智能交通系統(tǒng)詳細設計說明書

1、<p>　　實踐項目（中國區(qū)）選拔賽</p><p><b>　　詳細設計說明書</b></p><p>　　參賽隊伍名稱 </p><p>　　參賽作品名稱 iTraf智能交通系統(tǒng) </p><p>　　報名注冊編號(ID)

2、 </p><p>　　團隊成員姓名 </p><p>　　學校/系 </p><p>　　主要聯(lián)系電話 </p&g

3、t;<p>　　通訊地址 </p><p>　　郵 編 </p><p>　　電子郵箱 </p><p>　　2008年10月10日<

4、;/p><p><b>　　目 錄</b></p><p><b>　　1.引言5</b></p><p>　　1.1.編寫目的5</p><p><b>　　1.2.背景5</b></p><p>　　1.3.參考資料5</p>

5、;<p>　　2.程序（模塊）系統(tǒng)的組織結構6</p><p>　　2.1.交通事件檢測軟件6</p><p>　　2.1.1.視頻采集模塊6</p><p>　　2.1.2.預處理模塊7</p><p>　　2.1.3.車輛檢測模塊7</p><p>　　2.1.4.車輛跟蹤模塊

6、8</p><p>　　2.1.5.車輛運動信息提取模塊8</p><p>　　2.1.6.交通事件檢測模塊9</p><p>　　2.1.7.參數設置模塊10</p><p>　　2.1.8.網絡管理模塊11</p><p>　　2.2.管理中心軟件12</p><p>　

7、　2.2.1.交通事件集中存儲檢索模塊12</p><p>　　2.2.2.報警管理模塊13</p><p>　　2.2.3.交通事件統(tǒng)計模塊13</p><p>　　2.2.4.用戶管理模塊14</p><p>　　2.2.5.交通管理部門接口14</p><p>　　2.2.6.交警巡邏車接口

8、15</p><p>　　2.2.7.語音接口15</p><p>　　2.2.8.短信發(fā)送接口16</p><p>　　3.界面設計要求16</p><p>　　4.核心算法設計17</p><p>　　4.1.運動車輛檢測17</p><p>　　4.1.1.運動目標

9、檢測17</p><p>　　4.1.2.背景模型18</p><p>　　4.1.3.車輛檢測19</p><p>　　4.1.4.后處理23</p><p>　　4.2.運動車輛跟蹤27</p><p>　　4.2.1.基于Kalman濾波的跟蹤算法27</p><p>

10、;　　4.2.2.基于模板匹配的細分割28</p><p>　　4.2.3.異常跟蹤處理31</p><p>　　4.3.夜間車輛檢測31</p><p>　　4.3.1.夜間車輛特點31</p><p>　　4.3.2.車燈配對32</p><p>　　4.3.3.白天夜晚模式切換33<

11、/p><p>　　4.4.基于圖像分析的交通事件檢測33</p><p>　　4.4.1.基于軌跡的事件檢測33</p><p>　　4.4.2.車速檢測36</p><p>　　4.4.3.事件檢測41</p><p>　　4.5.能見度和雪、雨的檢測45</p><p>　　

12、4.5.1.能見度檢測46</p><p>　　4.5.2.局部直方圖均衡46</p><p>　　4.5.3.基于色彩恒常理論的圖像增強49</p><p>　　5.系統(tǒng)流程圖53</p><p>　　5.1.交通事件檢測軟件53</p><p>　　5.1.1.視頻采集模塊54</p&

13、gt;<p>　　5.1.2.預處理模塊54</p><p>　　5.1.3.車輛檢測模塊55</p><p>　　5.1.4.車輛跟蹤模塊56</p><p>　　5.1.5.車輛運動信息提取模塊57</p><p>　　5.1.6.交通事件檢測模塊59</p><p>　　5.1.

14、7.參數設置模塊60</p><p>　　5.1.8.網絡管理模塊61</p><p>　　5.2.管理中心軟件62</p><p>　　5.2.1.交通事件集中存儲檢索模塊62</p><p>　　5.2.2.報警管理模塊63</p><p>　　5.2.3.交通事件統(tǒng)計模塊64</p&

15、gt;<p>　　5.2.4.用戶管理模塊65</p><p>　　5.2.5.語音接口66</p><p>　　5.2.6.短信發(fā)送接口67</p><p><b>　　引言</b></p><p><b>　　編寫目的</b></p><p>　

16、　本詳細設計說明書確定系統(tǒng)的詳細功能模塊和數據結構，為下階段開發(fā)工作提供依據。</p><p><b>　　背景</b></p><p>　　軟件系統(tǒng)的名稱：iTraf智能交通系統(tǒng)</p><p>　　本項目的提出者：iTraf小組研究學習</p><p>　　本項目的開發(fā)者：iTraf小組</p><

17、;p>　　軟件系統(tǒng)的用戶：用于道路交通緊急救援、道路的智能化控制和管理等方面</p><p><b>　　參考資料</b></p><p>　　iTraf智能交通系統(tǒng)需求規(guī)格說明書</p><p>　　iTraf智能交通系統(tǒng)概要設計說明書</p><p>　　程序（模塊）系統(tǒng)的組織結構</p><

18、;p>　　圖2-1 系統(tǒng)組織結構</p><p><b>　　交通事件檢測軟件</b></p><p><b>　　視頻采集模塊</b></p><p>　　視頻采集是將攝像機的數據按照設定的頻率進行采集，以進行實時處理。</p><p>　　圖2-2 視頻采集模塊用例圖</p>

19、<p>　　初始化軟件運行參數；</p><p>　　提供從前端攝像頭采集數字視頻到內存服務；</p><p>　　提供從視頻錄像文件采集數字視頻到內存服務。</p><p><b>　　預處理模塊</b></p><p>　　預處理包括背景獲取與更新和陰影控制（去除噪聲和陰影），以及高斯濾波，圖像銳化和增強

20、，特別針對夜間的“浮雕”預處理，可以將車燈光去掉。</p><p>　　圖2-3 預處理模塊用例圖</p><p>　　對采集到的視頻進行采集時段（白天或夜間）判斷；</p><p>　　提供白天、夜間兩種視頻幀預處理模式；</p><p>　　視頻背景圖像獲取與更新；</p><p>　　陰影控制（去除噪聲和陰影）；

21、</p><p>　　高斯濾波，進行圖像銳化和增強；</p><p>　　針對夜間的“浮雕”預處理，可以將車燈光去掉。</p><p><b>　　車輛檢測模塊</b></p><p>　　車輛檢測包括車輛矩形提?。ㄌ卣饔嬎恪⒛Ｊ狡ヅ?、矩形提?。?、車輛分割和合并（將連在一起的不同目標分開，將屬于同一輛車的不同部分合并）&

