【摘要】：隧道內(nèi)交通目標(biāo)的準(zhǔn)確提取,是隧道異常事件檢測的關(guān)鍵。而在隧道場景中監(jiān)控設(shè)備存在抖動,使得提取的車輛目標(biāo)畸形、行人目標(biāo)與背景連通,嚴(yán)重干擾了交通目標(biāo)的有效提取。同時隧道圖像存在畫質(zhì)模糊、車輛燈光等干擾也加大了隧道抖動視頻穩(wěn)像的難度,導(dǎo)致傳統(tǒng)的穩(wěn)像方法效果一般、針對性不強(qiáng)。因此,研究針對隧道環(huán)境特性的抖動視頻穩(wěn)像方法,對提高隧道內(nèi)車輛、行人等交通目標(biāo)的檢測精度,具有重要的理論和實際意義。本文通過分析常見抖動矢量估計方法的優(yōu)劣,綜合考慮各類方法的實時性與穩(wěn)像精度,選取實時性較高的灰度投影法與精度較高的特征點匹配法作為本文的基本穩(wěn)像方法。在此基礎(chǔ)上,分別對隧道圖像中存在的畫質(zhì)模糊、車輛燈光等干擾抑制展開了重點研究,同時,為了進(jìn)一步提高改進(jìn)穩(wěn)像方法的精度和實時性,又分別在灰度投影窗口、特征點距離、匹配對選取策略等方面進(jìn)行了改善,最終形成了兩種適于隧道環(huán)境特性的視頻穩(wěn)像方法。在基于灰度投影的穩(wěn)像方法方面,針對畫質(zhì)模糊、車輛燈光干擾等問題,提出了一種結(jié)合局部相位特征(Local Phase Quantization,LPQ)加權(quán)和多尺度高斯估計的改進(jìn)灰度投影穩(wěn)像方法。該方法首先通過模糊魯棒的LPQ量化編碼值加權(quán)以增大模糊圖像行列間的投影差,其次采用多尺度高斯估計的方法逼近并消除隧道圖像的亮度分量,從而減小光照干擾下參考幀與背景幀投影曲線上的局部差異,最后基于多子區(qū)域窗口和樣本統(tǒng)計的方法降低了局部運動目標(biāo)對灰度投影穩(wěn)像精度的影響。實驗結(jié)果表明,該方法能有效克服畫質(zhì)模糊、車輛燈光等干擾,在保證較高實時性的同時可得到平滑、流暢、穩(wěn)定的視頻流。在基于特征點匹配的穩(wěn)像方法方面,考慮到傳統(tǒng)魯棒特征實時性差,本文選擇實時性較強(qiáng)的二進(jìn)制描述子FREAK(Fast Retina Keypoint)作為基本特征。針對該特征在畫質(zhì)模糊、車輛燈光等干擾下誤匹配率高的問題,提出了一種融合模糊魯棒和光照魯棒重組Hu不變矩的改進(jìn)二進(jìn)制特征點匹配穩(wěn)像方法。首先,該方法在FREAK特征四級匹配的基礎(chǔ)上計算匹配對鄰域內(nèi)重組Hu不變矩的距離,并剔除相似度較低的誤匹配對,其次,考慮到鄰域內(nèi)特征點存在高聚集性和低分辨性,采取距離約束的方式限制特征點數(shù)量以降低計算量,最后基于順序抽樣一致性算法(Progressive Sample Consensus,PROSAC)和Hamming距離比的方式進(jìn)一步提高了抖動矢量估計的準(zhǔn)確性。實驗結(jié)果表明,該方法能有效克服畫質(zhì)模糊、車輛燈光等干擾,在保證一定時效性的同時可獲得較高的穩(wěn)像精度。最后,綜合上述研究結(jié)果,形成了兩種適于隧道環(huán)境特性的視頻穩(wěn)像方法,并利用實地采集的隧道抖動視頻數(shù)據(jù)進(jìn)行了對比實驗驗證。與傳統(tǒng)方法相比,在隧道環(huán)境下,本文提出的方法均具有更高的幀間變換保真度,穩(wěn)像效果更好。同時,本文還比較了兩種改進(jìn)的穩(wěn)像方法,結(jié)果表明基于灰度投影的改進(jìn)方法在穩(wěn)像實時性上更快,而后者在穩(wěn)像精度上更優(yōu)。在實際應(yīng)用方面,兩種穩(wěn)像方法均可有效對提高隧道環(huán)境內(nèi)目標(biāo)檢測的檢出率、并降低誤檢率。
【圖文】：

