摘要隨著社會(huì)的發(fā)展，我們的國民經(jīng)濟(jì)發(fā)展也很迅速，交通路上的車輛也越來越多，現(xiàn)有的交通技術(shù)已經(jīng)不滿足社會(huì)的發(fā)展，很多地方都經(jīng)常出現(xiàn)嚴(yán)重的堵車現(xiàn)象，我們設(shè)想能不能通過對(duì)道路的實(shí)時(shí)車輛檢測來讓相關(guān)部門了解道路的交通狀況，以便于及時(shí)反饋到民眾，讓民眾及時(shí)了解到道路信息，提前安排好出行計(jì)劃?；谝曨l的車輛檢測技術(shù)由于社會(huì)的需要在最近幾年發(fā)展的異常迅速，智能交通系統(tǒng)是由異常多的部分構(gòu)成的，其中車輛檢測系統(tǒng)是一個(gè)意義非常大的部分，由車輛檢測系統(tǒng)所得到的數(shù)據(jù)為我們實(shí)現(xiàn)智能交通中的一系列處理提供了根基和便利。在實(shí)際情況中，如果我們能夠得到實(shí)時(shí)的交通流量信息，那當(dāng)發(fā)生道路堵塞時(shí)，相關(guān)交通部門就能及時(shí)的調(diào)度管理，從而減少道路擁塞。由此我們了解在社會(huì)發(fā)展的進(jìn)程中，智能交通技術(shù)開展的重要性，在智能交通技術(shù)方面，基于視頻的車流量技術(shù)研究是我們極為關(guān)注的一個(gè)方面。本論文利用數(shù)字圖像處理方面的知識(shí)設(shè)計(jì)了一個(gè)基于交通視頻的車流量統(tǒng)計(jì)技術(shù)，主要完成的設(shè)計(jì)任務(wù)有以下幾個(gè)內(nèi)容：1.對(duì)輸入的視頻圖像進(jìn)行運(yùn)動(dòng)車輛提取，這一步用到的是依靠自適應(yīng)混合高斯背景建模來進(jìn)行背景差分法，并對(duì)提取的運(yùn)動(dòng)車輛執(zhí)行預(yù)處理操作，預(yù)處理部分包含轉(zhuǎn)灰度，二值化，中值濾波，開運(yùn)算和閉運(yùn)算等操作，這一部分的操作是為了得到清晰高質(zhì)量的二值化圖像；2.對(duì)處理后的視頻圖像進(jìn)行運(yùn)動(dòng)車輛跟蹤和統(tǒng)計(jì)，用到的核心思想是對(duì)前后兩幀中的運(yùn)動(dòng)車輛計(jì)算質(zhì)心坐標(biāo)，如果前后兩幀質(zhì)心的橫縱坐標(biāo)差不超過車的某一個(gè)數(shù)(可以認(rèn)為是車的長度和寬度),那么就認(rèn)為這是同一輛車，車輛數(shù)加關(guān)鍵詞：車流量，背景差分法，自適應(yīng)混合高斯背景建模，運(yùn)動(dòng)目標(biāo)檢測，運(yùn)動(dòng)目標(biāo)跟蹤論文類型：理論研究1.3本文的論文結(jié)構(gòu)介紹 第二章系統(tǒng)的總體思路與框架 52.1系統(tǒng)的設(shè)計(jì)思路 6 52.1運(yùn)動(dòng)目標(biāo)提取 64.2系統(tǒng)的界面展示1第一章緒論1.1研究背景及意義大力發(fā)展智能交通系統(tǒng)對(duì)于解決我們目前的困境有很大的發(fā)展，我國在近遠(yuǎn)地區(qū)或者交通不便的地區(qū)帶來了方便，促進(jìn)我們國家的每個(gè)地區(qū)都能享受到智能交通系統(tǒng)不僅能夠準(zhǔn)確及時(shí)把這條道路上的車流量狀況發(fā)送給交通警息通過交通廣播告知給司機(jī)，方便司機(jī)改道或提前做好準(zhǔn)備。在智能交通系統(tǒng)中，基于視頻的檢測技術(shù)的占比很大，它發(fā)揮的功用也很強(qiáng)，這種技術(shù)不僅實(shí)施起來方便而且能夠獲得非常多的我們所需要的信息，視頻監(jiān)控技術(shù)能夠通過對(duì)視頻一幀一幀的分析從而實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測跟蹤以及統(tǒng)計(jì)，這在一定程度上映射這些數(shù)據(jù)方便有關(guān)部門實(shí)施某些措施方便市民出行以及了解道路情況，本文實(shí)現(xiàn)對(duì)路口車流量的統(tǒng)計(jì)是基于運(yùn)動(dòng)車輛檢測技術(shù)，這種技術(shù)在智能交通技術(shù)中是非常重要的一種檢測技術(shù)，有很多普通檢測技術(shù)所無法比擬的，比如不用去挖路面修路等影響人們?nèi)粘３鲂校以O(shè)備簡單比較容易安裝，減少了很多不必要的開支，而且可以直接改變各種算法程序來得到我們在日新月異的現(xiàn)代社會(huì)，由于社會(huì)的需要，我們國家在智能交通系統(tǒng)方面十分重視，又因?yàn)橛?jì)算機(jī)視覺和智能交通系統(tǒng)又是密不可分的的，所以我們國家對(duì)于計(jì)算機(jī)視覺技術(shù)方面也非常重視。這在某種程度上標(biāo)志計(jì)算機(jī)視覺技術(shù)其實(shí)質(zhì)是利用智能產(chǎn)品來取代人的眼睛，使電腦能擁有人眼一樣的分割等很多功能，總而言之，計(jì)算機(jī)視覺系統(tǒng)就是得到我們所想要的“信息”的一個(gè)功能齊全的人工智能系統(tǒng)計(jì)算機(jī)視覺技術(shù)的出現(xiàn)和發(fā)展給現(xiàn)在新型的交通系統(tǒng)提供了新的選擇方向，很多環(huán)境下的具體交通情況參數(shù)都可以利用此技術(shù)很方便的獲得，因此利用計(jì)算機(jī)視覺技術(shù)對(duì)交通路上的車流量進(jìn)行統(tǒng)計(jì)就是一種很好的選擇。本畢業(yè)設(shè)計(jì)就是利用VisualStudioCode配置OpenCV來對(duì)不同環(huán)境下的交通路1.2國內(nèi)外研究現(xiàn)狀在全球，智能交通系統(tǒng)長期以來都是民眾所在乎的一個(gè)方面，國內(nèi)外的專家學(xué)者從很早之前就在這方面付出了很大的精力，也取得了很大的成就。