，计算像素差 值密度，从而最终准确获取车流密度估计值。实验证明，改进检测方法提高了车流密度检测的准确率。关键词: 车流密度估计; 像素差值; 密度差异中图分类号: TB24文献标识码: BTraffic Density Detection and Simulation Based on ImageCHEN He ming，ZOU Li xia( Department of Computer Science and Technology，Henan Radio Television University，Zhengzhou Henan 450008，Ch
3、ina)ABSTRACT: The paper put forward a new method of traffic density detection based on pixel D value of the imagesharp changes A traffic flow density differences detection algorithm was used to judge whether the traffic density ex-isted sharp changes or not Under the circumstance of sharp changes oc
4、curring，we eventually got the accurate esti-mated value of the traffic density by calculating the pixel D value density The experimental results show that theimproved test method can enhance the detection accuracy rate of the traffic flow densityKEYWORDS: Traffic density estimate; Pixel difference;D
5、ensity differences密度关联系数被破坏。传统的车流密度检测算法是引言随着计算机图像处理技术的快速发展，国家提高了对交后帧图像的关联性完成密度检测的，受到车流图像间关联系数不准确的影响，建立的密度线性数学模型不这种 非 线 性 的 变 化，从而导致车流密度估计 调控的标准。很多国家都利用计算机图像处理技术提高4 5。不高通调控系统的性能，最终提高交通的运载能力1。国家投为了避免上述问题，提出了一种基于图像的车流了大量的人力和资金，对在计算机图像处理技术基础上的测方法，通过车流密度差异显著性检测，判断车流密通调控系统进行研究。而车流密度估计，一直是交通调控发生突变，在发生突变的条件
6、下，利用像素差值密度算像素差值密度，从而最终准确获取车流密度估计 传统方法过于依赖前期处理结果的弊端。实验证明域研究的一个热点问题。当前主流的车流密度估计方式要包括基于背景差分算法的车流密度估计方式、基于非线函数算法的车流密度估计方式、基于小波阈值算法的车流能够提高车流密度突变时进行估计的准确性，取得了度估计方式，基于灰度值差异算法的车流密度估计方式效果。由于车流密度估计应用场合十分广泛，因此受到了越来多学者的重视2 3。车流图像密度估计原理2在上下班等高峰时期，图像中车流的密度变化具有很强2 1 车流密度检测随机性。一旦车流密度瞬时增大，车流图像前后帧之间的通过式( 1) 能够得知，进行车流
7、图像采集后的车流目标其中，相关参数集合: g珔( g珔h1 ，g珔h2 ，g珔hs ) ，其中 ghs 是第 s 帧车流图像的第 j 个车辆计数特征点。通过前后帧车流图像的关联 性，利用式( 1) 能够计算车流密度关联系数:Tz = ( zj + cyj ) / p2( 5)2) z 的平方根与 y 成正比例关系，表示:2= y2yr则 c 的取值是:1cos wD( t) =ln( 珋f )( 1)gri = 1c = z / y = z珋/ yj j其中，cos w 为车流密度均衡系数，珋f gr 为上一帧图像的密度关联系数，r 为图像帧数量。通过上面的方式能够获取指定图 像中的密度关联系
8、数，并且将其作为数据源利用式( 2) 估计 下一帧目标图像中的车流密度:j = 2Tc = 槡Tz / yj其中，( p + 1) Tz= zj / yj z / y2 2jj = 23) z 的方差与 y 成正比例关系，即 ky = y，则 c 的 取值是:E( u + 1) = ( E( l) + e ) D( t) / 珋f grj = 1lc = zj / yj= ( xlog( 珋f gr )+ u + D( t) ) /珋f gr( 2)j = 2j = l 12Tc = Tz / p其中，E( u + 1) 是下一帧目标图像中车流密度估计值，u 是条件系数，E( u) 是前一帧目
