多车粘连情况下的车辆跟踪算法研究

论文摘要

基于视频的车辆跟踪技术是智能交通系统(TTS)中的一个重要研究方向,尤其是在车辆较多的情况下,容易出现车辆粘连,怎样快速准确的跟踪粘连车辆是值得研究的课题。本文主要研究车辆粘连情况下的车辆跟踪技术,论文所做工作如下：在车辆检测技术的研究中提出了一种将混合高斯模型背景差分法和形态学梯度纹理提取法相结合的前景提取方法,并且讨论了前景的优化方法,以及阴影消除方法。利用阴影的HSV空间颜色特征以及纹理相似性特征检测并消除车辆前景中的阴影。考虑到车道以外的环境容易产生背景干扰,给出了一种利用透视点和霍夫变化的车道检测方法,将车道区域从图像中分割出来,提高检测速率和准确性,减小了环境干扰。单目摄像头的交通视频中经常出现车辆粘连,为了避免粘连产生的误检,本文提出了一种结合车辆透视特征、车辆轮廓特征和车辆特征区块的车辆粘连检测方法,利用透视点和车辆的透视特征在图像轮廓上搜索车辆分割点,从前往后依次分割开粘连车辆的前景团块,对分割开的待检定区域利用车辆区块特征进行检验识别,修正错误分割,最终将粘连的多辆车逐一分割开来。在车辆的跟踪中,选用CamShift方法和卡尔曼滤波算法相结合的跟踪方法,利用Meanshift算法基于车辆颜色进行迭代跟踪,卡尔曼滤波法进行车辆位置预测,克服部分粘连,缩小Meanshift搜索范围。通过实验发现此方法的复杂度不高,且跟踪效果较好,能够满足车辆的跟踪要求。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 研究背景及意义
• 1.2 车辆跟踪的相关技术现状
• 1.2.1 车辆的检测方法综述
• 1.2.2 车辆的跟踪方法综述
• 1.3 车辆跟踪中粘连问题的分析与解决方案
• 1.3.1 粘连车辆的帧内分割方法
• 1.3.2 粘连车辆的帧间分割方法
• 1.4 文章的主要内容与组织结构
• 1.4.1 本文研究内容
• 1.4.2 论文的组织结构
• 2 视频图像中车辆的检测
• 2.1 视频图像采集
• 2.2 图像预处理
• 2.3 车道提取
• 2.3.1 透视点的获取
• 2.3.2 车道边界线获取
• 2.4 车辆前景的提取
• 2.4.1 基于混合高斯模型的背景差分法
• 2.4.2 车辆轮廓与纹理提取
• 2.4.3 车辆前景的优化
• 2.5 阴影检测与消除
• 2.5.1 HSV颜色空间下的阴影检测
• 2.5.2 利用纹理特征消除阴影
• 2.6 实验效果与比较
• 3 粘连车辆的检测与分割
• 3.1 产生车辆粘连的原因和粘连情况分析
• 3.2 利用透视点检测并分割粘连车辆
• 3.2.1 车辆的空间透视模型
• 3.2.2 基于透视点与轮廓的车辆粘连检测
• 3.2.3 利用透视点分割粘连车辆团块
• 3.3 判断车辆分割的正确性
• 3.3.1 对车辆进行分区
• 3.3.2 车辆各区块特征的判别
• 3.3.3 分割正确性判别
• 3.4 修正错误分割
• 3.4.1 出现错误分割的原因分析
• 3.4.2 修正错误分割的方法
• 3.5 实验结果及分析
• 4 车辆跟踪系统
• 4.1 多目标跟踪系统
• 4.2 车辆跟踪中相关方法
• 4.3 Camshift方法的车辆跟踪
• 4.3.1 Meanshift方法原理
• 4.3.2 算法实现
• 4.4 卡尔曼预测器用于车辆跟踪
• 4.4.1 Kalman预测原理
• 4.4.2 算法实现
• 4.5 实验效果与分析
• 5 软件实现
• 5.1 运行环境
• 5.2 软件流程
• 6 结论与展望
• 6.1 研究内容总结与创新之处
• 6.2 待解决的问题与展望
• 参考文献
• 申请学位期间发表的学术论文
• 致谢