高速公路隧道停车检测中的车辆跟踪及状态识别方法研究

发布时间：2017-06-27 02:03

  本文关键词：高速公路隧道停车检测中的车辆跟踪及状态识别方法研究，由笔耕文化传播整理发布。

【摘要】：由于场景的封闭性及行车速度高的特点，高速公路隧道发生停车事件后一旦不能及时发现和处置，极易导致二次事故的发生，甚至引发重特大交通事故，严重影响高速公路的运行安全。基于视频的方法是主要的停车检测途径，但当前的研究主要基于简单的场景。由于隧道环境复杂，现有方法难以满足停车检测的需求。因此，针对照明灯光变化、车辆灯光干扰和视频图像模糊等问题，研究基于视频的停车检测方法，对高速公路安全运营管理具有重要的理论和实际意义。 针对环境复杂性对停车检测的影响，论文研究了隧道中的背景建模与更新、车辆目标提取、车辆特征的选择与融合、初始跟踪目标选取、跟踪过程异常处理以及停车目标识别方法，最终形成了一套基于视频的高速公路隧道停车检测方法。 在车辆目标检测方面，，选取了基于非参数核密度的背景建模方法。通过深入分析隧道内背景整体突变、背景局部变化和出现停车三种情况对背景建模的影响，给出了一种基于多模态的背景更新方案。实验结果表明，选择的背景建模方法和给出的背景更新方案能够获得较好的背景图像，为车辆检测奠定良好基础。 在车辆目标跟踪方面，提取了颜色、形状和位置多种特征，并通过方差测度融合的方法获取综合特征。同时，针对隧道环境变化导致单个特征对综合特征的贡献率发生改变的问题，提出了一种基于自校正的特征权值更新方法。此外，针对局部光照变化引起的伪前景问题，提出了一种基于虚拟检测线的初始跟踪目标选择方法，能将伪前景和初步判断不可能发生停车事件的车辆排除在跟踪序列之外。针对跟踪过程中车辆目标跟丢和车辆相互遮挡干扰的问题，提出了一种跟踪过程的异常处理方法，可将干扰的目标和驶离监控场景的目标快速删除而又保留因遮挡等原因暂时跟丢的目标，实验结果表明，提出的自校正特征权值更新、初始跟踪目标选择及跟踪过程异常处理方法提高了车辆跟踪的快速性和准确性。 在停车识别方面，在车辆跟踪的基础上，提出了一种基于分级的停车目标识别方法。首先通过分析车辆成功跟踪的次数来对停车目标进行初步识别，再结合车辆质心坐标的变化情况对停车目标进行最终的识别。实验结果表明，提出的停车目标识别方法能够快速准确地识别出停车目标。 最后，结合本文提出的停车识别方法，利用重庆市的高速公路隧道监控视频数据，在VC环境下进行了验证实验。结果表明，论文方法能够实现隧道复杂场景下车辆目标的正确、快速检测和跟踪，提高了停车事件识别的正确率和快速性。
【关键词】：停车识别 车辆检测 车辆跟踪 特征权值 质心坐标
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：U495;U492.8;TP391.41
【目录】：

