基于视觉的智能交通监管系统关键技术研究

发布时间：2017-03-27 16:06

  本文关键词：基于视觉的智能交通监管系统关键技术研究，由笔耕文化传播整理发布。

【摘要】：基于视觉的智能交通监管系统对于维护交通秩序,提高司机的安全交通意识,保障人民生命和财产安全发挥着重要的作用。本文对基于视觉的智能交通监管系统关键技术进行了研究。首先,针对树枝摆动等波动式干扰问题,在分析研究典型波动式干扰时间特性和空间特性基础上,提出一种基于时空信息的运动目标检测方法。即首先利用平均背景建模获得初始前景图像,然后利用波动式干扰在时间上的周期性,以及空间上的小范围特性,对干扰像素建立模型,从而滤除干扰前景。又针对前景区域轮廓信息不明显,空洞较大问题,利用初始前景图像进行像素补全,得到完整、准确的前景图像。对比实验表明,与现有方法相比,本文方法对于波动式干扰的鲁棒性更好,并且计算量小,与GMM算法相比,实时性提高16.8%,满足交通场景的实时性要求。其次,目前图像测距算法通常需要事先测量多个物理量,或者进行复杂标定,操作不便,并且在交通现场进行复杂的测量带来的安全隐患大。针对该问题,本文从相机安装场景出发,提出一种基于成像原理和数据回归建模的图像测距算法,从纵向和横向两个方向进行图像测距。即利用相机成像原理得到纵向距离的计算公式,然后结合车道等宽特性,利用数据回归建模的方法,计算出增益函数和横向距离,以计算出纵向距离。该算法横向和纵向测量误差分别在10.1%和14.5%以内,并且只需要事先测量相机安装高度和车道线宽度,即可对场景中的长度距离进行测量,测量过程方便快捷。再次,针对目标跟踪中的遮挡和连接问题,提出一种基于角点和轨迹预测的目标跟踪算法。首先,利用光流法对目标区域内的初始角点进行跟踪。对于出现漂移的角点,提出基于欧氏距离和角度相似度的角点分类算法将其滤除。与TLD中角点分类方法相比,本文提出的方法能够保留更多的有效角点,跟踪更加鲁棒。对于遮挡情况,提出一种基于车辆前景反馈的轨迹预测算法,利用车辆前景能反映车辆真实位置这一特性,对预测结果进行反馈和校正,从而得到准确的预测结果。实验表明,本文算法对目标连接和遮挡情况等复杂路况下的目标跟踪有良好的鲁棒性和实时性。与Camshift算法和粒子滤波算法相比,本文算法的跟踪准确率分别提高了14.7%和30.3%,与速度较快的Camshift算法相比,实时性提高了36.9%。最后,针对目前车辆轧线检测算法对于强阴影和车身覆盖等干扰情况容易导致误检的问题,提出一种基于车辆质心的轧线检测算法。首先利用运动目标检测得到车辆前景,并利用阴影去除算法滤除阴影干扰,得到准确的车辆前景区域。然后通过车辆外接矩形框和车道线的距离初步进行轧线判断。对于轧线车辆,通过车辆质心与车道线距离进一步判断是否轧线。在该算法的基础上,本文对车辆违章轧线监管系统进行了软件流程设计,并利用该系统进行了大量实验,结果表明,该系统对于强阴影和车身覆盖等干扰具有较好的鲁棒性,轧线检测精度达到93.5%以上,与传统车辆中心检测算法相比,精度提高了21.4%。
【关键词】：智能交通 运动目标检测 图像测距 轧线检测 目标跟踪
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495;TP391.41
【目录】：

