于国强[1]2004年在《维纳混合滤波器及交通流预测算法研究》文中指出维纳滤波器是一种经典的线性统计滤波器,我们从最优滤波器的角度重新解释了维纳滤波器,指出:当滤波器的输入信号与期望信号是联合高斯分布时,维纳滤波器是真正的最优滤波器。然而,在实际情况中,输入信号与期望信号的联合概率密度分布往往不是高斯的,这时,维纳滤波器并不是最优滤波器。在本文中,我们对维纳滤波器进行了扩展,得到维纳混合滤波器。智能交通系统是非常活跃的一个研究领域,交通流的预测是其中非常重要而又非常困难的一个问题,我们提出了两种预测算法,一种基于我们提出的维纳混合滤波器,另一种基于跳转ARIMA模型。具体说来,我们做了如下几项工作, 第一,提出、设计并实现了维纳混合滤波器。 第二,引入EM算法去学习维纳混合滤波器的参数,并讨论了如何利用机器学习的技术去确定滤波器的阶数和子滤波器的个数。 第叁,提出用采样的技术去估计维纳混合滤波器的误差,并利用这种技术分析了参数对维纳混合滤波器相对于维纳滤波器的性能提高的影响。 第四,把维纳混合滤波器应用于交通流的预测,并利用北京市交通管理局的UTC/SCOOT系统的数据做了测试。 第五,提出了描述交通流序列的跳转ARIMA模型,同样在北京市交通管理局的UTC/SCOOT系统上进行了测试。 与维纳滤波器相比,我们提出的维纳混合滤波器具有更广泛的适用性,具有更高的精确度。我们为维纳混合滤波器引入了学习的机制,这在关于模型的先验知识比较少、而训练数据又比较多的情况下特别有效。维纳混合滤波器把一个非线性滤波问题转化为求解高斯混合模型参数问题,而高斯混合模型又是研究的比较多的一个模型,许多技术可以直接借鉴。对于交通流的预测,实验表明,我们提出的两种算法是最好的两种算法,其中基于维纳混合滤波器的预测方法适用于先验知识比较少、训练数据充分的情形,而基于跳转ARIMA模型的预测则适用于训练数据稀少、先验知识丰富的场合。
谢磊[2]2006年在《智能交通系统中的视频处理技术研究》文中提出近年来,随着人们车辆拥有率的提高,智能交通系统(ITS)在诸多提高交通运输能力的方法中,已经占据了最主要的地位,并日益得到研究人员的关注。考虑到交通运输管理的未来发展趋势要求在交通环境中实现在线监控和更加详细的信息收集,图象分析和计算机视觉技术迅速被应用于交通视频分析中,以求实现诸如车辆量统计,车型分类及拥塞检测等功能。事实上,目前已经公认基于视频的监控系统在交通参数估计方面比其他的系统更加全面、通用。当然,这种技术往往受限于失败的车辆分割或是检测错误。在过去的数年中,人们进行了大量的研究工作并开发出了多种车辆监控系统。在前人研究的基础上,本文提出了一套鲁棒的、实时的方法,以处理一系列由固定安装在路边的独立视频摄像机所提供的交通视频图象,从中检测车辆;在摄像机的整个视野中跟踪其运动轨迹;并最终对车辆的类型进行分类。该算法主要包括叁个方面:运动区域提取、车辆跟踪以及车型识别。运动区域提取算法分为叁个步骤:首先,利用背景差分算法从当前输入的系列图象中提取出运动区域;其次,消除运动车辆自带的移动投射阴影;最后,检测车辆,以便每一个目标都仅对应事实上的一辆车。分割后的车辆形状可以用一个简单的矩形模型来描述。基于此,本文分叁步实现车辆跟踪:首先,从每一个矩形模型中提取车辆状态特征,并且利用卡尔曼滤波预测其在下一帧视频中的状态;随后,在已预测的数据和新到来的数据之间进行特征匹配,以便获得跟踪结果;最后,更新卡尔曼滤波的新息,并根据预测误差功率计算新的卡尔曼增益,以便递归执行下一次预测。