22、lt;/p><p>　　圖2-4 車輛檢查模塊用例圖</p><p>　　車輛矩形提?。ㄌ卣饔嬎?、模式匹配、矩形提?。?；</p><p>　　車輛分割和合并（將連在一起的不同目標分開，將屬于同一輛車的不同部分合并）。</p><p><b>　　車輛跟蹤模塊</b></p><p>　　采用卡而曼慮波

23、，對目標先進行運動估計，后再尋找匹配目標。利用車輛跟蹤可繪制車輛的軌跡圖像，據此可進行碰撞預測（利用隱馬爾可夫HMM模型結合直線擬合預測可能出現(xiàn)的交通事故）。</p><p>　　圖2-5 車輛跟蹤模塊用例圖</p><p>　　要采用卡而曼慮波，對目標先進行運動估計，后再尋找匹配目標；</p><p>　　利用車輛跟蹤繪制車輛的軌跡圖像，據此進行碰撞預測；<

24、/p><p>　　利用隱馬爾可夫HMM模型結合直線擬合預測可能出現(xiàn)的交通事故。</p><p>　　車輛運動信息提取模塊</p><p>　　在車輛跟蹤的基礎上，對車輛的運動軌跡以及車速進行估計。并根據運動軌跡，進行碰撞預測。</p><p>　　圖2-6 車輛運動信息提取模塊用例圖</p><p><b>　　

25、軌跡直線擬合；</b></p><p><b>　　車速估計；</b></p><p><b>　　碰撞預測。</b></p><p><b>　　交通事件檢測模塊</b></p><p>　　將各種信息（諸如每輛車的信息、平均車速、是否擁擠、是否發(fā)生交通事故、天氣

26、狀況、車道變換統(tǒng)計、以及車道占有率等）不但顯示在客戶端還要分類實時或定時發(fā)送到服務端，以供決策者進行決策指揮和研究者進行交通狀況研究。</p><p>　　圖2-7 交通事件檢測模塊用例圖</p><p><b>　　顯示過往車輛信息；</b></p><p><b>　　顯示過往車輛數；</b></p>&

27、lt;p><b>　　交通流量的檢測；</b></p><p>　　停車車輛的識別與統(tǒng)計；</p><p>　　慢行車輛的識別與統(tǒng)計；</p><p>　　快行車輛的識別與統(tǒng)計（是否超速）；</p><p>　　車輛型號的識別與統(tǒng)計（是否在正確的車道上行使）；</p><p>　　逆向車輛的

28、識別與統(tǒng)計（違章駕駛）；</p><p>　　平均車速檢測與統(tǒng)計（路況是否暢通）；</p><p>　　車道占有率檢測與統(tǒng)計（可擴展功能）；</p><p>　　車道變換車輛的識別與統(tǒng)計（可擴展其功能）；</p><p><b>　　交通擁擠的識別；</b></p><p>　　交通事件類型的識別

29、與統(tǒng)計；（把事件分細）；</p><p>　　交通事件位置的識別與統(tǒng)計；</p><p><b>　　能見度的檢測；</b></p><p><b>　　雪、雨天氣的檢測；</b></p><p><b>　　顯示交通狀況。</b></p><p>&l

30、t;b>　　參數設置模塊</b></p><p>　　主要是設定系統(tǒng)工作所需要的參數：視頻源，圖像文件和視頻錄像的存放位置，背景更新的時間，提取背景所用的幀數，陰影去除相關參數，灰度二值化閾值，車道線標定，車型界限設定，車速檢測線標定等。</p><p>　　圖2-8 參數設置模塊用例圖</p><p><b>　　輸入源設置；</

31、b></p><p><b>　　圖像存儲路徑設置；</b></p><p><b>　　車道線設置和校準；</b></p><p><b>　　檢測區(qū)設置；</b></p><p><b>　　背景保存；</b></p><p&

32、gt;<b>　　背景更新時間設置；</b></p><p><b>　　陰影消除設置；</b></p><p><b>　　二值化閾值設置；</b></p><p><b>　　車型設置；</b></p><p><b>　　虛擬檢測線設置；&

33、lt;/b></p><p><b>　　運行暫停；</b></p><p>　　交通事件相關參數設定；</p><p><b>　　查看軌跡圖像；</b></p><p><b>　　查看差分圖像；</b></p><p><b>　　

34、查看二值化圖像；</b></p><p><b>　　查看閉圖像；</b></p><p><b>　　查看車道線；</b></p><p><b>　　背景差分選擇；</b></p><p><b>　　形態(tài)濾波選擇；</b></p&g

35、t;<p><b>　　存儲錄像設定。</b></p><p><b>　　網絡管理模塊</b></p><p>　　與管理中心通訊，提供參數遠程設置功能。</p><p>　　圖2-9 網絡管理模塊用例圖</p><p><b>　　輸入源設置；</b><

36、/p><p><b>　　背景更新時間設置；</b></p><p><b>　　陰影消除設置；</b></p><p><b>　　二值化閾值設置；</b></p><p><b>　　車型設置；</b></p><p><b&

37、gt;　　運行暫停；</b></p><p>　　交通事件相關參數設定；</p><p><b>　　背景差分選擇；</b></p><p><b>　　形態(tài)濾波選擇；</b></p><p>　　遠程連接帳號密碼設置。</p><p><b>　　管理

38、中心軟件</b></p><p>　　交通事件集中存儲檢索模塊</p><p>　　圖2-10 交通事件集中存儲檢索模塊用例圖</p><p>　　與前端車輛事件檢測軟件通訊，獲取前端交通事件（交通流量、停車車輛數、慢行車輛數、快行車輛數、通行車輛的型號、逆向車輛數、平均車速、車道占有率、車道變換車輛數、交通擁擠情況、天氣狀況）；</p>

39、<p>　　提供前端交通事件檢索服務。</p><p><b>　　報警管理模塊</b></p><p>　　圖2-11 報警管理模塊用例圖</p><p>　　當出現(xiàn)交通擁擠時，觸發(fā)報警；</p><p>　　當出現(xiàn)逆向行駛車輛時，觸發(fā)報警；</p><p>　　當出現(xiàn)車輛碰撞時，觸發(fā)

40、報警；</p><p>　　當一定時間內停車車輛數超過預先設置的最大值，觸發(fā)報警；</p><p>　　當一定時間內變道車輛數超過預先設置的最大值，觸發(fā)報警；</p><p>　　用戶可設置報警聯(lián)動動作，包括聲光提示、短信發(fā)送、語音等；</p><p>　　用戶可查看管理報警日志。</p><p><b>　

