【摘要】：在智能交通系統(tǒng)中,運動車輛一直是重要的研究對象。為了準確并快速地檢測、識別與跟蹤行駛的車輛,本文提出了一種對運動車輛檢測、識別和跟蹤的方法。為了能夠比較準確地判斷出不同類型的運動車輛如大車和小車,提出了基于樣本車輛跟蹤框和質(zhì)心像素縱坐標的自標定方法并給出了對大車和小車的定義。該方法用來為識別運動車輛并判斷大車和小車提供標準,具體步驟是先將預(yù)先獲得的小樣本車輛在一定范圍內(nèi)跟蹤框的寬高比作為識別運動車輛的依據(jù),然后,將跟蹤框的寬度值和車輛質(zhì)心的像素縱坐標值作為判斷大車和小車的參照。再選擇某一大樣本車輛,通過大樣本車輛的相關(guān)數(shù)據(jù)來驗證利用小樣本車輛對大車的識別和判斷是否正確。在對比了基于全局的自適應(yīng)閾值Otsu算法和基于局部的自適應(yīng)閾值Niblack算法和Sauvola算法對圖像二值化的效果圖之后,分別采用均值濾波、中值濾波和高斯濾波對產(chǎn)生的二值圖像進行去噪處理,得出基于全局的Otsu算法的二值化效果好于局部閾值二值化方法的結(jié)論。然后,針對Otsu算法的缺陷,即在車輛檢測后某些車輛輪廓間斷、不易辨認,對Otsu算法進行了改進。在驗證了改進的Otsu算法的優(yōu)越性后選取該改進算法作為本文的自適應(yīng)二值化閾值方法。另外,由于均值背景建�？焖俑咝�,得出的目標前景圖質(zhì)量較好,故選取均值背景建模方法作為本文建模背景的方法。在基于連通區(qū)域跟蹤運動車輛的過程中,提出了識別視頻圖像中運動車輛數(shù)量的方法。然后,根據(jù)Harris角點檢測算法的穩(wěn)定性和準確性選取該算法作為本文跟蹤車輛方法的核心。該跟蹤方法將特征角點分布區(qū)域的中心點作為跟蹤運動車輛的基礎(chǔ)并用自適應(yīng)車輛大小的跟蹤框定位車體。在樣本車輛跟蹤框和質(zhì)心像素縱坐標的自標定方法和對大小車的定義基礎(chǔ)上,通過實驗首先準確地判定出了目標物體是運動車輛,然后識別出了不同類型的運動車輛并驗證了該方法的可行性與準確性,證明了本文的相關(guān)算法能夠迅速準確地檢測、識別并跟蹤運動車輛。
【圖文】：

攝像機成像模型

圖像坐標系
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：U495;TP391.41

【參考文獻】

相關(guān)期刊論文 前5條

1 張東;覃鳳清;曹磊;劉書君;;基于中值濾波的椒鹽含噪圖像去噪方法[J];宜賓學(xué)院學(xué)報;2014年06期

2 蘇禮坤;陳懷新;;中值濾波的視頻背景更新[J];光電工程;2010年01期

3 宋少娜;項輝宇;;板料零件應(yīng)變測量的網(wǎng)格圖像處理[J];北京工商大學(xué)學(xué)報(自然科學(xué)版);2008年05期

4 劉曉芳;程丹松;劉家鋒;管寧;;采用改進HSI模型的車牌區(qū)域檢測和定位方法[J];哈爾濱工業(yè)大學(xué)學(xué)報;2008年01期

5 彭春華;劉建業(yè);劉岳峰;晏磊;鄭江華;;車輛檢測傳感器綜述[J];傳感器與微系統(tǒng);2007年06期

相關(guān)博士學(xué)位論文 前1條

1 丁南南;基于特征點的圖像配準技術(shù)研究[D];中國科學(xué)院研究生院（長春光學(xué)精密機械與物理研究所）;2012年

相關(guān)碩士學(xué)位論文 前10條

1 李婷;人手背靜脈血管身份識別技術(shù)研究[D];西北大學(xué);2017年

2 史穎;基于視頻檢測的車輛變道軌跡識別方法研究[D];蘇州科技大學(xué);2017年

3 莊一瑋;基于機器視覺的車位狀態(tài)檢測研究[D];長安大學(xué);2017年

4 孫麗婷;基于視頻的停車與拋落物事件檢測算法研究[D];長安大學(xué);2017年

5 葛豐增;基于輪廓特征的中遠距離空間目標姿態(tài)測量[D];重慶大學(xué);2017年

6 郭曉光;交通視頻中車輛多目標跟蹤與特征提取的研究[D];天津工業(yè)大學(xué);2017年

7 韓藝;基于視頻圖像的運動車輛檢測與跟蹤算法研究[D];哈爾濱工業(yè)大學(xué);2015年

8 張江雯;皮革輪廓智能跟蹤及測量的技術(shù)研究[D];浙江工業(yè)大學(xué);2015年

9 王麗;基于改進混合高斯模型的運動車輛檢測技術(shù)[D];華南理工大學(xué);2015年

10 張雨;基于視覺信息融合的駕駛員疲勞檢測技術(shù)研究[D];上海師范大學(xué);2014年

，

本文編號：2648793