开题报告-基于opencv的车流统计算法设计

本科毕业设计（论文）开题报告书题目基于OPENCV的车流统计算法设计指导教师专业班级学号姓名日期2016年3月20日一、选题的目的、意义随着汽车数量的迅猛增加，导致了道路交通状况的日益恶化，如何实时智能地对道路车流量进行监控，为交通管理部门提供指挥决策依据，成为一个亟待解决的问题。车流量统计是智能交通系统中交通监控系统的核心内容，是指对道路交通监控视频，采用一定的策略，实现对车辆的监测和跟踪并进行车辆计数的过程。基于视频的车流量统计系统适应性强且容易维护，目前已广泛的应用于智能交通监控系统中。根据车流量的历史数据，交通部门能推测出道路的车流高峰时段，以及时分配车道和信号灯来疏导车流，减少交通拥堵。让交通管理变得更加高效，让公众出行变得更为顺畅。而城市也因此变得更加宜居。车流统计系统在传统的电视监视系统基础上将计算机视觉引入到交通信息检测之中，通过计算机从数字图像中提取出高级交通信息，同时又像其它车辆检测器一样能向交通监控中心提供图像和交通参数如车流量等。目前，国内已经较为广泛地应用车流统计系统来监测道路的车流量，以获取的车流高峰的时段来调整交通管制。但是，国内城市主干道行车道数目多，在高峰期车辆多，并且车辆来回变道，拥堵也较为严重。此时，对车流统计系统的准确性带来了挑战。当高峰期到来时，现有的车流统计系统识别准确率会有所下降，不能统计一个精确的数值，误差数目较大。本文研究的车流统计算法，是使用KALMAN滤波器算法来识别和追踪车辆，根据视频前一帧画面的车辆的中心位置，速度和外形面积来预测后一帧车辆的中心位置和外形面积，利用预测后的特征与当前图像上的特征匹配，以更准确地识别和追踪同一车辆。而传统的车流统计系统，是利用前后两帧的车辆特征作出识别和追踪，在道路车况复杂，背景复杂的条件下准确率大大降低，但使用本文研究的车流统计算法仍然能保持较高的准确率。基于上述算法改进的优越性，更快速、更准确的车流统计系统对于智能交通系统的发展有巨大的推动作用，对于日常生活和国家的经济发展都有很大的实际意义。二、本题的基本内容本文研究的车流统计算法，是使用KALMAN滤波器对车辆的中心位置、速度、面积特征进行下一帧的预测，使用预测值与真实值进行匹配识别和追踪，提高准确率。而且KALMAN滤波算法能不断迭代更新，使得系统噪声、观测噪声等引起的误差逐渐减小，以获得最佳的状态参数。此外，KALMAN算法不要求保存过去的测量数据，当新的预测数据得到后，根据新数据与前一数据的参数估计值，借助于状态转移方程，即可算出新的参数估计值，大大减少了计算量和存储量。基本原理KALMAN滤波的基本思想是，如有一组强而合理的假设，给出系统的历史测量值，则可以建立最大化这些早期测量值的后验概率的系统状态模型。也就是重复更新系统状态模型。KALMAN滤波需要两个重要的假设，（1）被建立模型的系统是线性的，也就是K时刻的系统状态可以用某个矩阵与K1时刻的系统状态的乘积表示。（2）假设噪声是高斯分布的白噪声，也就是噪声与时间不相关。首先需要用两个离散方程描述此对象的运动模型系统状态方程为K时刻的系统状态，表示运动矢量的值；A为运动参数；表示预测误差，也可理解为噪声的误差。111观测方程为K时刻的观测值；H为观测矩阵；为估计过程产生的误差，与互不相关。1对于满足以上两个条件，线性随机微分系统，过程和观测都可视为高斯白噪声，KALMAN滤波器是最优的信息处理器。我们结合协方差来估算系统的最优化输出。首先我们要利用系统的过程模型，来预测下一状态的系统。可以基于系统的上一状态来预测出现在状态111是利用上一状态预测的结果，是上一状态111最优的结果。对应的协方差为1111是对应的协方差，是对111111应的协方差，A是A的转置矩阵。现在有了预测结果，然后再收集测量值，得出最优化估算值，为KALMAN增益111/1最后需要更新K状态下的协方差，当系统进入K1时，就成为，算法就能运算下去。111综上所述，KALMAN滤波器利用反馈控制系统估计运动状态，大体过程可以分为2步预测和修正。预测部分负责利用当前的状态和误差协方差估计下一时刻的状态，得到状态预测值；修正部分负责反馈，将新的实际观测值与状态预测值进行比对，从而获得后验估计。在每次完成预测和修正以后，由后验估计值预测下一时刻的系统状态，重复以上步骤，这就是KALMAN滤波器的递归工作原理。具体做法在使用差分法提取车辆后，需要选择中心位置和跟踪窗口的特征来描述车辆。