基于计算机视觉的运动车辆检测与跟踪算法研究

《基于计算机视觉的运动车辆检测与跟踪算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要近年来，基于视频的交通参数检测是智能交通领域新的研究方向，具有广阔的应用前景，同时基于视频的交通参数检测技术涉及了图像处理、计算机视觉、模式识别以及人工智能等学科与领域，具有重要的理论研究意义。本文以摄像机固定方式下拍摄的交通图像视频流为研究对象，以实时提取交通参数为研究目的，研究并改进了交通流参数的检测算法。本文提出一种将亮度差分与边缘差分相结合来检测运动物体的方法，提高车辆存在判断的准确度；此算法可以准确检测出路面运动车辆存在同时有效消除车辆阴影的影响j为后续运动物体跟踪和准确提取交通参数检测提供有力保证。基于运动车辆检测的结果，本文采用了以均值偏移算法

2、为基础的CAMShiff跟踪算法。CAMShift算法是一种基于目标颜色特征的跟踪方法，不受目标形状、大小变化的影响，在跟踪过程中有良好的可靠性，本文对该算法加以改进实现对运动车辆的全自动快速跟踪。本文基于车辆排队时路况特殊性，采用基于形态学边缘检测方法处理交通图像，提出了一种伸缩窗的车辆排队长度检测算法；此伸缩窗符合车辆排队长度检测的特点和要求。交通拥堵或车辆行驶缓慢时，这种方法比传统的帧间差分法和背景差分法更能有效地提取路面车辆和检测车辆排队长度。实验结果表明算法可以在多种天气、光照、路况条件下工作，检测准确，同时满足实时性的要求。论文中根据相关的交通参数检测算

3、法，在VC环境下进行了编程实现。并对实际道路环境下采集的视频交通流进行了测试，检测车流量、车辆速度、交通流密度等相关交通参数，给出了相应的测试结果、统计数据及性能评价。关键词计算机视觉；车辆检测；车辆跟踪；排队长度检测北京工业大学工学硕士学位论文ABSTRACTTrafjciCparametersdetectionbasedonvideoimageshasbeennewresearchdirectionsinthefieldofintelligenttransportandhasavastperspectiveofapplication·Atthes眦1etime，

4、trafficdataparametersdetectionbasedonvideoimagesinvolvesalotofresearchareassuchasimageprocessing，computervision，patternrecognitlonetc．Ithasvalueinthetheoryofcomputervision．Thispaperisaimedatextractingsomeimportanttrafficparametersatrealtimeusingtrafficvideo’sequences，whichareacquiredth

5、roughastaticcamerainspecifictrafficscenes．Itresearchesandimprovesonthealgorithmoftrafficflowparametersdetection．Weapplyanefficientandhighlyaccurategradient—basedmethodforextractingmeboundaryofvehiclesfromthestationarybackgroundthatisfreefromtheeffectofmovingcastshadowsandreflectiveregi

6、ons．CAMShiftalgorithrnisacomputervisioncolortrackingalgorithmwhichbelongstomovingobjectregionbasedtrackingtechniques．Itisabletotrackinrealtimeyetnotabsorbamajorshareofcomputationalresources．TheideaofCAMShiflalgorithmiSbasedonrobustnonparametricforclimbingdensitygradientstofindthemode(p

7、eak)ofprobabilitydistributionscalledthemeanshiftalgorithm．Weusemorphologicaledgedetectiontodealwiththetrafficimageandproposeaflexiblewindowmethodtodetectionthelengthofthequeue，whichadaptstothecharacteristicandrequirementofqueuedetection．Themethodisbetterthanbackgrounddifferentiationa