智能交通系统复杂场景下车辆检测与跟踪技术研究

摘要

智能交通系统可以缓解车多路少的矛盾，而且可以保障交通运输的安全性和有效性，因而越来越受到人们的关注。传统智能交通系统的研究主要针对环境较好的场景，而在实际应用中存在各种复杂的环境条件，比如夜间、雨天、雾天等，增加了车辆检测和跟踪的难度。所以如何解决不良环境引起的车辆检测和跟踪的困难，是现在智能交通领域研究的一个热点。
　　 论文以夜间交通场景视频作为研究对象，主要针对车辆的检测和跟踪展开研究，主要完成了以下工作:
　　 (1)对常用的检测算法进行了分析研究，论文采用背景差分法和贝叶斯决策相结合的方法对夜间运动车辆进行检测。首先使用背景差分对当前图像像素进行初分类-分为背景像素和变化像素，然后根据贝叶斯决策将变化像素进一步分为前景像素和背景像素，最后对图像做形态学处理和区域分割，检测出车辆轮廓。
　　 (2)对常用的车辆跟踪算法进行了分析研究，论文采用基于区域特征和卡尔曼滤波相结合的方法对已检测到的运动目标进行跟踪。其中选取运动区域的中心和面积作为目标特征，使用卡尔曼滤波器建立运动目标模型，并且预测运动目标在下一帧中的位置，最后进行目标匹配和模型的更新，从而完成车辆的跟踪。
　　 (3)在MicrosoftVisualC++6.0开发平台上完成了软件系统的开发，对上述算法进行了程序实现，实现了车辆检测、车辆跟踪功能，并对车流量情况进行了统计，总体效果良好。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．2 国内外研究现状

1．3 本文主要研究内容

1．4 论文结构

第2章 基于贝叶斯模型的车辆检测算法

2．1 常用的检测算法分析

2．1．1 光流法

2．1．2 帧间差分法

2．1．3 背景差分法

2．1．4 检测算法总结

2．2 背景建模

2．2．1 混合高斯模型

2．2．2 贝叶斯模型

2．2．3 非参数估计理论

2．2．4 贝叶斯决策在车辆检测中的应用

2．2．5 先验概率的获取

2．2．6 检测算法步骤

2．3 本章总结

第3章 运动车辆跟踪

3．1 车辆跟踪的概述

3．2 运动目标特征分析

3．3 常见的运动目标跟踪算法

3．3．1 基于特征的跟踪方法

3．3．2 基于变形模型的跟踪方法

3．3．3 基于区域的跟踪方法

3．3．4 基于团块的目标跟踪

3．4 卡尔曼(Kalman)滤波器

3．5 基于区域特征和卡尔曼滤波器相结合的团块跟踪

3．5．1 目标中心和面积特征的计算

3．5．2 Kalman运动估计模型设计

3．5．3 基于车流的交通线中心提取

3．5．4 目标匹配

3．5．5 模型更新

3．6 本章小结

第4章 软件设计

4．1 OpenCV介绍

4．2 系统总体设计

4．3 基本的数据结构

4．4 系统实现结果

4．5 本章小结

第5章 总结和展望

5．1 论文总结

5．2 工作展望

参考文献

硕士期间发表论文及科研工作

致谢

附录