根据上述的KALMAN滤波原理，我们先要定义一个系统状态，是由的转换函数和噪声组成；然后定义一个，1是由的观测函数和噪声决定的。系统状态方程11观测方程系统状态具体表现为，其中,XY为车辆中心坐标，LH为车辆矩形的宽和高，V为前四者的速度。观测状态具体表现为，其中XY为车辆中心坐标，,LH为车辆矩形的宽和高。由于相邻两帧之间间隔很短，目标运动状态变化较小，可以假设车辆在单位时间间隔是匀速运动。然后我们进行车辆特征的匹配，根据KALMAN滤波原理，先使用上一帧车辆的状态预测现在帧车辆的状态，111然后算出的协方差，算出最优化估算值。最11后需要更新K状态下的协方差，使自动计算下一个估算值。接着计算车辆在前一帧和后一帧的中心位置距离，符合距离范围内的可判断为同一1212车辆。另外，计算车辆在前一帧和后一帧的面积差，面积差符合范围可判断为同一车辆。1下图为效果图和示意图，黑色圆表示前几帧车辆的路径，虚线圆表示预测的下一帧位置，蓝色圆为下一帧车辆的实际位置。可以看出，当没有预测位置和面积时，下一帧车辆需要与上一帧车辆位置匹配，从而有可能会与其他车辆错误识别，如果使用预测位置、面积和下一帧车辆匹配，准确率将会有所提高，减少错误识别的发生。下图为整体的算法流程图开始KALMAN滤波器参数初始化车辆位置预测车辆位置、面积匹配KALMAN滤波器参数更新三、完成期限和主要措施第一周、第二周文献翻译，查阅相关资料，熟悉OPENCV函数第三周、第四周决定基本算法思路，编写开题报告，开题答辩第五周、第六周制定具体算法设计方案，编写C程序第七、八、九周编写C程序，完成核心功能第十周完成程序，期中检查第十一、十二、十三周软件调试，测试程序是否正常运行第十四、十五周验收程序，编写论文第十六周检查论文，毕业答辩准备第十七周毕业答辩车辆运动轨迹结束KALMAN滤波器循环四、预期达到的目标五、主要参考文献1吕杉基于OPENCV的视频运动检测中背景减除算法的研究与改进D吉林大学，20112欧晓丹多车粘连情况下的车辆跟踪算法研究D北方工业大学，20113梁锡宁基于OPENCV的目标跟踪软件与系统实现D电子科技大学，20114钱志明，杨家宽，段连鑫基于视频的车辆检测与跟踪研究进展J中南大学学报，2013，44（2增刊）18255董辉视频中运动物体检测与跟踪的OPENCV实现D安徽理工大学，20126HYZHAO,OKIM,JSWON,ANDDJKANG,“LANEDETECTIONANDTRACKINGBASEDONANNEALEDPARTICLEFILTER,”INTERNATIONALJOURNALOFCONTROLAUTOMATIONANDSYSTEMS,VOL12,NO6,PP13031312,20147SSTEOHANDTBRAUNL,“SYMMETRYBASEDMONOCULARVEHICLEDETECTIONSYSTEM,”MACHINEVISIONANDAPPLICATIONS,VOL23,NO5,PP831842,20128RSFERIS,BSIDDIQUIE,JPETTERSON,YZHAI,ADATTA,LMBROWN,ANDSPANKANTI,“LARGESCALEVEHICLEDETECTION,INDEXING,ANDSEARCHINURBANSURVEILLANCE拍摄一段长度适中，车流情况较为复杂的道路视频，运行程序能达到以下效果1在车流状况较复杂情况下能较为准确地识别车辆，不出现交叉识别2能较为快速、准确地统计车辆的数目3使用KALMAN滤波后的准确率有较大提升可能出现的不足1当车辆行驶路径特殊时，预测位置与实际位置相差较大，可能会与其他车辆交叉识别2当多辆车行驶相近时，可能无法分辨车辆的数目，导致统计出现误差VIDEOS,”IEEETRANSONMULTIMEDIA,VOL14,NO1,PP2842,20129PFFELZENSZWALB,RBGIRSHICK,DMCALLESTER,ANDDRAMANAN,“OBJECTDETECTIONWITHDISCRIMINATIVELYTRAINEDPARTBASEDMODELS,”IEEETRANSONPATTERNANAYSISANDMACHINEINTELLIGENCE,VOL32,NO9,PP16271645,201010VDHOANG,MHLE,ANDKHJO,“HYBRIDCASCAD