交通車輛視頻檢測與跟蹤研究.pdf

1、在智能交通系統(tǒng)中，道路車輛運行信息檢測與處理是基礎(chǔ)環(huán)節(jié)?；谝曨l的車輛運動檢測方法由于靈活性好，可靠性高，已成為該領(lǐng)域的主流發(fā)展方向。論文結(jié)合交通路口監(jiān)控的實際特點，對車輛運動視頻檢測問題進(jìn)行了深入探索，特別對監(jiān)控場景的背景提取、運動分割與標(biāo)記、運動估計與軌跡跟蹤這三個車輛運動視頻檢測中的核心問題進(jìn)行了深入研究，在此基礎(chǔ)上完成了實際系統(tǒng)設(shè)計與實現(xiàn)。
　　監(jiān)控場景的背景提取是車輛運動檢測的基礎(chǔ)，論文首先研究了背景提取算法。針對實際應(yīng)

2、用中對光照變化和繁忙交通狀況下算法穩(wěn)健性的要求，提出了基于紋理特征的自適應(yīng)背景更新方法。通過計算圖像區(qū)域的灰度—基元共生矩陣熵作為紋理特征檢測目標(biāo)運動，根據(jù)圖像中各像素亮度的混合高斯分布模型，基于期望最大化算法對背景進(jìn)行自適應(yīng)更新。該方法綜合了紋理運動分析方法對光照變化不敏感和基于統(tǒng)計模型方法自適應(yīng)背景更新的特點。實驗結(jié)果及分析驗證了提出方法的有效性及穩(wěn)健性。
　　由于實際場景及車輛特征的復(fù)雜性，采用當(dāng)前幀與背景差分的方法無法得到

3、理想的目標(biāo)分割效果。針對該問題，提出了基于小波的運動分割方法。首先對原始幀進(jìn)行多分辨率小波分解，以提高計算效率。利用連續(xù)幀圖像的小波分解高頻分量生成模歷史圖像，然后進(jìn)行邊緣檢測，得到完備的邊緣信息并消除陰影影響；利用當(dāng)前幀小波分解低頻分量和背景提取算法獲取前景目標(biāo)團(tuán)塊，然后與邊緣信息相融合，從而實現(xiàn)準(zhǔn)確定位和快速標(biāo)記，有效處理因陰影產(chǎn)生的多目標(biāo)粘連問題。
　　為對運動目標(biāo)行為進(jìn)行進(jìn)一步分析和判別，需建立車輛的實時運動軌跡。實際場景

4、中目標(biāo)丟幀及因部分遮擋引起的目標(biāo)粘連是該問題的難點所在。為此，提出特征點運動估計與Kalman預(yù)測濾波相結(jié)合的解決方法。首先根據(jù)目標(biāo)分割結(jié)果，使用Kalman濾波器進(jìn)行運動目標(biāo)位置預(yù)測及濾波，以建立目標(biāo)運動軌跡。同時檢測目標(biāo)的特征角點，采用多分辨率Lucas-Kanade光流方法進(jìn)行特征點運動估計。在發(fā)生目標(biāo)丟幀時直接應(yīng)用Kalman濾波得到的預(yù)測結(jié)果；出現(xiàn)目標(biāo)遮擋時則應(yīng)用運動估計結(jié)果為Kalman濾波提供測量值，計算目標(biāo)運動軌跡。實驗

5、結(jié)果驗證了所提出方法的有效性。
　　論文最后針對實際需求，設(shè)計并實現(xiàn)了智能交通監(jiān)控系統(tǒng)，重點針對視頻車輛檢測及相關(guān)子系統(tǒng)的設(shè)計及性能優(yōu)化問題進(jìn)行了研究。首先給出了智能交通監(jiān)控系統(tǒng)的整體構(gòu)成，提出了根據(jù)系統(tǒng)功能及硬件特點的完全多線程系統(tǒng)設(shè)計方法，解決硬件同步和模塊解耦問題，通過層次化線程管理來簡化線程間通信問題，充分利用現(xiàn)代中央處理器的SIMD和超線程技術(shù)提高視覺處理效率。通過系統(tǒng)運行的實際數(shù)據(jù)和性能指標(biāo)對比表明，本文所提出的理論方