智能交通系統(tǒng)首次出現(xiàn)在歐美國家就引起了很大的反響，它的成功研發(fā)并被投入使用是里程碑的一步，受此影響，日本也開始在這方面花費(fèi)了很多精力做1984年國外一個(gè)研究員發(fā)明了通過設(shè)置虛擬檢測線的方法來實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)檢測的目的，進(jìn)而可以運(yùn)用到交通路上，這無疑地傳達(dá)出對(duì)某一段時(shí)間內(nèi)道路由于我們之前采用的很多方法對(duì)目標(biāo)檢測的穩(wěn)定性都很低，直到20世紀(jì)末，tauffer和Grimson提出了一種新的算法，該算法在對(duì)背景點(diǎn)進(jìn)行提取時(shí)具有很高的穩(wěn)定性，這個(gè)算法是用了改良后的混合高斯模型。2012年AdiNurhadiyatna等人提出了一種實(shí)時(shí)檢測交通路□的車輛速度的視頻。具體步驟如下，首先用PCA去識(shí)別車輛，然后利用卡爾曼濾波去追蹤通行的車輛，然后用歐氏距離方法估測速度。從這些方法中看出經(jīng)過無數(shù)次的實(shí)驗(yàn)可以表明這種方法的準(zhǔn)確率很高，能達(dá)到63%到99.5%(孫雨菲，鄭彥霖，2022)。因?yàn)槲覀儑业娜藬?shù)很多，車輛基數(shù)也很大，所以我國的車輛數(shù)增加的非常迅速，交通道路上出行的車輛很多，這對(duì)檢測的技術(shù)要求非常高，難度也很大，但是這并沒有影響我國在這方面的發(fā)展速度，我國在智能交通系統(tǒng)方面發(fā)展的速度讓歐美等很多發(fā)達(dá)國家都感到震驚(林昊忠，吳志明，2020系統(tǒng)方面，我們國家開始的相對(duì)而言比較遲，但是在運(yùn)動(dòng)車輛檢測方面所獲得的成績并不少，由于我國目前的發(fā)展非常需要這方面的幫助，這在某種程度上體現(xiàn)了所以我國很多專家和高校很多老師都在這方面付出了很大的精力去探索研究(楊昊羽，許心怡，2020)。本項(xiàng)目專注于跨越傳統(tǒng)學(xué)的理論體系和技術(shù)工具，旨在拓寬研究視野并加深理解。借助于跨學(xué)科的研究模式，不僅可以更細(xì)致地探討研究主體的多重維度，還有機(jī)會(huì)發(fā)現(xiàn)以往未曾注意的現(xiàn)象和規(guī)律。研究還特別重視理論與實(shí)踐的相互作用，試圖通過實(shí)踐來檢驗(yàn)理論價(jià)值。為了確保研究結(jié)果的準(zhǔn)確性和權(quán)威性，本文綜合運(yùn)用了量化調(diào)查和定性訪談等方法進(jìn)行數(shù)據(jù)分析，為政策設(shè)計(jì)及實(shí)施提供了堅(jiān)實(shí)的理論依據(jù)。比如上海理工大學(xué)肖建力老師對(duì)智能交通方面花了很多的精力，做了很深的研究，包括對(duì)交通路□的車流量，密度，速度等比較重要的參數(shù)如何進(jìn)行比較方面的檢測。濟(jì)南大學(xué)的高時(shí)飛，何麗娜老師在計(jì)算機(jī)視覺方面有著很深的研究，對(duì)視覺檢測技術(shù)的發(fā)展以及相關(guān)研究有著自己的見解和想法。王笑京和汪林老師在智能運(yùn)輸方法和路面檢測等方面也花了很多功夫，發(fā)表了很多期刊，推進(jìn)了我們國家在智能交通系統(tǒng)方面的進(jìn)程，這在某種意義上表明了連理工大學(xué)的王華瑩老師對(duì)建立在視覺的基礎(chǔ)上的對(duì)車輛進(jìn)行檢測和對(duì)車距進(jìn)行測量的方面有一定的研究，也發(fā)表了若干期刊在這方面(宋嘉俊，陳曉玲，本畢業(yè)設(shè)計(jì)是利用VisualStudioCode配置OpenCV創(chuàng)建開發(fā)環(huán)境并采用了python編程語言設(shè)計(jì)了一個(gè)能夠?qū)Σ煌h(huán)境下的交通路□的車流量進(jìn)行統(tǒng)計(jì)的系統(tǒng)。本論文主要涉及到數(shù)字圖像處理和運(yùn)動(dòng)目標(biāo)檢測方面的知識(shí)。下面是為本文的結(jié)構(gòu)框架做個(gè)簡潔的說明。本文一共分為四個(gè)章節(jié)：第一章：緒論。本章節(jié)關(guān)鍵描述了智能交通系統(tǒng)對(duì)解決我國目前交通問題的巨大作用，以及智能交通系統(tǒng)在全球的發(fā)展和研究情況，并簡要介紹了本文的論文結(jié)構(gòu)思路。第二章：系統(tǒng)的總體思路和內(nèi)容。這一章是簡要介紹一下系統(tǒng)設(shè)計(jì)的思路和構(gòu)思的過程以及本系統(tǒng)涉及到的相關(guān)方面的內(nèi)容。第三章：圖像預(yù)處理及運(yùn)動(dòng)目標(biāo)檢測。這一章主要講述了用基于自適應(yīng)混合高斯背景建模的背景差分法來提取前景圖像，并對(duì)運(yùn)動(dòng)目標(biāo)圖像進(jìn)行二值化中值濾波等預(yù)處理操作，目的是為了得到清晰的二值化圖像，便于后期目標(biāo)車輛的跟蹤及統(tǒng)計(jì)。第四章：基于運(yùn)動(dòng)目標(biāo)跟蹤的車輛統(tǒng)計(jì)。這一章主要寫在對(duì)車輛檢測的基礎(chǔ)上對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤并實(shí)現(xiàn)統(tǒng)計(jì)。第五章：車流量系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。這一章節(jié)描述了系統(tǒng)的開發(fā)環(huán)境和界面，并就系統(tǒng)實(shí)現(xiàn)的結(jié)果分析總結(jié)原因。第二章系統(tǒng)的整體思路和框架2.1系統(tǒng)的設(shè)計(jì)思路本題目是設(shè)計(jì)一個(gè)能夠?qū)煌飞系能嚵髁窟M(jìn)行統(tǒng)計(jì)的系統(tǒng)，要實(shí)現(xiàn)這個(gè)系統(tǒng)，我們要分為兩個(gè)大模塊，第一個(gè)大模塊是對(duì)運(yùn)動(dòng)車輛的檢測和預(yù)處理操作，在運(yùn)動(dòng)車輛檢測方面，我們要思考用哪種方法將前景圖像和背景圖像分開，如果用幀間差分法和光流法這兩種方法的話對(duì)于本系統(tǒng)中圖像分割效果并不好，所以本系統(tǒng)用背景差分法來實(shí)現(xiàn)對(duì)前景圖像的檢測，具體是基于自適應(yīng)混合高斯背景建模的背景差分法，這在某種程度上映射了這個(gè)不僅能夠提取出前景圖像，而且能夠自動(dòng)更新背景模型，在車輛檢測方面被廣泛應(yīng)用(許志時(shí)，吳雪萍，2021)。