基于视频的交通路口背景建模的研究

摘要

城市交通的拥塞在道路路口尤为明显，基于视频的车流量准确检测是路口信号灯智能控制的前提和关键。
　　 目前，车流量检测的方法有多种，如背景差分法、邻帧差分法、边缘检测法、光流法等，但由于路口车辆密度高和车速变化大的特点，本文选择了背景差分的方法，这种方法的可靠性依赖于背景更新的有效性。
　　 本文提出了改进的频度估计算法和支持向量机(SVM)理论相结合的方法来进行交通路口的背景建模。
　　 由于视频图像对光照的微小变化都很敏感，在改进的频度估计算法中，本文提出了灰度变化幅度的概念，寻找统计频度值最大区间，然后用这个区间的灰度均值来作为背景估计值。支持向量机(SVM)优良的性能已经在许多领域，如生物信息学、医疗、文本和手写识别等都取得了成功的应用。本文通过SVM对背景进行训练，得到背景学习模型，然后用背景学习模型对道路的背景进行预测。利用训练模型对背景进行预测。
　　 改进的频度估计算法，增强了对光照缓慢变化的适应性，针对在严重堵车时的不足，结合SVM背景估计，有效地提高了路口背景建模的可靠性。
　　 结合实验，本文还提出了样本的采集机制，从采样的时机、方式、数量来分析，提高背景建模的可靠性。

目录

文摘

英文文摘

声明

第1章绪论

1.1选题背景和意义

1.2研究现状及存在问题

1.3本文研究的主要内容和所做工作

1.4章节安排

第2章 图像采集系统与相关技术处理

2.1图像采集系统

2.2图像预处理相关技术

2.2.1、图像灰度化

2.2.2消除图像的噪音

2.2.3图像二值化

2.2.4背景差分

2.3小结

第3章几种背景建模技术的比较

3.1平均估计法

3.2基于Kalman渐消滤波的方法

3.3基于高阶统计量的分块方法

3.4中值法背景估计

3.5光流法

3.6实验分析

3.7小结

第4章改进的频度背景估计

4.1传统的频度估计模型

4.1.1频度估计的思想

4.1.2频度估计算法设计流程

4.2改进的频度估计算法

4.2.1改进思想

4.2.2灰度变化幅度的T选取

4.2.3改进的频度估计算法

4.3实验分析

4.4小结

第5章基于统计学习理论的背景重建

5.1统计学习理论基础

5.1.1机器学习的基本问题

5.1.2统计学习理论的核心内容

5.2支持向量机

5.2.1广义最优分类面

5.2.2支持向量机

5.2.3核函数

5.3 LibSVM

5.3.1 LibSVM

5.3.2 SVM分类器

5.4 SVM背景估计

5.4.1学习样本分块法

5.4.2训练学习样本

5.4.3预测测试样本

5.5实验数据分析

5.6小结

第6章频度估计和SVM相结合的背景建模

6.1频度估计和SVM相结合的思想

6.2背景建模流程

6.3样本采集机制

6.4实验分析

6.5小结

第7章总结与展望

致谢

参考文献

附录 1 LibSVM

个人简历及在学期间发表论文