交通流诱导中运动车辆检测与跟踪方法的研究

论文摘要

随着经济和科学技术的发展,人类社会进入了一个快速发展的新时期。交通工具的增长速度倍增于道路和其他交通设施的增长,所以随之引起的交通拥堵、环境污染、交通事故等一系列交通问题日益凸显。而基于计算机视觉的运动车辆检测与跟踪技术已成为解决智能交通诱导问题的有效措施。本文主要对交通诱导中运动车辆检测与跟踪的方法及出现的问题进行研究,以期解决交通诱导环境下运动车辆的检测和跟踪问题。本文主要工作如下：一、详细阐述了三种常用运动车辆检测方法的原理,并对三种方法的优劣进行了分析。针对交通诱导环境中视频图像背景相对静止的特点,着重对基于平均时间的背景重构差分法、基于像素灰度归类的背景重构差分法和基于混合高斯模型的背景建模差分法的运动车辆的检测方法进行了研究,并通过对实验结果的对比分析,选择了基于混合高斯模型的背景建模差分法为运动车辆的检测方法。二、针对运动车辆检测过程中图像中的阴影问题,在分析阴影去除算法的基础上,给出了一种基于HSV颜色空间的阴影去除算法,并对该算法进行了实验,实验结果表明,该方法具有较好地阴影去除效果。针对提取出的运动车辆区域的不完整性问题,本文给出了一种先膨胀后腐蚀的数学形态学滤波方法,有效解决了该问题。三、研究了四种基本运动车辆跟踪方法的原理,对四种方法的优劣进行了分析。重点研究了基于SIFT特征的运动车辆跟踪方法。针对SIFT方法的高维特征向量会影响跟踪的实时性问题,提出了一种用PCA对SIFT特征向量进行降维处理从而提高跟踪实时性的SPA算法；基于此改进,SIFT算法跟踪的实时性得到了提高。四、描述了交通流诱导中运动车辆检测与跟踪的实验原理、步骤,给出了流程图以及实验结果,并对实验结果进行了探讨分析；对车辆跟踪中发生的遮挡情况进行了分析,给出了常用的解决方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 论文研究背景与意义
• 1.1.1 论文研究背景
• 1.1.2 论文研究意义
• 1.2 国内外发展现状
• 1.2.1 交通流诱导系统的发展现状
• 1.2.2 运动目标检测方法的发展现状
• 1.2.3 运动目标跟踪方法的发展现状
• 1.3 论文的研究内容
• 1.4 论文的组织结构
• 第二章 交通流诱导中运动车辆检测方法的研究
• 2.1 图像的预处理方法
• 2.1.1 均值滤波法
• 2.1.2 中值滤波法
• 2.1.3 实验结果对比分析
• 2.2 运动车辆检测方法概述
• 2.2.1 光流法
• 2.2.2 帧间差分法
• 2.2.3 背景差分法
• 2.3 基于背景差分算法的分析
• 2.3.1 基于时间平均的背景重构差分法
• 2.3.2 基于像素灰度归类的背景重构差分法
• 2.3.3 基于混合高斯模型的背景建模差分法
• 2.3.4 实验结果对比分析
• 2.4 阴影去除算法
• 2.4.1 基于HSV颜色空间的阴影去除方法
• 2.4.2 实验结果分析
• 2.5 基于形态学的目标提取
• 2.5.1 膨胀与腐蚀
• 2.5.2 开运算与闭运算
• 2.5.3 实验结果对比分析
• 2.6 本章小结
• 第三章 交通流诱导中运动车辆跟踪方法的研究
• 3.1 运动车辆跟踪的方法概述
• 3.1.1 基于模型的跟踪方法
• 3.1.2 基于区域的跟踪方法
• 3.1.3 基于变形模板的跟踪方法
• 3.1.4 基于特征的跟踪方法
• 3.2 基于SIFT特征的运动车辆跟踪方法
• 3.2.1 SIFT算法的原理综述
• 3.2.2 SIFT特征点的提取
• 3.2.3 SIFT特征点的匹配
• 3.2.4 基于SIFT特征的运动车辆跟踪
• 3.3 PCA的基本原理综述
• 3.3.1 PCA的基本原理
• 3.3.2 PCA方法的计算步骤
• 3.4 一种改进的运动车辆跟踪方法
• 3.5 本章小结
• 第四章 交通流诱导中运动车辆检测与跟踪的实验原理及分析
• 4.1 运动车辆检测与跟踪的实验原理
• 4.2 实验环境及OpenCV技术简介
• 4.2.1 实验环境
• 4.2.2 OpenCV技术概述
• 4.3 具体的运行实验结果与分析
• 4.3.1 具体的运行实验结果
• 4.3.2 实验结果分析
• 4.4 本章小结
• 总结与展望
• 参考文献
• 致谢