預(yù)處理操作又包括灰度化，濾波處理，二值化和形態(tài)學(xué)處理等步驟，濾波處理方面我采用中值濾波方法來消除圖像中存在的椒鹽噪聲，二值化方面采用自適應(yīng)閾值來進(jìn)行黑白處理，形態(tài)學(xué)處理方面采用開運(yùn)算和閉運(yùn)算相結(jié)合的方式，在經(jīng)歷這些操作后我們就能夠得到清晰的二值化前景圖像(張奇博、馮昊忠、周志翔，2023)。為了提升研究結(jié)果的可靠性，本研究在各個(gè)環(huán)節(jié)采取了一系列嚴(yán)謹(jǐn)?shù)拇胧﹣響?yīng)對(duì)潛在偏差。研究設(shè)計(jì)上，本文建立了一套詳盡的研究方案，確保問題設(shè)定的準(zhǔn)確性和假設(shè)的科學(xué)依據(jù)。數(shù)據(jù)獲取階段，本文采用了多元化的數(shù)據(jù)來源策略，確保信息的完整性和互證性，同時(shí)采用標(biāo)準(zhǔn)化程序減少人為錯(cuò)誤。數(shù)據(jù)分析時(shí)，本文綜合使用了定量分析和定性分析方法，全面審視數(shù)據(jù)，并利用現(xiàn)代統(tǒng)計(jì)工具進(jìn)行計(jì)算，減少技術(shù)誤差。另外，本文還做了敏感性測試，以確認(rèn)研究結(jié)果在不同條件下的穩(wěn)健性。在完成前期操作得到清晰的二值化圖像后，就要開始下一個(gè)步驟了，對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤和統(tǒng)計(jì)，在此類情況下我使用的是根據(jù)前后兩幀運(yùn)動(dòng)目標(biāo)的質(zhì)心橫縱坐標(biāo)之差不超過某一個(gè)數(shù)(可以認(rèn)為是車的長度和寬度)來判斷是否是同我們在設(shè)計(jì)本系統(tǒng)時(shí)，不僅調(diào)用了一個(gè)函數(shù)來展示最后所統(tǒng)計(jì)的車流量的結(jié)果，而且也把我們每一步處理后的結(jié)果都用圖像展示出來，用圖像來直觀的說明我們每一步處理的作用，我們在系統(tǒng)中加了waitkey函數(shù)來提供時(shí)間展示圖像，以防止只有一個(gè)空窗□一閃而過，并且在我們在系統(tǒng)運(yùn)行的過程中，我們還可以按Esc鍵來實(shí)現(xiàn)系統(tǒng)的正常退出，而沒要必要一直等到視頻結(jié)束才能二值化圖一背景更新本系統(tǒng)是采用背景差分法得到只含運(yùn)動(dòng)目標(biāo)的灰度化，二值化，形態(tài)學(xué)處理等操作，然后對(duì)處理后第三章運(yùn)動(dòng)目標(biāo)檢測及預(yù)處理在輸入視頻的基礎(chǔ)上對(duì)運(yùn)動(dòng)目標(biāo)實(shí)現(xiàn)檢測，實(shí)質(zhì)上是把背景圖像和前景圖像分開，把圖像中不動(dòng)的背景和我們并不關(guān)注的運(yùn)動(dòng)目標(biāo)景目標(biāo)從視頻圖像序列中凸顯出來，對(duì)運(yùn)動(dòng)目標(biāo)的檢測為我們后面對(duì)目標(biāo)進(jìn)行跟蹤和統(tǒng)計(jì)打下了基礎(chǔ)，在智能交通方面，運(yùn)動(dòng)目標(biāo)檢測技術(shù)發(fā)揮的功用非常的強(qiáng)大，是智能交通方面所關(guān)注的的核心問題，而且在實(shí)際生活中的很多方面隨著社會(huì)的發(fā)展，視頻檢測在智能交通領(lǐng)域應(yīng)用的越來越普遍，在道路視頻的基礎(chǔ)上去對(duì)車輛進(jìn)行檢測和跟蹤是我們近幾年提出的很重要的思路，我們實(shí)行車輛檢測這一操作是為了判別是不是有車輛通過我們測試的重點(diǎn)區(qū)域，并為后面的跟蹤做準(zhǔn)備，我們主要想得到的數(shù)據(jù)就是某一段時(shí)間內(nèi)通過某一城市路□的車輛數(shù)目(馬倩玉，許騰飛，2019)。這部分內(nèi)容的創(chuàng)新核心在于視角的轉(zhuǎn)變，具體體現(xiàn)在對(duì)研究主題的全新洞察。過去的研究側(cè)重于主題的基本屬性和廣泛聯(lián)系，而本文則致力于揭示那些不為人知的細(xì)節(jié)及其潛在的關(guān)系網(wǎng)。在研究手法上，采用了多元化的策略，克服了傳統(tǒng)方法的局限性。理論上，文章通過結(jié)合不同理論體系的知識(shí)，形成了一個(gè)綜合的理論框架。這種做法不僅發(fā)現(xiàn)了之前未曾探討過的理論領(lǐng)域，也為該領(lǐng)域的理論建設(shè)增添了新元素，拓展了理論探索的邊界。在這樣的環(huán)境中在視頻的基礎(chǔ)上對(duì)車輛進(jìn)行檢測需要很大的計(jì)算量，同時(shí)我們又希望能夠提高實(shí)時(shí)性，這兩者是一對(duì)矛盾，不太可能同時(shí)滿足，但是這對(duì)矛盾是我們必須要解決的問題，這關(guān)系到系統(tǒng)對(duì)車輛檢測的最終結(jié)果，然而在實(shí)際情況中，總會(huì)有各種各樣我們無法避免的干擾，如光照每時(shí)每刻都在變化，系統(tǒng)所應(yīng)用的背景不同，在本文的研究語境里這種情況被賦予了重要意義運(yùn)動(dòng)車輛存在的陰影，以及車輛之間可能會(huì)出現(xiàn)彼此遮擋的情況等等，這些要素都有很大的概率會(huì)導(dǎo)致運(yùn)動(dòng)車輛檢測的最后結(jié)果出現(xiàn)錯(cuò)誤，所以在我們設(shè)計(jì)的算法中會(huì)加入一些預(yù)處理操作來去除一些干擾因素，并且選擇合適的運(yùn)動(dòng)目標(biāo)檢測算法在本設(shè)計(jì)中，最重要最核心的兩個(gè)關(guān)鍵是對(duì)運(yùn)動(dòng)目標(biāo)的檢測和跟蹤統(tǒng)計(jì)，這一章節(jié)中一開始是介紹對(duì)運(yùn)動(dòng)目標(biāo)的檢測以及預(yù)處理等操作，運(yùn)動(dòng)目標(biāo)的準(zhǔn)確檢測對(duì)于本設(shè)計(jì)的后續(xù)操作有著非常重要的意義，我們只有在正確的檢測出運(yùn)動(dòng)車輛之后才可以去實(shí)現(xiàn)系統(tǒng)后續(xù)的操作(鄧澤天，曹若萱，2動(dòng)目標(biāo)進(jìn)行比較準(zhǔn)確的檢測，我們后面的操作無論多么成功都沒有意義，這在一定程度上映射所以這一步至關(guān)重要，它決定了我們最終的效果是否盡如人意。