基于无人机视频的交通信息提取方法
发布时间：2021-04-12 01:11
智能交通系统一直是计算机视觉领域非常活跃的研究方向。一个优秀的智能交通系统能够极大方便交通管理部门的调度,提高道路的吞吐能力。传统的基于固定摄像头的监控视频系统已经无法满足多样的需求,近年来,无人机受到广泛关注与应用,基于无人机视频的交通监控相比于传统的视频监控技术,具有飞行灵活、监控范围广、目标遮挡度低等优点。但另一方面,无人机拍摄的视频中的目标尺寸小、运动速度慢等特点也给交通信息的提取带来了困难。本文针对无人机拍摄的交通视频,研究了适用于无人机视频的交通信息提取方法。本文的主要研究内容分为以下几个部分:第一,针对无人机拍摄的视频存在抖动导致车辆难以被正确检测的问题,本文采用基于SURF特征与RANSAC的视频稳像算法。该方法以视频第一帧为基准图像,校正后续视频序列帧。实验中该算法能够较好的解决无人机视频存在的抖动问题。第二,针对无人机拍摄的视频中车辆尺度小、运动速度慢等特点,本文提出了一种改进的背景差分法。该方法在前景目标检测中加入阴影去除模块,能够有效的去除阴影的影响,并采用了一种整合短时更新和长时更新的背景模型更新策略。最后对前景检测的结果进行候选区域分析,去除噪声干扰,得到更...
【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
方框滤波器方框滤波器是高斯滤波器的替代，为了平衡用方框滤波近似带来的误差，引入加权系数w=0.9，在上乘以一个加权系数
图 2 构建参数用 Hessian 矩阵求出极值后，需要将其与其空间领域和尺度领非极大值抑制比较，领域范围为3 × 3 × 3，同一尺度上有 8 度和下一尺度分别有 9 个响应值，共计 26 个响应值。将特征 26 个领域响应值作比较，如果 h 比他们都大或都小，并且 hn 阈值 H，那么认为该特征点为候选特征点。进行插值，得到和其所定义的尺度空间。特征点主方向确定证旋转不变性，需要获得特征点的主方向。SURF 算法定义了圆形区域以特征点为中心，半径为 6 倍的特征点所在尺度。求向上的小波响应。以圆心角 60°的扇形旋转搜索，统计 60°扇 方向上的小波响应总和，其中 Harr 小波的尺寸边长为 4 倍的
图 3 主方向确定示意图（4）特征点描述算子确定特征点的主方向后，以特征点为中心，将坐标轴旋转到主方向以确保旋转不变性。在特征点的周围获取一个正方形区域，选取区域边长为 20 倍的特征点所在尺度，然后把该区域分割成 16 个小区域。对每个小区域统计 25 个像素的水平、垂直方向上的 Haar 小波响应 ， 。将每个子区域的 ， 相加，对于每个子区域得到四维特征向量∑ ，∑ ，∑| |，∑| |，表示为 = (∑ ,∑ ,∑| |,∑| |) （7）这样每个特征点得到一个 64 维（4 × 4 × 4）的特征向量。（5）特征匹配利用 SURF 算法提取特征点后，需要进行特征匹配。一般通过计算两个特征点间的欧式距离来确定两者的匹配度。如果两个特征点间的欧式距离越小，则认
【参考文献】：
期刊论文
[1]基于SURF算法和改进RANSAC算法的无人机影像匹配[J]. 孙灏,高俊强,许苏苏. 测绘工程. 2017(11)
[2]相关滤波目标跟踪进展综述[J]. 张微,康宝生. 中国图象图形学报. 2017(08)
[3]基于特征匹配与运动补偿的视频稳像算法[J]. 唐佳林,郑杰锋,李熙莹,苏秉华. 计算机应用研究. 2018(02)
[4]基于SURF算法的无人机遥感影像拼接技术[J]. 胡同喜,牛雪峰,谭洋,陈新鹏. 测绘通报. 2015(01)
[5]基于HSV空间阴影去除方法研究与应用[J]. 高东旭,曹江涛,李平. 电子设计工程. 2014(13)
[6]基于SURF和轨迹滤波的旋转视频稳像算法[J]. 蒋建国,牛杰杰,齐美彬. 仪器仪表学报. 2014(03)
[7]无人机逆向车辆检测数据时效性分析[J]. 杜荣义,彭仲仁. 交通运输系统工程与信息. 2014(01)
[8]改进的HSV阴影去除算法研究[J]. 谭家政,刘勇,邱芹军. 物联网技术. 2014(01)
[9]基于混合高斯模型的阴影去除算法[J]. 张红颖,李鸿,孙毅刚. 计算机应用. 2013(01)