最后,我们还需要通过支持向量机的方法来对车辆类型进行分类。在上述处理过程中,我们发展了一种利用连续叁帧视频的差别消除运动目标区域的方法来构建初始背景,提出了自己的基于统计策略的实时背景更新算法,并针对运动投射阴影可能被检作车辆的一部分而降低交通流参数检测的精度这一问题,根据运动投射阴影的一般属性,尤其是运动投射阴影与背景路面的相似性,提出了一种有效的阴影消除算法。同时,在仔细研究了车辆的各种特征之后,我们提出了一种基于亚特征点的投影分割方法以实现车辆确认,该方法采用了车辆亚特征点的位置信息和颜色信息,并基于Kalman滤波进行车辆跟踪。提取车辆的亚特征点时,一般以运动目标的角特征点为亚特征点。但是考虑到角特征点往往非常凌乱,并且数目众多,因此需要进行一次预处理。我们通过膨胀算法将部分角特征点合并成一个角特征块,然后再利用细化算法将其收缩至中心点,从而准确的提取出所需要的亚特征点。与其他方法相比,本文的改进方法对车辆的跟踪更加精确。在车型识别方面,我们选择了结构矩为车辆特征,以支持向量机方法为学习分类器,并获得了较高的车辆分类精度,在一定程度上解决了车辆分类难的问题。我们的方法经过了大量的单目交通图象序列的试验,对这些现场视频进行处理的结果表明:本文的方法确实是实时且有效的。
孔繁奇[3]2007年在《基于视频图像的车辆检测跟踪技术的分析研究》文中认为实时交通检测与信息采集己经成为智能交通系统中的一项重要课题，而运动车辆的实时检测与跟踪分类则是其中的核心的部分。近年来，基于视频图像的车辆检测跟踪技术已成为研究的重点和热点。本文对此问题进行了研究，针对车辆的检测、阴影去除、车辆识别与跟踪、车辆分类统计等方面进行了分析与部分改进，初步设计实现了一基于交通图像序列的检测、跟踪与分类统计的车辆智能实时监测系统，并通过实验证明了系统的有效性和实时性。主要研究包括以下几个方面：(1)运动车辆的检测。分析了目前对运动目标检测中背景重建和背景更新的一些技术和方法，给出了一种基于改进的自适应背景方法的背景模型，能实时提取干净的背景帧，有效地实现了背景的实时更新。(2)运动车辆阴影的去除。针对阴影对车辆跟踪和分类带来的不利影响，研究了阴影灰度值分布的特点，利用阴影和背景区域的光度增益特点有效的消除了车辆的阴影。(3)运动车辆的跟踪。针对跟踪车辆所需计算量大、车辆汇聚和分离时跟踪丢失等问题，本文利用车辆跟踪的特点，采用找寻以两帧目标车辆的重迭区域面积为权值的最大权值图的区域跟踪的方法在图像中进行匹配，有效的解决了车辆汇聚和分离时的跟踪问题，实现了运动车辆的实时跟踪。(4)初步设计并实现了一个视频车辆监测系统。系统在．NET坏境利用C#设计实现，该系统主要实现了车辆检测及实时跟踪和运动车辆分类统计。实验结果表明该系统对车辆能够实时有效地获得跟踪结果和分类统计，具有较强的适应性和一定的实用价值。
李庆奎[4]2013年在《基于模糊理论的车辆导航智能算法研究》文中进行了进一步梳理本文主要研究了基于模糊理论的车辆导航智能算法,论文的主要内容如下:1.介绍了车辆导航中相关技术和模糊理论技术的基础知识,回顾了车辆导航中的滤波技术,模糊理论技术及模糊理论技术在交通信息处理技术中的应用现状,分析了模糊理论的优点及其在车辆导航中应用的合理性和可行性。2.研究了基于模糊控制的智能自适应滤波算法。在自适应滤波算法的基础上,提出了基于模糊控制的智能自适应滤波算法。