一般情況下，我們所選用的運(yùn)動(dòng)目標(biāo)檢測算法要能夠在當(dāng)周圍環(huán)境不斷變化的時(shí)候也能夠準(zhǔn)確的對(duì)車輛目標(biāo)進(jìn)行檢測，這就要用到背景建模以及背景更新的知在對(duì)交通路□的車流量進(jìn)行統(tǒng)計(jì)的系統(tǒng)中，我們首先要進(jìn)行的操作就是對(duì)運(yùn)動(dòng)目標(biāo)車輛的檢測。在選取用哪種算法來完成目標(biāo)檢測時(shí)，我們的選擇有很多，在這之中經(jīng)常用到的是背景差分法和幀間差法這兩種方法，本系統(tǒng)中所選擇的是背景差分法。背景差分法顧名思義核心就是做差分，做差值的雙方是當(dāng)前視頻圖像和背景圖像，從這些態(tài)度可以明白結(jié)果是得到差值圖像。在背景差分法中，核心是選取一個(gè)適合的背景模型，一個(gè)適合的背景模型對(duì)于算法來說是極其重要的，然后將當(dāng)前幀的每一個(gè)像素與背景模板的每一個(gè)像素做減法，將得到的差值和選取的閾值做比較，如果差值相對(duì)而言比較大，咱們就把該像素當(dāng)作是前景目標(biāo)，如果差值相對(duì)而言比較小，就是背景圖像(高嘉懿，林文潔，2019)。前述的詳細(xì)分析證實(shí)了本文的理論假設(shè)，特別是在對(duì)關(guān)鍵概念的闡釋上，實(shí)現(xiàn)了理論層面的深入挖掘與廣泛拓展。這種挖掘不僅體現(xiàn)在對(duì)概念內(nèi)涵的深入剖析，還延伸至對(duì)其外延的廣泛探索。通過對(duì)相關(guān)文獻(xiàn)的全面回顧和實(shí)證數(shù)據(jù)的深入分析，本文進(jìn)一步明確了這些概念在理論框架中的位置和作用，以及它們之間的相互聯(lián)系。此外，這種拓展也為本文的研究提供了新的視實(shí)踐的緊密結(jié)合，通過將理論分析應(yīng)用于實(shí)際問題的解決，驗(yàn)證了其有效性和在我們所選取的方法中，背景模型的建立是很重要的景差分法效果的好壞，背景建模根據(jù)表面意思很容易理解就是對(duì)圖像的背景進(jìn)行建模，在車輛檢測算法中，背景差分法可以說是況，我們都希望我們所選取的背景模型是比較理想的模型，也就是說背景模型少會(huì)出現(xiàn)一輛運(yùn)動(dòng)目標(biāo)都沒有的情況。所以這種情形下我們就要想別的辦法去建立一個(gè)符合道路實(shí)際情況的背景模型，假如所建立的背景模型不可以反映實(shí)際情況下的背景圖像，會(huì)影響算法的檢測效果，所以建立一個(gè)能夠?qū)崟r(shí)反應(yīng)道路真實(shí)情況的背景模型異常重要。由于實(shí)際情況中也在一直變化，車輛的反光還有由于日照原因產(chǎn)生的車影等，使得背景模型的根據(jù)上面的介紹和相關(guān)內(nèi)容的了解，在本系統(tǒng)選擇調(diào)用了一個(gè)基于自適應(yīng)混合高斯背景建模的背景差分法的算法，這無疑地傳達(dá)出算法，這個(gè)算法其中一個(gè)很關(guān)鍵的功用就是它為所有像素都選取一個(gè)合適數(shù)目的高斯分布，能非常好的適應(yīng)天氣不同等各種各樣的環(huán)境。并且在這個(gè)算法中我們通過一些方法來實(shí)現(xiàn)自動(dòng)調(diào)節(jié)，即咱們的背景模板是動(dòng)態(tài)變動(dòng)的，從這些陳穎倩，2020)。混合高斯背景建模是一種很常用的辦法，它是用來表示背景的，我們是先對(duì)像素進(jìn)行取樣得到統(tǒng)計(jì)的信息，這種辦法是建立在這些根據(jù)一些形式數(shù)量等統(tǒng)計(jì)信息來表示背景，而后利用統(tǒng)計(jì)判斷，它不僅可以對(duì)簡單的背景進(jìn)行建模，還可以對(duì)相背景進(jìn)行建模，在混合高斯背景模型中，我們認(rèn)定像素與像素之間的顏色信息華，陳玉茜，2022)。混合高斯模型的基本思路是將視頻圖像分成若干個(gè)高斯模型個(gè)，當(dāng)檢測到某一個(gè)像素點(diǎn)時(shí)，這在某種程度上體現(xiàn)一個(gè)高斯模型的間隔值和其2倍的標(biāo)準(zhǔn)差相比都大，則我們認(rèn)為它是前景圖每一個(gè)像素點(diǎn)，這在某種意義上表明了使用u1,σ1構(gòu)造高斯模型，第三步：對(duì)于一個(gè)新來的模型，如果該像素在高斯模型3*σ1內(nèi)，則屬于該高斯模型，對(duì)參數(shù)進(jìn)行更新，第四步：如果不滿足該高斯模型，重新在高斯混合背景建模中，我們對(duì)背景的描述是通過多高斯分布來進(jìn)行的，每一個(gè)高斯分布都對(duì)應(yīng)著一個(gè)像素值，這在某種程度上映射了從而能夠應(yīng)對(duì)視頻序列中背景干擾的問題，并對(duì)背景的進(jìn)行不斷的更新，使系統(tǒng)能對(duì)背景的變化自適應(yīng)，對(duì)復(fù)雜的場景具備效果非常突出的魯棒性(邵嘉逸，樊慧瑩，2021)?；诒尘安罘址ǖ倪\(yùn)動(dòng)目標(biāo)檢測流程圖如圖二所示2.3灰度化我們一般用攝像機(jī)去拍視頻所得到的都是彩色視頻，相應(yīng)的圖像也就是彩色圖像，我們對(duì)彩色圖像開始用算法處理時(shí)一般運(yùn)算任務(wù)非常的繁重，在此類情況下所以我們會(huì)將彩色圖像通過一些算法將它轉(zhuǎn)成灰度圖像，這個(gè)過程我們稱之為灰度化。在彩色圖像中，色彩都是都由R、G、B三個(gè)分量疊加形成的，,其中R、G、B是指紅，率，藍(lán)三種顏色分量，R、G、B三個(gè)分量的取值范圍相同，都在在0到255區(qū)間內(nèi)，所以彩色圖像中每個(gè)像素點(diǎn)的變化能達(dá)到255×255×255,這個(gè)數(shù)字是巨大的，而當(dāng)轉(zhuǎn)換為灰度圖像之后，在這樣的環(huán)境中每個(gè)像素的灰度值均在0~255區(qū)間內(nèi)，因此處理灰度圖的計(jì)算量相比于彩色圖而言要小很多，所以為了提高算法效率和減小對(duì)內(nèi)存的占用，我們首先都會(huì)先對(duì)輸入視頻幀圖像開始實(shí)行灰度化算法，灰度化處理也為后面的二值化操作做準(zhǔn)備(高嘉祥，陳瑞雪，2022)。