本文關(guān)鍵詞：基于視覺的智能交通監(jiān)管系統(tǒng)關(guān)鍵技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：基于視覺的智能交通監(jiān)管系統(tǒng)對(duì)于維護(hù)交通秩序,提高司機(jī)的安全交通意識(shí),保障人民生命和財(cái)產(chǎn)安全發(fā)揮著重要的作用。本文對(duì)基于視覺的智能交通監(jiān)管系統(tǒng)關(guān)鍵技術(shù)進(jìn)行了研究。首先,針對(duì)樹枝擺動(dòng)等波動(dòng)式干擾問題,在分析研究典型波動(dòng)式干擾時(shí)間特性和空間特性基礎(chǔ)上,提出一種基于時(shí)空信息的運(yùn)動(dòng)目標(biāo)檢測方法。即首先利用平均背景建模獲得初始前景圖像,然后利用波動(dòng)式干擾在時(shí)間上的周期性,以及空間上的小范圍特性,對(duì)干擾像素建立模型,從而濾除干擾前景。又針對(duì)前景區(qū)域輪廓信息不明顯,空洞較大問題,利用初始前景圖像進(jìn)行像素補(bǔ)全,得到完整、準(zhǔn)確的前景圖像。對(duì)比實(shí)驗(yàn)表明,與現(xiàn)有方法相比,本文方法對(duì)于波動(dòng)式干擾的魯棒性更好,并且計(jì)算量小,與GMM算法相比,實(shí)時(shí)性提高16.8%,滿足交通場景的實(shí)時(shí)性要求。其次,目前圖像測距算法通常需要事先測量多個(gè)物理量,或者進(jìn)行復(fù)雜標(biāo)定,操作不便,并且在交通現(xiàn)場進(jìn)行復(fù)雜的測量帶來的安全隱患大。針對(duì)該問題,本文從相機(jī)安裝場景出發(fā),提出一種基于成像原理和數(shù)據(jù)回歸建模的圖像測距算法,從縱向和橫向兩個(gè)方向進(jìn)行圖像測距。即利用相機(jī)成像原理得到縱向距離的計(jì)算公式,然后結(jié)合車道等寬特性,利用數(shù)據(jù)回歸建模的方法,計(jì)算出增益函數(shù)和橫向距離,以計(jì)算出縱向距離。該算法橫向和縱向測量誤差分別在10.1%和14.5%以內(nèi),并且只需要事先測量相機(jī)安裝高度和車道線寬度,即可對(duì)場景中的長度距離進(jìn)行測量,測量過程方便快捷。再次,針對(duì)目標(biāo)跟蹤中的遮擋和連接問題,提出一種基于角點(diǎn)和軌跡預(yù)測的目標(biāo)跟蹤算法。首先,利用光流法對(duì)目標(biāo)區(qū)域內(nèi)的初始角點(diǎn)進(jìn)行跟蹤。對(duì)于出現(xiàn)漂移的角點(diǎn),提出基于歐氏距離和角度相似度的角點(diǎn)分類算法將其濾除。與TLD中角點(diǎn)分類方法相比,本文提出的方法能夠保留更多的有效角點(diǎn),跟蹤更加魯棒。對(duì)于遮擋情況,提出一種基于車輛前景反饋的軌跡預(yù)測算法,利用車輛前景能反映車輛真實(shí)位置這一特性,對(duì)預(yù)測結(jié)果進(jìn)行反饋和校正,從而得到準(zhǔn)確的預(yù)測結(jié)果。實(shí)驗(yàn)表明,本文算法對(duì)目標(biāo)連接和遮擋情況等復(fù)雜路況下的目標(biāo)跟蹤有良好的魯棒性和實(shí)時(shí)性。與Camshift算法和粒子濾波算法相比,本文算法的跟蹤準(zhǔn)確率分別提高了14.7%和30.3%,與速度較快的Camshift算法相比,實(shí)時(shí)性提高了36.9%。最后,針對(duì)目前車輛軋線檢測算法對(duì)于強(qiáng)陰影和車身覆蓋等干擾情況容易導(dǎo)致誤檢的問題,提出一種基于車輛質(zhì)心的軋線檢測算法。首先利用運(yùn)動(dòng)目標(biāo)檢測得到車輛前景,并利用陰影去除算法濾除陰影干擾,得到準(zhǔn)確的車輛前景區(qū)域。然后通過車輛外接矩形框和車道線的距離初步進(jìn)行軋線判斷。對(duì)于軋線車輛,通過車輛質(zhì)心與車道線距離進(jìn)一步判斷是否軋線。在該算法的基礎(chǔ)上,本文對(duì)車輛違章軋線監(jiān)管系統(tǒng)進(jìn)行了軟件流程設(shè)計(jì),并利用該系統(tǒng)進(jìn)行了大量實(shí)驗(yàn),結(jié)果表明,該系統(tǒng)對(duì)于強(qiáng)陰影和車身覆蓋等干擾具有較好的魯棒性,軋線檢測精度達(dá)到93.5%以上,與傳統(tǒng)車輛中心檢測算法相比,精度提高了21.4%。
【關(guān)鍵詞】：智能交通 運(yùn)動(dòng)目標(biāo)檢測 圖像測距 軋線檢測 目標(biāo)跟蹤
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U495;TP391.41
【目錄】：

