视频图像中运动车辆检测与跟踪技术的研究

论文摘要

随着城市化进程步伐的加快,机动车辆数量不断的增长,城市的交通运输系统面临着巨大的压力。而以基于计算机视觉的运动车辆检测与跟踪技术为主的智能交通系统是解决该问题的有效途径。本文对运动车辆的检测与跟踪进行了研究,分析和总结了现有的检测与跟踪技术,重点研究了对运动车辆跟踪方面的算法,并提出了相应算法的改进措施。本文主要的研究工作如下：1)在运动车辆检测方面,当背景相对静止时,通过对连续帧间差分法、基于时间平均的背景重构差分法、基于像素灰度归类的背景重构差分法、基于混合高斯模型的背景建模差分法这四种方法进行实验结果对比之后,最后采用了基于混合高斯模型的背景建模差分法对运动车辆进行检测。并对检测前和检测后的图像进行了预处理,同时采用基于HSV颜色空间的阴影去除算法去除图像中的阴影,使检测出的车辆区域更加完整。2)提出了对SIFT算法的改进,本文的跟踪方法是基于车辆之间SIFT特征点的匹配,但SIFT算法生成的特征向量为128维,计算量之大而不能满足实时性的要求。在此基础上,本文提出了用PCA算法对该特征向量进行降维,即SIFT-PCA算法。通过实验数据的对比,SIFT-PCA算法对实时性有所提高。3)提出以颜色特征作为辅助特征,在跟踪过程中,有可能存在一辆车辆的与多辆车辆之间相匹配,从而有可能导致误匹配情况。为了达到准确匹配,本文提出用车辆的颜色矩（低三阶矩）特征进一步判断车辆之间是否匹配,采用简单的欧氏距离公式度量它们之间的颜色特征之间的距离并进行比较,选择颜色特征距离值最小的两辆车辆为正确匹配。

论文目录

• 摘要
• ABSTRACT
• 第1章 引言
• 1.1 研究背景与意义
• 1.2 国内外研究现状及应用概况
• 1.2.1 运动目标检测方法的研究状况
• 1.2.2 运动目标跟踪方法的研究状况
• 1.3 研究的主要内容及论文结构安排
• 1.3.1 研究的主要内容
• 1.3.2 论文结构安排
• 第2章 图像的预处理
• 2.1 图像噪声的去除
• 2.1.1 均值滤波法
• 2.1.2 中值滤波法
• 2.2 数学形态学滤波
• 2.2.1 膨胀与腐蚀
• 2.2.2 开运算与闭运算
• 2.3 本章小结
• 第3章 运动车辆检测方法的研究
• 3.1 运动车辆检测的基本方法
• 3.1.1 帧间差分法
• 3.1.2 背景差分法
• 3.1.3 基于像素灰度归类的背景重构差分法
• 3.2 基于混合高斯模型的背景建模差分法
• 3.2.1 混合高斯模型
• 3.2.2 基于混合高斯模型的运动车辆检测
• 3.2.3 运动车辆检测实验结果
• 3.3 阴影去除
• 3.4 本章小结
• 第4章 运动车辆跟踪方法的研究
• 4.1 运动车辆跟踪的典型方法
• 4.1.1 基于区域的跟踪方法
• 4.1.2 基于模型的跟踪方法
• 4.1.3 基于变形模板的跟踪方法
• 4.1.4 基于特征的跟踪方法
• 4.2 基于SIFT特征的跟踪方法
• 4.2.1 SIFT算法的基本原理
• 4.2.2 SIFT算法的详细步骤
• 4.2.3 SIFT特征点的匹配算法
• 4.3 改进的SIFT算法（SIFT-PCA算法）
• 4.3.1 SIFT-PCA算法
• 4.3.2 提取车辆颜色特征
• 4.4 运动车辆的跟踪流程图及实验结果
• 4.4.1 运动车辆跟踪具体过程
• 4.4.2 运动车辆跟踪的实验结果
• 4.5 本章小结
• 第5章 结论与展望
• 5.1 结论
• 5.2 展望
• 致谢
• 参考文献
• 攻读学位期间的研究成果