本篇文章亦對(duì)所得結(jié)論進(jìn)行了復(fù)核驗(yàn)證，首要步驟是在理論層面確認(rèn)了研究假定的合理性及其邏輯連貫性。通過詳盡地整理并分析相關(guān)文獻(xiàn)資料，文章證明了研究架構(gòu)的科學(xué)價(jià)值與實(shí)用性。接下來，文章運(yùn)用了多種實(shí)證手段對(duì)結(jié)論進(jìn)行校驗(yàn)，以保障其穩(wěn)固性和可信度。此外，通過與同類研究的比較，文章驗(yàn)證了結(jié)論的廣泛適用性和創(chuàng)新性。在對(duì)比已有文獻(xiàn)的基礎(chǔ)上，本文不僅印證了部分既有理論，還提出了新穎觀點(diǎn)，為相關(guān)領(lǐng)域提供了理論發(fā)展的新視角和實(shí)證支持。同時(shí)，文章還探討了結(jié)論在實(shí)際應(yīng)用中的潛在意義，為后續(xù)研究指明了方向和提出了建議。在灰度化圖像中，每個(gè)像素都只有一種顏色，在本文的研究語境里這種情況被賦予了重要意義其顏色灰度是沒有黑色那么黑，也沒有白色那么白，像素最大值是255,代表的顏色是白色，最小是0,代表的是黑色。對(duì)于彩色轉(zhuǎn)灰度的方法有分量法、加權(quán)平均法等很多種辦法。其中運(yùn)用最廣泛的是加權(quán)平均法，有一個(gè)大家都很的了解的計(jì)算公式Gray=R*0.299+B*0.114+G*0.587,在這個(gè)公式中，Gray表示的是計(jì)算后的灰度值，R表示該點(diǎn)的R分量值，G表示該點(diǎn)的G分量羽翔，2020)。這在一定程度上映射這個(gè)公式對(duì)于我們把彩色圖像轉(zhuǎn)為灰度圖像有很重要的意義。在灰度化操作后我們調(diào)用了imshow函數(shù)，來展示在視頻圖像經(jīng)過灰度化操作后的變化，更直觀的讓我們了解灰度化操作的作用。圖三是轉(zhuǎn)換前2.4二值化在圖像處理過程中，我們常常需要將自己感興趣的區(qū)域與背景分離開來，此時(shí)就想到二值化操作，圖像通過二值化把圖像中感興趣的信息和不感興趣的信息分離開，更好的反應(yīng)出圖像局部和整體的特征2,圖像二值化是一種直接、有效的圖像分割方法3,它也是一種非常簡單有效的操作，二值化就是在灰度圖的基礎(chǔ)上，將每個(gè)像素點(diǎn)它所代表的灰度值設(shè)置成0或255,從這些態(tài)度可以明白從而使整個(gè)圖像只有黑色和白色兩種顏色，一般情況下我們都習(xí)慣將背景圖像設(shè)置為黑色，運(yùn)動(dòng)目標(biāo)設(shè)置為白色，形成一個(gè)強(qiáng)烈的對(duì)比，從而能讓運(yùn)動(dòng)目標(biāo)操作后，圖像所占內(nèi)存縮小了很多，如果想讓一個(gè)灰度圖像變成黑白圖像，這在某種程度上標(biāo)志一個(gè)合適的閾值是非常重要的，我們只要使這個(gè)圖像中，灰度比我們所設(shè)置的某一個(gè)值大的，就設(shè)為255,表示白色，灰度比我們所設(shè)置的某一個(gè)值小的，設(shè)為0,表示黑色，二值化的公式如下：不同的環(huán)境要選取不同的閾值，這就加大了我們的復(fù)雜度和計(jì)算量，閾值的選取對(duì)于二值化步驟是非常關(guān)鍵的，這無疑地傳達(dá)出由于所選取環(huán)境的不同以及要一種能夠根據(jù)當(dāng)前情況即當(dāng)前的圖像的視頻幀與背景模值的方法，在多方面了解之后，本文選擇采用了一個(gè)效果比較好的閾值選取法，自適應(yīng)閾值產(chǎn)生的方法，該方法是在灰度圖二值化操作后我們調(diào)用了imshow函數(shù)，從這些方法中看出來展示在視頻圖像經(jīng)過二值化操作后的變化，更直觀的讓我們了解二值化操作的作用。圖1四是我們的原視頻圖像和在經(jīng)過二值化操作之后得到的黑白視頻截圖，其中在二流量數(shù)目會(huì)有很大的干擾，降低我們的準(zhǔn)確率，為了讓系統(tǒng)對(duì)車輛的識(shí)別率更高，首先我們要確保我們所用的視頻是高清晰高質(zhì)量的，這就要求大家首先要對(duì)視頻實(shí)行去除噪音的算法，其中椒鹽噪聲是我們視頻圖像經(jīng)常出現(xiàn)的一種噪聲，椒鹽噪聲也被叫做脈沖噪聲，它隨機(jī)出現(xiàn)，也許是以白點(diǎn)出現(xiàn)，也許是以黑點(diǎn)的方式出現(xiàn)，而且是不可預(yù)測的，這在某種程度上體現(xiàn)了它可能以黑色像素的形式出現(xiàn)在亮的區(qū)域，也可能以白色像素的形式出現(xiàn)在暗的區(qū)域(成向陽，噪聲也是我們做圖像處理時(shí)首先要解決消除的問題，這在某種意義上表明了為了提高我們的圖像整體質(zhì)量，我們經(jīng)常用圖像濾波法去噪，降低噪聲的影響，圖像濾波方法我們可以認(rèn)為有兩大類，頻率域?yàn)V波和空間域?yàn)V波，由于頻率域方法計(jì)算過程比較復(fù)雜，去噪處理過程很慢，不符合我們系統(tǒng)實(shí)時(shí)性的要求，而空間域法是濾波直接在空間域內(nèi)完成，處理所需時(shí)間少，這在某種程度上映射了可以實(shí)現(xiàn)我們系統(tǒng)對(duì)于實(shí)時(shí)性的需求，所以我們本系統(tǒng)主要采用空間域?yàn)V波法，空間域?yàn)V波法中我們常用到的是均值濾波法，高斯濾波法，中值體現(xiàn)了研究方案的科學(xué)嚴(yán)謹(jǐn)性和理論體系的健全。經(jīng)過對(duì)目標(biāo)對(duì)象詳盡的研究和多方面的評(píng)估，不僅確認(rèn)了最初假設(shè)的有效性，還深化了該領(lǐng)域的理論認(rèn)識(shí)。這一成果為實(shí)踐領(lǐng)域提供了新的視角，通過對(duì)重要問題的剖析，揭示了深層次的原因，有助于更高效的資源配置、改進(jìn)決策過程并推動(dòng)行業(yè)成長。同時(shí)，它也彰顯了理論與實(shí)踐相互作用的重要性，重視理論的突破和實(shí)際運(yùn)用價(jià)在采用均值濾波法時(shí)，通過均值濾波處理完的圖像還是有噪聲的干擾，這種方法只可以削弱噪聲，但不可以讓噪聲消失，所以暫不考慮這種方法(孫瑞霖，吳佳琪，2022)。