混合交通视频检测算法研究

论文摘要

混合交通是我国交通的主要特征。交通信息采集是有效进行交通管理与控制的前提。视频检测技术可自动获取全面的交通场景信息,广泛应用于道路交通数据采集、交叉口控制、交通事故处理、远程视频监控等交通领域,是未来交通信息采集的主要手段。针对混合交通视频检测算法在背景初始化、背景模型更新、阴影检测和物体分类识别等方面存在的主要问题,本文进行了深入系统的研究,提出了一种基于聚类识别的背景初始化算法,能够获取具有运动物体的初始背景,可克服缓慢运动大型物体造成的影响,实现遮挡率大于50%的背景初始化;提出了基于对象级的混合高斯背景模型更新方法,克服了像素级混合高斯模型中长时间停车和交通拥挤等现象可能造成的背景模型不能有效更新、使运动物体成为背景的一部分的问题;提出了基于RGB颜色变化度的自适应阴影检测算法,克服了颜色特性阴影检测方法中固定阈值的缺陷,可根据当前目标的特点自适应地进行阴影检测;提出了基于矩向量的混合交通物体特征提取与表达方法,利用SVM多分类学习机制,建立了基于SVM的识别分类算法,满足了混合交通物体识别的需要。本文取得的上述成果,为进一步研究混合交通视频检测算法奠定了基础。

论文目录

• 提要
• 第1章 绪论
• 1.1 研究背景和意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.1.3 课题来源
• 1.2 交通视频检测技术研究现状
• 1.2.1 研究历程
• 1.2.2 研究现状
• 1.2.3 视频检测技术亟待解决的关键问题
• 1.3 研究内容
• 1.4 论文结构
• 第2章 交通场景映射方法研究
• 2.1 概述
• 2.2 摄像机标定基本原理
• 2.2.1 四参考坐标系
• 2.2.2 摄像机成像模型
• 2.3 角点检测
• 2.3.1 Harris 算子的基本原理和判断准则
• 2.3.2 Harris 算子的特点
• 2.3.3 F（?）rstner 定位算子
• 2.3.4 基于Harris 算子的子像素级角点检测
• 2.4 四点参数映射变换
• 2.4.1 摄像机标定算法
• 2.4.2 二维重建算法
• 2.5 实验结果分析
• 2.5.1 室内实验
• 2.5.2 室外实验
• 2.5.3 实验结果分析
• 2.6 本章小结
• 第3章 背景模型研究
• 3.1 概述
• 3.2 背景初始化
• 3.2.1 平滑序列检测
• 3.2.2 聚类识别
• 3.3 背景表达
• 3.3.1 混合高斯模型
• 3.3.2 模型参数求解
• 3.4 背景更新
• 3.4.1 背景更新模型
• 3.4.2 背景估计
• 3.5 实验结果分析
• 3.5.1 背景初始化实验
• 3.5.2 背景更新实验
• 3.6 本章小结
• 第4章 基于RGB 变化度的自适应阴影检测算法研究
• 4.1 概述
• 4.2 图像分割
• 4.2.1 图像分割定义
• 4.2.2 图像分割算法分类
• 4.2.3 基于分水岭的图象分割方法
• 4.2.4 基于标注的分水岭分割方法
• 4.3 RGB 颜色变化度
• 4.4 阴影检测算法
• 4.4.1 阴影检测模型
• 4.4.2 模型参数求解
• 4.5 实验结果分析
• 4.6 本章小结
• 第5章 基于SVM 的混合交通识别分类算法研究
• 5.1 概述
• 5.2 SVM 原理
• 5.2.1 线性支持向量机
• 5.2.2 非线性支持向量机
• 5.2.3 多类支持向量机
• 5.3 特征提取与表达
• 5.3.1 特征选择与提取
• 5.3.2 特征分类
• 5.3.3 混合交通运动目标的特征表达
• 5.4 混合交通物体识别分类
• 5.4.1 训练学习机制
• 5.4.2 运动目标分类决策
• 5.5 实验结果分析
• 5.6 本章小结
• 第6章 总结与展望
• 参考文献
• 攻读博士学位期间取得的科研成果
• 致谢
• 摘要
• ABSTRACT