41、　交通事件統(tǒng)計模塊</b></p><p>　　圖2-12 交通事件統(tǒng)計模塊用例圖</p><p>　　報告一天內各點及總體車輛數；</p><p>　　報告一天內各點及總體的大、小型車輛數；</p><p>　　報告一天內各點及總體的變化車道統(tǒng)計數據；</p><p>　　報告一天內各點及總體的事故類型及

42、次數（碰撞、異常滯留、擁擠）；</p><p>　　報告一天內各點及總體的交通擁擠、故障持續(xù)時間；</p><p>　　實時的交通擁擠、事故報告。</p><p><b>　　用戶管理模塊</b></p><p>　　圖2-13 用戶管理模塊用例圖</p><p><b>　　用戶帳號密

43、碼設置；</b></p><p><b>　　用戶權限配置；</b></p><p><b>　　用戶添加刪除設置；</b></p><p><b>　　用戶操作日志管理。</b></p><p><b>　　交通管理部門接口</b></

44、p><p>　　圖2-14交通管理部門接口用例圖</p><p>　　定時將各道路交通順暢程度匯集成文本信息，發(fā)送給交通管理部門；</p><p>　　將交通事件分類匯總，按事件嚴重程度的優(yōu)先級，先后向交通管理部門報警；</p><p>　　將發(fā)生交通事件前后的視頻錄制保存，為交通管理部門的工作提供依據；</p><p>

45、　　交通管理部門對收到的警報做出響應操作；</p><p>　　交通管理部門可以隨時了解各路段的交通信息；</p><p><b>　　交警巡邏車接口</b></p><p>　　圖2-15交警巡邏車接口用例圖</p><p>　　將交通事件分類匯總，按事件嚴重程度的優(yōu)先級，先后發(fā)送給交警巡邏車；</p>

46、<p>　　交通管理部門對收到的警報做出響應操作，并以就近原則趕往現(xiàn)場；</p><p>　　交通巡邏車可以隨時了解各路段的交通信息；</p><p><b>　　語音接口</b></p><p>　　圖2-16 語音接口用例圖</p><p>　　將交通事件匯集成文本信息；</p><p&

47、gt;　　定時將各道路交通順暢程度匯集成文本信息；</p><p>　　采用語音庫將文本信息轉化成語音，并輸入語音系統(tǒng)；</p><p>　　可定時進行，也可以事件觸發(fā)；</p><p>　　司機可以收聽到交通。</p><p><b>　　短信發(fā)送接口</b></p><p>　　圖2-17短信

48、發(fā)送接口用例圖</p><p>　　添加刪除訂閱交通短信通用戶及其手機號；</p><p>　　將道路擁擠信息發(fā)送到用戶。</p><p><b>　　界面設計要求</b></p><p>　　用戶界面采用Windows風格，便于用戶進行操作。在界面設計方面，采用微軟的最新技術WPF來負責整個系統(tǒng)的界面設計。</p

49、><p>　　WPF的全稱是Windows Presentation Foundation，是微軟新發(fā)布的Vista操作系統(tǒng)的三大核心開發(fā)庫之一，其主要負責的是圖形顯示，所以叫Presentation（呈現(xiàn)）。 作為新的圖形引擎，WPF是基于DirectX的，當然增加了很多新的功能。其2D和3D引擎的強大看看Vista的界面就明白了，再加上其對Aero圖形引擎的支持，更加讓你感到神奇。順便提一下，Aero是專門為3D

50、桌面開發(fā)的引擎，可以讓桌面實現(xiàn)神奇的3D翻轉，這絕對是操作系統(tǒng)有史以來的一次神奇嘗試，雖然對硬件配置的要求也是驚人的。</p><p>　　WPF其實不僅僅是圖形引擎而已，它將給Windows應用程序的開發(fā)帶來一次革命，因為新的架構提供了一種全新的開發(fā)模式。當然對于普通用戶而言，最直觀的就是界面越來越漂亮，看起來越來越舒服了；但對于開發(fā)人員而言，界面顯示和代碼將更好的得到分離，這與從前的桌面應用程序開發(fā)有很多不同

51、（界面設置和代碼是融合在一起的），這是比較具有革命性的改變之一。還有就是桌面應用程序和瀏覽器應用程序的融合，根據ms的承諾，正在開發(fā)中的WPF/E，即WPF Everywhere版本，將為基于WPF的應用程序提供全面的瀏覽器支持，這意味著未來開發(fā)出的應用程序將可以基于瀏覽器在不同的操作系統(tǒng)上運行，當然由于目前還在開發(fā)中，我們并不確定會不會有一定的限制，根據WPF/E開發(fā)組的定義，WPF/E仍然是WPF的子集，而不是后繼版本?？傮w而言，W

52、PF的前景應該是一片光明。</p><p><b>　　用戶界面設計規(guī)則</b></p><p><b>　　尺寸</b></p><p>　　在合理的布局下盡可能多的顯示控件內的內容。</p><p><b>　　布局</b></p><p>　　按照

53、操作流程或瀏覽順序自左至右、由上而下的排放各種控件，使界面整體協(xié)調、美觀大方。</p><p>　　自適應父對象的尺寸改變</p><p>　　控件應具有自適應父對象的尺寸改變的能力，當父對象的尺寸發(fā)生變化時，控件應能自動改變自己的尺寸并使界面保持整體協(xié)調，盡量減少因父對象的尺寸改變而帶來的操作或瀏覽上的不便。</p><p><b>　　核心算法設計&l

54、t;/b></p><p><b>　　運動車輛檢測</b></p><p><b>　　運動目標檢測</b></p><p>　　運動車輛檢測算法是基于圖像分析的高速公路事件自動檢測系統(tǒng)的關鍵部分。本系統(tǒng)采用背景差分的方法進行運動目標檢測。</p><p>　　背景差分法就是對當前幀圖像與背

55、景幀圖像進行差分，這是最常用的方法，運動車輛和暫時停止的車輛都可以檢測，因此適用于攝像機靜止的情形。它首先為圖像序列建立背景模型，提取不含運動目標的參考背景，通過將當前圖像幀和參考背景進行比較，確定出亮度變化較大的區(qū)域，即認為是前景區(qū)域。這種方法的計算速度很快，可以獲得關于運動目標區(qū)域的完整精確的描述，但對場景中光照條件、大面積運動和噪聲比較敏感，在實際應用中需采用一定的算法進行背景模型的動態(tài)更新，以適應環(huán)境的變化。</p>