中值濾波屬于出現(xiàn)次數(shù)比較多的預(yù)處理技術(shù)，為了使旁邊的像素值和實(shí)際值相差比較小，我們該點(diǎn)周圍的點(diǎn)的中值來替代該點(diǎn)，然后把一些獨(dú)立存在的噪聲點(diǎn)給消滅。它能夠有效的平滑脈沖噪聲，而且它能夠保護(hù)圖像尖利的邊沿。經(jīng)過上面對(duì)三種圖像濾波法的敘述，在此類情況下我們能夠得到論斷，和均值和高斯濾波這兩種辦法比較，圖像通過中值濾波之后，椒鹽噪聲消失了。鑒于中值濾波在消除噪聲上的優(yōu)勢，以及其符合本系統(tǒng)所要求的簡便，實(shí)時(shí)性好等特性，所以為了能夠得到比較好的二值化圖像以提高系統(tǒng)對(duì)運(yùn)動(dòng)目標(biāo)的檢在中值濾波操作后后我們調(diào)用了imshow函數(shù)，在這樣的環(huán)境中來展示視頻圖像通過中值濾波操作之后的變化，更直觀的讓我們了解中值濾波操作的作用。圖五是未經(jīng)中值濾波和經(jīng)過中值濾波的對(duì)比圖，我們可以明顯看出經(jīng)過中2.6形態(tài)學(xué)處理通俗的來講，形態(tài)學(xué)處理是在外形的基礎(chǔ)上對(duì)圖像進(jìn)行處理。在形態(tài)學(xué)中，很關(guān)鍵的一個(gè)元素是結(jié)構(gòu)元素，我們是經(jīng)過結(jié)構(gòu)元素來處理輸入的圖像，進(jìn)而得到處理后的圖像。形態(tài)學(xué)是我們在對(duì)圖像進(jìn)行處理時(shí)常用的操作，當(dāng)我們想要與目標(biāo)外形相關(guān)的圖像分量時(shí)，我們就可以采用形態(tài)學(xué)操作來提取，在經(jīng)過形態(tài)學(xué)操作后，我們就能夠得到更為精準(zhǔn)的目標(biāo)對(duì)象的輪廓，方便我們后面的識(shí)別(徐曉倩，林澤瑜，2023)。在本被賦予了重要意義我們已經(jīng)把背景圖像設(shè)置為黑色，我們最關(guān)注的是前景圖像即運(yùn)動(dòng)目標(biāo)車輛，所以形態(tài)學(xué)處理主要是對(duì)前景圖像進(jìn)行描述。其實(shí)不管我們將前景或者背景設(shè)置為什么灰度值，都與算法自身沒有關(guān)系，只是我們更熟悉哪種設(shè)置方式就用哪種而已。膨脹、腐蝕、開運(yùn)算和閉運(yùn)算是在形態(tài)學(xué)中常用到的四種運(yùn)算，也屬于最基本的運(yùn)算。我們本系統(tǒng)中所采用的是opencv提供的高級(jí)形態(tài)學(xué)處理算法開運(yùn)算和閉運(yùn)算。2.6.1腐蝕和膨脹腐蝕和膨脹屬于數(shù)學(xué)形態(tài)學(xué)中很基礎(chǔ)的運(yùn)算。腐蝕的運(yùn)算思緒是我們首先要選取一種結(jié)構(gòu)元素，然后從圖像的一側(cè)開始，將結(jié)構(gòu)元素移到圖像上的每個(gè)像素點(diǎn)，當(dāng)它與相應(yīng)的像素點(diǎn)的像素值都相同時(shí)，我們就保持該像素點(diǎn)的值不發(fā)生改變。腐蝕運(yùn)算是為了除去物體細(xì)小的最邊緣的點(diǎn)，而且我們可以根據(jù)我們的需求選擇不一樣的結(jié)構(gòu)元素去除大小不一樣的物體。腐蝕操作可以將物體之間的這在一定程度上映射膨脹和腐蝕是一對(duì)相反的處理。膨脹可以描述為對(duì)某一部分求取最大數(shù)的處理。膨脹是對(duì)目標(biāo)的邊緣進(jìn)行擴(kuò)張，它可以對(duì)目標(biāo)區(qū)域中出現(xiàn)的空洞進(jìn)行填充。在我們前面對(duì)于腐蝕和膨脹操作的介紹中，我們了解到雖然單獨(dú)的某一個(gè)腐蝕或膨脹操作也能夠?qū)崿F(xiàn)一些功能但是也有所限制，其中當(dāng)圖像經(jīng)過腐蝕操作后，得到的目標(biāo)面積和原目標(biāo)面積相比會(huì)減少，而原目標(biāo)面積在經(jīng)歷過膨脹操作后的結(jié)果與腐蝕操作正好相反，目標(biāo)面積會(huì)增大(姚昊羽，孫夢瑤，2022)。為了避免這種由于單一操作而導(dǎo)致的目標(biāo)面積改變的問題，我們通常采取膨脹和腐蝕相結(jié)合的方式，也就是開運(yùn)算和閉運(yùn)算操作，從這些態(tài)度可以明白本系統(tǒng)中采用了開運(yùn)算和閉運(yùn)算相結(jié)合的方式。開運(yùn)算是指先進(jìn)行腐蝕后進(jìn)行膨脹的過程，閉運(yùn)算是指先進(jìn)行膨脹后進(jìn)行腐蝕的過程。開運(yùn)算刪除不可以完全包括結(jié)構(gòu)元素的目標(biāo)部分，其作用是使目標(biāo)的邊沿變得平滑，切開細(xì)小的連接部分，刪除掉目標(biāo)周圍細(xì)小的毛刺。閉運(yùn)算的效果與開運(yùn)算的效果相反，閉運(yùn)算將一些很小的斷點(diǎn)連通起來構(gòu)成又細(xì)又長的彎曲的□子，并對(duì)相比結(jié)構(gòu)元素而言還要小的空洞進(jìn)行填補(bǔ)(曹文和，張君朝，2017)。也可以同時(shí)對(duì)二值圖像先后進(jìn)行開運(yùn)算和閉元素，這在某種程度上標(biāo)志可先用較小的結(jié)構(gòu)元素進(jìn)行開運(yùn)算消除細(xì)小的毛刺，然后用相對(duì)而言比較大的結(jié)構(gòu)元素實(shí)行閉運(yùn)算，填充空洞在本系統(tǒng)我們所采用的開運(yùn)算和閉運(yùn)算算法中，腐蝕和膨脹操作的內(nèi)核都是一個(gè)默認(rèn)的簡單的3×3矩陣，這無疑地傳達(dá)出而且膨脹與腐蝕的迭代次數(shù)都為5,在經(jīng)過形態(tài)學(xué)處理后我們發(fā)現(xiàn)我們基本實(shí)現(xiàn)了我們的目的(林志光，張婉倩，2021)。本文的研究結(jié)論與既定的理論框架相吻合，這反映了本文在研究中所采取的科學(xué)嚴(yán)謹(jǐn)態(tài)度。自研究啟動(dòng)以來，本文依據(jù)經(jīng)典理論來構(gòu)建研究模式，確保其邏輯嚴(yán)密且結(jié)構(gòu)合理。數(shù)據(jù)采集使用了多種已被證明有效的方式，并采用相應(yīng)的統(tǒng)計(jì)手段進(jìn)行數(shù)據(jù)分析。