• 摘要4-6
• ABSTRACT6-13
• 第一章 绪论13-24
• 1.1 课题研究背景及意义13-14
• 1.2 国内外研究现状14-20
• 1.2.1 运动目标检测的研究现状14-17
• 1.2.2 图像测距的研究现状17-18
• 1.2.3 目标跟踪的研究现状18-20
• 1.2.4 轧线检测的研究现状20
• 1.3 存在问题20-21
• 1.4 本文主要内容与创新点21-22
• 1.4.1 本文主要内容21-22
• 1.4.2 本文主要创新点22
• 1.5 本文内容安排22-24
• 第二章 运动目标检测算法研究24-34
• 2.1 运动目标检测算法概述与现状24-25
• 2.2 基于平均背景模型的运动目标检测算法研究25-26
• 2.3 基于时空信息的运动目标检测算法26-31
• 2.3.1 基于空间信息的干扰抑制及模型建立26-27
• 2.3.2 基于时间信息的干扰抑制及模型建立27-29
• 2.3.3 前景扩展研究29-30
• 2.3.4 算法描述30-31
• 2.4 实验结果及分析31-33
• 2.4.1 鲁棒性验证31-32
• 2.4.2 实时性验证32-33
• 2.5 本章小结33-34
• 第三章 图像测距方法研究34-42
• 3.1 图像测距算法概述34
• 3.2 基于成像原理和数据回归建模的图像测距算法研究34-40
• 3.2.1 基于相机成像模型的纵向测距研究35-37
• 3.2.2 基于数据回归建模的横向测距研究37-40
• 3.3 实验结果40-41
• 3.4 本章小结41-42
• 第四章 目标跟踪算法研究42-55
• 4.1 目标跟踪算法概述和现状42
• 4.2 基于角点和轨迹预测的目标跟踪新方法研究42-51
• 4.2.1 角点检测42-43
• 4.2.2 光流匹配43-44
• 4.2.3 角点分类算法研究44-48
• 4.2.4 轨迹预测算法研究48-51
• 4.2.5 跟踪流程设计51
• 4.3 对比实验结果分析51-53
• 4.4 本章小结53-55
• 第五章 车辆违章轧线监管系统研究55-65
• 5.1 轧线检测算法概述与现状55-56
• 5.2 基于标定的轧线检测算法56-61
• 5.2.1 轧线误检分析56-58
• 5.2.2 基于标定的交通实线位置确定58
• 5.2.3 轧线检测算法58-61
• 5.3 车辆违章轧线监管系统总体设计61-62
• 5.4 实验结果及分析62-64
• 5.5 本章小结64-65
• 第六章 总结与展望65-67
• 6.1 本文总结65-66
• 6.2 研究展望66-67
• 参考文献67-73
• 致谢73-74
• 在学期间的研究成果及发表的学术论文74

【参考文献】

中国期刊全文数据库 前10条

1 李子印;朱明凌;陈柱;;融合图像感知哈希技术的运动目标跟踪[J];中国图象图形学报;2015年06期

2 毕国玲;续志军;陈涛;王建立;张延坤;;基于随机聚类的复杂背景建模与前景检测算法[J];物理学报;2015年15期

3 沈彤;刘文波;王京;;基于双目立体视觉的目标测距系统[J];电子测量技术;2015年04期

4 黄凯奇;陈晓棠;康运锋;谭铁牛;;智能视频监控技术综述[J];计算机学报;2015年06期

5 王法胜;鲁明羽;赵清杰;袁泽剑;;粒子滤波算法[J];计算机学报;2014年08期

6 陈俊周;李炜;王春瑶;;一种动态场景下的视频前景目标分割方法[J];电子科技大学学报;2014年02期

7 赵理君;唐娉;霍连志;郑柯;;图像场景分类中视觉词包模型方法综述[J];中国图象图形学报;2014年03期

8 江伟坚;郭躬德;;复杂环境下高效物体跟踪级联分类器[J];中国图象图形学报;2014年02期

9 左军毅;张怡哲;梁彦;;自适应不完全重采样粒子滤波器[J];自动化学报;2012年04期

10 韩延祥;张志胜;戴敏;;用于目标测距的单目视觉测量方法[J];光学精密工程;2011年05期

  本文关键词：基于视觉的智能交通监管系统关键技术研究，，由笔耕文化传播整理发布。

本文编号：270632