算法基本思想是用滤波后的数据残差构造一个判别统计量,然后根据此判别统计量构造一个模糊控制器,利用此模糊控制器智能控制自适应滤波的自适应因子,从而平衡动力学模型信息与观测信息的权比,有效控制动力学模型误差对导航解的影响。3.研究了基于模糊控制的智能渐消滤波算法。将模糊理论技术和渐消滤波算法有效结合,提出了基于模糊控制的智能渐消滤波算。该算法是依据预测残差,利用模糊控制理论来构造渐消滤波的渐消因子,算法避免了常规算法求解渐消因子可能出现负定现象的缺点,并且算法克服了在求解过程中必须附加条件的弊端。该渐消因子能够保证滤波器的可靠性和最佳性,从而有效提高滤波算法精度。4.研究了基于模糊路径选取度模型的智能最优路径算法。算法依据影响路径选择的多种因素:静态交通信息、动态交通信息、人的主观因素,建立了模糊路径选取度模型,构造了路径选取影响因素的隶属度函数。实例验证表明,基于模糊路径选取度模型的智能最优路径算法能够综合考虑多种因素的影响,尤其是动态交通信息和人的主观因素对路径选择的影响,算法能够适应复杂多变的实际交通路况,针对出行者的不同要求,不同目的,为出行者提供合理可行、贴近实际的最优路径。5.研究了基于模糊控制的智能行程时间预测算法。指数平滑算法是通过平滑系数来调节时间序列数据对预测结果的影响程度,平滑系数构造的合理与否对预测结果起着至关重要的作用。基于模糊控制理论的智能行程时间预测算法是通过构造的模糊控制器来自适应控制指数平滑算法的平滑系数,从而修正下一时期的行程时间预测值,提高行程时间的预测精度和智能化水平。6.研究了基于模糊综合评判的智能行程时间预测算法。模糊综合评判技术在处理非线性关系的问题上拥有巨大的优势,可将影响行程时间预测的各种因素综合考虑,合理分配各种因素之间的权重,从而实现对行程时间的智能预测。7.研究了订阅/通知模式的动态交通信息服务方式。动态交通信息服务的核心在于信息的时效性,以哪种方式为用户提供动态交通信息服务,体现动态交通信息的时效性,是动态交通信息服务的关键所在。基于订阅/通知模式的动态交通信息服务是针对动态交通信息变化快、实时性强等特点,提出的一种全新的动态交通信息服务方式,该服务方式非常适合于大规模、动态性强以及以信息交换为中心的动态交通信息系统。8.建立了动态交通信息的模糊XML数据模型,构造了动态交通信息智能网络服务中间件。动态交通信息由于本身的特性,信息存在很多的不确定性和模糊性,传统XML很难描述动态交通信息的这种不确定性和模糊性,因此,需建立模糊XML数据模型作为统一的数据标准,描述来自不同数据源的动态交通信息数据,实现异构数据集成中数据的互操作性,屏蔽动态交通信息数据源中应用环境和数据结构的异构性,从而形成一个可以共享的共用平台,为用户提供实时、准确和可靠的动态交通信息服务。9.研究了分布式动态交通信息智能网络服务。针对动态交通信息变化快、实时性强,具有模糊性、不确定性等特点,提出了分布式动态交通信息智能网络服务。分布式动态交通信息智能网络服务具有分布式、主动服务、按需服务以及智能服务等优点,充分体现了动态交通信息服务的时效性,真实反映了复杂多变的现实交通状况。
