本文關(guān)鍵詞：基于夜間交通視頻的車輛檢測(cè)與跟蹤

  更多相關(guān)文章： 車輛檢測(cè)與跟蹤 無監(jiān)督車燈檢測(cè) 多尺度閾值分割 多目標(biāo)跟蹤 雙向預(yù)判軌跡

【摘要】：智能交通系統(tǒng)(ITS)是目前世界交通運(yùn)輸領(lǐng)域正在研究和廣泛關(guān)注的課題。其中一項(xiàng)重要的內(nèi)容是交通場景中車輛的檢測(cè)和跟蹤,它為交通檢測(cè)與信息采集提供了關(guān)鍵的技術(shù)。同時(shí),在計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)領(lǐng)域,運(yùn)動(dòng)目標(biāo)檢測(cè)和多目標(biāo)跟蹤技術(shù)一直是研究熱點(diǎn),該領(lǐng)域中的核心技術(shù)在智能交通領(lǐng)域有著廣泛的應(yīng)用。本文在調(diào)研國內(nèi)外相關(guān)工作基礎(chǔ)上,基于車燈特征對(duì)夜間交通視頻中的車輛進(jìn)行檢測(cè),提出了基于規(guī)則的車燈的判定方法,隨后在此基礎(chǔ)上對(duì)車燈跟蹤與匹配,實(shí)驗(yàn)了魯棒的夜間車輛跟蹤。利用自動(dòng)評(píng)價(jià)技術(shù)對(duì)夜間車輛跟蹤進(jìn)行自動(dòng)評(píng)價(jià),驗(yàn)證了方法的準(zhǔn)確性。本文的主要工作有：(1)基于規(guī)則的兩階段車燈檢測(cè)方法。前期工作中我們通過選取正負(fù)車燈樣本訓(xùn)練Adaboost分類器進(jìn)行車燈檢測(cè),針對(duì)該方法花費(fèi)實(shí)驗(yàn)時(shí)間過長、需要手工標(biāo)記的樣本量巨大等問題,提出了基于規(guī)則的兩階段車燈檢測(cè)的方案。第一步,通過改進(jìn)Ostu分割算法后的自適應(yīng)多尺度閾值分割得到候選車燈區(qū)域；第二步,基于候選車燈區(qū)域的幾何和光學(xué)等特征制定出判定規(guī)則,再一次判定驗(yàn)證候選車燈,得到最終的車燈檢測(cè)結(jié)果。在我們采集的夜間交通視頻數(shù)據(jù)集上,基于規(guī)則的兩階段車燈檢測(cè)方法達(dá)到84%的準(zhǔn)確率,而制定統(tǒng)計(jì)規(guī)則需要標(biāo)注的樣本量遠(yuǎn)小于訓(xùn)練分類器所需的樣本量。(2)基于車燈跟蹤與匹配的車輛跟蹤以及車輛正反向軌跡的預(yù)判。本文提出運(yùn)用多目標(biāo)跟蹤技術(shù)對(duì)視頻連續(xù)幀圖像中出現(xiàn)的車燈進(jìn)行跟蹤,并且將跟蹤后車燈進(jìn)行匹配,進(jìn)而將一對(duì)車燈作為代表車輛的特征,完成車輛的跟蹤。在跟蹤過程中,為解決車輛前后遮擋對(duì)信息采集的準(zhǔn)確度帶來的影響,提出了基于速度估計(jì)的雙向預(yù)判軌跡擬合技術(shù),能夠解決短時(shí)間內(nèi)車輛遮擋的問題。最后基于正確率、缺失率、誤判率和轉(zhuǎn)變率等評(píng)價(jià)指標(biāo),驗(yàn)證了本文提出方法的魯棒性。
【關(guān)鍵詞】：車輛檢測(cè)與跟蹤 無監(jiān)督車燈檢測(cè) 多尺度閾值分割 多目標(biāo)跟蹤 雙向預(yù)判軌跡
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-16
• 1.1 課題研究背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.3 本文的主要研究工作14-15
• 1.4 論文結(jié)構(gòu)15-16
• 2 相關(guān)技術(shù)與前期工作16-30
• 2.1 夜間車輛的檢測(cè)與跟蹤方法研究16-23
• 2.1.1 基于分割技術(shù)的車輛檢測(cè)16-20
• 2.1.2 基于有監(jiān)督分類器的車輛檢測(cè)20-23
• 2.2 前期工作23-28
• 2.2.1 基于閾值的候選車燈區(qū)域初選23-25
• 2.2.2 分類器的訓(xùn)練25-28
• 2.3 前期工作的不足28
• 2.4 本文的解決方案28-29
• 2.5 本章小結(jié)29-30
• 3 基于規(guī)則的車燈檢測(cè)30-50
• 3.1 夜間交通視頻圖像的預(yù)處理30-35
• 3.1.1 圖像感興趣區(qū)域選取30-31
• 3.1.2 圖像閾值分割方法31-35
• 3.2 車燈規(guī)則的制定35-46
• 3.2.1 面積與光學(xué)因素的規(guī)則36-42
• 3.2.2 車燈間距幾何因素的規(guī)則42-46
• 3.3 實(shí)驗(yàn)結(jié)果與分析46-49
• 3.4 本章小結(jié)49-50
• 4 基于多目標(biāo)跟蹤技術(shù)的夜間車輛跟蹤50-68
• 4.1 夜間車輛跟蹤的流程50-52
• 4.1.1 車輛跟蹤常用方法51
• 4.1.2 車燈的聚類過程51-52
• 4.2 基于雙向估計(jì)的車燈跟蹤52-57
• 4.2.1 基于多特征數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤52-54
• 4.2.2 基于雙向速度估計(jì)的預(yù)判軌跡擬合54-57
• 4.3 基于最大加權(quán)獨(dú)立集模型的車燈匹配57-60
• 4.4 實(shí)驗(yàn)結(jié)果與分析60-67
• 4.4.1 開發(fā)與實(shí)驗(yàn)環(huán)境61
• 4.4.2 實(shí)驗(yàn)數(shù)據(jù)61
• 4.4.3 實(shí)驗(yàn)結(jié)果的評(píng)價(jià)與分析61-64
• 4.4.4 實(shí)驗(yàn)結(jié)果比較分析64-67
• 4.5 本章小結(jié)67-68
• 5 結(jié)論與展望68-70
• 5.1 本文工作總結(jié)68-69
• 5.2 未來展望69-70
• 參考文獻(xiàn)70-73
• 作者簡歷73-75
• 學(xué)位論文數(shù)據(jù)集75