9、标图像中的车流密度特点的估 计结果。其中，( p + 1) Tz= zj / yj + z / yj2j = 23 2 车流密度突变检测为了有效的抑制突变带来的影响，得到不同时间段车流 密度差异系数，需要对该区域利用回归系数算法对车流密度 差异进行检测。具体方式如下所述:传统估计方法的弊端在交通高峰时期，车流的密度状态变化具有很强的随机 性，很难控制。一旦车流密度瞬时增大，车流图像前后帧之 间的密度关联性很容易被破坏。根据上面的阐述能够得知， 一旦车辆密度瞬时增加，利用式( 1) 可知，其运用的关联系数 珋f gr 为上一帧图像的结果，一旦车流密度瞬时增大，车流图像 前后帧之间的密度关联性很容
10、易被破坏，珋f gr 会与下一帧图像 失去关联。造成式( 2) 运用的 珋f gr 为错误的计算结果，计算得 到的预测结果 E ( u + 1 ) 的值 不 正 确，甚至形成结果的不 收敛。为了解决上述问题，提出了基于图像的车流密度估计方 式，克服传统方法的缺陷，从而得到车流密度估计值。2 2假设轨道数 L = 2，需要设置 2 个不同的变量参数 a ，a ，1 2因此车流密度差异系数用下面公式进行计算:z = ( c c / a c / a ) / y2 f0 1 1 2 2其中，c ，c ，c 是回归系数，f 是随机系数偏差。利用回归系0 1 2数算法获取上式中的系数 c ，c ，c 的估
11、计值和这些取值的0 1 2方差。根据相关参数系数利用线性回归算法，能够得到参数 矩阵。通过 IC = 0 这个条件，其中 C 需要符合下述条件:C = CC C0 12则可以确定车流密度差异系数。计算与其对应的平方和和 RX，从而获取数量系数 G:G = ( ( RX + RR) 2 s) / ( RR( p r) 2 )其中: s 是需要满足的条件数目，p 是图像数目，r 是相关参数 数目，因为上式符合 G 的分布规律，所以能够根据其确定车 流密度差异显著性。最终能够得知，假设 Q 0 5，则确定车 流密度有突变，否则，车流密度没有突变。从而选取车流密 度差异显著的图像进行像素差值计算。3
12、3 像素差值密度估计利用像素差值密度估计，估计指定区域的车流密度，需 要计算该区域的目标前景图像像素与目标像素的比值。因 为图像采集设备是高空俯视采集图像的，所以能够避免目标 重叠带来的误差，而且计算步骤简单。首先需要将采集到的相关图像，进行灰度处理，将其变 为灰度图像，然后对得到的灰度图像进行均值滤波处理，减少非线性滤波算法对图像清晰度的影响，最后利用差值运算 方式，获取目标前景图像。从而获取车流密度估计值。具体3 图像的车流密度估计车流密度估计预处理车流密度估计与一般的空间密度估计在原理上是一致 的利用式( 3) 计算车流密度估计值:3 1( 3)e = n / w其中，e 是车流密度;
13、n 是目标像素数目，w 是采集到的图像中的全部密度像素数目，假设 e 是已知的，那么可以利用式 ( 3) 计算目标像素数目，可以将式( 3) 换一种思路，加入估计 错误的偏差因素，转换为式( 4) :( 4)z = cy f其中，z 是全部目标像素数目，y 是获取的车流图像中的全部像素数量，c 是密度系数，f 是估计偏差。根据相关理论能够 得知，式( 4) 中车流密度系数有下面三种情况:1) 假设 z 的平方根与 y 的取值没有任何关系，则 c 的取 值是:c = yj zj / yj2j = 2 j = 22Tc = 槡Tz / yj步骤如下所述: 利用灰度处理方式，将图像转变为灰度图像，有
14、利于图识别。图像灰度变换算法需要首先选取图像中的关键细特点，然后将其像素点的灰度值 按照下式进行非线性 换:g( y) = by + c中，b 是非线性函数的倾斜系数，c 是非线性函数的斜线与轴的距离。灰度变换的方法如下:EC = g( EB) = bEB c中，EB 是进行预处理后的灰度值，EC 是输出图像的灰度。假设 b 的取值大于 1，那么得到的图像对比度大于设置衡量标准，否则，得到的图像对比度小于设置的衡量标准。通过灰度处理方式得到的图像，计算其灰度均值，并对其行滤波处理，能够提高图像的清晰度。灰度图像会受到非性滤波处理的干扰，导致灰度图像清晰度较差。因此需要其进行均值滤波处理。首先应
15、该在灰度图像中选择中心素点( j，j) ，然后选取其邻近区域的 4 个像素点，计算这些素点的灰度均值，并且用得到的结果代替原有的像素点灰图 1 实验数据图值。这种算法能够避免线性滤波算法对灰度图像清晰度标的偏差表示估计值的误差结果，分别运用不同的方影响。将灰度图像中的目标像素与环境像素做差值运算，不同时刻内车流量密度估计的误差分布值，图 2 表示到的结果就是目标前景图像的车流密度。误差的趋势变化曲线。计算目标前景图像像素与目标像素的比值，然后对其进误差补偿，获取的结果就是车流密度估计值。假设这个取大于 60% ，那么确定该区域是低密度车流区域，否则，确定区域是高密度车流区域。实验结果及对比车流
