复杂天气条件下交通监控系统目标检测与跟踪技术研究

摘要

随着数字摄像机的和计算机技术的大量普及，基于计算机视觉的应用蓬勃发展，在这些计算机视觉的应用中，视频交通监控技术受到人们的广泛关注。但现有的户外监控系统对自然光有很强的依赖性，而且容易受自然界中的各种干扰的影响。我们提出一个能在雨、雪、雾等复杂天气条件下工作的新型交通监控系统，我们认为自然界中的雨和雪对于图像来说是一种噪声，而雾天对应的是图像对比度的下降。则交通监控系统应配备强有力的噪声消除和对比度增强功能。
　　 本文提出了基于Curvelet shrink的自适应WRAPPING算法用以消除图像噪声。作为新兴的多尺度的图像处理算法之一，曲波变换以其对各项异性曲线的稀疏表达的优势，使得在图像去噪领域应用广泛。在图像去噪和增强领域，曲波比小波方法更有优势。本文改进了传统WRAPPING算法的阈值方法，图像的曲波系数在一个规定的窗口模板内进行阈值萎缩，此法能显著提高峰值信噪比(PSNR)，最多能提高8-10dB。与小波硬阈值和软阈值方法的对比实验显示，本文方法无论PSNR还是主观视觉效果都有显著提升，其重建的图像边缘保持良好。
　　 本文的另一亮点是提出了基于感兴趣区的小波边缘检测算法和基于亮度信息的前景目标分割中的阴影消除算法。对于前景目标的阴影消除是计算机视觉中的公认难题，本文先对感兴趣区(ROI)进行2-D Haar小波变换，然后将ROI区域从RGB空间转换到HSI空间，则阴影部分对应的是小波系数模极大值小(对应边缘较少)且亮度较低的区域。实验结果显示本文方法能有效地消除目标阴影。
　　 在图像分割后，下一个重要问题就是对目标的跟踪。本文提出了基于三状态的改进Kalman滤波的车辆跟踪算法，通过定义最大近邻距离(MCD)模板及相关匹配准则，有效地克服了目标跟踪过程中的遮挡问题造成的目标丢失问题。

目录

文摘

英文文摘

声明

第一章 绪论

1.1课题的提出及意义

1.2交通监控的内涵

1.2.1路况监控和收费管理

1.2.2违章自动监测

1.3交通参数提取

1.3.1虚拟线、虚拟线圈的交通参数提取方法

1.3.2基于目标提取和跟踪的交通参数提取方法

1.4国内外商业化的视频检测系统

1.5本论文的研究内容和组织方式

1.6本论文的创新

第二章 小波变换基本理论

2.1小波变换的产生

2.2连续小波变换

2.2.1连续小波基函数

2.2.2连续小波变换的性质

2.3离散小波变换

2.3.1小波的离散化方法

2.3.2离散小波的逆变换

2.4多分辨率分析

2.4.1多分辨率分析的定义

2.4.2小波函数与小波空间

2.4.3正交小波变换的多分辨率分析

2.5正交小波的快速算法

2.5.1二尺度方程

2.5.2 Mallat快速分解与重建算法

2.6小波基的选择

2.6.1正交性

2.6.2支撑性

2.6.3对称性

2.6.4正则性

2.6.5消失矩

2.7基于小波变换的图像去噪

2.7.1去噪问题的描述

2.7.2小波变换模极大去噪

2.7.3小波阈值去噪法

2.8实验结果

2.9本章总结

第三章 基于曲波变换的交通图像去噪与增强

3.1曲波变换的基础——脊波变换

3.1.1连续脊波变换(Continue Ridgelet Transform)

3.1.2脊波变换的重构

3.1.3离散脊波变换

3.1.4单尺度脊波(Monoscale Ridgelet)

3.1.5多尺度脊波(Multiscale Ridgelet)

3.2曲波变换

3.2.1曲波变换的实现过程

3.2.2曲波变换的性质

3.3新框架曲波变换

3.3.1新框架曲波的构造

3.3.2新框架曲波的性质

3.3.3新框架曲波的数字实现

3.4曲波变换的交通图像去噪与增强

3.4.1交通图像去噪

3.4.2图像增强

3.5采用自适应曲波萎缩算法的交通图像的去噪和增强

3.6实验结果

3.7本章小结

第四章 交通图像的分割

4.1图像分割方法综述

4.1.1基于区域的分割方法

4.1.2基于边缘的分割方法

4.1.3基于数学形态学的分割方法

4.1.4基于神经网络的分割方法

4.1.5基于模糊理论的分割方法

4.1.6基于分形理论的分割方法

4.1.7基于变形模型(主动轮廓模型)的分割方法

4.1.8图像分割方法的评估

4.2小波多尺度边缘检测原理

4.2.1信号的奇异性

4.2.2小波多尺度边缘检测原理

4.3基于背景差法的运动目标检测

4.3.1动态背景的形成及运动检测

4.3.2采用HSI色彩空间的阴影检测方法

4.4实验结果

4.5本章小结

第五章 基于卡尔曼滤波的车辆跟踪

5.1目标跟踪问题简介

5.2目标跟踪方法分类

5.2.1基于特征的跟踪方法

5.2.2基于3-D的跟踪方法

5.2.3基于主动轮廓模型的跟踪方法

5.2.4基于区域的跟踪方法

5.2.5跟踪方法应用讨论

5.3卡尔曼(Kalman)滤波器概述

5.4基于三状态Kalman滤波器的车辆跟踪算法

5.5一种简化的的Kalman滤波目标跟踪方法

5.5.1定义模板匹配准则

5.5.2状态估计及转换

5.5.3轨迹预测

5.6仿真实验及分析

第六章 摄像机标定算法研究

6.1摄像机标定综述

6.1.1摄影测量学中摄像机模型建立

6.1.2直线线性变换方法(DLT)

6.1.3 Tsai两步法

6.2本文所采用的简单、易于收敛的摄像机标定算法

6.3本章总结

第七章总结与展望

参考文献

发表论文和科研情况说明

致谢