本文關(guān)鍵詞：道路視頻監(jiān)控系統(tǒng)中車輛檢測與跟蹤算法的研究

  更多相關(guān)文章： ViBe算法改進 Two-Pass連通域分割 Haar分類器 金字塔L-K算法

【摘要】：近年來,人們生活水平普遍提高了,車輛數(shù)量也隨之的急劇上升。交通擁堵,交通事故頻繁等現(xiàn)象也隨之而來。為了解決諸如交通問題,智能交通這項技術(shù)應(yīng)運而生。作為智能交通系統(tǒng)(ITS)中重要的技術(shù),車輛檢測與跟蹤技術(shù)已成為近些年研究的熱點。本文從車輛檢測與跟蹤算法的研究現(xiàn)狀和難點出發(fā),提出一種能滿足視頻監(jiān)控系統(tǒng)對實時性和準(zhǔn)確性要求的車輛檢測與跟蹤算法。本文的主要工作如下:1.對ViBe(Visual Background extractor)算法進行了改進,使ViBe算法對圖像突變的情況更為魯棒。本文通過ViBe檢測前景點數(shù)目是否發(fā)生突變來判斷圖像是否發(fā)生突變,若發(fā)生圖像突變,則初始化ViBe背景模型,確保背景模型能快速適應(yīng)圖像突變。同時,本文將原文中單一的更新速率拓展為兩個更新速率,一個適用于圖像正常時的更新速率,另一個為圖像突變時的更新速率。2.提出了一種背景建模和機器學(xué)習(xí)相結(jié)合的車輛檢測算法。先通過改進的ViBe背景建模算法得到運動目標(biāo)區(qū)域,再通過Haar分類器對所得的運動目標(biāo)區(qū)域做進一步識別,判斷是否是車輛目標(biāo)。機器學(xué)習(xí)算法對運動目標(biāo)區(qū)域進一步識別提高了車輛檢測算法的精度。同時,運動檢測算法縮小了機器學(xué)習(xí)算法的檢測范圍,從而提升了車輛檢測算法實時性。因此,本文提出的車輛檢測算法能同時滿足視頻監(jiān)控系統(tǒng)對實時性和準(zhǔn)確性的要求。3.提出一種簡單跟蹤算法和金字塔L-K相結(jié)合的車輛跟蹤算法。通過簡單跟蹤算法獲得車輛目標(biāo)的初始位置,再將目標(biāo)的初始位置作為金字塔L-K算法跟蹤的跟蹤區(qū)域,完成車輛目標(biāo)后續(xù)的跟蹤。本文采用的金字塔L-K跟蹤算法的精度較高,可以滿足視頻監(jiān)控系統(tǒng)對精度的要求。實驗結(jié)果表明,本文提出的車輛檢測與跟蹤算法的檢測與跟蹤效果可行,能滿足視頻監(jiān)控系統(tǒng)實時性和精度的要求。因此,能應(yīng)用到實際場合中。
【關(guān)鍵詞】：ViBe算法改進 Two-Pass連通域分割 Haar分類器 金字塔L-K算法
【學(xué)位授予單位】：浙江工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.41;TN948.6
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-17
• 1.1 研究背景及其意義10-11
• 1.2 研究現(xiàn)狀11-14
• 1.2.1 視頻車輛檢測技術(shù)研究現(xiàn)狀11-13
• 1.2.2 視頻車輛跟蹤研究現(xiàn)狀13-14
• 1.3 研究現(xiàn)狀14-15
• 1.4 研究內(nèi)容及其內(nèi)容安排15-17
• 第2章 視頻道路監(jiān)控系統(tǒng)結(jié)構(gòu)17-22
• 2.1 視頻道路監(jiān)控系統(tǒng)的一般結(jié)構(gòu)17
• 2.2 視頻車輛檢測與跟蹤系統(tǒng)的一般結(jié)構(gòu)17-20
• 2.3 車輛檢測與跟蹤技術(shù)在視頻道路監(jiān)控系統(tǒng)中的應(yīng)用20-21
• 2.4 本章小結(jié)21-22
• 第3章 背景建模與機器學(xué)習(xí)結(jié)合的車輛檢測算法22-41
• 3.1 基于ViBe算法的前景檢測23-28
• 3.1.1 ViBe算法的工作原理23-24
• 3.1.2 ViBe算法模型的初始化24
• 3.1.3 ViBe算法模型的更新24-25
• 3.1.4 ViBe的改進25-28
• 3.2 Two-Pass法連通域分割28-33
• 3.2.1 Two-Pass法29-32
• 3.2.2 網(wǎng)格標(biāo)記32-33
• 3.3 Haar分類器車輛檢測33-40
• 3.3.1 樣本準(zhǔn)備34
• 3.3.2 Haar-like特征及其計算34-37
• 3.3.3 級聯(lián)Adaboost分類器訓(xùn)練37-40
• 3.4 本章小結(jié)40-41
• 第4章 基于金字塔L-K的車輛跟蹤算法41-55
• 4.1 基于區(qū)域的簡單跟蹤42-47
• 4.1.1 跟蹤目標(biāo)模型建立43-44
• 4.1.2 跟蹤目標(biāo)模型匹配與更新44-45
• 4.1.3 跟蹤目標(biāo)丟失45-46
• 4.1.4 基于區(qū)域簡單跟蹤小結(jié)46-47
• 4.2 基于金字塔的L-K特征點跟蹤算法47-54
• 4.2.1 建立圖像金字塔48-49
• 4.2.2 金字塔式的特征點跟蹤49-50
• 4.2.3 光流計算法50-52
• 4.2.4 特征點選取52-53
• 4.2.5 特征點丟失53
• 4.2.6 基于金字塔L-K特征點跟蹤算法小結(jié)53-54
• 4.3 本章小結(jié)54-55
• 第5章 實驗結(jié)果55-59
• 5.1 改進的ViBe實驗結(jié)果分析55-56
• 5.2 車輛檢測實驗結(jié)果分析56-58
• 5.3 車輛跟蹤實驗結(jié)果分析58
• 5.4 本章小結(jié)58-59
• 第6章 總結(jié)與展望59-61
• 6.1 研究內(nèi)容總結(jié)59-60
• 6.2 展望60-61
• 參考文獻61-64
• 致謝64-65
• 攻讀學(xué)位期間參加的科研項目和成果65

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 盧俊;張保明;歐小平;滕飛;;利用凝聚層次聚類的多視影像重建算法[J];測繪科學(xué)技術(shù)學(xué)報;2015年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 韓現(xiàn)偉;大幅面可見光遙感圖像典型目標(biāo)識別關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 陳佳業(yè);基于聚類的圖像分割[D];華南理工大學(xué);2014年

，

本文編號：790516