智能交通系统中的汽车流量检测研究

摘要

本文针对道路实时车流量的统计，分析了利用计算机视觉技术来检测车流的整个过程。对实时序列场景的自动更新、车辆的特征提取及车辆的实时跟踪技术进行了重点的研究和讨论。文章设计实现了一个车流检测系统。实现了车流检测背景图像的自动更新；对实时视频图像和背景差分后的灰度图像进行了预处理，改进了目前比较实用的利用Sobel算子去除阴影的方法，降低了阴影对车辆检测的影响；在线段编码的基础上提出了在分割运动目标的同时提取其几何及颜色特征的一种快速算法；提出了利用α-β-γ滤波器对运动目标的形心进行预测，建立运动目标的相关运动状态信息，对出现遮挡状态的运动目标利用颜色特征及运动趋势进行跟踪的一种新算法。

目录

文摘

英文文摘

第一章绪论

1.1课题研究的背景

1.1.1 ITS(Intelligent Transportation System)简介

1.2基于视频的运动目标检测与跟踪方法的概述及比较

1.3本文所涉及的问题及所做的工作

第二章背景图像的智能更新

2.1实际检测中出现的问题

2.1.1背景重建的算法

2.1.2背景重建后在实际应用中的问题

2.2几种实时更新的算法比较及本文提出的新算法优点

2.2.1补偿系数的选择

2.3智能背景更新的实验结果

2.4本章小结

第三章序列图像的预处理

3.1运动目标的阴影

3.1.1阴影去除算法研究

3.2灰度图像的二值化

3.2.1灰度图像的二值化概述

3.2.2最大类间方差法

3.2.3最大熵阈值分割

3.2.4循环分割

3.2.5实验结果

3.3二值化图像的形态滤波

3.3.1形态算子

3.3.2图像的腐蚀与膨胀

3.3.3图像的开启和闭合

3.4本章小结

第四章运动目标的识别及其特征提取

4.1概述

4.2运动目标的识别

4.2.1线段编码方法

4.3运动目标特征的描述

4.4.运动目标识别及特征提取算法的实现

4.4.1实验结果

4.5目标的合并

4.6本章小结

第五章运动目标的跟踪

5.1概述

5.2目标跟踪方法

5.3目标跟踪预测的方法

5.3.1 Kalman滤波器

5.3.2基于Kalman滤波的运动目标估计

5.3.3改进的Kalman滤波器——α-β-γ滤波器

5.3.4 α-β-γ滤波器在跟踪过程出现的问题

5.4利用颜色特征进行跟踪目标匹配

5.4.1 HSV色彩空间

5.4.2 HSV空间的非均匀量化

5.5跟踪算法的实现及实验结果

5.6本章小结

第六章系统应用

第七章总结与工作展望

参考文献

研究生阶段科研成果

致谢

独创性声明及学位论文版权使用授权书