56、<p><b>　　背景模型</b></p><p>　　背景差分法在提取運動目標時假設圖像序列的背景是固定不變的，因而它能十分有效地檢測出快速和緩慢運動、甚至是靜止的非背景的目標。但是這種方法對背景的變化比較敏感，當背景光照發(fā)生變化時，如果不能及時地更新背景圖像將產生錯誤的檢測結果，因此對于長時間的目標檢測來說，背景的光照必然是隨時間變化的，必須采用自適應地背景更新的方法。&

57、lt;/p><p>　　在高速公路監(jiān)控圖像中，通過標定場景路面圖像作為圖像處理區(qū)域，其背景圖像簡單，而且每個背景點上的顏色分布比較集中。本系統(tǒng)采用運算速度快、性能較好的統(tǒng)計學背景模型——序列均值法。</p><p><b>　　（5-1）</b></p><p>　　其中c＝R，G，B。雖然路面上有車輛通過，但是只要統(tǒng)計的時間足夠長總能得到比較好的

58、背景圖像。圖3-1是實驗中提取的背景。</p><p>　　在圖4-1中，上左圖為視頻圖像；上右圖為視頻圖像50幀的均值結果，由于訓練的幀數過小，在提取的背景圖像上有目標車輛的殘留痕跡；下左圖為視頻圖像200幀的均值結果，訓練幀數適中，提取的背景圖像平滑接近實際背景；下右圖為視頻圖像700幀的均值結果，提取的背景更接近于實際背景，比起下左背景改善很小，但運算時間卻花費過多。由圖可見，背景圖像提取過程中，訓練幀數需

59、適中，一般200～300幀即可。</p><p>　　圖4-1背景提取比較圖</p><p><b>　　車輛檢測</b></p><p><b>　　差分模型</b></p><p>　　傳統(tǒng)的背景差分法都采用背景圖像與當前幀圖像的灰度差值來實現(xiàn)，但是可利用的信息太少，當車輛與路面背景的灰度值非常

60、接近的時候，檢測出的車輛目標區(qū)域會出現(xiàn)大片的空洞或破裂，甚至漏檢。為克服此問題我們對采集的大量視頻圖像進行了觀察和分析，發(fā)現(xiàn)物體與背景灰度相同的區(qū)域，其顏色一般不會相同，因此采用如下彩色圖像差值模型：</p><p><b>　　（5-2）</b></p><p>　　圖4-2上圖為本系統(tǒng)差分模型得到的車輛檢測圖；圖4-2下圖為對應的圖像灰度值相差的車輛檢測圖。由圖可

61、以看出，本系統(tǒng)差分模型得到的車輛檢測圖比較完整，空洞或者破裂的現(xiàn)象較少。</p><p>　　圖4-2差分模型比較</p><p><b>　　陰影抑制</b></p><p>　　通過觀察發(fā)現(xiàn)，經過上述方法分割出的車輛，在大部分情況下是存在陰影影響的，這樣就會使分割出來的車輛面積比實際的大，甚至有可能造成兩個或多個車輛由于陰影而相互粘連在一起

62、，若以此作為后續(xù)工作的依據，則勢必會造成誤差，甚至錯誤。</p><p>　　通常的運動目標檢測方法都無法直接區(qū)分運動目標和陰影，因為陰影部分與運動目標部分具有某些相似的視覺特征，這就給陰影檢測帶來困難。由于在RGB空間中，人的感知差別和計算差別的一致性較差，因此提出了很多顏色空間，如：歸一化RGB，HSV(Hue，Saturation，Value)，C1C2C3及L1L2L3錯誤!未找到引用源。。這些顏色空間可

63、以很好地體現(xiàn)顏色的一致性。但是對于歸一化RGB顏色空間，由于它在黑色(R=G=B=0)上沒有定義，因此在黑色附近很不穩(wěn)定。對于HSV空間，當RGB三個分量相等時Hue沒有定義。所以在這些顏色不變性彩色空間中，本系統(tǒng)采用了C1C2C3模型，其顏色空間定義如下：</p><p><b>　?。?-3）</b></p><p>　　,

64、 （5-4）</p><p><b>　?。?-5）</b></p><p>　　其中R(x，y)， G(x，y)， B(x，y)分別表示像素的RGB三個顏色分量。由陰影的性質可知，陰影點比對應位置背景像素點的亮度要低而顏色不變。定義：</p><p><b>　?。?-6）</b></p><p&

65、gt;　　其中，分別表示背景與當前圖像的亮度值，計算方法：</p><p><b>　?。?-7）</b></p><p>　　在理想的情況下，陰影點必有。但是由于噪聲的存在，我們給定一個閥值tL，即變?yōu)椤榱双@得更好的魯棒性，我們以點(x，y)為中心的小窗口 (2N＋1)×(2M＋1）的亮度總差值來代替點(x，y)的亮度差，即：</p>

66、;<p><b>　　（5-8）</b></p><p>　　當亮度差值小于tL的像素點位置(x，y)就可以被當作候選陰影點。</p><p>　　在陰影顏色不變性上，本系統(tǒng)考慮C1C2C3差值，其定義為：</p><p><b>　　（5-9）</b></p><p><b&g

67、t;　?。?-10）</b></p><p><b>　?。?-11）</b></p><p>　　當di<Ci時，i＝1，2，3，即認為位置(x，y)顏色不變，為陰影候選點。同時，與處理亮度差值一樣對di(i＝1，2，3)做窗口化處理。</p><p>　　綜合上述亮度差值與顏色不變性兩個條件，就可以得出陰影檢測結果。<

68、;/p><p>　　圖4-3為陰影檢測圖，其中參數設置為：tL＝10，C1＝0。2，C2＝0。2，C3＝0。2，白色部分表示的為陰影。由圖中可以看出，陰影檢測效果較好。只是車輛的后車窗也被誤檢測為陰影了，這可以通過邊緣檢測模版和連通區(qū)域統(tǒng)計的方法根據陰影的幾何位置估計去掉，因為陰影不可能在目標部分的中間位置。</p><p><b>　　圖4-3陰影檢測圖</b><

69、/p><p><b>　　后處理</b></p><p><b>　　形態(tài)濾波</b></p><p>　　在差分閥值處理過程中，有時候由于車身顏色跟路面顏色非常接近，造成車輛目標圖像斷裂而不連續(xù)，同樣會給后面的處理工作帶來不便。而且還有一些孤立的噪聲點存在，因此在本系統(tǒng)中采用了形態(tài)濾波的方法來提高車輛檢測的準確度。</

70、p><p>　　在本系統(tǒng)中使用 3×3 正方形的結構元素先對處理圖像膨脹一次，再對膨脹后的處理圖像同樣地也做腐蝕處理。膨脹是為了連接同一車輛的斷裂處，而腐蝕可以消除孤立的噪聲點。圖4-4左邊的小圖為背景差分圖像的二值化圖像，右邊的小圖為對應的形態(tài)濾波圖像（包含陰影抑制）。</p><p>　　圖4-4 車輛檢測形態(tài)濾波圖</p><p><b>　　

