基于神经网络的车流量检测及预测研究

论文摘要

针对目前车流量检测及预测所存在的一些问题,本文对于常用的多种运动目标的检测方法进行了研究,选择了实时性强,速度较快实用性高的背景差分法作为运动目标的检测方法。对于背景的重建与更新的问题,本文提出了一种新的背景更新与重建的方法,即用帧差法与背景差分法相互结合的方法来进行背景的重建,使用像素级的更新与帧级的更新的多层次的背景更新方法,实验结果表明,该方法能够快速准确的实现背景的重建与更新。对于阴影检测去除的问题本文提出了一种基于HSI的阴影检测消除的快速方法,该法快速准确有效,实时性强。在运动车辆检测计数当中本文使用的是虚拟感应线圈法,利用运动像素的方法对车辆计数,结果较为准确,为后面的车流量检测提供了可靠的数据。在车流量的预测当中,利用BP神经网络对交通路口的车流量进行了预测,预测结果令人满意,满足了应用的需求,为交通诱导做了一些理论实践。本文的研究结果表明,基于视频的车流量检测的方法检测结果准确度高,快速实时性强,基于BP神经网络的车流量预测结果精确度高,能够满足应用需求。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 智能交通系统综述
• 1.2 车流量的检测与预测的意义
• 1.3 国内外车流量检测及预测研究的现状
• 1.4 本论文所要做的主要工作和内容的安排
• 第二章 数字图像处理技术及其相关的研究
• 2.1 目标图像的输入
• 2.2 图像预处理
• 2.3 表色空间
• 2.4 本章小结
• 第三章 车流量检测
• 3.1 车辆的检测方法概述
• 3.2 背景重建的常用算法
• 3.3 自适应实时背景的更新
• 3.4 一种改进的背景重建及背景更新的算法
• 3.5 运动车辆的提取
• 3.6 阴影的检测与消除
• 3.7 运动车辆检测计数
• 第四章 基于BP神经网络的路口车流量预测
• 4.1 人工神经网络
• 4.2 BP神经网络模型和学习的算法
• 4.3 交通流量的预测
• 4.4 本章小结
• 第五章 总结和展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献