开题报告基于OpnCV的车流统计算法设计.docxVIP

PAGE  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???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。 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：xk为k时刻的系统状态，表示运动矢量的值；A为运动参数；wk-1表示预测误差，也可理解为噪声的误差。 xk=Axk-1+wk-1 观测方程：zk为k时刻的观测值；H为观测矩阵；vk为估计过程产生的误差，与wk-1互不相关。 zk=Hxk+vk 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： xkk-1=Axk-1k-1 xkk-1是利用上一状态预测的结果，xk-1k-1是上一状态最优的结果。对应xkk-1的协方差为： pkk-1=Apk-1k-1A pkk-1是xkk-1对应的协方差，pk-1k-1是xk-1k-1对应的协方差，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xkk，Kgk为Kalman增益 xkk=xkk-1+Kg(k)(Zk-Hxkk-1) Kgk=pkk-1H/(Hpkk-1H+R 最后需要更新k状态下xkk