在解釋結(jié)果時(shí)，本文將研究結(jié)果與已有理論相結(jié)合，仔細(xì)分析二者的相似之處及區(qū)別，為進(jìn)一步的研究提供方向。在形態(tài)學(xué)操作處理后作后我們調(diào)用了imshow函數(shù)，來展示在視頻圖像經(jīng)過形態(tài)學(xué)操作后的變化，更直觀的讓我們了解形態(tài)學(xué)操作對(duì)于視頻圖像的作用。圖六是未經(jīng)形態(tài)學(xué)處理和經(jīng)過形態(tài)學(xué)處理的對(duì)比圖，通過這兩個(gè)截圖的對(duì)比，我們能夠明顯看出在經(jīng)歷形態(tài)學(xué)處理之后，從這些方法中看出視頻幀中一些孤立的小點(diǎn)被消除掉，邊緣也更加圓滑，毛刺也消失了，運(yùn)動(dòng)目標(biāo)中的一些小空洞也被填充了。第四章基于目標(biāo)跟蹤的車輛統(tǒng)計(jì)在本設(shè)計(jì)中我們的目的是實(shí)現(xiàn)對(duì)交通路□車流量的統(tǒng)計(jì)，即在一段時(shí)間內(nèi)有多少車輛出現(xiàn)在這一條道路，這一數(shù)據(jù)對(duì)交通部門的意義很大，這在某種程度上體現(xiàn)了能夠及時(shí)知道道路交通情況，及時(shí)采取措施避免堵車等一些情況的發(fā)生。要想依靠智能交通系統(tǒng)來對(duì)道路進(jìn)行科學(xué)化的，智能化的管控，前提是我們能夠得到實(shí)時(shí)的道路信息，可以對(duì)馬路上的運(yùn)動(dòng)目標(biāo)實(shí)行精確的檢測和統(tǒng)計(jì)(郭羽翔，楊雨欣，2022)。這在某種意義上表明了通過檢測和跟蹤等一些技術(shù)手段，我們就能夠獲得道路上的全面的信息，如當(dāng)前道路的車流量，是否有人違規(guī)停車，闖紅綠燈等等。對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行精確的檢測只是我們第一步要做的事情，接下來要能精準(zhǔn)的的跟蹤車輛，并能準(zhǔn)確判斷出新舊車輛是我們統(tǒng)計(jì)的目標(biāo)跟蹤的車輛計(jì)數(shù)方法的基本原理是對(duì)預(yù)處理后的連續(xù)視頻圖像幀中帶有車輛目標(biāo)屬性的信息(如車輛大小、位置、形狀等)進(jìn)行分析，這在某種程度上映射了再對(duì)下一幀所有像素進(jìn)行匹配，以此來找到含有上一幀車輛目標(biāo)屬性信息的像素點(diǎn)，在連續(xù)幀之間重復(fù)此步驟，然后完成對(duì)車輛軌跡的跟蹤，再通過連續(xù)時(shí)間內(nèi)軌跡變化的持續(xù)性來完成對(duì)運(yùn)動(dòng)目標(biāo)的統(tǒng)計(jì)(羅澤和，孫心在本設(shè)計(jì)中，為了驗(yàn)證算法是否能實(shí)現(xiàn)，我采用了三個(gè)不同天氣不同背景的道路視頻，通過在我們前期通過對(duì)運(yùn)動(dòng)目標(biāo)的提取和去噪形態(tài)學(xué)等預(yù)處理操作后得到清晰的前景圖像二值化，然后就是我們系統(tǒng)的核心操作，車輛的跟蹤和計(jì)數(shù)模塊。此研究采用了獨(dú)特的思考方式，在綜合先前學(xué)者的工作基礎(chǔ)上提升了研究的深刻度。通過細(xì)致篩選并總結(jié)過往文獻(xiàn)，明確了若干未得到足夠重視的核心議題及可能的研究途徑。這種做法不僅加強(qiáng)了對(duì)現(xiàn)有理論的解釋力，還提出了新的觀察角度和結(jié)構(gòu)。應(yīng)用最新的科研方法，實(shí)現(xiàn)了對(duì)目標(biāo)主題的全面審視，克服了傳統(tǒng)方法的局限，展示了深層次的關(guān)系網(wǎng)絡(luò)，并將不同學(xué)科的知識(shí)融入到問題解決中，提供更為廣泛的思路選擇。車輛跟蹤和統(tǒng)計(jì)是本設(shè)計(jì)的最后一個(gè)大模塊，統(tǒng)計(jì)的結(jié)果直接決定了我們所設(shè)計(jì)的系統(tǒng)是否有效，在此類情況下是否能達(dá)到我們的要求，所以在選擇采取哪種方法來對(duì)運(yùn)動(dòng)進(jìn)行跟蹤和判斷新舊車輛對(duì)于我們來說是比較困難的，不能過于復(fù)雜，但又要達(dá)到一定的識(shí)別率，在目標(biāo)跟蹤的基礎(chǔ)上實(shí)現(xiàn)車流量統(tǒng)計(jì)的方法是對(duì)連續(xù)相鄰幀之間已檢測到的車輛的特征屬性進(jìn)行匹配跟蹤，這個(gè)辦法能夠很棒的精確跟蹤，也是我們本系統(tǒng)算法的重點(diǎn)內(nèi)容，接下來就具體方法和相關(guān)算法3.1車輛跟蹤技術(shù)描述對(duì)道路上的實(shí)時(shí)信息獲取，在這樣的環(huán)境中其中最中心的是車輛的檢測和實(shí)時(shí)基于對(duì)運(yùn)動(dòng)目標(biāo)跟蹤的基礎(chǔ)上對(duì)車輛進(jìn)行統(tǒng)計(jì)，獲得在某一段時(shí)間內(nèi)道路上的兩者之間建立聯(lián)系。在本文的研究語境里這種情況被賦予了重要意義在跟蹤這一部分我們先用最小矩形框去框住運(yùn)動(dòng)目標(biāo)車輛，并得到矩形框左上方的坐標(biāo)是同一輛車的原理是由于同一輛車在很短的時(shí)間內(nèi)運(yùn)動(dòng)目標(biāo)車輛的位置變化很小，所以我們就給定一個(gè)值(可以認(rèn)為是車的長度和寬度),當(dāng)前后運(yùn)動(dòng)車輛的3.2車輛跟蹤及統(tǒng)計(jì)算法實(shí)現(xiàn)詳述在我們前期對(duì)幀圖像進(jìn)行運(yùn)動(dòng)目標(biāo)提取和預(yù)處理等操作得到清晰的二值化們是先用一個(gè)最小矩形邊框來框住運(yùn)動(dòng)目標(biāo)車輛，并得到運(yùn)動(dòng)目標(biāo)左上方的坐個(gè)最小矩形邊框來框住運(yùn)動(dòng)目標(biāo)車輛，并得到矩形邊框的大小和左上方坐標(biāo)位第三步判斷新舊車輛：創(chuàng)立一個(gè)列表，將第一幀的象)存入，第二幀的時(shí)候遍歷每一個(gè)目標(biāo)與列表的每一輛車，判別前后幀Cx與Cy的間隔，假如變動(dòng)不超出我們設(shè)定的某一值(可以認(rèn)為是車的長度或?qū)挾?,就認(rèn)定這是同一輛車；第四步實(shí)現(xiàn)對(duì)車輛的計(jì)數(shù)：創(chuàng)建一個(gè)類，每一次出現(xiàn)新的目標(biāo)就創(chuàng)立一個(gè)類，新的目標(biāo)就代替舊的坐標(biāo)，車輛數(shù)加1。