本文選題：智能交通系統(tǒng)　切入點：車輛目標(biāo)檢測　出處：《南昌航空大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

【摘要】：近年來,隨著我國機動車數(shù)目大量增長所帶來的困惱,如何改善交通現(xiàn)狀成為亟待解決的社會核心問題。在此背景下,智能交通系統(tǒng)(Intelligent Transportation System,ITS)便應(yīng)運而生。研究ITS的意義在于保障人民的出行安全,提高交通系統(tǒng)的工作效率,改善生活環(huán)境以及節(jié)約社會資源。而基于視頻的車流量檢測的研究是智能交通系統(tǒng)的核心內(nèi)容,雖然已經(jīng)取得了一些重大研究成果,但仍然存在著一些棘手的問題需要解決和完善。例如在霧天的情況下,噪聲存在于整個圖像序列中,對車輛目標(biāo)檢測具有嚴重的干擾;當(dāng)車輛圖像存在陰影時,由于車輛陰影和車輛本身具有相同的速度和運動方向,往往在檢測的過程中會把陰影劃歸為車輛目標(biāo)當(dāng)中。以上情況都是客觀存在和急需解決的問題。本文主要針對上述兩種情況進行探討和研究,主要內(nèi)容和創(chuàng)新點如下:(1)針對傳統(tǒng)車輛目標(biāo)檢測方法在正常環(huán)境和霧天環(huán)境下檢測精度較低的問題,提出了一種基于低秩矩陣的車流量檢測方法。首先利用伊辛模型和魯棒性主成份分析方法得到非凸能量函數(shù),隨后利用奇異值分解分步解決能量函數(shù)非凸性的問題,進而通過優(yōu)化能量函數(shù)來檢測出理想車輛目標(biāo)。實驗結(jié)果表明,該方法與幀差法和混合高斯模型法相比,檢測車流量的精度得到了顯著提高,并且在霧天環(huán)境下也能很好的分割出車輛目標(biāo)。(2)針對傳統(tǒng)車輛目標(biāo)檢測方法在陰影場景中檢測精度較低的問題,提出了一種融合HSV顏色空間的大區(qū)域紋理特征陰影檢測方法。該方法從陰影與背景具有相似的紋理特征性出發(fā),首先利用HSV顏色空間分離得到的強度特征信息和純度特征信息來搜索候選陰影像素,然后根據(jù)像素關(guān)聯(lián)性將候選陰影像素組合成候選陰影大區(qū)域,最后根據(jù)極坐標(biāo)得到像素幅值和像素梯度方向,把具有大幅值的邊界候選陰影像素作為關(guān)鍵像素,通過計算關(guān)鍵像素梯度方向關(guān)聯(lián)性得到最終的陰影區(qū)域。實驗結(jié)果表明,該方法可以很好的處理車輛檢測中存在的陰影問題,并且具有較好的魯棒性。
[Abstract]:In recent years, with the great increase in the number of motor vehicles in China, how to improve the traffic situation has become the core social problem to be solved. Intelligent Transportation system emerges as the times require. The significance of studying ITS is to ensure people's travel safety and improve the working efficiency of transportation system. Improving the living environment and saving social resources. And the research of vehicle flow detection based on video is the core content of intelligent transportation system, although some important research results have been achieved. However, there are still some thorny problems that need to be solved and perfected. For example, in the case of fog, noise exists in the whole image sequence, which has serious interference on vehicle target detection. Since the shadow of the vehicle and the vehicle itself have the same speed and direction of motion, In the process of detection, the shadow is often classified as the vehicle target. The above situations are both objective and urgent problems. This paper mainly discusses and studies the above two situations. The main contents and innovations are as follows: 1) aiming at the problem of low accuracy of traditional vehicle target detection methods in normal and foggy environments, In this paper, a method of vehicle flow detection based on low rank matrix is proposed. Firstly, the non-convex energy function is obtained by using Ising model and robust principal component analysis method, and then the problem of nonconvexity of energy function is solved step by step by singular value decomposition (SVD). The experimental results show that compared with the frame difference method and the mixed Gao Si model method, the accuracy of the vehicle flow detection is improved significantly. And in the fog environment can also be a good segmentation of vehicle targets. 2) aiming at the traditional vehicle target detection method in shadow scene detection accuracy is low. A shadow detection method for large area texture features based on HSV color space is proposed, which is based on the similar texture features of shadow and background. Firstly, the intensity feature information and purity feature information obtained from HSV color space are used to search candidate shadow pixels, and then candidate shadow pixels are combined into candidate shadow regions according to pixel correlation. Finally, the pixel amplitude and pixel gradient direction are obtained according to polar coordinates, and the edge candidate shadow pixels with large values are taken as key pixels. Finally, the final shadow region is obtained by calculating the correlation of the key pixel gradient direction. The experimental results show that, This method can deal with the shadow problem in vehicle detection and has good robustness.
【學(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：U491.116

【相似文獻】

相關(guān)期刊論文 前5條

1 遲健男;張朝暉;周楠楠;郝彥爽;;基于特征的車輛目標(biāo)復(fù)合探測方法研究[J];儀器儀表學(xué)報;2008年12期

2 王金玉;楊圓圓;;基于遺傳算法的紅外車輛目標(biāo)模糊增強[J];科學(xué)技術(shù)與工程;2009年10期

3 吉小軍,李霆,彭長清;AR譜結(jié)構(gòu)特征提取及其對車輛目標(biāo)的識別效果分析[J];探測與控制學(xué)報;1999年02期

4 林振華;夏凌楠;王營冠;魏建明;;基于傳感網(wǎng)的地面運動車輛目標(biāo)容錯跟蹤[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2011年09期

5 ;[J];;年期

相關(guān)博士學(xué)位論文 前1條

1 李彥兵;基于微多普勒效應(yīng)的運動車輛目標(biāo)分類研究[D];西安電子科技大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 黃宇;車輛目標(biāo)類型識別算法研究與實現(xiàn)[D];電子科技大學(xué);2006年

2 范凱波;基于幾何特征的車輛目標(biāo)分類研究[D];天津理工大學(xué);2012年

3 張曉利;衛(wèi)星影像中城市道路區(qū)域車輛目標(biāo)提取方法研究[D];北京交通大學(xué);2015年

4 高浩軍;視頻圖像序列中車輛目標(biāo)的檢測與識別研究[D];揚州大學(xué);2007年

5 徐佳玉;交通信息采集系統(tǒng)中的車輛目標(biāo)檢測與識別[D];中南大學(xué);2005年

6 潘秦華;車輛目標(biāo)檢測與交通流量檢測系統(tǒng)的研究[D];西安電子科技大學(xué);2005年

7 楊岢銘;復(fù)雜車輛目標(biāo)SAR仿真成像技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2012年

8 韓磊;SAR/GMTI車輛目標(biāo)微動信號特性分析[D];杭州電子科技大學(xué);2015年

9 李建科;基于DSP的車輛目標(biāo)檢測系統(tǒng)設(shè)計與研究[D];重慶大學(xué);2009年

10 閆紅蕊;高分辨率SAR圖像中車輛目標(biāo)的檢測[D];中原工學(xué)院;2010年

，

本文編號：1576991