淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-1403200812464900
中文論文名稱 智慧型執法系統平台之研究以道路環境辨識演算法為基礎
英文論文名稱 A study of Intelligent Enforcement System platform based on road environment recognition algorithms
校院名稱 淡江大學
系所名稱(中) 運輸管理學系碩士班
系所名稱(英) Department of Transportation Management
學年度 96
學期 1
出版年 97
研究生中文姓名 李杰儒
研究生英文姓名 Jie-Ru Li
學號 694540161
學位類別 碩士
語文別 中文
口試日期 2008-01-17
論文頁數 114頁
口試委員 指導教授-范俊海
委員-洪文斌
委員-鍾隆文
中文關鍵字 影像處理  道路環境辨識演算法  智慧型執法系統  影像中位數法  樣板比對 
英文關鍵字 Image processing  road environment recognition algorithm  intelligent enforcement system platform  temporally median filter  template matching 
學科別分類 學科別社會科學管理學
中文摘要 由於經濟蓬勃發展,國內自小客車持有率逐年提高,駕駛者違規所衍生的交通問題日益嚴重。目前國內執法工作大多由警員人力支援,受限於人力資源,常無法達到常態性以及公平性…等原則,因此儘管加強違規的取締,成果卻不彰。透過影像處理技術來辨識車種以及取得交通參數,近年來於國內外已逐漸發展成熟。透過整合之智慧型交通執法系統,可以讓交通稽查取締工作發揮更大的功能,提升交通績效。
本研究利用影像處理技術結合自行發展之道路環境辨識演算法建立智慧型執法系統之平台。研究計畫分為三個部份:背景建立與更新、道路環境辨識以及違規行為偵測與辨識,並選定「未依規定變換車道」以及「未依規定行駛車道」違規行為建立違規行為判定子系統,做為智慧型執法系統平台之先驅研究。
本研究利用影像中位數法建立背景、結合遞迴式背景建構模式與非遞迴式背景建構模式進行背景更新;並且利用特徵判斷與樣板比對辨識路面標線,進而分割道路環境;最後利用車輛偵測、追蹤等…影像處理技術結合道路環境辨識結果進行違規行為的偵測與辨識。
經過實際車流影像驗證,發現利用影像中位數法所建立之道路環境背景於不同的時間點、不同的路口或路段,皆能建構出乾淨的背景。在道路環境辨識方面,利用特徵以及樣板比對進行判斷之路面標線辨識率分別為100%以及89.9%。車流量計算方面,路口內大型車、小型車以及機車的辨識率分別為84.2%、97.1%以及100%,;路段內大型車、小型車以及機車的辨識率分別為89.4%、98.3%以及97.7%。違規行為辨識方面,未依規定變換車道辨識率為100%、未依規定行駛車道辨識率為89.1%。上述之結果,雖然未達百分之百的辨識率,然已成功地建立可用的平台。
英文摘要 Because the highly economic developing for Taiwan within the past several years, the car-hold-rate is also increasing rapidly year by year. Therefore, the traffic problems which are from driver traffic violation are more serous than that before. Nowadays, there are many non-normal and unfair cases for the traffic management cause by the limited police resources. Although the police agency enhances to suppress illegal uses of traffic, the performance is still not good. The intelligent enforcement system platform is used to improve the traffic violation detection performance.
In this study, the image processing techniques and the road environment recognition algorithm are used in the intelligent enforcement system platform. There are three parts: 1) the background reconstruction and its updating. 2) The road environment recognition. 3) Traffic violation detection. Here the “Change-Lane at Will” and the “violation of Right-Lane Driving” are selected for the traffic violation detection.
In our study, the background is constructed using temporally median filter and the combining it with recursive and non-recursive background updating algorithms to update our background image. Next, the extracted features and template matching algorithm are used to obtain the lane edge trace. Hence, the road environment can be segmented via these known lane edge trace. Finally, the moving car detection and its tracking algorithms are also used to recognize the traffic violation.
