基于视频图像的运动车辆检测与跟踪算法研究

摘要

近年来，随着汽车保有量的不断增加以及道路交通流量的不断增长，在不断完善道路交通基础设施的情况下，道路交通事故的发生频率仍然在不断增加，针对这一问题，智能交通系统作为解决方案被提出并且迅速成为研究热点。智能交通系统中的车辆控制系统利用计算机视觉技术对车辆的周围环境进行检测，对得到的信息进行融合和处理，自动识别出危险状态，将获得的道路交通信息传递给驾驶员，协助驾驶员进行安全辅助驾驶或者自动驾驶，从而避免道路交通事故的发生或者减少交通事故带来的损失。
　　为了提高道路交通的安全性，为汽车的辅助驾驶或自动驾驶提供可靠参考信息，发展计算机视觉领域中的车辆检测与跟踪技术十分关键。本文针对车载设备视频图像中的运动车辆和动态背景，提出了基于特征学习的车辆识别算法和基于超像素分割的车辆跟踪算法，实现了智能交通系统中为驾驶员提供辅助驾驶信息的目的。
　　首先，阐述了本文研究的目的意义和发展现状，研究了车辆识别与跟踪的相关理论知识，其中包括图像预处理、图像特征描述、目标分类相关算法和目标跟踪相关算法。
　　其次，针对视频图像中的复杂背景和目标车辆，提出了基于特征学习的车辆检测与识别算法。该算法对训练样本图像进行 HOG特征和LBP特征学习，并应用AdaBoost算法对由HOG特征和LBP特征形成的弱分类器进行训练得到级联的强分类器，从而通过强分类器实现对视频图像中目标车辆的检测和识别。
　　再次，针对车载设备视频图像中的运动目标和动态背景，为实现对视频图像中运动车辆的跟踪，提出了基于超像素分割的车辆跟踪算法。该算法应用均值漂移聚类算法对视频图像的超像素进行聚类，利用聚类和超像素的置信值来实现对视频图像中运动车辆的跟踪。
　　最后，对提出的基于特征学习的车辆识别算法和基于超像素分割的车辆跟踪算法进行仿真验证，实验结果表明，该算法在目标运动和背景变化的情况下仍然可以很好地实现对车辆的识别与跟踪，提高了识别的准确率以及跟踪的精度和实时性。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1课题研究的目的和意义

1.2国内外研究现状

1.3本文的主要研究内容和结构安排

第2章 车辆识别和跟踪的相关理论分析

2.1图像预处理

2.2图像特征描述子

2.3目标分类算法

2.4视频图像中目标的跟踪算法

2.5本章小结

第3章 基于特征学习的车辆识别算法

3.1车辆检测与识别子系统模型

3.2训练样本的采集和预处理

3.3图像特征提取

3.4分类器的设计

3.5仿真结果分析

3.6本章小结

第4章 基于超像素分割的车辆跟踪算法

4.1运动车辆跟踪子系统模型

4.2超像素理论

4.3均值漂移聚类算法

4.4仿真结果分析

4.5本章小结

结论

参考文献

攻读硕士学位期间发表的论文

声明

致谢