【摘要】：通過智能交通系統(tǒng)可以有效地規(guī)范司機行為,增強駕駛員的交通安全意識,緩解交通擁堵的問題,同時對交通事故的減少有著極大的促進作用�；谝曈X的智能系統(tǒng)因其便利性、有效性、使用壽命長等特點被廣泛應用。本文結合實際應用需求,主要對基于視覺的大范圍路面監(jiān)管系統(tǒng)的關鍵技術進行研究。首先,針對經典前景提取算法無法在光照突變情況下正確提取前景的問題,根據LBP算子對光照不敏感的特性,在LBP算子的基礎上,設計了一種基于截尾均值的紋理特征,通過對噪聲的抑制及對平坦區(qū)域序列的穩(wěn)定性處理,解決了原有LBP算子易受噪聲干擾,平坦區(qū)域序列不穩(wěn)定及得到的紋理圖信息冗余的問題,為后續(xù)運動前景提取提供高質量的紋理特征信息。接著,利用得到的紋理特征,提出了一種能有效應對光照突變情況的背景更新模型以達到抑制光照影響的效果。本文提出的融合紋理特征的前景提取模型不僅能夠在光照緩慢變化的情況下有效地對運動目標前景進行提取,而且在光照突變情況下仍然能夠進行準確提取,前景準確率較平均背景模型和混合高斯模型均提高了50%以上。其次,針對運動目標跟蹤過程中的跟蹤偏移、丟失情況。根據目標在初始跟蹤框內的分布規(guī)律,本文提出了一種基于多層分布的特征點初始化模型,可以使多數初始特征點分布在被跟蹤的目標之上,減少背景特征點帶來的影響。另外,根據相鄰幀特征點的空間位置關系,設計了一種基于幀間關系的特征點更新方式,利用幀間角度及尺度信息對特征點進行篩選更新,可以保留大部分有效特征點,從而避免因有效特征點過少而跟蹤失敗的情況。針對跟蹤框尺度更新問題,根據目標在圖像中尺度的變化規(guī)律,本文提出了一種基于最小二乘擬合的跟蹤框尺度更新模型,該模型可以實時調整跟蹤框大小,保證跟蹤框大小與跟蹤目標相匹配,又根據特征點與跟蹤框中心的空間關系,本文設計了新的跟蹤框中心位置估計模型,利用運動中心附近的特征點與跟蹤框中心空間關系的一致性,可以準確地預測下一幀跟蹤框的中心位置,抑制跟蹤框的偏移。本文算法的跟蹤穩(wěn)定度保持在85%以上,相比TLD算法穩(wěn)定度提升30%以上。最后,針對不同場景下的違章觸發(fā)方式,根據觸發(fā)場景的特點,研究了一種基于線結構的通用觸發(fā)方式,該觸發(fā)方式可以適應不同的路面監(jiān)控場景。在此基礎上,本文設計了大范圍路面監(jiān)管系統(tǒng)的通用框架,通過整合前景提取、軋線觸發(fā)、目標跟蹤、目標抓拍四個模塊,在單監(jiān)控點的情況下,監(jiān)管范圍可以擴大至80~120米。本文在多種不同違章場景下進行了實驗驗證,實驗結果表明這種觸發(fā)方式實現簡單,適用性強,同時具有不錯的準確率,平均準確率在80%以上。
【學位授予單位】：南京航空航天大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP391.41;U495
【圖文】：

圖 1.1 基于背景建模的目標提取流程背景建模算法進行場景背景模型建立；前圖像與背景模型進行比較，獲得包含目標的前景圖像；當前圖像信息，對背景模型進行更新；場景中，受光照變化、陰影、目標粘連等因素影響，僅僅建夠的，還需要考慮各種環(huán)境因素，建立并更新背景模型，背景模型建立上已經有大量的研究成果：Lee 等[14]提出利用將當前圖像與背景模型按一定學習率混合更新背景模型，具值背景模型[15]、直方圖背景模型[16]等。另外，幀間差分及是其提取的目標前景往往不完整，并且抗干擾能力較差。逐漸出現一些較為復雜的模型，能夠更好地來描述實際背景通過利用高斯分布來對圖像中的每個像素點進行描述，并點是否屬于背景。Stauffer 等[18]在 Wren 的研究基礎上提出型具有一定的復雜環(huán)境適應性，其利用像素樣本統(tǒng)計信息息相互獨立，并且在初始階段為每一個像素建立 K 個混合