The simulation results show that the temporally median filter can construct a clear background image even in the different environments. In the road environment recognition, the detection rates of the proposed feature extraction and template matching methods are about 100% and 89.9%, respectively. In the traffic-flow counting, the detection rates of big-car, small-car and motorcycle are 84.2%, 97.1% and 100%, respectively. In the traffic violation detection, the detection rate of “Change-Lane at Will” is 100%, and the detection rate of “violation of Right-Lane Driving” is 89.1%. Althourh the detection rates were not achieve 100%, but the feasible platform was established successfully.
論文目次 目錄 i
表目錄 v
圖目錄 vi
第一章 緒論 1
1.1 研究動機與背景 1
1.2 研究目的 2
1.3 研究範疇 2
1.4 研究架構與內容 3
1.5 研究方法 5
1.6 研究流程 7
第二章 文獻回顧 8
2.1 影像處理基本原理與技術 8
2.1.1 影像切割 8
2.1.2 物件標記 11
2.1.3 影像特徵匹配 14
2.2 影像處理於交通領域之應用 16
2.2.1 車輛偵測 17
2.2.2 車輛辨識 19
2.2.3 交通環境背景重建 22
2.2.4 路面標線偵測回顧 27
2.2.5 智慧型執法系統 29
2.4 現階段國內交通執法現況 30
2.4.1 交通執法勤務之目的與型態 30
第三章 道路環境辨識演算法 34
3.1 背景重建模式與分析 34
3.1.1 影像平均數法 35
3.1.2 影像中位數法 37
3.1.3 影像眾數法 38
3.1.4 整合性背景模式 40
3.2 道路環境特性分析 41
3.2.1 道路環境說明 41
3.2.2 道路環境辨識方法 42
3.3 利用特徵判斷辨識路面標線 42
3.3.1 車道邊緣 42
3.3.2 停止線 43
3.3.3 枕木紋行人穿越道 44
3.3.4 車道線 44
3.3.5 背景分割 45
3.4 利用樣板比對辨識路面標線 46
3.4.1 樣板比對的方式 47
3.4.2 樣板比對的定位 48
3.4.3 路面標線樣板建立方式 49
第四章 攝影機環境與幾何角度探討 52
4.1 攝影機架設與車輛長寬幾何關係 52
4.1.1 攝影機與車輛角度 52
4.1.2 攝影機之縱像元解析度與實際距離 53
4.1.3 攝影機之橫像元解析度與實際距離 54
4.1.4 車輛在縱向線所佔的像元素 55
4.1.5 車輛在橫向線所佔像元素 57
4.1.6 攝影機架設位置與角度 57
第五章 智慧型執法系統平台之建立 59
5.1 影像前處理 61
5.1.1 背景相減 61
5.1.2 Ostu二值化 62
5.1.3 中間值濾波 64
5.1.4 物件標記 64
5.2 違規行為辨識 64
5.2.1 違規行為辨識流程 65
5.2.2 違規行為辨識原則 66
5.3 交通參數析出 67
5.3.1 車種分類 67
5.3.2 流量計算 68
第六章 實證分析 69
6.1 拍攝方式 69
6.2 設備說明 69
6.3 系統概述 70
6.4 實證結果 74
6.4.1 路面標線辨識結果 74
6.4.2 流量以及違規行為的驗證 75
第七章 結論與建議 79
7.1 結論 79
7.2 建議 80
參考文獻 81
英文部分 81
中文部分 84
附錄一 系統程式碼 86


表目錄
表1.1路面標線研究範圍 2
表1.2各違規事件對應之發生地點 3
表1.3車輛偵測器偵測功能比較表 4
表1.4偵測器各項設置條件比較表 5
表1.5各項偵測器對應可能違規事件 5
表2.1警政署交通違規舉發件數與交通事故發生件數對照表 31
表2.2行政院衛生署與內政部警政署交通事故死亡人數統計 32
表3.1路面標線研究範圍 42
表3.2路面標線研究方法 42
表3.3樣版比對應用之路面標線 49
表4.1符號代表意義(一) 53
表4.2符號代表意義(二) 54
表4.3符號代表意義(三) 56
