图像处理技术在智能交通系统中应用的研究

图像处理技术在智能交通系统中应用的研究

论文摘要

图像处理技术在智能交通系统中应用的研究,是智能交通系统的重要前沿研究领域,具有十分重要的理论意义和应用价值。图像处理技术在智能交通系统中的应用领域非常广阔,大体上可归纳为基于视觉的智能车辆导航、基于视觉的交通监控和基于视觉的交通管理三大应用领域。本文主要对后两大领域中的若干问题进行了研究,主要包括车辆分割、车辆跟踪、运动车辆的阴影检测和车牌识别等。研究成果如下:提出了一种用于分割运动目标的非参数多模态背景模型。该模型采用分箱核密度估计算法从训练图像序列中得到背景的密度函数。分箱核密度估计算法利用基于网格数据重心的分箱规则,很好地提取了训练图像序列的关键信息,避免了采用全样本数据点的重复计算,大大提高了运动目标分割算法的实时性。通过与全样本算法的对比,表明了该背景模型在运动目标分割中的有效性。固定核带宽的Mean Shift跟踪算法在跟踪尺度逐渐增大的目标时,会同时导致尺度定位偏差和空间定位偏差;跟踪尺度逐渐缩小的目标时,虽然空间定位偏差很小,但是会导致尺度定位偏差。在跟踪快速运动目标时,由于目标区域在相邻两帧间出现不重叠的情况,迭代往往收敛于背景中与目标特征比较相似的区域。因此,本文提出了基于特征匹配的快速运动目标自适应Mean Shift跟踪算法,根据目标的缩放因子对核带宽进行自适应选取,实现尺度定位,目标缩放因子可以通过特征匹配的方法求取;同时,通过特征匹配又可以对迭代的初始中心位置进行确定,从而实现了对快速、尺度可变运动目标的有效跟踪。实验结果验证了该算法的有效性。为了在复杂背景下鲁棒跟踪视频序列中的多自由度运动目标,本文基于粒子滤波理论提出了一种多自由度运动目标的稳健跟踪算法。该算法在核函数下颜色直方图的基础上,对目标的中心位置和表征目标形状的协方差矩阵进行更新,从而自适应地调整了核函数带宽的大小,修正了跟踪窗口的尺寸,实现了对多自由度运动目标的跟踪。在不同场景和不同目标的跟踪实验中,提出的算法能够稳健、可靠地跟踪多自由度运动目标,对目标尺度和角度变化具有良好的适应性。在户外的视频监控系统中,运动目标的阴影降低了系统对目标识别与跟踪的能力。传统的基于像素的阴影检测算法易受噪声的影响。为了提高阴影检测算法的准确性,提出了一种基于区域与光照不变性的运动阴影检测算法。该算法从阴影的物理特性出发,考虑了区域内像素的总体特征。将运动区域采用EM聚类算法进行分块,对其中的小块向邻近的大块进行合并。对其中的每一块,根据阴影区域和相对应的背景区域之间的光照不变性进行阴影检测。实验结果表明,本文算法能够很好地抑制噪声,准确地检测出阴影,明显比基于像素的算法有效。提出了一种基于字符特征匹配的车牌定位与倾斜校正方法。该方法考虑到我国车牌首位字符为汉字的显著特征,利用标准车牌汉字库,采用特征匹配对车牌中的汉字进行定位。由于汉字在我国车牌中的位置严格固定,因此,对汉字的成功定位,也就实现了对整个车牌的定位与倾斜校正。对不同背景、不同光照条件下的车牌进行大量实验,结果表明本文方法能够准确地进行车牌定位与倾斜校正,具有良好的鲁棒性。以上成果构成了本文的主要内容。本论文的研究内容涉及到智能交通中图像处理技术的主要方面,其研究成果是对智能交通中图像处理技术的发展。本文提出的新思想和新方法对智能交通中图像处理技术应用的研究具有指导性意义和应用价值。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 课题的研究背景
  • 1.2 图像处理技术在智能交通系统中的应用
  • 1.2.1 基于视觉的智能车辆导航
  • 1.2.2 基于视觉的交通监控
  • 1.2.3 基于视觉的交通管理
  • 1.3 本文的主要工作与研究成果
  • 1.3.1 运动车辆分割方面
  • 1.3.2 车辆跟踪方面
  • 1.3.3 运动阴影检测方面
