本文選題：智能交通 + 車輛檢測��； 參考：《東南大學學報(自然科學版)》2017年04期

【摘要】：為了從廣域的視角準確全面地識別交通流信息,針對無人機視頻提出了基于對稱幀差和分塊背景建模的車輛自動檢測方法.首先,對視頻圖像進行4×4降維處理和灰度化處理,并人工勾勒出感興趣區(qū)域(ROI),以降低圖像維度,劃定檢測區(qū)域;其次,利用對稱幀間差分法提取ROI中的運動目標,并在此基礎上應用分塊背景建模獲得背景圖像;然后,通過背景差分初步提取車輛信息;最后,基于形態(tài)學處理等方法消除噪聲,實現(xiàn)車輛識別.此外,提出了針對車輛識別算法的正檢率、重檢率、漏檢率和錯檢率4個評價指標.基于150幀無人機視頻圖像對算法進行測試,結果表明:算法具有較高的正檢率(均值92.29%)、較低的漏檢率(均值7.31%)與錯檢率(均值0.39%),而重檢率為0.
[Abstract]:In order to accurately and comprehensively identify traffic flow information from a wide area perspective, an automatic vehicle detection method based on symmetrical frame difference and block background modeling is proposed for UAV video. Firstly, the video image is processed with 4 脳 4 dimensionality reduction and grayscale processing, and the region of interest is manually delineated to reduce the image dimension and delimit the detection area. Secondly, the moving object in ROI is extracted by symmetrical inter-frame difference method. On this basis, the background image is obtained by using block background modeling. Then, the vehicle information is extracted by background difference. Finally, the noise is eliminated based on morphological processing to realize vehicle recognition. In addition, four evaluation indexes for vehicle recognition algorithm, such as positive check rate, recheck rate, missed detection rate and error detection rate, are proposed. The algorithm is tested based on 150 frames of UAV video images. The results show that the algorithm has higher positive detection rate (mean 92.29), lower miss rate (mean 7.31) and false detection rate (mean 0.39%, and recheck rate 0).
【作者單位】： 重慶交通大學交通運輸學院;
【基金】：重慶市社會事業(yè)與民生保障科技創(chuàng)新專項資助項目(cstc2015shms-ztzx30002,cstc2015shms-ztzx0127) 重慶市教委科學研究資助項目(KJ1600513) 重慶交通大學科研啟動資助項目(15JDKJC-A002) 重慶市科委基礎科學與前沿技術研究資助項目(cstc2017jcyjAX0473)
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 金俁欣;陶霖密;徐光yP;彭玉新;;攝像機自由運動環(huán)境下的背景建模[J];中國圖象圖形學報;2008年02期

2 王智靈;周露平;陳宗海;;針對不同信息特征的魯棒背景建模技術分析[J];模式識別與人工智能;2009年02期

3 姜忠民;趙建民;朱信忠;;基于最大間隔聚類的背景建模方法[J];計算機技術與發(fā)展;2009年10期

4 余孟澤;劉正熙;駱健;楊丹;;基于塊背景建模的運動目標檢測[J];四川大學學報(自然科學版);2011年03期

5 葛海淼;戴學豐;王成琳;;一種新型移動物體檢測及背景建模系統(tǒng)[J];電子技術應用;2013年01期

6 桑農(nóng);張濤;李斌;吳翔;;基于字典學習的背景建模[J];華中科技大學學報(自然科學版);2013年09期

7 左軍毅;潘泉;梁彥;張洪才;程詠梅;;基于模型切換的自適應背景建模方法[J];自動化學報;2007年05期

8 張水發(fā);丁歡;張文生;;雙模型背景建模與目標檢測研究[J];計算機研究與發(fā)展;2011年11期

9 楊敏;安振英;;基于低秩矩陣恢復的視頻背景建模[J];南京郵電大學學報(自然科學版);2013年02期

10 李子龍;劉偉銘;張陽;;基于自適應模糊估計的背景建模方法[J];華南理工大學學報(自然科學版);2013年09期

相關會議論文 前5條

1 王智靈;陳宗海;周露平;;基于多信息層次的魯棒背景建模方法[A];2007系統(tǒng)仿真技術及其應用學術會議論文集[C];2007年

2 李霞;董雁冰;王亞輝;王俊;;空間光學輻射背景建模研究[A];2007年光電探測與制導技術的發(fā)展與應用研討會論文集[C];2007年

3 何強;林宏基;;基于蟻群算法的自適應背景建模[A];第十一屆中國體視學與圖像分析學術會議論文集[C];2006年

4 李恒暉;楊金鋒;任小慧;吳仁彪;;一種多約束條件的混合高斯背景建模方法[A];全國第二屆信號處理與應用學術會議�？痆C];2008年

5 韓穎婕;張海;李琳怡;;基于混合高斯背景建模的陰影抑制算法[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

相關博士學位論文 前4條

1 葉芳芳;監(jiān)控視頻中的異常行為檢測研究[D];浙江大學;2014年

2 鄒騰躍;復雜環(huán)境目標檢測與跟蹤關鍵技術研究及應用[D];華中科技大學;2013年

3 何志偉;基于模型的目標提取及其在智能交通中的應用[D];浙江大學;2006年

4 江疆;基于稀疏表達的若干分類問題研究[D];華中科技大學;2014年

相關碩士學位論文 前10條

1 劉雨辰;復雜背景中的多目標檢測與跟蹤[D];內(nèi)蒙古大學;2015年

2 胡婷;基于視頻技術的車輛檢測跟蹤及分類算法研究與實現(xiàn)[D];長安大學;2015年

3 楊文幫;基于視頻分析的人群流量檢測[D];貴州民族大學;2015年

4 賴文杰;基于ARM-FPGA的視覺追蹤系統(tǒng)的設計與實現(xiàn)[D];哈爾濱工業(yè)大學;2015年

5 宋歡歡;復雜場景下背景建模方法的研究與實現(xiàn)[D];南昌大學;2015年

6 蘇建安;面向智能視頻監(jiān)控的高動態(tài)場景建模和修復[D];電子科技大學;2014年

7 滕琳琳;基于高階擴展FMM和低秩矩陣恢復的信號重建研究[D];河北工業(yè)大學;2015年

8 張驚州;復雜場景下基于視頻的行人流量統(tǒng)計算法研究[D];電子科技大學;2014年

9 陳星明;基于背景建模的運動目標監(jiān)控視頻檢測算法[D];南京大學;2015年

10 柯太清;基于快速背景建模的人物越界檢測系統(tǒng)設計與實現(xiàn)[D];電子科技大學;2014年

，

本文編號：1842710