道路视频监控系统中车辆检测与跟踪算法的研究

发布时间：2017-09-04 08:46

  本文关键词：道路视频监控系统中车辆检测与跟踪算法的研究

  更多相关文章： ViBe算法改进 Two-Pass连通域分割 Haar分类器 金字塔L-K算法

【摘要】：近年来,人们生活水平普遍提高了,车辆数量也随之的急剧上升。交通拥堵,交通事故频繁等现象也随之而来。为了解决诸如交通问题,智能交通这项技术应运而生。作为智能交通系统(ITS)中重要的技术,车辆检测与跟踪技术已成为近些年研究的热点。本文从车辆检测与跟踪算法的研究现状和难点出发,提出一种能满足视频监控系统对实时性和准确性要求的车辆检测与跟踪算法。本文的主要工作如下:1.对ViBe(Visual Background extractor)算法进行了改进,使ViBe算法对图像突变的情况更为鲁棒。本文通过ViBe检测前景点数目是否发生突变来判断图像是否发生突变,若发生图像突变,则初始化ViBe背景模型,确保背景模型能快速适应图像突变。同时,本文将原文中单一的更新速率拓展为两个更新速率,一个适用于图像正常时的更新速率,另一个为图像突变时的更新速率。2.提出了一种背景建模和机器学习相结合的车辆检测算法。先通过改进的ViBe背景建模算法得到运动目标区域,再通过Haar分类器对所得的运动目标区域做进一步识别,判断是否是车辆目标。机器学习算法对运动目标区域进一步识别提高了车辆检测算法的精度。同时,运动检测算法缩小了机器学习算法的检测范围,从而提升了车辆检测算法实时性。因此,本文提出的车辆检测算法能同时满足视频监控系统对实时性和准确性的要求。3.提出一种简单跟踪算法和金字塔L-K相结合的车辆跟踪算法。通过简单跟踪算法获得车辆目标的初始位置,再将目标的初始位置作为金字塔L-K算法跟踪的跟踪区域,完成车辆目标后续的跟踪。本文采用的金字塔L-K跟踪算法的精度较高,可以满足视频监控系统对精度的要求。实验结果表明,本文提出的车辆检测与跟踪算法的检测与跟踪效果可行,能满足视频监控系统实时性和精度的要求。因此,能应用到实际场合中。
【关键词】：ViBe算法改进 Two-Pass连通域分割 Haar分类器 金字塔L-K算法
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41;TN948.6
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-17
• 1.1 研究背景及其意义10-11
• 1.2 研究现状11-14
• 1.2.1 视频车辆检测技术研究现状11-13
• 1.2.2 视频车辆跟踪研究现状13-14
• 1.3 研究现状14-15
• 1.4 研究内容及其内容安排15-17
• 第2章 视频道路监控系统结构17-22
• 2.1 视频道路监控系统的一般结构17
• 2.2 视频车辆检测与跟踪系统的一般结构17-20
• 2.3 车辆检测与跟踪技术在视频道路监控系统中的应用20-21
• 2.4 本章小结21-22
• 第3章 背景建模与机器学习结合的车辆检测算法22-41
• 3.1 基于ViBe算法的前景检测23-28
• 3.1.1 ViBe算法的工作原理23-24
• 3.1.2 ViBe算法模型的初始化24
• 3.1.3 ViBe算法模型的更新24-25
• 3.1.4 ViBe的改进25-28
• 3.2 Two-Pass法连通域分割28-33
• 3.2.1 Two-Pass法29-32
• 3.2.2 网格标记32-33
• 3.3 Haar分类器车辆检测33-40
• 3.3.1 样本准备34
• 3.3.2 Haar-like特征及其计算34-37
• 3.3.3 级联Adaboost分类器训练37-40
• 3.4 本章小结40-41
• 第4章 基于金字塔L-K的车辆跟踪算法41-55
• 4.1 基于区域的简单跟踪42-47
• 4.1.1 跟踪目标模型建立43-44
• 4.1.2 跟踪目标模型匹配与更新44-45
• 4.1.3 跟踪目标丢失45-46
• 4.1.4 基于区域简单跟踪小结46-47
• 4.2 基于金字塔的L-K特征点跟踪算法47-54
• 4.2.1 建立图像金字塔48-49
• 4.2.2 金字塔式的特征点跟踪49-50
• 4.2.3 光流计算法50-52
• 4.2.4 特征点选取52-53
• 4.2.5 特征点丢失53
• 4.2.6 基于金字塔L-K特征点跟踪算法小结53-54
• 4.3 本章小结54-55
• 第5章 实验结果55-59
• 5.1 改进的ViBe实验结果分析55-56
• 5.2 车辆检测实验结果分析56-58
• 5.3 车辆跟踪实验结果分析58
• 5.4 本章小结58-59
• 第6章 总结与展望59-61
• 6.1 研究内容总结59-60
• 6.2 展望60-61
• 参考文献61-64
• 致谢64-65
• 攻读学位期间参加的科研项目和成果65

【共引文献】

中国期刊全文数据库 前1条

1 卢俊;张保明;欧小平;滕飞;;利用凝聚层次聚类的多视影像重建算法[J];测绘科学技术学报;2015年02期

中国博士学位论文全文数据库 前1条

1 韩现伟;大幅面可见光遥感图像典型目标识别关键技术研究[D];哈尔滨工业大学;2013年

中国硕士学位论文全文数据库 前1条

1 陈佳业;基于聚类的图像分割[D];华南理工大学;2014年

，

本文编号：790516