基于视觉跟踪的交通监控技术的研究

摘要

为了缓解日益突出的城市交通问题，智能交通系统已成为未来交通发展的重要方向。视频交通监控系统作为智能交通系统的重要组成部分，对其相关技术的研究有着深远的意义。本文主要围绕基于视觉跟踪的交通监控的关键技术，完成了以下几项工作：
　　 首先，分析了运动目标检测方法的基本原理与特点，讨论了基于背景建模的运动车辆检测方法，并有效地结合阴影检测、阈值处理、团块分割等相关技术，实现了对车辆团块的精确检测与提取。
　　 其次，针对交通场景下，Mean Shift跟踪算法的一些不足，提出了一种基于Mean Shift的自适应跟踪算法，该算法将改进的尺度自适应策略和基于Kalman滤波的车辆模型自适应更新策略融合到标准Mean Shift跟踪算法中，实现了基于区域的多车辆跟踪。
　　 然后，阐述了包括车流量、车辆速度、占有率、排队长度等交通信息参数检测算法，并从基于车辆异常行为和基于交通流异常两个方面探讨了各种交通事件的检测方法。
　　 最后，设计并实现了基于视觉跟踪的交通监控仿真系统，实验结果表明，这些方法有效。

目录

文摘

英文文摘

第一章 绪论

1.1 研究背景及意义

1.2 视频监控技术在ITS中的应用以及国内外研究现状

1.2.1 视频监控技术在ITS中的应用

1.2.2 国内外研究现状

1.3 论文研究的主要内容

1.4 论文研究难点

1.5 论文组织结构

第二章 车辆检测与提取

2.1 图像预处理

2.2 运动车辆检测方法

2.2.1 光流法

2.2.2 帧间差分法

2.2.3 背景差分法

2.3 背景模型

2.3.1 直接获取背景模型

2.3.2 统计平均背景模型

2.3.3 混合高斯背景模型

2.3.4 基于像素灰度归类的背景模型

2.4 差分图像后处理

2.4.1 阈值处理

2.4.2 形态学滤波

2.4.3 连通性检测

2.5 阴影检测与消除

2.5.1 阴影的特征分析

2.5.2 基于RGB颜色空间的阴影检测

2.6 车辆团块分割与提取

2.6.1 团块分割

2.6.2 团块提取

2.6.3 团块的几何特征描述

2.7 实验与结果

2.8 本章小结

第三章 车辆跟踪

3.1 Mean Shift跟踪算法

3.1.1 Mean Shift的基本形式

3.1.2 Mean Shift的扩展形式

3.1.3 基于颜色直方图的Mean Shift目标跟踪算法

3.1.4 实验与分析

3.2 尺度自适应策略

3.2.1 朴素尺度自适应跟踪算法

3.2.2 改进的尺度自适应跟踪算法

3.2.3 实验与分析

3.3 基于Kalman滤波的车辆模型自适应更新策略

3.3.1 自适应Kalman滤波器的建立

3.3.2 车辆目标模型更新准则

3.4 本文基于Mean Shift的自适应跟踪算法

3.5 本章小结

第四章 交通信息参数提取与事件检测

4.1 车道检测与更新

4.2 交通信息参数检测

4.2.1 车流量检测

4.2.2 车辆速度检测

4.2.3 车道占有率检测

4.2.4 排队长度检测

4.3 基于车辆异常行为交通事件检测

4.3.1 车辆换道、避障检测

4.3.2 车辆转弯、掉头、以及逆行检测

4.3.3 超速、慢行、停车检测

4.4 基于交通流异常交通事件检测

4.4.1 交通流基本参数及关系

4.4.2 交通阻塞检测方法

4.5 本章小结

第五章 基于视觉跟踪的交通监控系统

5.1 系统组成

5.1.1 硬件开发环境

5.1.2 软件开发环境

5.2 系统开发原则

5.3 具体设计与实现

5.3.1 系统初始化模块

5.3.2 车辆检测模块

5.3.3 多车辆跟踪与交通信息提取模块

5.3.4 交通事件检测与处理模块

5.4 系统测试与分析

5.5 本章小结

第六章 总结与展望

6.1 工作总结

6.2 未来工作展望

参考文献

作者介绍

致 谢