基于视频的智能交通监控系统关键技术研究

论文摘要

基于视频的智能交通监控系统是计算机视觉和模式识别在交通行业中的重要应用,对于实现场景监控的无人化,交通管理的自动化有着深远的意义。本文对基于视频的智能交通监控关键技术,包括目标检测、阴影抑制以及目标跟踪等技术做了深入的讨论研究,主要内容有以下几个方面：在目标检测方面,详细讨论了高斯混合模型参数估计方法的理论根据及应用实例,并在研究了传统高斯混合模型检测算法拖尾效果产生原因的基础上,针对交通场景监控提出了一种可抑制拖尾的在线混合高斯运动目标前景检测算法。通过实验表明了拖尾抑制的有效性。对于夜间检测算法,由于夜间能见度低,光照条件恶劣,因此通过实验分析,本文选择车辆前灯对这一稳定特征,通过帧间差分的方法检测夜间车辆目标。可抑制拖尾的在线混合高斯运动前景检测算法实质为基于运动信息的检测算法,在室外日照情况下得到的前景区中包括了车辆阴影,这将会对后续的目标跟踪产生不利的影响。因此本文对阴影产生原因及其在HSI颜色空间中的特性做了分析研究,基于此根据局部光照模型,结合运动边缘投影,提出了一种基于亮度比与车体位置估计的阴影检测算法,取得了较好的效果。在目标跟踪方面,提出了基于主色调颜色特征向量及空间结构特征的目标匹配方法,基于此结合卡尔曼滤波预测提出了基于多特征融合的目标跟踪算法。同时对夜间目标跟踪也做了相关研究。研究开发了基于视频的交通监控目标跟踪软件,可获得目标在监控区中的运动轨迹,通过测试表明了系统在实际应用中的可行性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景与意义
• 1.2 基于视频的智能交通监控系统概述
• 1.3 国内外研究现状及发展趋势
• 1.4 论文主要内容及结构安排
• 第2章 运动目标前景检测算法研究
• 2.1 运动检测典型算法分析
• 2.2 基于高斯混合模型的交通运动前景检测算法研究
• 2.2.1 交通场景高斯混合模型适用性分析
• 2.2.2 基于EM算法的高斯混合模型
• 2.2.3 在线更新的高斯混合模型
• 2.2.4 基于在线更新高斯混合模型的运动检测算法
• 2.2.5 高斯混合模型拖尾现象分析解决
• 2.2.6 实验结果及分析
• 2.3 夜间前景检测算法研究
• 2.3.1 高亮区域提取
• 2.3.2 帧内车灯配对
• 2.4 本章小结
• 第3章 阴影剔除算法研究
• 3.1 典型阴影抑制算法分析
• 3.2 阴影特性分析
• 3.2.1 基于HSI空间的色调与亮度分析
• 3.2.2 阴影亮度模型
• 3.3 基于阴影亮度模型与位置估计的阴影检测算法
• 3.3.1 阴影初检测
• 3.3.2 伪阴影剔除
• 3.3.3 阴影亮度模型更新
• 3.3.4 检测算法实验及分析
• 3.4 本章小结
• 第4章 基于Kalman滤波的目标跟踪技术研究与应用
• 4.1 目标跟踪技术概述
• 4.2 交通监控中对于目标跟踪的需求分析
• 4.3 卡尔曼滤波算法
• 4.4 车辆目标特征及匹配算法
• 4.4.1 基于主色调方法的颜色特征匹配算法
• 4.4.2 基于空间结构特征的相似度匹配算法
• 4.5 基于卡尔曼滤波与多特征融合匹配的跟踪算法
• 4.5.1 卡尔曼滤波目标状态方程
• 4.5.2 基于特征融合匹配的滤波跟踪算法过程
• 4.5.3 实验及分析
• 4.6 基于卡尔曼滤波与最近邻匹配的夜间目标跟踪算法
• 4.7 本章小结
• 第5章 智能交通监控系统软件设计与实现
• 5.1 系统开发工具选择
• 5.2 监控系统软件总体结构设计
• 5.3 系统工作流程及功能子模块设计
• 5.3.1 系统初始化设置
• 5.3.2 定时中断
• 5.3.3 运动检测与目标跟踪
• 5.3.4 信息显示与刷新
• 5.4 系统测试与结果分析
• 5.5 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文
• 作者简介