智能交通系统中车辆视频检测、识别与跟踪方法的研究

论文摘要

本文主要研究了基于计算机视觉技术的智能交通系统的基本理论和关键技术。智能交通系统中的交通检测与信息采集已经成为计算机视觉技术应用的一项重要课题,而运动车辆的自动检测、阴影去除、识别与跟踪则是其中最基础的部分。本论文针对以上几方面问题进行了探索和研究,提出了新的方法,并通过实验证明了新方法的有效性。主要研究包括以下几个方面:1.在光流场等技术的基础上,提出了一种自适应背景逼近更新方法,以适应光线的变化以及噪声的影响;根据彩色差值模型计算当前帧图像和当前逼近背景图像的差分图像;并引入Gauss模型实现了运动目标的自适应阈值分割。本文提出的算法鲁棒性好,在没有背景先验知识的情况下对运动物体的检测取得了很好的效果。2.本文基于运动物体的形状和颜色特征提出一种新的影子去除算法,首先用单个车辆的轮廓信息确定影子的大致方向;其次对用差分法得到的运动区域提取其运动轮廓,通过计算其拐点得到影子区域的种子点;最后用颜色信息对运动区域进行聚类,通过形态学去噪处理即可得到影子的精确区域。实验证明了该方法能实时有效的去除运动车辆的影子。3.针对我国混合交通占主导的实际状况,提出了一种多特征融合的运动物体分级识别方法,实现了卡车、轿车、摩托车、行人等多类识别。首先引入支持向量机对运动物体的7个矩特征进行一级分类识别;对于得到的结果,结合提取的面积、速度等特征,运用模糊积分方法实现运动目标的最终分类。该算法鲁棒性好,在路口、非路口行人车辆并存的情况下对运动物体的识别取得了很好的效果,为运动物体跟踪等后续工作奠定了基础。4.在运动目标的实时跟踪中,基于Kalman滤波的方法是常用的有效方法,但因目标检测时常将靠近的物体检测成一个目标引起误检现象,这会使在目标匹配时产生错误。为此,本文首先考察运动区域的长宽比和占空比,进行误检判断;然后提出了一种基于轮廓特征拐点的运动目标分割方法;最后引入基于Kalman滤波的跟踪模型。实验结果表明:本文采用的误检判断准则对多车辆的检测区域有较高的识别率;提出的基于轮廓特征拐点的运动目标分割方法可实现重叠遮挡

论文目录

• 摘 要
• Abstract
• 1 绪论
• 1.1 智能交通系统的发展
• 1.2 计算机视觉在ITS 中的应用
• 1.3 国内外研究现状
• 1.3.1 视频ITS 检测系统研究现状
• 1.3.2 阴影去除研究现状
• 1.3.3 运动目标识别研究现状
• 1.3.4 运动车辆跟踪研究现状
• 1.4 课题研究的目的和意义
• 1.4.1 课题研究目的
• 1.4.2 课题的理论意义和实际应用价值
• 1.5 课题研究的主要内容及研究方法
• 2 运动物体自动检测方法研究
• 2.1 常用的运动目标检测方法
• 2.1.1 帧间相减
• 2.1.2 光流法
• 2.1.3 背景差分
• 2.2 光流场理论概述
• 2.2.1 运动场的计算
• 2.2.2 光流场约束条件
• 2.2.3 光流计算
• 2.3 自适应背景逼近更新方法
• 2.3.1 基于光流场的背景粗模型提取算法
• 2.3.2 基于前景物体去除的背景模型算法
• 2.4 基于彩色信息的差值模型确定算法
• 2.5 基于高斯模型的自适应阈值分割方法
• 2.6 实验结果与分析
• 2.7 小结
• 3 运动物体阴影去除方法研究
• 3.1 常用的阴影检测的方法
• 3.1.1 RGB 空间阴影检测
• 3.1.2 HSV 空间阴影检测
• 3.2 基于轮廓信息与颜色信息的运动物体影子去除方法
• 3.2.1 轮廓提取及影子方向的确定方法
• 3.2.2 确定可能的影子种子点
• 3.2.3 筛选“假影点”
• 3.2.4 基于颜色信息的影子去除方法
• 3.2.5 实验结果与分析
• 3.3 小结
• 4 运动物体识别方法研究
• 4.1 支持向量机基本理论
• 4.1.1 广义最优分类面
• 4.1.2 支持向量机
• 4.1.3 核函数
• 4.2 模糊积分基本理论
• 4.2.1 模糊测度与模糊积分的产生及研究现状
• 4.2.2 模糊测度和模糊积分的基本理论
• 4.2.3 模糊积分
• 4.2.4 用于综合评价的模糊积分
• 4.3 运动物体的特征提取及分析
• 4.3.1 矩特征
• 4.3.2 面积特征
• 4.3.3 速度特征
• 4.4 物体识别的多特征融合模型
• 4.4.1 基于矩特征的支持向量机识别
• 4.4.2 基于模糊积分的特征融合物体识别
• 4.5 实验及结果分析
• 4.6 小结
• 5 运动车辆跟踪方法研究
• 5.1 卡尔曼滤波器
• 5.1.1 标准卡尔曼滤波器
• 5.1.2 扩展卡尔曼滤波器
• 5.2 运动物体分割
• 5.2.1 误检的判断
• 5.2.2 基于轮廓特征点的分割方法
• 5.3 基于KALMAN模型的跟踪方法
• 5.3.1 Kalman 预测模型
• 5.3.2 目标匹配
• 5.4 实验结果
• 5.5 小结
• 6 总结与展望
• 6.1 总结
• 6.2 创新点
• 6.3 展望
• 参考文献
• 致谢
• 博士期间发表的论文