在第二步我們?nèi)ピO(shè)定一個(gè)范圍限制的意義是為了減輕運(yùn)算量，從這些態(tài)度可以明白當(dāng)某一輛車已經(jīng)很遠(yuǎn)離我們的攝像頭或者剛出現(xiàn)在我們的攝像范圍時(shí)，我們忽視此時(shí)的運(yùn)動(dòng)車輛。第三步我們是先判斷新舊車輛，當(dāng)判斷為同一輛車時(shí)更新車輛位置信息，當(dāng)超出我們所設(shè)置的范圍時(shí)刪除車輛信息。第四章車流量統(tǒng)計(jì)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)4.1系統(tǒng)的開發(fā)環(huán)境本系統(tǒng)是VisualStudioCode配置OpenCV開發(fā)環(huán)境，并使用python語言來編寫算法。VisualStudioCode是一個(gè)非常輕便而且使用起來也很方便的代碼編輯器，它不僅占用的內(nèi)存極小，而且有非常多的快捷鍵，我們可以通過快捷鍵很方便的CV里有非常多的功能強(qiáng)大的庫函數(shù)，它在計(jì)算機(jī)視覺處理方面有十分強(qiáng)大的功用，它應(yīng)用在在物體識(shí)別，圖像分割，運(yùn)動(dòng)跟蹤等非常多的領(lǐng)域，在本系統(tǒng)中我們調(diào)用了非常多的OpenCV里的庫函數(shù)，大大方便了我們系統(tǒng)的實(shí)現(xiàn)。這部分內(nèi)容的創(chuàng)作參考了何其飛教授在相關(guān)主題上的研究成果，具體體現(xiàn)在思路和方法兩個(gè)層面。思路上，本文借鑒了他對(duì)研究問題逐步深入分析的方式，通過確立清晰的研究目的和假設(shè)，搭建起嚴(yán)密的研究架構(gòu)。采用定量分析與定性分析協(xié)同的研究手段，力求在數(shù)據(jù)采集和解析過程中保持客觀、精準(zhǔn)，以此保障研究結(jié)論的科學(xué)性與可靠性。盡管本研究從何其飛教授的工作中獲取靈感，但本文在諸多環(huán)節(jié)融入了自身的創(chuàng)新元素，研究設(shè)計(jì)階段運(yùn)用了更為豐富多元的數(shù)據(jù)收集途徑；數(shù)據(jù)分析時(shí)挖掘不同變量間的復(fù)雜聯(lián)系，目的是讓研究既擁有理論價(jià)值，又具備一定的實(shí)踐指導(dǎo)作用。4.2系統(tǒng)界面顯示在本系統(tǒng)中我們選用了三段不同時(shí)間不同環(huán)境的視頻，為了在演示的時(shí)候方便展示出來，我們把三段視頻放在同一個(gè)文件夾下，把他們命名為不同的名字，在算法中我們已經(jīng)把視頻所在的文件夾位置寫好，這在某種程度上標(biāo)志當(dāng)我們要調(diào)用某一個(gè)視頻時(shí)，我們只需要在程序中把此視頻的名字寫在文件夾的后面，就可以把視頻導(dǎo)入我們的程序中，然后點(diǎn)擊運(yùn)行按鈕就能夠?qū)Υ艘曨l中的車在我們前期完成對(duì)道路上的車流量統(tǒng)計(jì)之后，我們要能夠直觀的把這個(gè)數(shù)據(jù)統(tǒng)計(jì)出來，便于我們?nèi)ゲ榭矗越酉聛斫榻B一下本系統(tǒng)界面。首先我們先把要使用的視頻放在文件夾里，為了便于我們能夠直接知道這條道路上的車輛情況，我們在系統(tǒng)中有很詳細(xì)的對(duì)于車輛的標(biāo)明，圖七是系統(tǒng)展示的界面截圖。我們統(tǒng)一把使用的視頻識(shí)別率改成640×480,寬高比是4:3,我們調(diào)用opencv里的一個(gè)函數(shù)在系統(tǒng)界面添加文字，這無疑地傳達(dá)出以便于我們查看統(tǒng)計(jì)結(jié)果，下面我們按照下面的截圖來顯示描述一下我們所添加函數(shù)的作用，在圖片上方添加cid代表這是我們這段時(shí)間內(nèi)檢測到的第13輛車，并用紅色框圖把我們當(dāng)前檢測到的車輛標(biāo)出，系統(tǒng)上方用紅色字體標(biāo)明識(shí)別車輛總數(shù)frameframe4.3系統(tǒng)結(jié)果與分析經(jīng)過一段時(shí)間的努力，完成了畢設(shè)所要求的對(duì)交通路□的車流量統(tǒng)計(jì)，為了驗(yàn)證本系統(tǒng)是否可以對(duì)不同環(huán)境下的路口車流量實(shí)現(xiàn)計(jì)數(shù)，本次設(shè)計(jì)選取了三個(gè)不同環(huán)境不同天氣下的交通視頻，從這些方法中看出通過自己所設(shè)計(jì)的系統(tǒng)完成了對(duì)這三段視頻中車輛的統(tǒng)計(jì)，并將系統(tǒng)統(tǒng)計(jì)的結(jié)果和自己實(shí)際數(shù)的結(jié)果進(jìn)行對(duì)比形成下面的表格，并計(jì)算出準(zhǔn)確率統(tǒng)計(jì)結(jié)果如下表所示視頻一實(shí)際車輛數(shù)(輛)檢出車輛數(shù)(輛)準(zhǔn)確率(%)以上我們所選取的三個(gè)視頻的準(zhǔn)確率分別是69%,89%,70%,只有第二個(gè)視頻的準(zhǔn)確率高一點(diǎn)，可能是因?yàn)榈诙€(gè)視頻的車輛較少而且噪音也相對(duì)而言少一點(diǎn)(許博羽，陳夢瑤，2022)。不過通過分析我們實(shí)際數(shù)出的車輛要多得多，原因有幾點(diǎn)，第一有部分車輛車速較慢而且有時(shí)候在系統(tǒng)已經(jīng)識(shí)別統(tǒng)計(jì)過一次之后會(huì)出現(xiàn)車輛停下然后再啟動(dòng)的情況，這在某種程度上體現(xiàn)了此時(shí)系統(tǒng)會(huì)再一次對(duì)此車輛進(jìn)行統(tǒng)計(jì)，相當(dāng)于把同一輛車統(tǒng)計(jì)了兩次，第二有的車輛過大會(huì)出現(xiàn)把一輛車當(dāng)成兩輛車統(tǒng)計(jì)，第三就是噪音問題，我們并不能完全把一些視頻里的光啊，地面的反射啊等等全部理想化消除，由于以上因素導(dǎo)致我們的