1、基于OpenCV的车流统计算法设计,目录,CONTENTS,01 目的、意义,车流量统计是智能交通系统中交通监控系统的核心内容，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,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，对车流统计系统的准确性带来了挑战,目前现有的车流统计系统，是利用前后两帧的车辆特征作出识别和追踪，在面对道路车况复杂，背景复杂的条件下准确率大大降低,本文研究的车流统计算法，使用Kalman滤波算法，预测车辆的位置和面积来匹配和追踪车辆,01 目的、意义,本文研究的车流统计算法，是使用Ka
2、lman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。,02 基本内容,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K-1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。 Kalman滤波
3、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。,02 基本内容,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； 1 表示预测误差，也可理解为噪声的误差。 = 1 + 1 观测方程： z 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 1 互不相关。 = + 预测现在状态 1 = 1 1 1 的协方差 1 = 1 1 最优化估算值 = 1 +()( 1 ) Kalman增益 = 1 /( 1 +
4、更新状态 =( ) 1,02 基本内容,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 和定义一个 。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。,计算车辆在前一帧和后一帧的中心位置距离，D= ( +1 ) 2 + ( +1 ) 2 符合距离范围内的可判断为同一车辆。另外，计算车辆在前一帧和后一帧的面积差，A= +1 ，面积差符合范围可判
5、断为同一车辆。,02 基本内容,程序流程图,03 完成期限 主要措施,第三周、第四周,决定基本算法思路，编写开题报告，开题答辩,第一周、第二周,文献翻译，查阅相关资料，熟悉OpenCV函数,第七、八、九周,编写C+程序，完成核心功能,第五周、第六周,制定具体算法设计方案，编写C+程序,第十一、十二、十三周,软件调试，测试程序是否正常运行,第十周,完成程序，期中检查,第十六、十七周,检查论文，毕业答辩,第十四、十五周,验收程序，编写论文,04 预期目标,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.
