交通视频监控中的车辆检测技术研究

《交通视频监控中的车辆检测技术研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、交通视频监控中的车辆检测技术研究目录引言5第一章绪论61.1研究背景61.2研究目的和意义61.3国内外研究现状71.3.1帧差法71.3.2背景消减法8第二章自适应Kalman滤波的车辆检测102.1图像的预处理102.1.1图像滤波102.1.2图像锐化112.1.3图像增强122.1.4边缘检测12第三章基于高斯混合模型的运动检测143.1基于高斯混合模型的运动车辆检测153.1.1高斯混合模型方法简介163.1.2估计当前状态173.1.3背景模型估计18第四章图像检测算法分析与设计204.1算

2、法思想与分析204.2算法设计224.3实验与分析244.4实验结果分析26第五章系统功能的原理及实现275.1运动目标的检测275.1.1基本思想275.1.2程序流程图285.1.3图像处理后的结果285.2运动目标跟踪295.2.1基本思想295.2.2程序流程图305.2.3图像处理后的结果315.3运动目标的检索315.3.1基本思想315.3.2程序流程图325.3.4图像处理后的结果32第六章交互界面GUI设计346.1GUI控件设计346.2交互界面程序编写34第七章结论38参考文献39

3、摘要视频车辆的检测是智能交通系统的核心技术之一，也是智能交通系统中其他技术的基础。由于运动车辆检测技术的复杂性，多变性，该技术仍处于起步阶段，需要不断的研究并加以改进。本论文针对车辆检测中的一些关键问题进行了探索和研究，提出了新的方法，并通过实验证明了新方法的有效性。本文首先介绍了车辆检测的常用方法(帧间差法，光流法，边缘检测法，背景差分法)。提出了基于自适应的Kalman滤波的方法来进行背景提取和更新。通过大津阈值来获得西个自适应的参数。通过实验对比，本文所提出的方法，对于相对简单的背景，能够很好地提

4、取出运动车辆，而且能够较好地适应光线突变情况。并且对高斯混合模型进行了改进，由于更新参数设为固定值后，背景模型建立会比较慢，对初始化背景做出了改进。提出不同学习率的方法来使得模型更加快速的收敛。提出了新的目标决策模型，使得检测结果更加准确和稳定。通过实验，给出了高斯混合模型参数的经验设定值。我们可以看到本文所采用的高斯混合模型能够较好地描述背景，而采用了新的目标决策模型，对于行驶比较缓慢的大型车辆，同样具有较好的检测效果。关键词：车辆检测，高斯混合模型，Kalman滤波，背景更新，归一化互相关系数Abs

5、tractVehicledetectioninvideosurveillanceisoneofthecoretechnologies．AswellasthebaseofothertechnologiesintheIntelligentTransportationSystem．Becauseofthecomplexityandvariability,thetechnologyremainspremature．andthetechnologyneedsforcontinuousstudiesandimpro

6、vements．Newsolutionsforsomekeyissuesofvehicledetectionareexplored，andexperimentsshowtheirefficiency．Thecommonlyuseddetectionmethods(frame-difference，opticalflow,edgedetectionandbackground-difference)areintroduced．BasedonadaptiveKalmanfilter,thebackground

7、isextractedandupdated．TwoadaptiveparametersareobtainedbyOtsuthreshold．Forrelativelysimplebackground，thenewmethodisabletoextractmovingvehicleswell，andisabletoadapttosuddenchangeinlight．Astheupdatingparametersaresettoafixedvalue，theslowerbackgroundmodelset

8、up．Theinitializationisimproved．Thetwodifferentlearningratescallmakethemodelmorerapidconvergence．Anewobjectivedecision-makingmodelisproposedtoresultsmoreaccuratestable．Byexperiments，GaussianMixtureModelparametersforexperien