• 摘要3-4
• ABSTRACT4-9
• 1 绪论9-15
• 1.1 研究背景9-10
• 1.2 国内外研究现状及课题的提出10-12
• 1.2.1 国外的研究现状10-11
• 1.2.2 国内的研究现状11
• 1.2.3 现状分析及课题的提出11-12
• 1.3 主要研究内容及意义12-14
• 1.4 论文章节安排14-15
• 2 基于视频的停车检测关键技术及方案15-27
• 2.1 引言15
• 2.2 高速公路隧道的环境及特点分析15-18
• 2.2.1 背景整体突变15-16
• 2.2.2 背景局部变化16
• 2.2.3 车辆灯光干扰16-17
• 2.2.4 车辆遮挡17-18
• 2.2.5 图像模糊18
• 2.3 基于视频的停车检测关键技术18-22
• 2.3.1 目标检测18-19
• 2.3.2 目标跟踪19-20
• 2.3.3 停车目标的识别20-22
• 2.4 基于视频的停车检测方案22-25
• 2.4.1 基于背景差分的车辆检测22-23
• 2.4.2 基于特征匹配的车辆跟踪23-24
• 2.4.3 基于车辆跟踪的停车识别24-25
• 2.5 本章小结25-27
• 3 基于背景差分的车辆检测27-37
• 3.1 引言27
• 3.2 背景建模27-30
• 3.2.1 典型的背景建模方法27-29
• 3.2.2 背景建模实验对比29-30
• 3.3 背景更新30-33
• 3.3.1 典型的背景更新方法30-31
• 3.3.2 给出本文的背景更新方案31-32
• 3.3.3 背景更新实验对比32-33
• 3.4 目标提取33-35
• 3.4.1 背景差分33-34
• 3.4.2 边缘检测34
• 3.4.3 连通域分析34-35
• 3.5 本章小结35-37
• 4 基于特征匹配的车辆跟踪37-65
• 4.1 引言37
• 4.2 特征的选择和匹配37-45
• 4.2.1 特征的选择37-40
• 4.2.2 特征的匹配40-43
• 4.2.3 提出特征权值的自校正方法43-45
• 4.3 提出初始跟踪目标的选择方法45-53
• 4.3.1 基于虚拟检测线的车辆感知46-49
• 4.3.2 基于虚拟检测线的初始跟踪目标选择方法49-53
• 4.4 提出跟踪过程的处理方法53-60
• 4.4.1 跟踪过程概述53
• 4.4.2 正常跟踪情况53-55
• 4.4.3 跟踪异常的处理策略55-60
• 4.5 实验结果及分析60-62
• 4.6 本章小结62-65
• 5 基于车辆跟踪的停车识别65-81
• 5.1 引言65
• 5.2 车辆跟踪结果的分析65-67
• 5.3 提出停车目标的识别方法67-72
• 5.3.1 停车目标的初步识别67-69
• 5.3.2 停车目标的最终识别69-72
• 5.4 实验结果及分析72-79
• 5.4.1 实验算法流程72-73
• 5.4.2 实验结果及分析73-79
• 5.5 本章小结79-81
• 6 总结与展望81-83
• 致谢83-85
• 参考文献85-89
• 附录89
• A. 作者在攻读学位期间发表的专利89
• B. 作者在攻读学位期间参与的项目89

【参考文献】

中国期刊全文数据库 前10条

1 裘祖荣;王莹;胡文川;;边缘检测在异面直线夹角视觉检测中的应用[J];传感器与微系统;2009年11期

2 李远征;卢朝阳;高全学;李静;;基于多特征融合的均值迁移粒子滤波跟踪算法[J];电子与信息学报;2010年02期

3 林洪文,姚作j,涂丹,李国辉;基于减背景技术的运动目标检测方法研究[J];国防科技大学学报;2003年03期

4 张宁;施毅;黄卫;;基于OGS-DTW算法的交通事件自动检测方法[J];公路交通科技;2010年08期

5 石时需;郑启伦;黄翰;贾西平;;基于粒子滤波算法的高速公路车辆停车检测[J];计算机工程与应用;2008年34期

6 吴刚;唐振民;杨静宇;;强噪声场景下运动模板的检测与跟踪技术研究[J];计算机工程与应用;2010年26期

7 孙棣华;王川童;赵敏;;基于非参数核密度模型的交通图像目标提取[J];计算机工程与应用;2011年21期

8 刘国翌;陈睿;邓宇;李华;;基于视频的三维人体运动跟踪[J];计算机辅助设计与图形学学报;2006年01期

9 张继平,刘直芳;背景估计与运动目标检测跟踪[J];计算技术与自动化;2004年04期

10 徐东彬;黄磊;刘昌平;;自适应核密度估计运动检测方法[J];自动化学报;2009年04期

  本文关键词：高速公路隧道停车检测中的车辆跟踪及状态识别方法研究，由笔耕文化传播整理发布。

本文编号：488200