應(yīng)用在公共交通中的檢測技術(shù)有哪些？

　　應(yīng)用在公共交通中的檢測技術(shù)有哪些？，隨著現(xiàn)代檢測技術(shù)的發(fā)展，用高科技手段取代傳統(tǒng)方式已經(jīng)成為各行各業(yè)的發(fā)展趨勢，在交通智能化管理方面同樣如此，在各大城市的交通管理中大量使用“電子眼”，車輛檢測器等檢測設(shè)備，為城市交通的智能化和有秩化管理做出了極大貢獻。

　　視覺圖像為基礎(chǔ)的檢測系統(tǒng)（Video Image Detector）以其信息量大，訊息直觀豐富等優(yōu)勢成為交通應(yīng)用的主流。上世紀七八十年代由于離散數(shù)學的創(chuàng)立和完善，使數(shù)字圖像處理技術(shù)得到了迅速的發(fā)展，隨著計算機的普及，應(yīng)用成本的降低，圖像處理在各行各業(yè)得到了廣泛應(yīng)用，到了八十年代中期，交通圖像偵測系統(tǒng)開始在發(fā)達國家得到運用并發(fā)展起來。

　　大家常說“無圖無真相”，就一語道出了圖像所包含的豐富信息量。我們可以根據(jù)自己的需要對這些信息進行相應(yīng)的處理，便能得到所需的結(jié)果。這里所說的處理都是采用數(shù)字化處理，這樣才能被計算機運算和存儲。

　　應(yīng)用在公共交通中的檢測技術(shù)有哪些？
　　一、圖像處理的原理
　　雖說圖像處理的范圍非常廣泛，但它的基本原理和方法是一樣的。主要包括圖像的模數(shù)轉(zhuǎn)化（A/D Image Transform）、圖像的增強與復原（Image Enhancement and Restoration）、圖像編碼與壓縮（Image Encoding and Compression）、圖像切割（Image Segmentation）、圖像的表示和描述（Image Representation and Description）、圖像特征匹配（Image Feature Matching）等等內(nèi)容。由于專業(yè)性較強，在這里就不一一講述了，只就圖像特征匹配舉例說明一下，比如人體的外表特征，可在身高、體重、胸圍等方面表現(xiàn)出來，將許多人的這些體貌特征歸納起來，進行歸類管理，標識界定，就可以將龐大的人體數(shù)據(jù)簡化，同樣可以用這種方法來區(qū)分不同的車輛，如圖像中的物體長度4公尺，寬2公尺，外形特征為矩形時，可將該物體歸類為小汽車；如長度為10公尺，寬2.5公尺的矩形，則可歸類為大巴或大貨。圖像處理技術(shù)在交通上的應(yīng)用主要在車輛檢測、車種識別和車輛跟蹤三個方面。
　　1、車輛檢測
　　車輛檢測的技術(shù)方法可分為樣本點檢測、檢測線檢測、全畫面式檢測和夜間車輛檢測：
　?。?）、樣本點檢測
　　在車道的某一部分選取類似矩陣的樣本點，當車輛通過時，樣本點之灰階值與原路面不同，若兩者相減的統(tǒng)計值超過某一門檻值，即表示車輛的存在。
　?。?）、檢測線檢測
　　此法是于垂直或平行車流方向布設(shè)由象素組成之虛擬檢測線，一般由亮點來組成，以方便區(qū)隔路面與檢測線的象素深度。當車輛通過檢測線時，線上的灰階值與沒有車輛通過路面時有差異，若灰階值的差異大于某門檻值，則表示有車輛通過。由于樣本點或檢測線檢測法僅擷取部分象素資料進行處理，處理的資料量明顯減少，因此運算時間縮短很多。為了達到實時（Real-Time）檢測的要求，目前已實際運用于交通檢測的圖像處理系統(tǒng)AUTOSCOPE便是以檢測線做處理。
　　在車輛運行單純的路段，以樣本點或檢測線作為車輛檢測的途徑可獲得不錯的結(jié)果，但在復雜的路口內(nèi)，如何布設(shè)樣本點或檢測線將是首先遭遇的困難，由于路口內(nèi)車輛除直行外，尚有轉(zhuǎn)向行為，任何位置均可能有車輛出現(xiàn)。
　?。?）、全畫面式檢測
　　以全畫面作處理的車輛檢測方法所能獲得的信息較多，但相對地要處理的資料量也明顯增加很多。屬于此法的檢測方式有背景相減法與二值化法兩種：背景相減法系取一張無車輛存在的圖像作為背景，當含有車輛的圖像與背景圖像逐點相減后，車輛的部分即被減出，如TRIP系統(tǒng)。二值化法將圖像以某一門檻值進行切割，象素深度高于該值的成為255（白），低于該值者則變成0（黑），如此可將物體與背景分離。
　　背景相減法與二值化法均存在很多缺點，前者如背景需要經(jīng)常更新，后者則過程繁復，而二者共同的缺點便是當物體顏色與背景相近時將面臨切割失敗的命運，此外，門檻值確立不易，故有多值切割方法的提出，但過程益顯復雜。
　?。?）、夜間車輛檢測
　　國外一些學者認為由于夜間圖像所具有的信息與白天圖像不同，因此在算法的使用上與檢測流程上會有相當程度的不同。一般而言在夜間與較暗的照明度之下，醒目的視覺特征為車頭燈與其光柱、街燈以及高度反射光線的型態(tài)（如斑馬線）。他們以為夜間圖像并不適用移動檢測算法。
　　國內(nèi)學者認為，在城市交通流量視頻檢測系統(tǒng)中夜間車輛檢測一直是個難題。傳統(tǒng)的方法都是基于形態(tài)學算子,通過檢測車頭燈來檢測車輛，這種方法運算量較大，而且受環(huán)境光線影響比較大，為此他們提出了一種基于顏色和運動信息的夜間車輛檢測方法。該方法首先利用顏色信息在圖像中檢測出車輛尾燈，并對車輛尾燈進行連續(xù)的跟蹤，然后利用運動信息和先驗知識對車輛尾燈進行匹配，最后統(tǒng)計出交通流量。實驗結(jié)果表明，該算法可以準確地檢測出夜間正常行駛的車輛，并且能夠適應(yīng)雨天等復雜天氣條件。

