公路隧道视频监控的智能分析算法研究

论文摘要

近年来，智能交通系统在交通运输领域有了长足的发展，它通过实现交通道路监控过程的智能化管理，不但有效地节约了交通管理的人力和物力资源，也使得车辆通行的效率和交通安全性得到了显著提高，对国民经济的增长起到了巨大的推动作用。基于计算机视觉技术的交通智能监控和管理方法是智能交通领域的新兴研究热点，利用图像处理技术能够快速有效地实现交通车辆的检测和路面跟踪，该方法具有成本低廉和易于维护的优点，其实用性和经济性得到了业界的广泛认可。隧道环境大量存在于高速公路和城市道路中，是车辆通行的瓶颈路段和事故多发地段。公路隧道环境集合了多种交通环境中常见的复杂状况，对交通监控方案在该环境下的实施提出了巨大的挑战，因而具有很高的研究价值。本文主要针对公路隧道环境下的视频监控方法，特别是车辆检测和定位跟踪的智能算法进行了深入的研究。首先，本文对课题的背景知识和研究意义进行了阐述，解释了智能交通系统的概念以及其国内外的发展现状，并对公路隧道环境的特性和算法设计所要解决的难点进行了分析。然后，介绍与分析了基于视频的运动目标检测与跟踪算法及其适用范围，并对常用的运动车辆的特征提取方法进行了阐述。其中，重点针对运动目标检测中的背景建模问题进行分析，并基于单高斯分布提出了一种能够同时适应突变背景和渐变背景的延时背景更新模型。接着，针对公路隧道路灯环境进行研究，对该环境下适宜的基于纹理特征的车辆提取方法进行了概述和分析，针对当前方法对光照影响适应度不足的问题，提出了一种基于局部归一化处理的运动车辆提取方法，实验证明该方法对隧道路灯环境下的车辆目标提取有较好的效果。最后，针对公路隧道无路灯环境进行研究，从车头灯检测角度提出了一种具有较好鲁棒性的车辆检测方法，该方法依循“先跟踪后聚类”的思路，充分利用了运动目标的时域信息和空域信息实现了准确的车辆定位和跟踪，并通过仿真实验证明了该方法在隧道无路灯环境下良好的检测准确度。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 智能交通系统概述
• 1.2.1 智能交通系统定义
• 1.2.2 智能交通系统国内外的发展现状
• 1.3 公路隧道视频监控的智能分析算法设计
• 1.4 公路隧道环境中智能算法设计的难点分析
• 1.5 本文的主要工作
• 1.6 论文的组织结构
• 1.7 本章小结
• 第二章 基于视频的运动目标检测算法
• 2.1 运动目标检测算法
• 2.1.1 光流法
• 2.1.2 帧差法
• 2.1.3 背景差分法
• 2.2 背景建模中的难点问题分析
• 2.3 传统的背景模型及更新方法
• 2.3.1 单高斯分布模型
• 2.3.2 混合高斯分布模型
• 2.3.3 时域滤波方法
• 2.3.4 核密度估计模型
• 2.4 基于单高斯分布的延时更新背景模型
• 2.5 本章小结
• 第三章 运动车辆的特征提取和跟踪算法
• 3.1 连通区域标记算法
• 3.1.1 序贯算法
• 3.1.2 区域增长法
• 3.1.3 轮廓跟踪法
• 3.2 视频图像中的交通车辆特征选择
• 3.2.1 几何特征
• 3.2.2 运动特征
• 3.2.3 颜色特征
• 3.3 运动目标的定位跟踪算法
• 3.3.1 基于模型的跟踪方法
• 3.3.2 基于区域的跟踪方法
• 3.3.3 基于活动轮廓的跟踪方法
• 3.3.4 基于特征的跟踪方法
• 3.4 公路隧道环境下的车辆检测与跟踪方法
• 3.5 本章小结
• 第四章 公路隧道路灯环境下的车辆检测与跟踪
• 4.1 纹理的定义
• 4.2 纹理分割方法
• 4.2.1 自相关系数特征
• 4.2.2 灰度共生矩阵
• 4.2.3 局部二进制模板
• 4.2.4 方向导数纹理特征
• 4.3 基于局部归一化处理的运动车辆提取方法
• 4.3.1 局部归一化处理
• 4.3.2 基于 Laws 特征的运动目标分割
• 4.3.3 实验结果与分析
• 4.4 公路隧道路灯环境的运动车辆跟踪
• 4.5 本章小结
• 第五章 公路隧道无路灯环境下的车辆定位与跟踪
• 5.1 传统的夜间车辆检测方法
• 5.2 无路灯环境中的视频车辆检测方法
• 5.2.1 运动目标分割及特征提取
• 5.2.2 反射光目标过滤
• 5.2.3 基于卡尔曼滤波的亮斑帧间跟踪
• 5.2.4 稳定亮斑的筛选
• 5.2.5 基于谱系聚类方法的车灯聚类分组
• 5.2.6 车辆目标定位与跟踪
• 5.2.7 实验结果与分析
• 5.3 本文方法与传统方法的优劣对比分析
• 5.4 本章小结
• 结论与展望
• 参考文献
• 致谢
• 个人简历、在学期间的研究成果及发表的学术论文