基于视频的车辆检测与跟踪研究

论文摘要

智能交通系统(ITS)在许多领域如车辆检测、识别、流量统计和交通参数估计等领域都是热点研究。监于对应用工程中的低价硬件设备的期望和算法研究的不断进步,计算机视觉已变成交通监测系统中非常有前景的基础技术。由于视觉传感觉器相对传统的传感器而言,能提供更多的信息,因此应用更为广泛,ITS也更注重以视觉检测为基础的交通监控系统。本文主要研究基于实际应用的自适应的车辆检测技术,包括一种背景模型的建立方法、一种咬合车辆分割和车型识别方法、一种车辆跟踪方法。主要工作概括如下:首先,介绍了数字图像中的一些基本的概念与处理模式,然后对比分析了现有几种背景模型建立方法,针对处理背景中由于车流量大时车辆突然开动或停止的车辆突然开动产生的“鬼影”,提出了一种基于同态滤波的背景建模方法。这种方法既能应对光照渐变又能处理“鬼影”问题,并能自适应更新背景。其次,对比了几种现在车型识别方法,针对实时性和复杂度,提出了种基于视觉长度与视觉宽度的车辆检测方法,此方法主要是对视觉图像粗分割之后的图像进行处理的,主要包括一种对咬合车辆的分割算法和车型识别方法,通过实验测试,此方法在不同的环境天气中都能很好的检测出监控区域中的车辆,对每帧的处理时间少于28msec。最后,针对几种常见的目标跟踪算的计算复杂、难以实现,本文提出了一种基于视觉长度的目标跟踪算法,是属于基于特征匹配的车辆跟踪算法,该算法计算简单,便于实现,可节省大量时间。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 研究现状
• 1.3 论文主要工作和相关安排
• 第2章 背景模型建立方法
• 2.1 数字图像的概念
• 2.2 数字图像运算
• 2.2.1 数字图像描述方法
• 2.2.2 像素邻域
• 2.2.3 直方图
• 2.2.4 图像位移、旋转及缩放
• 2.3 用于交通参数获取的数字图像处理模式
• 2.3.1 模板匹配法
• 2.3.2 帧间差分法
• 2.3.3 光流场法
• 2.3.4 背景差分法
• 2.4 现有的背景估计法
• 2.4.1 统计学模型
• 2.4.2 卡尔曼滤波法
• 2.4.3 单高斯分布模型
• 2.4.4 混合高斯分布模型
• 2.5 一种基于同态滤波的背景建模法
• 2.5.1 同态滤波
• 2.5.2 基于帧差法的样本分块选取预处理
• 2.5.3 背景建模
• 2.5.4 背景的更新
• 2.5.5 实验结果及分析
• 2.6 小结
• 第3章 运动目标检测算法
• 3.1 现在的车型识别技术
• 3.1.1 基于神经网络的车型识别方法
• 3.1.2 基于灰度处理的车型识别方法
• 3.1.3 基于纹理特征的车型识别方法
• 3.2 在车辆检测研究中存在的问题
• 3.3 咬合车辆的检测与分割
• 3.3.1 视觉长度与视觉宽度的计算
• 3.3.2 咬合车辆检测与分割算法
• 3.4 基于视觉长度与视觉宽度的车型识别
• 3.4.1 水平面上的边缘检测和量化
• 3.4.2 测量车辆的轮廓线
• 3.5 实验结果及分析
• 3.6 小结
• 第4章 运动目标跟踪算法
• 4.1 现有的目标跟踪算法分析
• 4.1.1 基于模板匹配的跟踪算法
• 4.1.2 基于主动轮廓的跟踪算法
• 4.1.3 基于区域的跟踪算法
• 4.2 基于特征匹配的跟踪算法
• 4.2.1 Mean Shift 算法
• 4.2.2 基于Mean Shift 算法的目标跟踪方法
• 4.3 一种基于视觉长度的目标跟踪算法
• 4.3.1 特征描述
• 4.3.2 算法描述
• 4.3.3 实验结果与分析
• 4.4 小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文及科研工作