表4.4符號代表意義(四) 57
表6.1實證影像包含之路面標線 74
表6.2驗證路面標線數量 74
表6.3真實車流影像路面標線判斷結果(一) 75
表6.4路面標線測試照片判斷結果(一) 75
表6.5真實車流影像路面標線判斷結果(二) 75
表6.6路面標線測試照片判斷結果(二) 75
表6.7車流量驗證結果-淡水鎮中正東路 76
表6.8違規行為辨識結果-淡水鎮中正東路 76
表6.9車流量驗證結果-淡水鎮中山北路 77
表6.10違規行為辨識結果-淡水鎮中山北路 78


圖目錄
圖1.1研究方法 6
圖1.2研究流程 7
圖2.1 Prewitt操作遮罩 9
圖2.2 Sobel操作遮罩 10
圖2.3加標示處理 11
圖2.4改良前標記演算法的缺失 12
圖2.5改良後標記演算法相關像點參考點 13
圖2.6遞迴式標記法示意圖 14
圖2.7點偵測示意圖 17
圖2.8線偵測示意圖 18
圖2.9面偵測示意圖 19
圖2.10區域基礎追蹤示意圖 20
圖2.11輪廓基礎追蹤示意圖 21
圖2.12特徵基礎追蹤示意圖 22
圖3.1道路環境辨識流程 34
圖3.2背景建構流程 35
圖3.3影像平均數法背景建構示意圖 36
圖3.4影像中位數法背景建構示意圖 38
圖3.5影像眾數法背景建構示意圖 39
圖3.6背景更新流程 40
圖3.7背景更新流程 41
圖3.8停止線偵測與辨識結果 43
圖3.9行人穿越道偵測與辨識結果 44
圖3.10雙白線偵測與辨識結果 45
圖3.11背景分割結果 46
圖3.12路面標線之樣板 50
圖3.13樣版比對結果 51
圖4.1攝影機與真實路面平面 52
圖4.2攝影機縱向角度示意圖 53
圖4.3攝影機橫向角度示意圖 54
圖4.4車輛在縱向線所佔像元素示意圖 55
圖4.5車輛在橫向線所佔像元數示意圖 57
圖5.1智慧型執法系統平台之系統示意圖 59
圖5.2智慧型執法系統平台之演算法流程 60
圖5.3前處理流程圖 61
圖5.4雙峰型態單一臨界值的灰階直方圖 62
圖5.5違規行為辨識流程 65
圖5.6違規行為辨識結果 66
圖5.7車種辨識測試畫面 67
圖5.8流量計算測試畫面 68
圖6.1拍攝地點示意圖 69
圖6.2系統操作介面示意圖 70
圖6.3主程式執行畫面 71
圖6.4載入車流影像 72
圖6.5背景建立結果 72
圖6.6道路環境辨識結果 73
圖6.7程式執行畫面 73
參考文獻 1. A. Elgammal, R. Duraiswami, D. Harwood, and L. S. Davis, Background and foreground modeling using nonparametric kernel density estimation for visual surveillance, Proc. of the IEEE, vol. 90, pp. 1151– 1163, July 2002.
2. Benjamin Coifman,David Beymer, Philip McLauchlan,Jitendra Malik., A real-time computer vision system for vehicle tracking and traffic surveillance, Transportation Research Part C 6 , Page(s):271-288 , 1998.
3. Bhandarkar, S.M., Luo, X, Fast and Robust Background Updating for Real-time Traffic Surveillance and Monitoring, Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05).
4. C. Stauffer and W. E. L. Grimson, Adaptive background mixture models for real-time tracking, in Proc. IEEE Conf Computer Vision and Pattern Recognition CVPR’99, pp. 246–252, 1999.
5. Chun-Che Wang; Shih-Shinh Huang; Li-Chen Fu, Driver assistance system for lane detection and vehicle recognition with night vision, Intelligent Robots and Systems, 2005. (IROS 2005). 2005 IEEE/RSJ International Conference on 2-6, Page(s):3530 – 3535, Aug. 2005.
