付琼莹[1]2013年在《道路信息辅助下的运动目标检测与跟踪技术研究》文中研究指明运动目标检测与跟踪技术是视频处理技术中一个非常重要的分支，广泛应用于智能交通、生物医学、工业生产、公安安防以及军事应用等方面。利用无人机平台搭载视频传感器的方式，实时对地面运动目标进行检测与跟踪，可以获得最新战场情报信息，在战场侦察和监视任务中具有重大意义。然而无人机序列影像背景复杂，且影像中运动目标多为体积小位移大，利用传统的目标检测跟踪方法难以检测跟踪。本文的研究目的是在光流分析的基础上，将道路信息引入到无人机序列影像运动目标检测与跟踪研究中，实现对小运动目标准确检测和持久跟踪。完成的主要工作及取得的成果有如下四个方面：1、系统性地阐述了有关光流技术的基本原理和计算方法，重点分析了光流计算中可以用于大位移运动估计的两种方法——基于特征匹配的光流算法和多分辨率由粗到精分层计算策略，并进行实验对比，为大位移光流算法的提出奠定基础。2、针对无人机视频影像中大位移小目标的运动估计，提出了一种将特征匹配和微分梯度相结合的大位移光流算法。在传统光流变分模型的基础上，利用描述符匹配得到的同名特征点进行约束限制，建立大位移光流模型，结合由多分辨率由粗到精最优化策略进行计算，实现大位移光流估计。3、引入道路信息，以道路节点坐标作为基础地理数据，依据缓冲区分析的原理，构建道路缓冲区，在道路缓冲区的基础上采用分块的方法确定道路检测区域，有效缩小检测区域，应用基于高斯混合概率模型与EM结合的聚类算法进行分析处理，实现无人视频影像中大位移小运动目标的快速检测。4、结合卡尔曼滤波的基本原理，考虑道路信息对车辆运动位置、方向的约束限制，将约束条件引入卡尔曼滤波，提出道路约束条件下的卡尔曼滤波模型，结合基于灰度模板匹配的目标跟踪方法预测车辆状态信息，实现了道路信息约束下无人机序列影像中运动车辆目标的连续跟踪。
田祥乾[2]2015年在《智能车辆结构化道路目标检测与跟踪》文中进行了进一步梳理近年来,由于公民汽车保有量的不断增加和公路交通事业的不断发展,我国的道路交通安全问题日益突出。随着国内外无人驾驶技术的发展,智能车辆的出现为大幅提高汽车驾驶安全性,改善道路交通效率,降低能源消耗提供了可能。而作为智能车辆环境感知部分的重要环节,目标检测与跟踪也成为了研究的热点之一,其目的是通过检测智能车辆前方道路上的车辆,为智能车辆寻找可通行的区域并且有效的避免车辆的碰撞事故。本文对车辆检测和车辆跟踪方法进行了深入研究,有效的实现了白天结构化道路上前方车辆的检测和跟踪。本文的主要研究工作包括:1、提出了一种改进的分窗口自适应阈值二值化方法,提取车道线并建立路面检测区域。该方法首先根据摄像头的投影关系将整幅图像分割成若干个大小不同的矩形窗口,在每个矩形窗口内分别进行最大类间方差法的图像二值化。然后通过矩形窗口的对比度衡量窗口的复杂程度,将含有车道线的窗口有效的提取出来,进而建立路面检测区域。这种方法能够有效的避免道路阴影、污迹、积水等对车道线提取的干扰,而且窗口近大远小的特点与道路图像中主要景物的变形规律相符合,有效的减少了不理想结果的产生。2、提出了一种基于多特征融合的车辆检测方法。首先依据车辆底部阴影与路面检测区域灰度值及梯度值的分布差异来检测车底阴影,并根据检测到的阴影生成假设车辆。然后利用计算分形维数的方法提取纹理特征,使用边缘模板对车辆四个边缘进行匹配来获取车辆的形状特征,应用车辆垂直边缘投影的对称性测度得到车辆的对称性特征。