  • 1.3.4 车牌识别方面
  • 1.4 本文的整体框架安排
  • 第2章 核密度估计与Mean Shift理论
  • 2.1 引言
  • 2.2 核密度估计理论
  • 2.2.1 参数密度估计
  • 2.2.2 无参数密度估计
  • 2.2.3 无参数密度估计的收敛性
  • 2.3 Mean Shift理论
  • 2.3.1 多维空间下的无参数密度估计
  • 2.3.2 Mean Shift向量
  • 2.4 Mean Shift算法的收敛性
  • 2.5 本章小结
  • 第3章 运动目标视频分割算法研究
  • 3.1 引言
  • 3.2 运动目标的分割算法
  • 3.2.1 光流法
  • 3.2.2 帧差法
  • 3.2.3 背景差法
  • 3.2.4 基于背景模型的方法
  • 3.3 非参数多模态背景模型
  • 3.3.1 核密度函数估计
  • 3.3.2 分箱核密度估计
  • 3.3.3 核函数带宽的选择
  • 3.3.4 目标分割与模型更新
  • 3.4 实验结果与分析
  • 3.5 本章小结
  • 第4章 快速运动目标的自适应均值飘移跟踪
  • 4.1 引言
  • 4.2 运动目标跟踪算法简介
  • 4.3 目标跟踪中的Mean Shift算法
  • 4.3.1 初始帧的目标模型
  • 4.3.2 当前帧的候选模型
  • 4.3.3 相似性函数
  • 4.3.4 Mean Shift向量
  • 4.4 快速、尺度可变运动目标的自适应Mean Shift跟踪算法
  • 4.4.1 基于空域加权核密度估计的空间定位
  • 4.4.2 基于特征匹配的尺度定位与迭代初始中心位置的确定
  • 4.5 实验结果与分析
  • 4.6 本章小结
  • 第5章 基于粒子滤波的多自由度运动目标跟踪
  • 5.1 引言
  • 5.2 贝叶斯滤波原理
  • 5.3 粒子滤波器
  • 5.3.1 贝叶斯重要性采样
  • 5.3.2 序列重要性采样
  • 5.3.3 退化现象
  • 5.4 粒子滤波器在目标跟踪中的应用
  • 5.4.1 系统动态模型
  • 5.4.2 系统观测模型
  • 5.4.3 目标位置的确定
  • 5.5 基于粒子滤波的多自由度运动目标跟踪算法
  • 5.5.1 系统动态模型的建立
  • 5.5.2 系统观测模型的设计
  • 5.5.3 目标位置的确定
  • 5.5.4 目标模型的更新
  • 5.5.5 算法的步骤
  • 5.6 实验结果与分析
  • 5.7 本章小结
  • 第6章 基于区域与光照不变性的运动阴影检测
  • 6.1 引言
  • 6.2 阴影模型
  • 6.3 阴影检测算法介绍
  • 6.4 基于区域与光照不变性的运动阴影检测
  • 6.4.1 运动区域的分块
  • 6.4.2 运动区域的光照不变性分析
  • 6.5 评估标准与实验结果
  • 6.5.1 评估标准
  • 6.5.2 实验结果
  • 6.6 本章小结
  • 第7章 一种新的车牌定位与倾斜校正方法
  • 7.1 引言
  • 7.2 我国车牌的特征及SIFT特征匹配
  • 7.2.1 我国车牌的特征
  • 7.2.2 SIFT特征匹配
  • 7.3 基于特征匹配的车牌定位与倾斜校正
  • 7.3.1 车牌首位汉字的定位
  • 7.3.2 车牌定位与倾斜校正
  • 7.3.3 算法的步骤
  • 7.4 实验结果
  • 7.5 本章小结
  • 结论
  • 全文总结
  • 工作展望
  • 参考文献
  • 攻读学位期间公开发表论文
  • 致谢
  • 研究生履历
  • 相关论文文献

    标签:;  ;  ;  ;  ;  ;  

    图像处理技术在智能交通系统中应用的研究
    下载Doc文档

    猜你喜欢