行人交通的视频检测方法综述

  本文关键词：行人交通的视频检测方法综述，由笔耕文化传播整理发布。

第４期

行人交通的视频检测方法综述

察选择一幅质量好的图像作为背景；后来虽经不断改进，但对于动态场景的变化，如光照和外来干扰等特别敏感，且分割精度易受噪声影响．目前许多研究人员都致力于开发不同的背景模型，，以期减少动态场景变化对于运动分割的影响．例如，Ｈａｒｉｔａｏ．ｇｌｕ等ｎ＂利用最小、最大强度值和最大时间差分值为场景中每个像素进行统计建模，并且进行周期性

的背景更新；ＭｃＫｅ—ｕｍ等［Ｉ引利用像素色彩和梯度信

色靠可不和子影决解型模景背应适自的合结相息彩线索对于分割的影响；Ｋａ聊ａｎｎ与Ｂ砌ｄｔ、ｌ（ｉｌｇ．

等影响．

模型，从而处理了光照变化、背景混乱运动的干扰

（２）帧间差分法．

帧间差分法是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取图像中的运动区域旺１’捌．例如，ｋｐｔ叩等旧】利用两帧差分方法从实际视频图像中检测运动目标，进而用于目标的分类与跟踪；一个改进的方法是利用三帧差分代替两帧差分，如ＶＳＡＭⅢ１开发了一种自适应背景减除与三帧差分相结合的混合算法，它能够快速有效地从背景中检测出运动目标．帧问差分法对于动态环境具有较强的自适应性，但不能完全提取出所有相关的特征像素点，在运动实体内部容易产生空洞现象．

（３）光流法．

基于光流法的运动检测利用运动物体随时间变化在图像中表现为速度场的特性，根据一定的约束条件估算出运动所对应的光流．它的优点是在摄像机与背景间存在运动的前提下也能检测出运动物体．Ｍｅｙ盱等滔１通过计算位移向量光流场初始化基于轮廓的跟踪算法，从而有效地提取和跟踪运动目标．但是大多数的光流计算方法需要多次迭代运算，所以时间消耗比较大，且抗噪性能差，如果没有专门的硬件装置则难以应用于视频图像流的实时处理．

（４）基于统计学习的人体检测．

由于上述行人检测方法不能解决人体形状和外貌各式各样的难点，以及人体的不同运动方式，目前人体检测方法的发展趋势为基于学习的人体检测方法，其中包括：基于ＡｄａＢｏ鸺ｔｃａ８ｃａｄｅ的人体

检测方法，基于ＳｖＭ的人体检测方法，基于ｎｅｌｄＭｏｄｅｌ的人体检测方法．这些方法从样本集中学习人体的不同变化，从而有很好的推广性和适用性．基于学习的人体检测可分为两类：基于整个人体的检测和基于人体部位的检测．例如，Ｖｉｏｌａ等汹１介绍了一种集成了图像灰度信息和运动信息的行人

检测系统．Ｎａｖｎ鳅Ｄａｌａｌ掣驯提出了一个在单帧图

像中用面向梯度的直方图描述人体的检测方法．

Ｙｉｎｇ

ｗｕ等汹１提出了一种新的统计模型来检测和跟踪可变形物体．

在实际的城市交通环境中，通常采用背景差法

检测行人旧】，即首先通过自适应背景提取方法快速提取背景图像，在差分图像的基础上，结合直方图自动阈值分割和数学形态学运算采用一定的行人分割算法，填充分割中运动行人图像的断裂部分，提取出行人完整的轮廓；根据提取的目标特征信息，结合多种特征初步判断行人的存在信息，进行行人检测．２．２行人识别

行人识别的目的是从道路上交通监控摄像机所捕捉的序列图像中将行人的运动区域提取出来，主要研究行人、自行车和机动车的区分方法．图像识别技术主要涉及两方面的内容，一是特征提取的方法，二是模式分类方法．运动目标的特征汹１大致可以分为：

（１）图像的视觉特征，如图像的边缘、轮廓、形状、纹理和区域等特征；

（２）图像的统计特征，如目标中心位置、重心、面积周长、颜色直方图、各种不变矩等特征；

（３）图像的变换系数特征，如小波变换系数、傅立叶描述等特征；

（４）代数特征，如图像矩阵的奇异值分解等．车辆是刚体目标，通常选择一个目标特征作为

常常联合多种特征进行目标特征匹配．模计统如，】多很法方类分式模的像图前目传统的统计模式分类法及线性判别函数往往只能提取不同的图像特征，采用不同的模式分类方法．提供线性的分割平面，采用这种分类方法关键在于

  本文关键词：行人交通的视频检测方法综述，由笔耕文化传播整理发布。