【摘要】：隨著計算機硬件技術(shù)和計算機視覺技術(shù)的發(fā)展,基于計算機視覺的交通監(jiān)控系統(tǒng)成為可能。視頻車輛的實時檢測和跟蹤是智能交通監(jiān)控系統(tǒng)的核心部分,也是計算機視覺、模式識別、視頻圖像處理和人工智能等領(lǐng)域的基礎(chǔ)和關(guān)鍵技術(shù)。運動目標(biāo)檢測和跟蹤算法應(yīng)用在智能交通監(jiān)控中時仍有許多困難之處,如惡劣的天氣狀況以及目標(biāo)長時間被遮擋等情況。本文主要對以下方面進(jìn)行了研究:(1)針對現(xiàn)有的背景差分法對初始的運動目標(biāo)敏感,并且容易受到動態(tài)背景、光線變化、攝像頭抖動等因素的影響的問題,本文采用基于馬爾科夫隨機場(MRF)與二型模糊高斯混合模型(T2-FGMM)相結(jié)合的方法對運動目標(biāo)進(jìn)行檢測,解決了T2-FGMM在動態(tài)場景下檢測出的目標(biāo)顯示很多離散漏洞、目標(biāo)輪廓不精細(xì)化問題。(2)針對條件迭代模式(ICM)算法使用“貪婪”策略來求解能量最優(yōu)化的過程中易陷入局部極小值的問題,本文對ICM算法進(jìn)行改進(jìn),提出“平緩”的下降方法,將最小化能量函數(shù)中的平滑項進(jìn)行加權(quán)操作,解決了ICM算法對初始估計非常敏感、容易導(dǎo)致很差的局部極小值問題。本文將改進(jìn)的ICM算法運用到視頻流車輛目標(biāo)檢測中,獲得了較好的目標(biāo)檢測效果。(3)深入研究基于外觀特征和時空特征模型的分層數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤技術(shù)。本文主要研究時空特征模型,針對時空特征模型僅僅考慮外觀特征和光流直方圖特征,當(dāng)多目標(biāo)存在長時間遮擋而無法滿足跟蹤準(zhǔn)確性的問題,對時空特征模型進(jìn)行改進(jìn),提出融合卡爾曼濾波的時空特征模型,增加目標(biāo)檢測得到矩形的質(zhì)心作為跟蹤的特征。將改進(jìn)的模型進(jìn)行驗證,獲得了較好的目標(biāo)跟蹤效果。本課題分別對視頻流中車輛運動目標(biāo)檢測與跟蹤進(jìn)行研究。本文創(chuàng)新點:將改進(jìn)的ICM算法應(yīng)用于視頻流的運動目標(biāo)檢測中;改進(jìn)了分層關(guān)聯(lián)的多目標(biāo)跟蹤算法中的時空特征模型。經(jīng)實驗驗證,本文改進(jìn)的方法適用于大面積、多目標(biāo)的復(fù)雜場景,抗干擾能力強,檢測和跟蹤精度高,可應(yīng)用于高速公路和城市交通的車輛監(jiān)測與跟蹤系統(tǒng)中。
【學(xué)位授予單位】：上海師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：U495;TP391.41
【圖文】：

與跟蹤的一些基礎(chǔ)知識。首先預(yù)處消除所獲取圖像的基本噪聲和干擾主要用來處理事物的不確定性，廣泛合模型的理論基礎(chǔ)做鋪墊。在跟蹤算法的基本流程。為后續(xù)的運動車是消除所獲取圖像的基本噪聲和干的質(zhì)量，得到所需要的清晰圖像。波、形態(tài)學(xué)處理、圖像二值化。圖

士學(xué)位論文 第 2 章 目標(biāo)檢測與像處理過程中，通常將不同格式的彩色圖像轉(zhuǎn)換為理后的信息特征沒有變化，二是可以提高后續(xù)圖像如果三個分量 R、G、B 的值相等時，則它們被定像的每個像素僅需要 8 位二進(jìn)制來存儲灰度值， 該圖 2-2 所示。圖像的灰度化處理主要由分量法、最平均法。將彩色圖像中一個分量的亮度作為灰度圖像的灰度特定的分量。 f(i ,j)(k 1,2,3)k在 (i ,j)處的灰度值表)(,),(,)(,),(,)(,)23j Rijfij Gijfij Bij

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 黃凱奇;陳曉棠;康運鋒;譚鐵牛;;智能視頻監(jiān)控技術(shù)綜述[J];計算機學(xué)報;2015年06期

2 尤揚,徐盛,胡劍凌;ICM算法在基于MRF模型的圖像運動檢測中的應(yīng)用[J];電視技術(shù);2005年S1期

3 林開顏,吳軍輝,徐立鴻;彩色圖像分割方法綜述[J];中國圖象圖形學(xué)報;2005年01期

4 韓思奇,王蕾;圖像分割的閾值法綜述[J];系統(tǒng)工程與電子技術(shù);2002年06期

5 周蘊時,何天曉,常玉堂;多元插值法[J];工科數(shù)學(xué);1985年01期

本文編號：2717890