　　2、車種識別
　　（1）、車輛識別
　　由于國內(nèi)與國外交通組成的不同，國外的研究僅對大車與小車作辨認，而國內(nèi)則較復雜，但一般研究均簡化車種為大車、小車與機車，以此三類做識別。
　　以檢測線或樣本點作為識別車種的途徑時，由于所取資料量少，較不利于車種識別，故以此法進行者較少。就日間圖像的車輛識別來說通常以車輛的特征如：外型、尺寸為分類準則。
　　近年發(fā)展迅速、應(yīng)用到很多領(lǐng)域的“類神經(jīng)網(wǎng)絡(luò)（Neural Network）”也被應(yīng)用到車種的識別上。此外，亦可藉由車輛牌照途徑，將號碼圖像二值化，以特征匹配的方式識別并記錄該車牌號碼，透過數(shù)據(jù)庫的比對，每個號碼可對應(yīng)于某一車種，可用于抓拍違章車輛、車輛計數(shù)、車種識別、起迄點調(diào)查與旅行時間分析等。
　?。?）、車牌識別
　　車牌識別的技術(shù)近年來在國內(nèi)已經(jīng)日趨成熟。有些學者以為車牌識別可分三階段：前處理，將圖像二值化后進行清除噪聲。而后車牌定位，利用連接組件標示法，找出圖像中之連接組件加以分析，進而判定車牌位置。字符識別，分割字符完畢后依文字大小設(shè)定結(jié)構(gòu)組件之大小，最后利用型態(tài)學的方法找出文字特征加以比對。
　　還有人采用其它方法，如搜尋車牌后以圖素分割法切割字符住后利用類神經(jīng)網(wǎng)絡(luò)識別字符；或者利用灰階轉(zhuǎn)換數(shù)之計算找出可能之車牌位置，再分割字符，在利用筆劃分析法識別字符；或者利用圖像中灰階值之變化特性尋找車牌位置，在利用垂直投影直方圖分割字符，以灰階值關(guān)連度進行識別。

　　3、車輛跟蹤
　　連續(xù)圖像中，車輛軌跡的記錄即稱為跟蹤。Anthony P.Ciervo提出以檢測車輛并配合猜測車輛位置的方式，連續(xù)跟蹤車輛的軌跡。其中以樣本點或檢測線方式做跟蹤者，由于選取的象素僅局限于某固定范圍，處于被動狀態(tài)，較不利跟蹤之進行。N.Hoose便是以各鄰近方向均為雙向二車道的 T 字型路口為例，在進進路口前及離開路口后之車道上布設(shè)橫向檢測線屏蔽（Mask），以記錄車輛進進與離開之鄰近方向編號，同時對車輛在圖像上的外形、大小與位置等資料作記錄，以跟蹤車輛，但誤差頗大?？偨Y(jié)而言，車輛跟蹤的方法有下列四種：模式基礎(chǔ)跟蹤（Model based tracking）、區(qū)域基礎(chǔ)跟蹤（Region based tracking）、輪廓基礎(chǔ)跟蹤（Active contour based tracking）、國外研究文獻中僅針對各車道的單一車輛進行跟蹤，要了解路口內(nèi)車輛運作之機制，非得在同時間針對路口內(nèi)所有方向的車輛做跟蹤處理不可，否則取得的僅為殘破的信息，對整體的助益有限。國內(nèi)近年來增加了在城市路口和街頭的探頭，車輛跟蹤上取得了長足的進展。

　　以上是關(guān)于“應(yīng)用在公共交通中的檢測技術(shù)有哪些？”內(nèi)容的介紹，希望可以給您帶來一些幫助。如您還有疑問，可咨詢我們在線客服或者通過我們的技術(shù)服務(wù)電話進行咨詢。這里有我們專業(yè)的工程師為您解答，希望能找到您想要的答案!同時為了方便客戶，在泛標商城還可以購買此儀器，這里，質(zhì)量有保障。