6. D.Beymer and J. Malik, Tracking Vehicles in Congested Traffic, Proceedings of the 1996 IEEE Intelligent Vehicle Symposium, pp.130-135, 1996.
7. D. Beymer and P. McLauchlan, B. Coifman and J. Mailik, A Real-time Computer Vision system for Measuring Traffic Parameters, Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pp. 495-501, 1997.
8. D. Koller, J. Weber, and J. Malik, Toward Realtime Visual Based Tracking in Cluttered Traffic Scanned, Proceedings of the Intelligent Vehicle Symposium, Paris France, pp.201-206, Oct. 24-26, 1994.
9. D. Koller, J. Weber, and J. Malik, Robust Multiple Car Tracking with Occlusion Reasoning, Technical Report UCB/CSD-93-780, University of Calibornia at Berkely, Oct. 1993.
10. F. Samadzadegan, A. Sarafraz, M. Tabibi, AUTOMATIC LANE DETECTION IN IMAGE SEQUENCES FOR VISION-BASED NAVIGATION PURPOSES.
11. J. Goldbeck and B. Huertgen, Lane detection and tracking by video sensors, Proceedings of the 1999 IEEE/IEEJ/JSAI International Conference on Intelligent Transportation Systems, pp. 74-79, Tokyo, Japan, October 1999.
12. J. Shelley, N.L. Seed, Approaches to static background identification and removal, IEE Colloquium on Image Processing for Transport Applications,pp.6/1-6/4, 1993.
13. K. Kluge and S. Lakshmanan, A deformable-template approach to lane detection, Proceedings of the 1995 IEEE Intelligent Vehicles Symposium, pp.54-59, Detroit, Michigan, September 1995.
14. K. W. Dickinson, and R. C. Waterfall, Image Processing Applied to Traffic, 2.Practical Experience, Traffic Engineering and Control, pp.60-67, February 1984.
15. K. Yamada, T. Ito, and K. Nishioka, Road lane recognition system for RCAS, Proceedings of the 1996 IEEE Intelligent Vehicles Symposium, pp. 177-182.
16. Kristijan Maˇcek, Brian Williams, Sascha Kolski, Roland Siegwart, A lane detection vision module for driver assistance.
17. M.S. Lew, N.Sube, T.S.Huang, Improving Visual matching, IEEE Conference on Computer Vision and Pattern Recognition, Vol. 2, pp.58-65, 2000.
18. Monnet, A. Mittal, N. Paragios, and V. Ramesh, Background modeling and subtraction of dynamic scenes, in Proc. IEEE Int. Conf. on Computer Vision (ICCV), pp. 1305–131, 2003.
19. P. Giaccone, D. Amanatidis and G.A. Jones, Segmenting Image Sequences by Embedding Motion and Colour Cues Within a Contextural Relaxation Scheme, IEE Colloquium on Motion Analysis and Tracking (Ref. No. 1999/103), pp.18/1-18/6, 1999.
20. Prasanth Jeevan, Esten Grotli, Robust Lane Detection and Tracking.
21. R. Brunelli, and T. Poggio, Template Matching Spatial Filters And Beyond, MIT AL Memo 1549, July 1955.
22. S.Y. Choi and J.M. Lee, Optimal moving windows for real-time road image processing, Proceedings of 2001 IEEE International Conference on Robotics and Automation, Vol. 2, pp. 1220-1225, Seoul, Korea, May 2001.
23. Schlutsmeyer, A. P., Wide Area Detection System: Conceptual Design Study, FHWA-RD-77-86, Federal Highway Administration, February 1978.
24. Stauffer C, Grimson W. E. L., Learning patterns of activity using real-time tracking, IEEE Transactions on Pattern Analysis & Machine Intelligence, 2000.22(8): p. 747-57.
25. T. Ito and K. Yamada, Preceding Vehicle and Road Lanes Recognition Methods for RCAS Using Vision System, Proceedings of the 1994 IEEE Symposium on Intelligent Vehicles, pp. 85-90.
