【摘要】：在智能交通系統(tǒng)中,運(yùn)動(dòng)車輛一直是重要的研究對(duì)象。為了準(zhǔn)確并快速地檢測(cè)、識(shí)別與跟蹤行駛的車輛,本文提出了一種對(duì)運(yùn)動(dòng)車輛檢測(cè)、識(shí)別和跟蹤的方法。為了能夠比較準(zhǔn)確地判斷出不同類型的運(yùn)動(dòng)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(biāo)的自標(biāo)定方法并給出了對(duì)大車和小車的定義。該方法用來(lái)為識(shí)別運(yùn)動(dòng)車輛并判斷大車和小車提供標(biāo)準(zhǔn),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(shí)別運(yùn)動(dòng)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(biāo)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(guò)大樣本車輛的相關(guān)數(shù)據(jù)來(lái)驗(yàn)證利用小樣本車輛對(duì)大車的識(shí)別和判斷是否正確。在對(duì)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(duì)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(duì)產(chǎn)生的二值圖像進(jìn)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(duì)Otsu算法的缺陷,即在車輛檢測(cè)后某些車輛輪廓間斷、不易辨認(rèn),對(duì)Otsu算法進(jìn)行了改進(jìn)。在驗(yàn)證了改進(jìn)的Otsu算法的優(yōu)越性后選取該改進(jìn)算法作為本文的自適應(yīng)二值化閾值方法。另外,由于均值背景建模快速高效,得出的目標(biāo)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(yùn)動(dòng)車輛的過(guò)程中,提出了識(shí)別視頻圖像中運(yùn)動(dòng)車輛數(shù)量的方法。然后,根據(jù)Harris角點(diǎn)檢測(cè)算法的穩(wěn)定性和準(zhǔn)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(diǎn)分布區(qū)域的中心點(diǎn)作為跟蹤運(yùn)動(dòng)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(biāo)的自標(biāo)定方法和對(duì)大小車的定義基礎(chǔ)上,通過(guò)實(shí)驗(yàn)首先準(zhǔn)確地判定出了目標(biāo)物體是運(yùn)動(dòng)車輛,然后識(shí)別出了不同類型的運(yùn)動(dòng)車輛并驗(yàn)證了該方法的可行性與準(zhǔn)確性,證明了本文的相關(guān)算法能夠迅速準(zhǔn)確地檢測(cè)、識(shí)別并跟蹤運(yùn)動(dòng)車輛。
【圖文】：

攝像機(jī)成像模型

圖像坐標(biāo)系
【學(xué)位授予單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：U495;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 張東;覃鳳清;曹磊;劉書(shū)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(bào);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(xiàng)輝宇;;板料零件應(yīng)變測(cè)量的網(wǎng)格圖像處理[J];北京工商大學(xué)學(xué)報(bào)(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(jìn)HSI模型的車牌區(qū)域檢測(cè)和定位方法[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2008年01期

5 彭春華;劉建業(yè);劉岳峰;晏磊;鄭江華;;車輛檢測(cè)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(diǎn)的圖像配準(zhǔn)技術(shù)研究[D];中國(guó)科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)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(shí)別技術(shù)研究[D];西北大學(xué);2017年

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

3 莊一瑋;基于機(jī)器視覺(jué)的車位狀態(tài)檢測(cè)研究[D];長(zhǎng)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(cè)算法研究[D];長(zhǎng)安大學(xué);2017年

5 葛豐增;基于輪廓特征的中遠(yuǎn)距離空間目標(biāo)姿態(tài)測(cè)量[D];重慶大學(xué);2017年

6 郭曉光;交通視頻中車輛多目標(biāo)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(yùn)動(dòng)車輛檢測(cè)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(cè)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(jìn)混合高斯模型的運(yùn)動(dòng)車輛檢測(cè)技術(shù)[D];華南理工大學(xué);2015年

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

，

本文編號(hào)：2648793