71、車輛矩形提取</b></p><p>　　由于本系統(tǒng)跟蹤算法的跟蹤對象是矩形框，因此我們還要提取車輛目標區(qū)域的最小外接矩形。在8-連通操作后，我們可以得到各個標記過的連通區(qū)域，其最小外接矩形計算方法如圖4-5所示。</p><p>　　圖4-5 最小外接矩形示意圖</p><p>　　最小外接矩形Rect提取公式：</p><p>

72、;<b>　　（5-12）</b></p><p>　　在式（5-12）中，分別表示連通區(qū)域的x，y坐標；分別表示矩形的左端、右端、上端與下端。在實驗中發(fā)現(xiàn)，雖然在背景差分建模及形態(tài)濾波等操作中都考慮了同一車輛的連續(xù)問題，但是在車身顏色跟路面顏色非常接近時，車輛目標圖像斷裂的現(xiàn)象還是存在，即同一車輛對應多個最小外接矩形框，如圖4-6所示。</p><p>　　圖4-6

73、 檢測車輛斷裂現(xiàn)象圖</p><p>　　圖4-7 車輛檢測最終結果圖</p><p>　　為使斷裂的同一車輛只對應唯一矩形框，本系統(tǒng)提出了矩形間距離的概念。其定義：</p><p><b>　?。?-13）</b></p><p>　　其中RectA，RectB 分別為兩個矩形，Ca，Cb為對應的質心。點到矩形的距離定

74、義為：當該點處于矩形之外時，即為點到矩形上所有點的最小距離；否則為零。 當車輛矩形間的距離為零或者小于某個比較小的閥值時，就認為這兩個矩形屬于同一車輛的區(qū)域，即相關矩形合并。合并后的矩形為這兩個矩形的外接最小矩形(如圖4-8所示)。而且在合并矩形后，忽略明顯不是車輛目標所對應的矩形框，例如長寬比太大或者太小的矩形框。</p><p>　　圖4-8 車輛矩形合并圖</p><p>

75、<b>　　運動車輛跟蹤</b></p><p>　　基于Kalman濾波的跟蹤算法</p><p>　　Kalman濾波器是一個對動態(tài)系統(tǒng)的狀態(tài)序列進行線性最小方差誤差估計的算法，通過以狀態(tài)的狀態(tài)方程和觀測方程來描述系統(tǒng)。該法對于平滑或者近似平滑有很好的預測效果，預測時具有無偏、穩(wěn)定和最優(yōu)的特點，而且簡單易行。由于在高速公路上的行駛車輛可以近似認為是直線勻速運動的，

76、因此在本系統(tǒng)的車輛跟蹤算法中，就是采用Kalman濾波器完成車輛的運動估計。根據Kalman濾波器的原理和運動車輛的特點，建立了車輛勻速運動的Kalman濾波器模型。</p><p>　　雖然Kalman濾波可以很好的預測出車輛的位置，但是在多輛車相互遮擋時，檢測到的車輛區(qū)域矩形就不能與預測位置一一匹配，從而產生二義性。本系統(tǒng)提出了一種跟蹤匹配矩陣與模板匹配相結合的方法來準確分割相互遮擋的車輛。跟蹤模板為四維向量

77、即為Kalman濾波器、當前幀矩形、下幀預測矩形與車輛圖像，即：</p><p><b>　?。?-14）</b></p><p>　　在應用Kalman濾波預測矩形后，讓檢測到的車輛區(qū)域矩形分別與預測矩形做距離計算，當矩形間距離等于0或者小于某個閥值就賦值為1，即檢測矩形與預測矩形匹配；否則就賦值為0，即不匹配。經過這樣的計算就可以得到如表5-1形式的矩陣。在理想的

78、情況下，檢測矩形與預測矩形是一對一對應或者沒有對應。一對一對應匹配（如檢測矩形4與預測矩形3）說明檢測矩形所代表的車輛屬于預測矩形對應的跟蹤，此時僅對跟蹤模板更新，無須進一步處理；沒有對應匹配（如檢測矩形5）的檢測矩形，表示這是新車輛駛進，隨之產生一個新跟蹤；沒有對應匹配（如預測矩形5）的預測矩形，表示該跟蹤中止，即車輛駛出；在表1中檢測矩形1、2同時匹配預測矩形1，說明車輛矩形1、2在前一幀是同一個車輛區(qū)域，此時發(fā)生分裂；檢測矩形3分

79、別與預測矩形2、4匹配，這說明檢測矩形3是車輛相互遮擋區(qū)域。對于分裂的車輛有兩種可能，一是同一輛車由于在車輛檢測時進行八連通時產生分裂；二是兩輛車先是相互遮擋的，此時分開了。對于是同一輛車分裂可以把兩矩形合并處理；對于是兩輛車分開的情況可以根據跟蹤目的（如車輛計數、軌跡跟蹤等）不同分別作處理。 </p><p>　　表5-1跟蹤匹配矩陣表</p><p>　　基于模板匹配的細分割</

80、p><p>　　圖像像素的灰度值信息包含了圖像所記錄的所有信息，基于圖像像素灰度值的匹配是最基本的匹配算法。在車輛遮擋區(qū)域，如何準確把各個車輛分割開來是個難題。本系統(tǒng)把整個車輛遮擋區(qū)域作為目標搜索圖像，與遮擋區(qū)域匹配的各個跟蹤模板中的矩形區(qū)域圖像作為匹配模板圖像，然后作模板匹配，找到最匹配的位置，該位置區(qū)域就是欲跟蹤的車輛。</p><p><b>　　相似性測度改進</b&g

81、t;</p><p>　　傳統(tǒng)的相似性測度有個缺點，即模板圖像和目標圖像中每一對對應像素點對匹配結果的貢獻是一樣的，這樣就使得算法會容易受到個別噪聲點、局部遮擋等因素的影響，而造成匹配失敗。因此本系統(tǒng)采用了一種新的相關匹配算法，定義目標圖像與模板圖像像素點之間的相似度：</p><p><b>　　(5-15)</b></p><p>　　式(

82、5-15)中，目標圖像的子圖為以點(m，n)為左上角點，寬高分別為模板圖像寬高的矩形區(qū)域， 表示模板圖像中像素點(x，y)；表示目標圖像中像素點(x＋m，y＋m)。首先計算模板圖像與子圖對應像素點的灰度絕對差，如果這個絕對差值小于某個確定的門限(這個門限是經過實驗觀察得來，經驗表明這個值取在10到15之間比較合適)，那么就認為這兩個像素點是相似的。然后統(tǒng)計整個圖像的相似像素點個數，相似像素點個數最大的位置對應子圖最有可能就是欲匹配的區(qū)域

