智能交通系统中车辆视频检测、识别与跟踪方法的研究

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目标的准确、完整分割；最后用基于Kalman滤波的跟踪模型实现了运动目标的实时跟踪。

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

2运动物体自动检测方法研究

3运动物体阴影去除方法研究

4运动物体识别方法研究

5运动车辆跟踪方法研究

6总结与展望

参考文献

致谢

攻读博士学位期间发表的论文及参与的主要课题