基于视频的高速公路车辆的自动检测与跟踪研究

论文摘要

结合数字图像处理技术和计算机视觉，智能视频分析是蕴涵巨大发展潜力的新兴科学研究领域之一，视频监控技术为交通系统提供了直观、方便的分析手段，因此以视频图像处理、分析、理解为基础的视频监视技术越来越引起人们的重视。近些年在智能交通系统中得到了越来越广泛的应用，运动车辆的实时检测与跟踪分类就是其中的一项重要的课题。随着计算机的发展以及人工智能的兴起，模式识别在近年迅速发展成为一门新的学科。本文对这些问题进行了研究，针对车辆的检测、阴影去除、车辆跟踪等方面进行了分析与部分改进，初步设计实现了一个基于交通图像序列的检测，跟踪的车辆智能实时监控系统，并通过实验证明了系统的有效性和实时性。主要研究包括以下几个方面：（1）运动车辆的检测。本文首先分析了目前存在的运动分析检测算法，并对混合高斯模型做了深入的研究，在此基础上，我们针对高斯混合模型中存在的缺陷和不足，进行了改进，为了提高模型的收敛速度，我们采用了自适应的学习速率阈值算法对模型进行了更新，使得其可以实时提取干净的背景，并有效地实现了背景的实时更新。（2）运动车辆阴影的去除。运动阴影检测是目标正确分割、识别的关键。本文在分析了阴影的光学特性的基础上，提出了一种基于YUV色彩空间的阴影快速检测算法。它利用阴影区域的亮度和色度变化规律去除掉阴影部分，实验表明，该方法是有效的。（3）运动车辆的跟踪。在高速公路这个复杂的场景下，运动车辆存在着短时间消失和部分遮挡等问题，为了有效的对运动车辆进行跟踪，我们提出了一种基于Kalman预测模型的区域匹配车辆跟踪方法，我们利用这种方法来实现对车辆进行跟踪。实验表明，该算法具有很好的鲁棒性和很高的准确性，实现了运动车辆的实时跟踪。本文针对高速公路中运动车辆的识别跟踪系统的一些问题，提出了一些解决方法，通过实验证明，这些解决方法是可行的。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 课题的研究意义
• 1.2 课题的国内外研究现状
• 1.3 课题的研究难点
• 1.4 本文的结构及内容安排
• 第2章 运动目标检测算法及其改进
• 2.1 前言
• 2.2 帧间差分法
• 2.3 背景差分法
• 2.4 光流法
• 2.5 高斯背景模型
• 2.5.1 单高斯背景分布模型
• 2.5.2 多高斯背景分布模型
• 2.6 高斯混合模型的改进
• 2.6.1 固有学习速率的缺陷及其改进方法
• 2.6.2 背景模型初始化的缺陷及其改进
• 2.7 算法实现及实验分析
• 2.7.1 实验结果
• 2.8 本章小结
• 第3章 阴影检测及其去除
• 3.1 引言
• 3.2 阴影分类
• 3.2.1 现有的阴影检测方法回顾
• 3.3 基于 YUV 空间的阴影检测
• 3.4 阴影区分
• 3.5 实验结果
• 3.6 本章小结
• 第4章 基于 Kalman 滤波的运动车辆跟踪
• 4.1 基于特征匹配的跟踪方法
• 4.2 基于模型匹配的跟踪方法
• 4.3 基于统计模型的方法
• 4.4 基于区域匹配模型的跟踪方法
• 4.5 Kalman 滤波器的原理
• 4.5.1 Kalman 滤波器的应用
• 4.6 基于 Kalman 预测模型的区域匹配车辆跟踪
• 4.6.1 车辆区域观测参数的提取
• 4.6.2 预测模型的区域车辆跟踪
• 4.7 实验结果
• 4.8 本章小结
• 第5章 总结与展望
• 5.1 本文总结
• 5.2 未来工作展望
• 参考文献
• 附录 A 攻读学位期间所发表的学术论文及参加的科研项目
• 致谢