83、。</p><p><b>　　模板匹配加速算法</b></p><p>　　模板匹配的匹配速度、匹配精度和可靠性是體現(xiàn)匹配性能的重要因素。很多匹配算法為圖像配準提供了相當高的精度，而此時需要注意的是提高匹配速度。如果不采用加速算法，為了找到參考圖像上一點在待配準圖像上所對應的同名點，現(xiàn)有的方法不得不在搜索區(qū)域內對每一個點都做相關處理，而除了同名點外，其它所有像素點的

84、工作都是無用功，也浪費了大量時間。為了加快匹配速度，系統(tǒng)采用金字塔分級搜索方法。</p><p>　　金字塔分級搜索方法是按先粗后細的順序尋找目標。方法是先對原圖像中鄰域內的像點灰度值取平均，得到分辨率低一級的圖像。照此處理，可得到一組金字塔式的圖像。假設有級，即，其中即原圖像。當把待匹配的兩幅圖都作此預處理后，匹配搜索從二圖的某一低分辨率級開始。這里不但像點數目少、高頻信息也平滑掉一部分，因此粗匹配結果可能出現(xiàn)

85、不止一個匹配位置。因為圖中點數少，即使粗匹配是在全部參考點上進行，搜索過程仍很快。接下去轉到高一級分辨率的圖上找匹配，但搜索空間只限于一個或幾個粗匹配點附近，計算量不大。第三次找匹配同第二次的。仿此下去直到在的一級即原圖像找出二圖的匹配點為止。</p><p>　　這一算法的加快程度可從總搜索位置數的減小看出：第一次(最低分辨率一級)是全部搜索，搜索位置數為 ，第二次到較高分辨率一級都只在粗匹配點附近搜索，所以本

86、方法總的搜索位置數約為普通不分級搜索(需 次)的 分之一。若 ，就只有普通搜索位置的 ，扣除預處理多花的時間，計算總時間仍減少了很多。</p><p>　　圖4-9金字塔搜索比配圖</p><p>　　考慮到模板圖像很小，所以分層數設定為3層。</p><p><b>　　模板更新策略</b></p><p>　　在遮擋

87、區(qū)域基于模板匹配算法分割完車輛后，對其相應跟蹤模板的矩形位置進行更新，但其模板圖像不更新，這是由于在遮擋區(qū)域找到匹配位置的圖像不是該跟蹤的車輛圖像，當相互遮擋車輛分裂時，不更新的模板圖像可以對其進行后續(xù)的跟蹤。</p><p><b>　　異常跟蹤處理</b></p><p>　　由于噪聲的存在以及不可避免的跟蹤錯誤，這就要求在跟蹤算法上有些容錯機制。本系統(tǒng)在對異常跟

88、蹤情況的處理為：</p><p>　　駛入車輛：對于新跟蹤的目標能夠連續(xù)跟蹤Tin幀，即認為該車輛為新駛入車輛；否則就認為是噪聲干擾。</p><p>　　駛出車輛：對于失去跟蹤目標的跟蹤鏈，繼續(xù)保持原有跟蹤模板進行跟蹤，如果超過有Tout幀跟蹤失敗，即認為車輛駛出；否則繼續(xù)跟蹤。這可以防止誤認車輛暫時被遮擋的車輛駛出的情況。</p><p><b>　　

89、夜間車輛檢測</b></p><p><b>　　夜間車輛特點</b></p><p>　　夜間車輛輪廓不清晰，車燈與背景的對比強烈，中心光源的強度與散射光、衍射光、反射光有明顯的區(qū)別。</p><p><b>　　圖4-10夜間車輛</b></p><p>　　通過對夜間車輛特點的長期

90、觀察發(fā)現(xiàn)，車燈光離中心光源越遠亮度越低，這種變化具有規(guī)律性。人眼能夠準確分辨車燈光源、車燈光和路面的反射光，這是因為這三種光線在人眼視網膜皮層的成像具有很大差異。</p><p>　　根據夜間車輛的特點，運用色彩恒常理論對當前幀圖像進行處理，去除邊緣光線從而突出車燈中心光源。</p><p>　　經過預處理之后，反射光、衍射光和散射光都被去除，前景只剩下車頭燈。根據事先設定的車頭燈大小閾值

91、，就可以準確提取車輛目標。</p><p><b>　　車燈配對</b></p><p>　　通過前面的檢測，系統(tǒng)可以檢測出一個個的車燈，但是我們的目的是檢測出來一個個的車輛，因此還要對車燈進行配對。配對的策略是通過坐標的檢測，將屬于同一輛車的車燈重新合并到一起。具體可根據車燈在圖像上的縱坐標和橫坐標的差值來判定，一般情況下，如果攝像機正對車道，那么同一輛車的縱坐標相

92、等，橫坐標的差值比較小，據此可以設定閾值來檢測屬于同一輛車的兩個車燈并進行合并。</p><p>　　對于并排行使、車速基本相等的車輛，可以根據并排的車燈個數進行取平均，每兩個車燈為一對，如果平均值不為整數，那么必然存在單個車燈的車輛，這時可以根據距離和坐標信息來重新定位和分配。</p><p><b>　　白天夜晚模式切換</b></p><p&

93、gt;　　可以有兩種策略，一種是按照時間來進行，當系統(tǒng)檢測到時間段是在夜間的時候，系統(tǒng)就自動切換到夜間模式，當白天來到的時候就自動再切換到白天模式，比如可以設定6：00～18：00為白天，那么這個時間范圍之外的就是夜間。另一種是按照灰度統(tǒng)計的方式。系統(tǒng)事先設定一個區(qū)域作為參考，可以選擇系統(tǒng)的非檢測區(qū)域。每隔一段時間就進行一次灰度統(tǒng)計，當平均灰度低于一定的閾值，就認為是到了夜間，當灰度超過了閾值，就認為是白天。然后可以通過檢測區(qū)的檢測來輔

94、助判斷是否夜間。在夜間的情況下，檢測區(qū)域呈現(xiàn)出的顏色比較單一，跟黑白圖像類似，所以在灰度直方圖上會呈現(xiàn)雙峰的現(xiàn)象，可根據此特點檢測夜間。系統(tǒng)采用后者進行晝夜判斷。</p><p>　　基于圖像分析的交通事件檢測</p><p>　　本系統(tǒng)在總結國內外已有算法的基礎上，提出了一種簡便快捷的事件檢測算法：通過直線擬和，把復雜的車輛跟蹤軌跡曲線簡化為直線組合，以直線差角代替軌跡曲線曲率變化，以此