16、的状态具有很强的非线性和突变性。使其内在要的状态及其相互作用规律受到影响较大，一旦车流密度瞬增大，车流图像前后帧之间的密度关联系数被破坏，传统法建立的线性数学模型很难对其突变性和随机性进行描，模型中由于随机性的存在，测量的准确性不高。为了验图 2 车流密度估计趋势本文算法的有效性，采用 PDA 实验仿真软件，在时域内构非线性很强的车流量密度变化系数。分别运用两种不同在图 2 中，通过对比可以看出，在开始时候，由于方法对车流密度进行估计，实验图如图 1 所示。行初始化等操作，会出现一定的延迟，传统算法和本算法中，刷新时间都为 200ms 分别利用传统方式和本文都出现了较大程度的误差，但是随着估计
17、的展开，随式对办公区车流密度进行检测，设置估计图像帧中车辆的在不同时域内的增加，车辆图像中的密度变化也加算法的密度估计误差的结果更小，也更为贴近真实 于实验全程都是采用密度突变的情况来完成，因此量从 0 1200 之间变化，每秒 20 帧的图像采集次数。并记录每次的实验结果。运用上述的突变环境下的车辆信对其进行密度估计。估计的过程中，实验区域是一个定法的劣势就很明显，由于无法准确克服突变带来的关，在同一区域中，分步增加车辆的数量( 0 1200 ) ，运用车珋f gr 被破坏的影响，与本文算法相比，其劣势很明显，全的实际数量除以区域单位面积，构成车流密度，统计两者计结果都处在较大的误差范围内。
18、因此，本文算法的实际结果的差异，作为准确率，其中，密度均衡系数 cos w优于传统算法。. 7，上一帧图像的密度关联系数 珋f gr = 0. 8 1. 0，图像帧数估计 r = 205结论结果。该建模方法能够与不同的主体程序融合，并且可以不断重复使用，从而使得获取的模型需要的存储空间非常小，仿真过程耗费的时间非常短，有利于复杂情况下的光电场景仿真。通过实验可知，这种在 HLA 开发平台与 Vega 开发平 台的基础上构造的光电场景模型能够真实描述光电场景 效果。图 3 不同方法的参数对比实验图参考文献:1张元生，丁全心 光电探测系统仿真技术的现状与分析J光电与控制，2001 4吴重光 仿真技
19、术M 北京: 化学工业出版社，2000 李艳晓，胡磊力，陈洪亮 光电系统半实物仿真技术研究J 测控技术，2008，27黄军娜，姬琪，魏颖，张波，沈湘衡 光电经纬仪外引导功能室 内检测技术的实现J 计算机测量与控制，2007 2 王习文，陈娟，王秋平 光电经纬仪跟踪飞行目标的一种仿真 方法J 计算机仿真，2009 4: 38 42周 彦，戴 剑 伟 HLA 仿 真 程 序 设 计M 电 子 工 业 出 版 社，2002X Provot Deformation in a mass spring model describe rigid cloth实验仿真图如图 4 所示。234567behavio
20、r C Canada，1995Proc Of Graphic Interface 95 Quebec，图 4 实物场景光电仿真效果6 结束语将 HLA 开发平台与 Vega 开发平台融合到一起，阐述了 光电场景模型的建模方法，建造的模型符合光电场景仿真对 于时效性和准确性的要求，在实验中获取了逼真的仿真结 果。将两种平台综合利用获取的光电场景模型，能够将两种 平台各自的优势很好的融合在一起，能够方便、快捷地获取作者简介李建军( 1968. 8 ) ，男，( 汉族) ，黑龙江齐齐哈尔人，硕士，副教授，主要研究方向: 嵌入式系统，网络与通信技术。( 上接第 356 页)然后对得到的图像进行初始化处
21、理。其次，对处理后的图像 进行车流密度差异检测。根据检测结果，计算指定区域车辆 前景图像像素数目与目标像素数目的比值，从而获取车流像 素密度估计值，提高了估计的准确率。有很大的发展前景和 商业价值。4A N Marana，et al Estim crowd density with minkowski fractaldimension J IEEE International Conference on Acoustics，Speech，and Signal Processing，1999: 3521 3524薛国新 多车超车跟车假想尾巴模型J 计算机仿真，2006 5: 245 248常青，
22、王立，邢超，王红梅，李言俊 基于遗传算法的图像阈值 选取J 计算机工程与应用，2002，2256参考文献:作者简介陈贺明( 1981 ) ，女( 汉族) ，河南洛河人，硕士研 究生，讲 师，研 究 方 向: 软 件 工 程，数 据 库，图 形 图像。邹丽霞( 1975 ) ，女( 汉族) ，河南人，硕士研究 生，讲师，研究方向: 数据挖掘，网络安全。1郭健，王保平 基于特征块匹配的图像检索技术J仿真，2008，( 7) : 180 183李卫斌，辛乐 陈阳舟 李振龙 基于图像处理的车辆排队长度 鲁棒检测算法J 计算机测量与控制，2011 8周传贤，杨阳 商场启动疏散预案的最大人流密度思考J中国安全生产科学技术，2007 5计算机23