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前5條

1 楊修國;;關(guān)于直方圖雙峰法的研究與改進(jìn)[J];電子設(shè)計(jì)工程;2012年12期

2 孔軍;湯心溢;蔣敏;;基于多尺度特征提取的運(yùn)動(dòng)目標(biāo)定位研究[J];紅外與毫米波學(xué)報(bào);2011年01期

3 李闖;丁曉青;吳佑壽;;一種改進(jìn)的AdaBoost算法——AD AdaBoost[J];計(jì)算機(jī)學(xué)報(bào);2007年01期

4 王圣男,郁梅,蔣剛毅;智能交通系統(tǒng)中基于視頻圖像處理的車輛檢測(cè)與跟蹤方法綜述[J];計(jì)算機(jī)應(yīng)用研究;2005年09期

5 于玲;吳鐵軍;;集成學(xué)習(xí):Boosting算法綜述[J];模式識(shí)別與人工智能;2004年01期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 陶弋卿;夜間車輛跟蹤與自動(dòng)評(píng)價(jià)技術(shù)[D];北京交通大學(xué);2014年

2 劉利;道路交通事故統(tǒng)計(jì)分析及預(yù)測(cè)模型研究[D];重慶大學(xué);2004年

  本文關(guān)鍵詞：基于夜間交通視頻的車輛檢測(cè)與跟蹤

  更多相關(guān)文章： 車輛檢測(cè)與跟蹤 無監(jiān)督車燈檢測(cè) 多尺度閾值分割 多目標(biāo)跟蹤 雙向預(yù)判軌跡

，

本文編號(hào)：515036