基于视觉的大范围路面监管系统关键技术研究

发布时间：2020-07-09 15:21

【摘要】：通过智能交通系统可以有效地规范司机行为,增强驾驶员的交通安全意识,缓解交通拥堵的问题,同时对交通事故的减少有着极大的促进作用。基于视觉的智能系统因其便利性、有效性、使用寿命长等特点被广泛应用。本文结合实际应用需求,主要对基于视觉的大范围路面监管系统的关键技术进行研究。首先,针对经典前景提取算法无法在光照突变情况下正确提取前景的问题,根据LBP算子对光照不敏感的特性,在LBP算子的基础上,设计了一种基于截尾均值的纹理特征,通过对噪声的抑制及对平坦区域序列的稳定性处理,解决了原有LBP算子易受噪声干扰,平坦区域序列不稳定及得到的纹理图信息冗余的问题,为后续运动前景提取提供高质量的纹理特征信息。接着,利用得到的纹理特征,提出了一种能有效应对光照突变情况的背景更新模型以达到抑制光照影响的效果。本文提出的融合纹理特征的前景提取模型不仅能够在光照缓慢变化的情况下有效地对运动目标前景进行提取,而且在光照突变情况下仍然能够进行准确提取,前景准确率较平均背景模型和混合高斯模型均提高了50%以上。其次,针对运动目标跟踪过程中的跟踪偏移、丢失情况。根据目标在初始跟踪框内的分布规律,本文提出了一种基于多层分布的特征点初始化模型,可以使多数初始特征点分布在被跟踪的目标之上,减少背景特征点带来的影响。另外,根据相邻帧特征点的空间位置关系,设计了一种基于帧间关系的特征点更新方式,利用帧间角度及尺度信息对特征点进行筛选更新,可以保留大部分有效特征点,从而避免因有效特征点过少而跟踪失败的情况。针对跟踪框尺度更新问题,根据目标在图像中尺度的变化规律,本文提出了一种基于最小二乘拟合的跟踪框尺度更新模型,该模型可以实时调整跟踪框大小,保证跟踪框大小与跟踪目标相匹配,又根据特征点与跟踪框中心的空间关系,本文设计了新的跟踪框中心位置估计模型,利用运动中心附近的特征点与跟踪框中心空间关系的一致性,可以准确地预测下一帧跟踪框的中心位置,抑制跟踪框的偏移。本文算法的跟踪稳定度保持在85%以上,相比TLD算法稳定度提升30%以上。最后,针对不同场景下的违章触发方式,根据触发场景的特点,研究了一种基于线结构的通用触发方式,该触发方式可以适应不同的路面监控场景。在此基础上,本文设计了大范围路面监管系统的通用框架,通过整合前景提取、轧线触发、目标跟踪、目标抓拍四个模块,在单监控点的情况下,监管范围可以扩大至80~120米。本文在多种不同违章场景下进行了实验验证,实验结果表明这种触发方式实现简单,适用性强,同时具有不错的准确率,平均准确率在80%以上。
【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】：2018
【分类号】：TP391.41;U495
【图文】：

流程图,目标提取,背景,背景模型

图 1.1 基于背景建模的目标提取流程背景建模算法进行场景背景模型建立；前图像与背景模型进行比较，获得包含目标的前景图像；当前图像信息，对背景模型进行更新；场景中，受光照变化、阴影、目标粘连等因素影响，仅仅建够的，还需要考虑各种环境因素，建立并更新背景模型，背景模型建立上已经有大量的研究成果：Lee 等[14]提出利用将当前图像与背景模型按一定学习率混合更新背景模型，具值背景模型[15]、直方图背景模型[16]等。另外，帧间差分及是其提取的目标前景往往不完整，并且抗干扰能力较差。逐渐出现一些较为复杂的模型，能够更好地来描述实际背景通过利用高斯分布来对图像中的每个像素点进行描述，并点是否属于背景。Stauffer 等[18]在 Wren 的研究基础上提出型具有一定的复杂环境适应性，其利用像素样本统计信息息相互独立，并且在初始阶段为每一个像素建立 K 个混合

背景,光照,不变性,背景更新

（a）当前帧图像（b）平均背景法提取运动前景图图 2.1 背景差分法之平均背景法在简单场景下，平均背景法的背景更新模型可以较好地适应环境，从而获得不错前景果，并且具有较好的检测实时性。但是在稍微复杂的环境下，比如光照突变、路面拥堵，平均背景法的背景更新模型并不能很好地跟随环境变化而做出更新，导致前景提取出的偏差。在运动目标前景提取中，光照问题是影响前景提取好坏的重要因素，而光照问体表现在光照突变、阴影等方面。我们主要针对光照突变问题对背景更新模型进行改进应更加复杂的环境，提高整体前景提取的鲁棒性。2.1 基于 LBP 的纹理特征局部二值模式 LBP（local binary pattern）是由 T.Ojala[55]等人在 1994 年提出，它是一描述图像局部特征的方法，它最显著的特点在于其具有灰度不变性。其中灰度不变性是变化对其描述的特征不产生影响，也就是说灰度不变性是对抗光照变化的一种很好的途此在背景模型中融合具有灰度不变性的特征便能在一定程度上抑制光照突变带来的影响原始的 LBP 特征描述以 3*3 的邻域为一个单元，将中心像素的值作为基准，并且把 8

模式过程,二值

均背景法的背景更新模型并不能很好地跟随环境变化而做出更新，导致前景提取差。在运动目标前景提取中，光照问题是影响前景提取好坏的重要因素，而光照现在光照突变、阴影等方面。我们主要针对光照突变问题对背景更新模型进行改加复杂的环境，提高整体前景提取的鲁棒性。基于 LBP 的纹理特征部二值模式 LBP（local binary pattern）是由 T.Ojala[55]等人在 1994 年提出，它是图像局部特征的方法，它最显著的特点在于其具有灰度不变性。其中灰度不变性对其描述的特征不产生影响，也就是说灰度不变性是对抗光照变化的一种很好的背景模型中融合具有灰度不变性的特征便能在一定程度上抑制光照突变带来的影始的 LBP 特征描述以 3*3 的邻域为一个单元，将中心像素的值作为基准，并且把值与中心像素的值进行比较，若周围像素的值大于中心像素的值，则把该像素点则标记为 0。于是，这个单元内的 8 个点便可以产生一串 8 位的二进制数，这个二就是中心像素的 LBP 值，描述的是该中心像素 3*3 领域内的纹理特征。我们可以用这一过程：

【参考文献】