[10]基于物理特性和形态学方法的阴影去除算法[J]. 张超,林鹏,赵宇明. 计算机工程. 2012(10)
硕士论文
[1]无人机遥感影像点特征匹配算法研究[D]. 张一.解放军信息工程大学 2015
[2]基于高点视频的交通信息提取[D]. 高忠涛.上海交通大学 2015
[3]无人机影像快速拼接关键技术研究[D]. 于瑶瑶.解放军信息工程大学 2012
[4]视频序列中运动目标检测跟踪算法研究[D]. 李杰.西南交通大学 2010
本文编号：3132310
【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
方框滤波器方框滤波器是高斯滤波器的替代，为了平衡用方框滤波近似带来的误差，引入加权系数w=0.9，在上乘以一个加权系数
图 2 构建参数用 Hessian 矩阵求出极值后，需要将其与其空间领域和尺度领非极大值抑制比较，领域范围为3 × 3 × 3，同一尺度上有 8 度和下一尺度分别有 9 个响应值，共计 26 个响应值。将特征 26 个领域响应值作比较，如果 h 比他们都大或都小，并且 hn 阈值 H，那么认为该特征点为候选特征点。进行插值，得到和其所定义的尺度空间。特征点主方向确定证旋转不变性，需要获得特征点的主方向。SURF 算法定义了圆形区域以特征点为中心，半径为 6 倍的特征点所在尺度。求向上的小波响应。以圆心角 60°的扇形旋转搜索，统计 60°扇 方向上的小波响应总和，其中 Harr 小波的尺寸边长为 4 倍的
图 3 主方向确定示意图（4）特征点描述算子确定特征点的主方向后，以特征点为中心，将坐标轴旋转到主方向以确保旋转不变性。在特征点的周围获取一个正方形区域，选取区域边长为 20 倍的特征点所在尺度，然后把该区域分割成 16 个小区域。对每个小区域统计 25 个像素的水平、垂直方向上的 Haar 小波响应 ， 。将每个子区域的 ， 相加，对于每个子区域得到四维特征向量∑ ，∑ ，∑| |，∑| |，表示为 = (∑ ,∑ ,∑| |,∑| |) （7）这样每个特征点得到一个 64 维（4 × 4 × 4）的特征向量。（5）特征匹配利用 SURF 算法提取特征点后，需要进行特征匹配。一般通过计算两个特征点间的欧式距离来确定两者的匹配度。如果两个特征点间的欧式距离越小，则认
【参考文献】：
期刊论文
[1]基于SURF算法和改进RANSAC算法的无人机影像匹配[J]. 孙灏,高俊强,许苏苏. 测绘工程. 2017(11)
[2]相关滤波目标跟踪进展综述[J]. 张微,康宝生. 中国图象图形学报. 2017(08)
[3]基于特征匹配与运动补偿的视频稳像算法[J]. 唐佳林,郑杰锋,李熙莹,苏秉华. 计算机应用研究. 2018(02)
[4]基于SURF算法的无人机遥感影像拼接技术[J]. 胡同喜,牛雪峰,谭洋,陈新鹏. 测绘通报. 2015(01)
[5]基于HSV空间阴影去除方法研究与应用[J]. 高东旭,曹江涛,李平. 电子设计工程. 2014(13)
[6]基于SURF和轨迹滤波的旋转视频稳像算法[J]. 蒋建国,牛杰杰,齐美彬. 仪器仪表学报. 2014(03)
[7]无人机逆向车辆检测数据时效性分析[J]. 杜荣义,彭仲仁. 交通运输系统工程与信息. 2014(01)
[8]改进的HSV阴影去除算法研究[J]. 谭家政,刘勇,邱芹军. 物联网技术. 2014(01)
[9]基于混合高斯模型的阴影去除算法[J]. 张红颖,李鸿,孙毅刚. 计算机应用. 2013(01)
[10]基于物理特性和形态学方法的阴影去除算法[J]. 张超,林鹏,赵宇明. 计算机工程. 2012(10)
硕士论文
[1]无人机遥感影像点特征匹配算法研究[D]. 张一.解放军信息工程大学 2015
[2]基于高点视频的交通信息提取[D]. 高忠涛.上海交通大学 2015
[3]无人机影像快速拼接关键技术研究[D]. 于瑶瑶.解放军信息工程大学 2012
[4]视频序列中运动目标检测跟踪算法研究[D]. 李杰.西南交通大学 2010
本文编号：3132310
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3132310.html