（a）當前幀圖像 （b）平均背景法提取運動前景圖圖 2.1 背景差分法之平均背景法在簡單場景下，平均背景法的背景更新模型可以較好地適應環(huán)境，從而獲得不錯前景果，并且具有較好的檢測實時性。但是在稍微復雜的環(huán)境下，比如光照突變、路面擁堵，平均背景法的背景更新模型并不能很好地跟隨環(huán)境變化而做出更新，導致前景提取出的偏差。在運動目標前景提取中，光照問題是影響前景提取好壞的重要因素，而光照問體表現在光照突變、陰影等方面。我們主要針對光照突變問題對背景更新模型進行改進應更加復雜的環(huán)境，提高整體前景提取的魯棒性。2.1 基于 LBP 的紋理特征局部二值模式 LBP（local binary pattern）是由 T.Ojala[55]等人在 1994 年提出，它是一描述圖像局部特征的方法，它最顯著的特點在于其具有灰度不變性。其中灰度不變性是變化對其描述的特征不產生影響，也就是說灰度不變性是對抗光照變化的一種很好的途此在背景模型中融合具有灰度不變性的特征便能在一定程度上抑制光照突變帶來的影響原始的 LBP 特征描述以 3*3 的鄰域為一個單元，將中心像素的值作為基準，并且把 8

均背景法的背景更新模型并不能很好地跟隨環(huán)境變化而做出更新，導致前景提取差。在運動目標前景提取中，光照問題是影響前景提取好壞的重要因素，而光照現在光照突變、陰影等方面。我們主要針對光照突變問題對背景更新模型進行改加復雜的環(huán)境，提高整體前景提取的魯棒性。 基于 LBP 的紋理特征部二值模式 LBP（local binary pattern）是由 T.Ojala[55]等人在 1994 年提出，它是圖像局部特征的方法，它最顯著的特點在于其具有灰度不變性。其中灰度不變性對其描述的特征不產生影響，也就是說灰度不變性是對抗光照變化的一種很好的背景模型中融合具有灰度不變性的特征便能在一定程度上抑制光照突變帶來的影始的 LBP 特征描述以 3*3 的鄰域為一個單元，將中心像素的值作為基準，并且把值與中心像素的值進行比較，若周圍像素的值大于中心像素的值，則把該像素點則標記為 0。于是，這個單元內的 8 個點便可以產生一串 8 位的二進制數，這個二就是中心像素的 LBP 值，描述的是該中心像素 3*3 領域內的紋理特征。我們可以用這一過程：

【參考文獻】

相關期刊論文 前5條

1 王雨翔;李剛;張偉龍;;基于混合高斯模型的高速公路違章停車檢測方法[J];重慶交通大學學報(自然科學版);2014年04期

2 敖邦乾;廖紅虹;熊飛嶠;;對光照變化魯棒的一種運動目標檢測方法[J];光電工程;2013年01期

3 李加佳;彭啟民;;適應光照突變的運動目標檢測算法[J];計算機輔助設計與圖形學學報;2012年11期

4 李亞玲;徐榮青;聶桂軍;田俊青;姚曉宇;;適應場景光照變化的運動目標檢測算法[J];計算機技術與發(fā)展;2011年02期

5 宋晨煒;曹國勇;李聲飛;;基于視頻的車輛闖紅燈檢測系統(tǒng)設計[J];數字通信;2009年02期

相關碩士學位論文 前6條

1 鄒震;智能交通系統(tǒng)中違章車輛快速檢測方法研究[D];上海交通大學;2013年

2 高興堂;基于車載視頻的公交車道前方車輛檢測[D];中國海洋大學;2011年

3 黃春賢;基于視頻的車輛違禁壓線檢測的研究與實現[D];電子科技大學;2011年

4 陳耀宇;基于全方位視覺的違章停車監(jiān)控系統(tǒng)的研究[D];浙江工業(yè)大學;2009年

5 孫玲玲;基于視頻圖像檢測的超速抓拍系統(tǒng)的研究與設計[D];哈爾濱理工大學;2009年

6 張勇智;ITS中高質量視頻的獲取及其在車輛壓黃線違章檢測中的應用[D];西安電子科技大學;2005年

本文編號：2747631