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，已成為該領域的主流發(fā)展方向。論文結合交通路口監(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行了深入研究，在此基礎上完成了實際系統(tǒng)設計與實現。
　　監(jiān)控場景的背景提取是車輛運動檢測的基礎，論文首先研究了背景提取算法。針對實際應

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運動，根據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行自適應更新。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)計模型方法自適應背景更新的特點。實驗結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雜性，采用當前幀與背景差分的方法無法得到

3、理想的目標分割效果。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，然后進行邊緣檢測，得到完備的邊緣信息并消除陰影影響；利用當前幀小波分解低頻分量和背景提取算法獲取前景目標團塊，然后與邊緣信息相融合，從而實現準確定位和快速標記，有效處理因陰影產生的多目標粘連問題。
　　為對運動目標行為進行進一步分析和判別，需建立車輛的實時運動軌跡。實際場景

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

5、結果驗證了所提出方法的有效性。
　　論文最后針對實際需求，設計并實現了智能交通監(jiān)控系統(tǒng)，重點針對視頻車輛檢測及相關子系統(tǒng)的設計及性能優(yōu)化問題進行了研究。首先給出了智能交通監(jiān)控系統(tǒng)的整體構成，提出了根據系統(tǒng)功能及硬件特點的完全多線程系統(tǒng)設計方法，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，充分利用現代中央處理器的SIMD和超線程技術提高視覺處理效率。通過系統(tǒng)運行的實際數據和性能指標對比表明，本文所提出的理論方