基于图像处理的智能交通信号灯控制系统的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-16页 |
| ·引言 | 第9页 |
| ·研究的目的和意义 | 第9页 |
| ·智能交通信号灯控制的发展现状 | 第9-14页 |
| ·交通参数的检测及其检测技术的研究现状 | 第10-12页 |
| ·智能交通信号灯控制策略的研究现状 | 第12-14页 |
| ·主要研究内容 | 第14-16页 |
| 第2章 智能交通信号灯控制系统总体方案研究 | 第16-22页 |
| ·交通信号灯控制中的基本参数 | 第16-17页 |
| ·信号周期 | 第16页 |
| ·相位 | 第16页 |
| ·绿信比 | 第16页 |
| ·平均延误时间 | 第16-17页 |
| ·智能交通信号灯控制系统的技术原则 | 第17页 |
| ·可靠性原则 | 第17页 |
| ·实时性原则 | 第17页 |
| ·智能交通信号灯总体方案设计 | 第17-21页 |
| ·硬件的选取及安装 | 第17页 |
| ·图像处理模块 | 第17-18页 |
| ·智能控制模块 | 第18-19页 |
| ·仿真模块 | 第19-20页 |
| ·系统总体方案流程图 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第3章 基于图像处理的交通参数的测量 | 第22-39页 |
| ·硬件的安装和选取原则 | 第22页 |
| ·视频采集和图像预处理 | 第22-23页 |
| ·基于统计特性的背景提取算法 | 第23-27页 |
| ·基于中值法的背景提取 | 第23-24页 |
| ·基于均值法的背景提取 | 第24页 |
| ·基于频率最高法的背景提取 | 第24-25页 |
| ·基于高斯法的背景提取 | 第25-26页 |
| ·基于帧差法的背景提取 | 第26-27页 |
| ·基于单车道的背景提取 | 第27-31页 |
| ·基于车道线的单车道提取 | 第27-29页 |
| ·基于模板的快速单车道提取 | 第29-30页 |
| ·基于单车道的快速背景提取算法 | 第30-31页 |
| ·目标车辆的提取 | 第31-34页 |
| ·基于背景差法的车辆提取 | 第31页 |
| ·帧差图像的二值化 | 第31-32页 |
| ·基于中值滤波的噪声滤除 | 第32页 |
| ·基于膨胀处理的车辆复原 | 第32-33页 |
| ·基于图像处理的车辆提取流程图 | 第33-34页 |
| ·基于行坐标的车队长度测量和车辆类型识别 | 第34-38页 |
| ·基于行坐标的距离转换模型的建立 | 第34-37页 |
| ·基于行坐标的车队长度测量方法及验证 | 第37页 |
| ·基于行坐标的车辆类型识别算法 | 第37-38页 |
| ·当量车队长度 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第4章 交通信号灯智能控制算法 | 第39-57页 |
| ·模糊控制器的设计 | 第39-44页 |
| ·模糊控制器的结构 | 第39页 |
| ·论域变换 | 第39-40页 |
| ·语言值的建立 | 第40页 |
| ·隶属度函数的建立 | 第40-41页 |
| ·控制规则的建立 | 第41-42页 |
| ·基于面积重心法的清晰化处理 | 第42-44页 |
| ·神经网络控制 | 第44-50页 |
| ·神经网络的选取原因 | 第44-45页 |
| ·基于规则的样本点的选取 | 第45-47页 |
| ·样本对的识别 | 第47页 |
| ·构造并训练神经网络 | 第47-48页 |
| ·神经网络控制表的修正 | 第48-50页 |
| ·自适应模糊神经网络控制 | 第50-56页 |
| ·模糊神经网络的选取 | 第50页 |
| ·模糊神经网络的建立 | 第50-53页 |
| ·模糊控制表的自动获取 | 第53-54页 |
| ·实验结果 | 第54-55页 |
| ·基于评价准则的自适应算法 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 控制算法的仿真实验 | 第57-63页 |
| ·交叉路口几何模型 | 第57页 |
| ·交通信号灯控制流程 | 第57-58页 |
| ·评价依据 | 第58-59页 |
| ·仿真实验 | 第59-62页 |
| ·仿真思想 | 第59页 |
| ·初始值设定 | 第59页 |
| ·实验结果 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 附录 | 第70-73页 |