95、分析車輛行駛方向的變化，最后判定事件，而且提出了基于HMM的車輛碰撞事件的預測方法。</p><p><b>　　基于軌跡的事件檢測</b></p><p>　　在本系統(tǒng)中，以車輛最小外接矩形的中心點代表車輛的位置，在跟蹤車輛V的過程中，依次記錄車輛V的位置，得到該車輛的跟蹤軌跡：</p><p>　　TrajV={(x1，y1)，(x2，y2

96、)，…，(xn，yn)}</p><p>　　由于拍攝所得的交通圖像是連續(xù)的，可以獲得以下一些先驗知識：</p><p>　　在相鄰兩幀圖像上車輛位置不會變化太大。</p><p>　　在相鄰兩幀圖像上車輛運行方向和區(qū)域面積不會發(fā)生太大變化。</p><p>　　因此連接這些軌跡點可以得到比較平滑的曲線。如圖4-13所示。</p>

97、<p>　　圖4-13 車輛軌跡圖</p><p>　　從圖4-13中可以看出，軌跡在開始時不夠穩(wěn)定，而后趨向穩(wěn)定。這是由于車輛剛開始沒有完全駛入視場，造成車輛目標部分逐漸變大，使車輛中心位置變化大；隨著車輛完全駛入視場，車輛目標部分變化小，跟蹤曲線平滑近似直線。</p><p>　　在車輛跟蹤曲線上可以看出在曲線上曲率變化大的位置就是車輛行駛方向開始變化的位置。下面介紹一種

98、曲率近似度量的方法。</p><p>　　設曲線當前點O前后兩個方向OP1，OP2的方向角分別為θ1和θ2，則前后兩個方向的差角被定義為：</p><p><b>　　(5-16)</b></p><p>　　這樣，由于曲線的曲率正比于差角，所以可以近似的用差角來表示曲率。差角越大曲率越大，反之曲率越小。因此，為了更直觀的描述車輛軌跡，我們需要

99、對車輛軌跡進行直線擬合，再對擬合的直線進行差角計算，通過分析比較作出事件的識別。</p><p>　　直線擬合的算法很多，大致可以分為兩種：一種為自底向上合并的方法，其思想是將擬合的點首先由一些短的線段表示，然后將這些短的線段合并，構成長的線段，這個方法的一個明顯問題是如何選擇初始線段的長度；另外一種方法為自頂向下的方法，這里以一個示例來說明其工作的原理。對于如圖4-15所示點的集合，以其起點和終點首先做一初始的

100、擬合直線AB，然后計算所有點到直線AB的距離，若所有距離都小于某一個預設的閥值（例如d），則直線擬合成功；否則，找出距離直線最遠點，設為C，將直線AB分裂為直線AC和CB；再次，對這兩條直線分別重復上述的過程，將直線CB分裂為CD和DB，最后得出擬合的結果：直線段的序列AC，CD和DB。</p><p>　　圖4-15直線擬合示意圖</p><p>　　雖然采用上述自頂向下的直線擬合方法高

101、效簡便，但是也有一些問題。當有單個偏差較大的點對擬合結果的影響較大，可能導致最后結果不那么令人滿意，甚至出現(xiàn)較大的偏差。在本系統(tǒng)中充分考慮這個問題，當大于閥值距離d的點數小于n時，就忽略這些奇異點，直線不分裂。這樣的處理方法對于同一車輛短時間分裂有效，車輛行駛軌跡不變。</p><p>　　跟蹤軌跡在直線擬合后可以得到一組直線，經過分析這些直線間的差角變化情況，即可知車輛的行駛情況。圖4-16為典型的基于軌跡的事

102、件判定示意圖。</p><p>　　圖4-16基于軌跡的事件判定圖</p><p>　　線A為正常行駛軌跡；線B為車輛避障軌跡；線C為車輛換道軌跡。</p><p><b>　　車速檢測</b></p><p><b>　　視頻測速基本原理</b></p><p>　　視頻測

103、速一般采用特征點匹配的方法來計算車速，基本過程是：在一幀圖像中選擇一組在運動中形狀不變的特征點，與相鄰下一幀中的同類特征點作匹配，根據相鄰兩幀圖像中的特征點移動的位移量求得車輛運動距離，根據相鄰兩幀圖像之間的時間間隔得到車輛運動的時間，根據位移量和時間計算出車速。具體算法是把分割出的目標圖像的重心作為特征點,求出相鄰兩幀圖像目標區(qū)域重心坐標(x1,y1)(x2,y2)值后，就可以求出目標重心移動的像素點距離，再乘以系統(tǒng)初始化時設定的像素

104、距離與實際路長的比例系數，從而得到實際移動的距離，最后用兩幅圖像之間的時間間隔去除實際距離就得到了速度。區(qū)域重心坐標可以根據所有屬于區(qū)域的點計算出來,計算公式（5-16）如下：</p><p><b>　　(5-16)</b></p><p>　　設行駛距離為S，所需時間為t，則車速可用S/t形式表示。這里利用兩條檢測線A、B來測量車速，假設兩條檢測線距離為S,當車輛

105、觸發(fā)A檢測線，記錄下此時視頻文件的幀(N1)，然后當車輛觸發(fā)B檢測線時，再記錄下視頻文件的幀(N2)。本系統(tǒng)MPEG視頻每秒播放視頻文件25幀。這樣車輛運行的時間為（N2-N1）/25 s。因此車輛的速度近似為S*25/（N2-N1）像素/s。因為兩條檢測線之間距離很近，所以得到的為車輛的近似瞬時速度?？梢愿鶕嶋H來判斷視頻圖像上的像素和實際距離的對應關系，這樣就得到實際的瞬時速度。這一過程示意圖如圖4-16所示。</p>

106、<p>　　圖4-16 視頻測速基本原理圖</p><p><b>　　分段標定法</b></p><p>　　該方法以視頻測速的基本原理為基礎，將本系統(tǒng)之前所采用的虛擬檢測線方法和圖像逐行計算的思想結合起來，使用手工標定和設定，將實地確定的一段距離在圖像上標識出來，使得用于車速計算的距離很精確，理想情況下，這種方法測量出來的速度與實際速度完全吻合。下面介

107、紹本方法實施的幾個步驟：</p><p><b>　　1、等距離實地標定</b></p><p>　　首先就是要在視頻檢測區(qū)對應的現(xiàn)場實地去測量一些等距離的段，并用特殊標記在路面或者路邊進行標定，稱之為檢測線。距離的長短可以任意，不過太長、太短都不好，太長就會使得結果接近虛擬檢測線方法，太短使得遠處的標定難以在圖像上辨別出來。檢測線一定要在檢測區(qū)之內，超出檢測區(qū)的檢測