郭雪峰[5]2007年在《基于数据融合的短时交通流预测与智能交通信号系统的研究》文中进行了进一步梳理随着经济的发展和社会的进步,交通问题日益突出。作为有效解决现有道路交通问题的途径,发达国家正在竞相研究智能交通系统(ITS)。ITS将成为21世纪现代化地面交通运输体系的发展方向,是交通运输进入信息时代的重要标志。以交通流量为重要内容的道路交通信息是所有ITS项目不可缺少的基础,准确地预测交通流量是ITS的关键所在,也是交通流诱导研究的重要环节。交通流量是一个时变的非线性系统,其内部变量、输入变量众多,结构复杂。其中短时交通流预测是动态交通控制和诱导的前提。由于近年来,随着计算机技术和传感器技术的迅速发展,多传感器数据融合理论及其相关技术已在许多军事及民用领域得到了广泛的应用。基于此,本文提出了一种基于分步式滤波的数据融合算法(Fusion Algorithm of Filtering Step By Step ,简记FAFSS)的短时交通流量预测模型,该模型与传统的基于卡尔曼滤波(KF)理论的预测模型相比,不仅减少了计算量,降低了模型对中心处理器的要求,而且保证了预测的精确度。论文还利用澳大利亚某高速公路所采集的数据进行了预测仿真实验。实验结果表明该算法确保了预测精度,简化了计算量,提高了响应速度,可以实现对交通流量的实时预测。本文还介绍了实验室研制的基于以太网的城市智能交通信号控制系统的组成及其功能,并详细讲述了基于Delphi的智能交通信号控制系统的上位机软件的实现过程,其中包括灯色方案数据表的形成过程,相位配时方案的设置,时段方案的设置以及表中数据、步伐时间数据的网络传输过程。系统中网络传输采用UDP通信协议实现。实验结果表明,人机界面友好,操作方便,数据传输稳定,实时性好。
杨易[6]2006年在《智能车辆组合定位与路径导航技术研究》文中提出车辆定位导航系统是智能运输系统中当前需求较为迫切、应用比较广泛的一个重要的应用系统,是国际上公认的解决城市交通问题的有效途径之一。它综合运用检测、通信、计算机、控制、GPS和GIS等现代高新技术,动态地向驾驶员提供车辆所在位置、实时交通信息、路径规划和路径引导,使交通调度中心能够实时、快速地处理随时出现的交通拥挤和堵塞。为有效开展车辆定位导航系统的研究工作,本文围绕车辆导航定位系统理论和关键技术展开研究,以学术意义和实用价值并重为原则,在车辆定位信息融合技术、地图匹配方法,道路路阻评价、动态最优路径技术,车辆叁维路径引导、导航系统的设计与实施技术等方面取得了一定成果。论文的主要工作包括以下方面:为了提高车辆的定位精度,确保定位的可靠性和连续性,研究了GPS/DR组合定位方法。在组合定位方案中,建立了GPS/DR组合系统的状态方程和观测方程,设计了基于联合卡尔曼滤波的组合定位信息融合方法。针对卡尔曼滤波算法的缺陷,提出了基于模糊理论的自适应卡尔曼滤波,对量测噪声统计特征进行了在线自适应调整,提高了滤波器精度。同时采用模糊加权推理系统调整子滤波器的信息分配参数,确保数据融合的最优化。由于组合导航系统的复杂性以及环境的不确定性,不可能建立精确的模糊控制规则,为此本文利用遗传算法来优化模糊控制隶属度函数,弥补了单凭经验来设计模糊控制规则的缺陷。对利用数字地图信息校正定位系统输出的地图匹配技术进行了系统研究。分析了影响地图匹配正确性的因素,提出了基于概率决策和D-S证据推理理论的匹配道路选择方法。根据当前时刻车辆行驶情况,设计了车辆行驶的位置信息和方向信息基本概率分布函数的计算方法。根据D-S合成公式,对位置和方向信息进行融合,引入Pignistic概率理论,有效地利用现有信息扩大各匹配道路之间的信度差异,提高了算法的鲁棒性。仿真结果表明,所提出的方法能够识别出车辆所在的道路。最优路径规划技术是车辆导航系统中的核心技术之一,是导航功能得以准确有效实现的基础。