(c1) 背景差分幀 1 (c2) 背景差分幀 2 (c3) 背景差分幀 3圖 2.1 隧道環(huán)境下抖動視頻流分析Fig. 2.1 Analysis of jitter video streaming in tunnel environment由于抖動視頻流的干擾，隧道場景中的背景物體如車道線、墻體以及路邊緣線均相對于背景幀發(fā)生了抖動偏移，當(dāng)執(zhí)行背景差分操作時，這些原本屬于背景的物體目標(biāo)同實際運動車輛、行走行人共同構(gòu)成前景區(qū)域，嚴(yán)重影響了前景目標(biāo)的提取，若采用分割方法也難以將前景目標(biāo)完全分割，不僅降低了檢測效率也降低了目標(biāo)提取正確率。通過實驗發(fā)現(xiàn)，抖動的隧道視頻流主要造成以下三類問題：行人目標(biāo)連通、出現(xiàn)偽車輛目標(biāo)、車輛目標(biāo)畸形擴(kuò)展。圖 2.1 中，從上到下分別展示了隧道抖動視頻中的三個背景幀、當(dāng)前幀以及背景差分幀。如圖 2.1(b1)和 2.1(c1)，當(dāng)隧道視頻流不穩(wěn)定時，隧道停車帶兩側(cè)路邊緣線均在背景差分幀中凸顯，同時，當(dāng)前幀中的弱小行人目標(biāo)與凸顯的前景相連，造成弱小行人目標(biāo)前景區(qū)域擴(kuò)大，難以再用經(jīng)驗的特征閾值方法實現(xiàn)準(zhǔn)確檢測，從而造成行人目標(biāo)漏檢；由于隧道監(jiān)控攝像頭安裝高度相對較低，大車經(jīng)過時將占據(jù)

2 隧道環(huán)境下視頻穩(wěn)像方法關(guān)鍵問題及研究思路圖 2.2(b1)與 2.2(b2)為燈光干擾前后相隔 8 幀的兩幀圖像。隧道異常事件檢測系統(tǒng)是日常實時檢測系統(tǒng)，為了保證檢測實時性，需要對視頻流抽幀，對于 25 幀/s 的視頻流，1 秒僅抽取 2 至 3 幀進(jìn)行處理，故這里抽取相隔 8 幀的圖像進(jìn)行分析。燈光干擾前幀中僅僅存在車輛目標(biāo)，而燈光干擾后幀中不僅僅存在嚴(yán)重的車輛閃爍燈光干擾，還存在車輛目標(biāo)的局部運動，這種情況下既需要削弱燈光對隧道視頻穩(wěn)像的干擾，也需要考慮局部運動對抖動估計矢量的影響。依托于隧道異常事件檢測系統(tǒng)，隧道環(huán)境視頻穩(wěn)像方法需要具有高實時性與長時準(zhǔn)確穩(wěn)像的能力。對于第一點，由于穩(wěn)像后的視頻幀需要進(jìn)行后續(xù)的實時處理與分析，理論上每幀穩(wěn)像時間需保證在 130ms 以內(nèi)；對于第二點，隧道視頻流屬于實時長時視頻流，，不準(zhǔn)確的抖動矢量估計可能會影響后續(xù)所有幀的穩(wěn)像精度，因此需要一種幀間獨立性高的穩(wěn)像策略。
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 丁浩;劉帥;陳建忠;吳小麗;;高速公路隧道交通事故應(yīng)急救援速度影響因素分析[J];公路交通技術(shù);2015年06期

2 盧士波;黎明;陳小佳;彭蘇岳;神祖福;;高速公路隧道內(nèi)車輛異常的視頻圖像識別[J];交通科技;2015年04期

3 初守艷;;基于ORB特征匹配的電子穩(wěn)像算法[J];數(shù)字技術(shù)與應(yīng)用;2015年04期

4 王燕;張軼飛;;一種適用于電子穩(wěn)像的自適應(yīng)分區(qū)塊匹配搜索策略[J];裝甲兵工程學(xué)院學(xué)報;2014年05期

5 周同;鄒麗新;尤金正;王海燕;杜偉巍;;基于改進(jìn)Canny邊緣檢測算子的電子穩(wěn)像算法研究[J];計算機(jī)應(yīng)用研究;2010年02期

6 尹德森;趙躍進(jìn);楊佩原;鄭寧;;基于Canny邊緣檢測的數(shù)字穩(wěn)像算法研究[J];光學(xué)技術(shù);2007年03期

7 龐新良;范大鵬;滕旭東;彭建新;;數(shù)字式機(jī)載光電伺服系統(tǒng)的實現(xiàn)[J];光電工程;2007年03期

相關(guān)博士學(xué)位論文 前4條

1 黃珂;基于察覺對比度法的隧道照明研究[D];重慶大學(xué);2016年

2 陳曉露;航空光電成像電子穩(wěn)像技術(shù)研究[D];中國科學(xué)院研究生院(長春光學(xué)精密機(jī)械與物理研究所);2014年

3 邱家濤;電子穩(wěn)像算法和視覺跟蹤算法研究[D];西安電子科技大學(xué);2013年

4 朱娟娟;電子穩(wěn)像理論及其應(yīng)用研究[D];西安電子科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前5條

1 雷丹;公路隧道視頻火災(zāi)煙霧檢測方法研究[D];大連海事大學(xué);2017年

2 王珂;基于視頻的隧道亮度檢測系統(tǒng)的研究[D];長安大學(xué);2016年

3 郭政;基于多分辨率灰度投影的電子穩(wěn)像算法研究[D];中國礦業(yè)大學(xué);2016年

4 汪博;機(jī)載視頻數(shù)字穩(wěn)像方法的研究[D];中國礦業(yè)大學(xué);2015年

5 姚明明;高速公路隧道停車檢測中的車輛跟蹤及狀態(tài)識別方法研究[D];重慶大學(xué);2014年

本文編號：2648768