108、線沒有意義。</p><p><b>　　2、系統(tǒng)圖面設定</b></p><p>　　這一步就是根據第一步預先標定好的檢測線，在系統(tǒng)初始化設定的時候，將這些檢測線標出來。值得一提的是一般高速公路的路面都有路基線，因此可以直接利用路基線來進行等距離的標定，本系統(tǒng)就是利用路基線進行標定的，標定效果如圖4-17所示，標定信息由一個數組（CvPoint* vLinePoin

109、ts）進行記錄。</p><p>　　圖4-17 虛擬檢測線的標定</p><p>　　從圖中可以看出，圖像上不等距的檢測線，在實際中是等距的，利用這些等距的檢測線在視頻檢測區(qū)劃分出一系列距離相等的段，這樣就可以進行下面的計算。當然，不等距也可以，但是每一段都要記錄其實際距離，在后面進行車速計算的時候，算法也會更加復雜，并且不等距就不能利用現(xiàn)成的路基線，因此，一般建議讓檢測線等距。<

110、/p><p><b>　　3、車速計算</b></p><p>　　首先為每一個車輛目標定義一個檢測點結構：</p><p>　　struct detectPoint {</p><p>　　int difValue; //記錄車輛前沿與當前檢測線的像素差值，可正可負，正表示車輛已經越過檢測線，負表示車輛尚未越過當前檢測線；

111、</p><p>　　int line; //記錄車輛目前經過的是第幾條線，從上到下，檢測線編號逐漸增大；</p><p>　　int iframe; //記錄此時的系統(tǒng)計數幀的計數值；</p><p>　　int iNum; //穩(wěn)定幀計數，統(tǒng)計該狀態(tài)經歷了多少幀；</p><p><b>　　};</b></p

112、><p>　　然后定義一個檢測點數組（detectPoint* Points）用于記錄車輛經過各個檢測點時的相關信息，還要定義兩個變量int tmplinePos（記錄上一幀所在的檢測線）和int linePos（記錄當前幀所在的檢測線）。最后定義一個變量int globali用于數組指針的計數。</p><p>　　接下來就可以利用已有的條件實施算法過程：每幀的處理都要掃面各個車輛目標，判斷

113、各個目標是否已經駛入檢測區(qū)，如果沒有駛入檢測區(qū)則不用考慮；如果已經駛入檢測區(qū)才能接著進行下面的分析。當車輛已經駛入檢測區(qū)的時候，判斷在當前幀中，車輛目標所在的檢測線和上一幀中車輛目標所在的檢測線是否是一樣的，如果是則對這個車輛目標的detectPoint結構中的iNum進行加1， trObj->tmpPoint[trObj->globali].iNum++(其中CTrackObject* trObj = tracklis

114、t.GetAt(tracklist.FindIndex(i))，是一個跟蹤目標)，如果前后兩幀所在的檢測線不是一樣的，還要判斷新的檢測線是否在當前檢測線之前，如果是表示車輛目標尚不穩(wěn)定，對當前車輛目標的檢測點進行初始化處理；反之判斷trObj->tmpPoint[trObj->globali].iNum是否大于等于3，是則表示車輛已經穩(wěn)定地進入了新的檢測線，對globali進行加1，然后記錄新的檢測點的信息。結束掃面當前目標

115、的時候，還要判斷當前幀該車輛目標與當前檢測點的差值的絕對值是否變小，</p><p>　　圖4-18 車輛目標經過檢測點時的算法流程</p><p>　　當車輛穩(wěn)定經過最后一個檢測線時，就可以根據所有記錄的檢測點信息進行車速計算了，具體過程如下：首先判斷經過檢測點的個數（globali）是否大于等于2，少于兩個點是不可能進行車速計算的，這種情況一般發(fā)生在由于噪聲而產生的非車輛目標。然后對這

116、些檢測點按照差值大小從小到大進行排序，并統(tǒng)計差值為零的點的個數（差值為零表明目標很精確地駛入該檢測線，如果有兩個這樣的檢測點，那么計算出來的速度就是準確的，理論上是沒有誤差的），然后就選擇差值最小的兩個檢測點，如果有差值相同的檢測點，則選擇距離攝像頭最近的兩個點進行距離的計算（m_Distance = abs( trObj->Points[l].line - trObj->Points[h].line ) * m_vDist

117、ance，其中m_vDistance是相鄰兩個虛擬檢測線的實際距離），如果入選的兩個檢測點的差值過大則需要對這個距離進行修正，修正系數可以根據本文提到的圖像逐行計算方法計算得出。</p><p><b>　　事件檢測</b></p><p>　　道路交通事故，是指車輛駕駛人員、行人、乘車人以及其它在道路上進行與交通有關活動的人員，因違反《中華人民共和國道路交通管理條例

118、》和其它道路交通管理法規(guī)、規(guī)章的行為(簡稱違章行為），過失造成人身傷亡或者財產損失的事故。</p><p>　　本系統(tǒng)中檢測交通事故是在建立目標跟蹤和估計出車速之后，下一步就可以根據這兩個參量進行事件的判定。通過研究發(fā)現(xiàn)，一般情況下交通事件（比如撞車，堵塞，或者其它影響交通暢行的事件）發(fā)生時，檢測區(qū)域一般表現(xiàn)為：車輛數增加，車輛的平均速度很小甚至為零，車距較小，車道占有率明顯上升等。在本系統(tǒng)中只選擇車輛數和車輛平

119、均速度兩個參量作為判定標準，因為這兩個參數的誤差相對較小，很有參考價值，而其它的參量誤差比較大，選取也沒有太大的參考價值，只能增加算法的復雜度和機器的處理時間。</p><p>　　設置四個判定參數閾值：m_YjVNum（交通擁擠時檢測區(qū)域的車輛數，m_ZsVNum（交通阻塞時檢測區(qū)域的車輛數）m_YjSpeed（交通擁擠時檢測區(qū)域的平均速度）m_ZsSpeed（交通阻塞時檢測區(qū)域的平均速度）。</p>

120、;<p>　　圖4-19 交通阻塞檢測流程圖</p><p><b>　　交通阻塞檢測</b></p><p>　　交通阻塞是指道路上因發(fā)生交通事故或者前方道路不同而造成車輛滯流，大量車輛長時間停留在原地，造成交通堵塞，這種情況會嚴重影響人民生活的便利。</p><p>　　當高速公路上出現(xiàn)交通阻塞的情況，可以表現(xiàn)為車輛行駛緩慢或