基于HSV颜色空间的视频车辆检测与跟踪算法研究

摘要

智能交通系统 ITS (Intelligellt Trmlsportation System) 是计算机视觉技术、图像处理技术、通信技术在交通领域的应用，其目的在于充分利用现有的道路设施资源，改善车、路、人之间的相互作用，从而从整体上提高交通的经济性。在智能交通系统中，对运动车辆实现无人监控是当今研究的热点问题，本文针对交通监控系统中运动车辆的检测与跟踪算法展开以下研究： 1、提出了基于HSV颜色空间的背景提取与车辆检测。与目前大多数的RGB颜色空间的背景提取与车辆检测方法相比较，基于HSV颜色空间的背景提取与车辆检测是一种比较有效、新颖的方法。在背景提取中，利用背景图像的像素点基本符合高斯分布的特点，为每个像素点的H、S、V分量建立混合高斯模型；对于背景、前景的判断，充分利用颜色信息，以达到最佳的背景提取效果。在背景更新算法中，考虑了学习率的问题，并且有效的利用原背景的像素点，有效的避免了偶然因素对背景的影响，增强了算法的鲁棒性。 2、在车辆检测出来以后，对于阴影的处理，本文提出了一种改进的HSV颜色空间的阴影检测算法，即在原有的HSV颜色空间的阴影检测算法的基础上，引入了一阶梯度剪除算法，增强了原算法的有效性和鲁棒性。同时，与RGB颜色空间相比，在HSV颜色空间下处理阴影，其算法更加简单、快速、有效，这也与背景提取和车辆检测的颜色空间相一致，增加了整个算法处理的效率。 3、在车辆跟踪方面，首先计算选定的ROI区域的H分量的色彩直方图，并将其扩展为整个原始图像的色彩概率分布。然后运用均值平移算法计算被跟踪目标的质心，并将质心坐标和窗口大小作为离散卡尔曼滤波器的特征向量，最后利用离散卡尔曼滤波器实现对运动目标的跟踪。 实验表明，本文的算法在背景提取、车辆检测、阴影检测的准确性、鲁棒性上，以及在车辆跟踪的效果上，都具有很好的表现，能适用于复杂场景、多运动车辆的检测和跟踪。

目录

文摘

英文文摘

独创声明及学位论文版权使用授权书

1绪论

1.1智能交通系统概述

1.2国内外发展研究现状

1.3本课题研究的意义

1.4本文研究的主要内容及章节安排

2 ITS中的数字图像处理基础

2.1图像数字化

2.1.1采样

2.1.2量化

2.1.3数字图像的表示

2.2图像的颜色空间

2.2.1 RGB颜色空间

2.2.2 HSV颜色空间

2.2.3 YIQ颜色空间

2.2.4 YUV颜色空间

2.3图像噪声去除

2.3.1平滑线性滤波

2.3.2加权平均法

2.3.3中值滤波

2.3.4高斯低通滤波

2.4图像增强

2.4.1梯度法

2.4.2拉普拉斯算子

2.4.3直方图均衡

2.5本章小结

3运动车辆检测

3.1车辆检测算法概述

3.1.1帧间差分法

3.1.2基于光流的方法

3.1.3背景差分法

3.2 HSV颜色空间下的背景提取

3.2.1 RGB到HSV的转换

3.2.2背景提取算法

3.3背景更新

3.4运动车辆检测

3.5实验结果与分析

3.6本章小结

4运动车辆阴影检测

4.1阴影的基本理论

4.1.1阴影的定义

4.1.2阴影特征

4.2阴影检测算法

4.2.1蓝波段信息检测

4.2.2帧间像素比值检测

4.2.3基于空间特征的检测

4.3改进的HSV检测算法

4.3.1 HSV空间阴影检测算法

4.3.2一阶梯度剪除算法

4.4实验结果与分析

4.5本章小结

5运动车辆跟踪

5.1运动跟踪的基本原理

5.2运动跟踪的常用算法

5.2.1基于特征点的跟踪

5.2.2基于区域的跟踪

5.2.3基于形变模型的跟踪

5.2.4基于光流的跟踪

5.3均值平移算法目标搜索

5.4卡尔曼滤波器

5.4.1卡尔曼滤波器简介

5.4.2离散卡尔曼滤波算法

5.5车辆跟踪模型及其实现

5.6实验结果与分析

5.7本章小结

6总结和展望

6.1总结

6.2展望

参考文献

硕士期间发表的论文

致谢