本文研究了车辆导航系统中的自主式导航动态最优路径规划技术方法,设计了基于出行者行为特征的综合路阻评价方法,从交通流的连续特性出发,建立了分时动态交通路网模型,以A*算法的启发式搜索思想为基础,提出了一种实时动态最优路径规划算法。同时,为克服传统路径规划算法的缺陷,设计了一种病毒进化遗传算法,设计了相应的编码方案和适应度的计算。通过运用随机A*最短路径算法解决遗传算法中初始种群的产生,将病毒感染操作引入遗传算法中,在同一代群体中进行横向传播进化信息。该算法能够较快求出最优路径而且对路网没有任何的约束条件,对离散和连续的动态网络模型有效。城市道路交通网络的日益复杂,基于二维电子地图的车辆导航系统无法直观反映道路之间的交错关系。本文研究了车辆导航系统的路径引导技术,构建了基于Multigen Creator的复杂道路环境叁维虚拟场景,提出了基于Vega的叁维路径引导技术,并以立交桥为例实现二维电子地图与叁维虚拟场景的互响应,充分结合二维电子地图在车辆导航过程中的整体性、宏观性与局部叁维虚拟场景的直观易懂性等优点,提高现有的车辆导航系统的路径引导效率。最后,研究了车辆导航系统的总体设计方案、硬件构成、软件设计方案以及功能。
苏斌[7]2013年在《基于音频特征分析的车辆识别软件实现》文中研究指明要大力实现交通运输系统的智能化,智能交通运输系统的发展至关重要,其关键在于车辆的检测及识别。而目前所使用的主流检测方法,由于种种原因,尚难以满足沿道路大量设置的要求,因此,本文以车辆静止或行驶时产生的音频信号为基础,主要对车辆音频信号的特征进行分析,在此基础上提出基于车辆音频信号对车型进行识别的方案的理论研究,并进行初步识别。(1)阐述软件开发的系统总体设计方案,详细描述系统整体的软件架构,主要介绍系统设计中涉及到的音频特征提取模块和基于音频特征的车辆识别模块设计思路,并介绍系统的数据库构成。(2)主要完成音频特征提取模块的详细设计。首先探讨音频去噪方法,为了提高算法对不同信噪比的带噪音频的处理能力,结合维纳滤波和自适应滤波的优势,对谱减法进行改进;其次针对本文所设计的系统平台,为保证系统识别性能,充分考虑音频帧内和帧间的信息,探讨选择Mel倒谱与一阶差分Mel倒谱作为特征参数,在一定程度上提高系统的稳健性。(3)主要探讨识别模型的设计方面,深入研究概率模型中的高斯混合模型方法,GMM不仅能利用到音频信号的时序动态信息,端点检测的精度对其识别性能的影响也很小,设计实现基于GMM的车型识别方法。(4)对前述各章中设计的软件功能和检索算法分别进行了试验测试和软件测试,进行了仿真实验,并得出了相关结论。
参考文献：
[1]. 维纳混合滤波器及交通流预测算法研究[D]. 于国强. 清华大学. 2004
[2]. 智能交通系统中的视频处理技术研究[D]. 谢磊. 华中科技大学. 2006
[3]. 基于视频图像的车辆检测跟踪技术的分析研究[D]. 孔繁奇. 大连理工大学. 2007
[4]. 基于模糊理论的车辆导航智能算法研究[D]. 李庆奎. 解放军信息工程大学. 2013
[5]. 基于数据融合的短时交通流预测与智能交通信号系统的研究[D]. 郭雪峰. 湘潭大学. 2007
[6]. 智能车辆组合定位与路径导航技术研究[D]. 杨易. 湖南大学. 2006
[7]. 基于音频特征分析的车辆识别软件实现[D]. 苏斌. 电子科技大学. 2013
标签：公路与水路运输论文; 无线电电子学论文; 智能算法论文; 模糊理论论文; 模糊算法论文; 预测模型论文; 分类数据论文; 动态模型论文; 路径分析论文; 算法论文;