26. Zhaozheng Yin, Prof.Yu Hen Hu, Vision-based Lane Detection using Hough Transform, 2003.
27. 王國材等,先進車輛偵測技術測試評估作業程序研擬及驗證之研究,交通部運輸研究所合作研究計畫,民國91年3月。
28. 交通部委託計畫-智慧型交通資訊蒐集、處理、傳播與旅行者行為之系列研究-號誌化道路路況資訊偵測方法與格式訂定,民國91年。
29. 李克聰、陳昱豪,先進交通執法系統之規劃設計,道路交通安全與執法研討會,民國89年。
30. 李德威、吳婕妤,臺北市交通執法成效分析,都市交通季刊第二十卷第二期P.82-91,中華民國94年7月。
31. 何志宏,最新全動態交通號誌控制技術開發計畫,國立成功大學交通管理科學研究所,民國82年。
32. 林志宏,視覺化偵測路口內車輛轉向參數之研究,淡江大學土木工程研究所碩士論文,民國85年6月。
33. 林清波,基於即時影像追蹤之交通監測系統,國立交通大學電機與控制工程學系研究所碩士論文,民國90年。
34. 范俊海,影像處理技術建構交通資料收集系統之研究,國立台灣大學土木工程學研究所博士論文,民國79年6月。
35. 徐天行,動態車輛追蹤與交通參數蒐集系統之研究,國立成功大學交通管理科學研究所碩士論文,民國88年6月。
36. 翁森柏,車輛運動行為軌跡追蹤之研究,淡江大學土木工程研究所碩士論文,民國82年6月。
37. 莊建宏,自動化交通監控系統,國立台灣師範大學資訊教育研究所碩士論文,民國90年。
38. 莊盛淵,夜間影像之車輛分類與追蹤之研究,淡江大學土木工程研究所碩士論文,民國91年1月。
39. 莊劍嵐,機車偵測演算法之研究,淡江大學運輸管理學系運輸科學研究所碩士論文,民國94年6月。
40. 郭怡雯,利用模糊類神經網路加強彩色影像車輛偵測,國立交通大學交通運輸研究所碩士論文,民國90年6月。
41. 張建彥、萬燦輝,先進式交通監測與執法系統之執法效益分析,道路交通安全與執法研討會,民國95年。
42. 張懿,即時路面標線、車輛偵測與距離估計,淡江大學資訊工程學系碩士論文,民國91年6月。
43. 陳昶志,交通背景型態分類模式之研究,淡江大學運輸管理學系運輸科學研究所碩士論文,民國96年6月。
44. 曾仁松,影像處理技術於基本交通參數收集模式之研究,國立台灣大學土木工程學研究所博士論文,民國81年6月。
45. 楊武智,影像處理與辨認,全華科技圖書股份有限公司,民國83年12月。
46. 廖明燦,樣本點識別方法應用車種之即時辨識,國立台灣大學土木工程學研究所博士論文,民國83年6月。
47. 劉晟志、黃煥超,數位影像處理,儒林出版社,民國82年。
48. 蔡宗諭,即時車種分類與記數,國立台灣師範大學資訊教育研究所碩士論文,民國92年6月。
49. 蔡博智,影像追蹤方法應用在監控系統之研究,國立中原大學機械工程研究所碩士論文,民國90年。
50. 簡忠漢、吳添寶、賴建宏、黃耀璋,實作具有追蹤路面標線功能之影像導航自走車,中華民國自動控制研討會,民國94年。
51. 蘇志強、方國璽,改善高速公路行車安全執法策略之研究,道路交通安全與執法研討會論文集,中華民國84年。
52. 鍾隆文,影像處理求交通參數之研究-以特徵匹配法為例,國立台灣大學土木工程學研究所碩士論文,民國79年6月。
53. 鍾隆文,視覺式行人偵測與二維向量行人模擬式之研究,國立台灣大學土木工程學研究所博士論文,民國86年6月。
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2009-03-18公開。
  • 同意授權瀏覽/列印電子全文服務,於2009-03-18起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信