• 摘要4-6
• ABSTRACT6-13
• 第一章 緒論13-24
• 1.1 課題研究背景及意義13-14
• 1.2 國內(nèi)外研究現(xiàn)狀14-20
• 1.2.1 運(yùn)動(dòng)目標(biāo)檢測的研究現(xiàn)狀14-17
• 1.2.2 圖像測距的研究現(xiàn)狀17-18
• 1.2.3 目標(biāo)跟蹤的研究現(xiàn)狀18-20
• 1.2.4 軋線檢測的研究現(xiàn)狀20
• 1.3 存在問題20-21
• 1.4 本文主要內(nèi)容與創(chuàng)新點(diǎn)21-22
• 1.4.1 本文主要內(nèi)容21-22
• 1.4.2 本文主要?jiǎng)?chuàng)新點(diǎn)22
• 1.5 本文內(nèi)容安排22-24
• 第二章 運(yùn)動(dòng)目標(biāo)檢測算法研究24-34
• 2.1 運(yùn)動(dòng)目標(biāo)檢測算法概述與現(xiàn)狀24-25
• 2.2 基于平均背景模型的運(yùn)動(dòng)目標(biāo)檢測算法研究25-26
• 2.3 基于時(shí)空信息的運(yùn)動(dòng)目標(biāo)檢測算法26-31
• 2.3.1 基于空間信息的干擾抑制及模型建立26-27
• 2.3.2 基于時(shí)間信息的干擾抑制及模型建立27-29
• 2.3.3 前景擴(kuò)展研究29-30
• 2.3.4 算法描述30-31
• 2.4 實(shí)驗(yàn)結(jié)果及分析31-33
• 2.4.1 魯棒性驗(yàn)證31-32
• 2.4.2 實(shí)時(shí)性驗(yàn)證32-33
• 2.5 本章小結(jié)33-34
• 第三章 圖像測距方法研究34-42
• 3.1 圖像測距算法概述34
• 3.2 基于成像原理和數(shù)據(jù)回歸建模的圖像測距算法研究34-40
• 3.2.1 基于相機(jī)成像模型的縱向測距研究35-37
• 3.2.2 基于數(shù)據(jù)回歸建模的橫向測距研究37-40
• 3.3 實(shí)驗(yàn)結(jié)果40-41
• 3.4 本章小結(jié)41-42
• 第四章 目標(biāo)跟蹤算法研究42-55
• 4.1 目標(biāo)跟蹤算法概述和現(xiàn)狀42
• 4.2 基于角點(diǎn)和軌跡預(yù)測的目標(biāo)跟蹤新方法研究42-51
• 4.2.1 角點(diǎn)檢測42-43
• 4.2.2 光流匹配43-44
• 4.2.3 角點(diǎn)分類算法研究44-48
• 4.2.4 軌跡預(yù)測算法研究48-51
• 4.2.5 跟蹤流程設(shè)計(jì)51
• 4.3 對(duì)比實(shí)驗(yàn)結(jié)果分析51-53
• 4.4 本章小結(jié)53-55
• 第五章 車輛違章軋線監(jiān)管系統(tǒng)研究55-65
• 5.1 軋線檢測算法概述與現(xiàn)狀55-56
• 5.2 基于標(biāo)定的軋線檢測算法56-61
• 5.2.1 軋線誤檢分析56-58
• 5.2.2 基于標(biāo)定的交通實(shí)線位置確定58
• 5.2.3 軋線檢測算法58-61
• 5.3 車輛違章軋線監(jiān)管系統(tǒng)總體設(shè)計(jì)61-62
• 5.4 實(shí)驗(yàn)結(jié)果及分析62-64
• 5.5 本章小結(jié)64-65
• 第六章 總結(jié)與展望65-67
• 6.1 本文總結(jié)65-66
• 6.2 研究展望66-67
• 參考文獻(xiàn)67-73
• 致謝73-74
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文74

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 李子印;朱明凌;陳柱;;融合圖像感知哈希技術(shù)的運(yùn)動(dòng)目標(biāo)跟蹤[J];中國圖象圖形學(xué)報(bào);2015年06期

2 畢國玲;續(xù)志軍;陳濤;王建立;張延坤;;基于隨機(jī)聚類的復(fù)雜背景建模與前景檢測算法[J];物理學(xué)報(bào);2015年15期

3 沈彤;劉文波;王京;;基于雙目立體視覺的目標(biāo)測距系統(tǒng)[J];電子測量技術(shù);2015年04期

4 黃凱奇;陳曉棠;康運(yùn)鋒;譚鐵牛;;智能視頻監(jiān)控技術(shù)綜述[J];計(jì)算機(jī)學(xué)報(bào);2015年06期

5 王法勝;魯明羽;趙清杰;袁澤劍;;粒子濾波算法[J];計(jì)算機(jī)學(xué)報(bào);2014年08期

6 陳俊周;李煒;王春瑤;;一種動(dòng)態(tài)場景下的視頻前景目標(biāo)分割方法[J];電子科技大學(xué)學(xué)報(bào);2014年02期

7 趙理君;唐娉;霍連志;鄭柯;;圖像場景分類中視覺詞包模型方法綜述[J];中國圖象圖形學(xué)報(bào);2014年03期

8 江偉堅(jiān);郭躬德;;復(fù)雜環(huán)境下高效物體跟蹤級(jí)聯(lián)分類器[J];中國圖象圖形學(xué)報(bào);2014年02期

9 左軍毅;張怡哲;梁彥;;自適應(yīng)不完全重采樣粒子濾波器[J];自動(dòng)化學(xué)報(bào);2012年04期

10 韓延祥;張志勝;戴敏;;用于目標(biāo)測距的單目視覺測量方法[J];光學(xué)精密工程;2011年05期

  本文關(guān)鍵詞：基于視覺的智能交通監(jiān)管系統(tǒng)關(guān)鍵技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：270632