最后采用基于方差测度的几何性判据,建立一个融合车辆纹理特征、形状特征和垂直边缘对称性特征的车辆判决式,来验证生成的假设车辆。这种方法在不同的光照和路况条件下都具有良好的适应性,平均检测率为95.7%,平均误检率为2.5%,平均漏检率为1.8%,每帧检测时间平均为47ms。3、研究了基于卡尔曼滤波的车辆跟踪方法。首先以车辆的位置和宽高尺度作为跟踪分量,使用卡尔曼滤波进行跟踪预测,在预测产生的区域中利用车辆的四个边缘和车底阴影完成目标的重定位,实现观测向量的更新。然后基于归一化转动惯量和信息熵值对车辆进行两级判定,实现对车辆跟踪的验证。结果表明跟踪算法可以对路面检测区域120m范围内的车辆目标保持跟踪,每个目标的平均跟踪帧数在300帧以上。
张淼[3]2008年在《智能交通中车辆检测与跟踪技术的研究》文中认为在智能交通系统中,车辆的有效检测与实时跟踪是车辆的行为分析和行为判断的前提,能够实时准确地提供监测道路的交通动态信息,为后续特定处理做准备,例如整理运算车流状况相关数据、预警突发事故、整体规划交通系统,从而改善交通环境、减轻交通堵塞、提高道路利用率、提高排障效率。如何提高车辆检测与跟踪算法的精度、响应速度及抗干扰能力是智能交通系统下车辆检测与跟踪的主要研究任务。本文对智能交通系统中车辆检测与跟踪技术进行研究,在分析和总结现有算法的基础上,提出一种实时车辆检测与跟踪算法。该算法在建立交通视场背景模型的基础上,利用背景差分法将运动车辆分割出来,根据卡尔曼滤波对目标车辆进行跟踪。本文提出了一种快速估计及自适应更新的背景模型。其基本思想是:首先利用统计学方法,快速建立初始背景图像。然后通过分析交通视场中背景像素和前景像素的像素值特性,利用差分图像直方图法来动态获取阈值,建立当前帧瞬时背景图像。最后在此基础上使用当前帧瞬时背景图像和前一帧背景图像加权平均的更新算法估计当前帧背景图像。本文确定了基于卡尔曼滤波车辆跟踪模型的参数设定。首先分析车辆运动系统,建立系统状态方程和测量方程。然后在假设过程噪声向量和测量噪声向量均为高斯白噪声的前提下,计算并确定系统噪声阵、观测噪声阵和滤波误差协方差矩阵初始值的具体表达式。最后使用学习统计获得的参数值对系统进行仿真,并给出卡尔曼预测数据。仿真结果证明,本文算法具有数学模型简单、运算速度快、实时响应,抗噪性好,精度较高等特点,能够满足智能交通系统中车辆检测与跟踪的需求。
韩振东[4]2015年在《基于交叉口监控的车辆图像特征提取与运动跟踪》文中研究说明智能交通系统（ITS）将先进的计算机技术、通信技术、电子技术等多种科技手段应用于交通管理、交通控制等多个方面，保证道路通行的安全、高效和舒适。随着计算机视觉技术的发展，基于视频的车辆检测与跟踪成为智能交通领域中的研究热点。但当前的大部分研究都集中在场景简单的多个同向车道，而对于场景复杂、车流量大、相互遮挡较多、同时也是事故多发点的交叉口的车辆检测与跟踪研究较少。本文利用交叉口监控视频，分析交叉口交通场景的特点，对基于监控视频的车辆目标检测和跟踪方法进行研究。首先，对于常用的运动目标检测方法进行对比分析，根据交叉口视频的特点，选择背景差分法进行交叉口车辆的检测。其次，对常用的叁种背景建模方法进行了实现，并在CDnet运动检测数据库上进行实验，获得叁种背景建模方法在各种挑战性场景（相机抖动、动态背景等）下的检测结果，结果表明混合高斯模型在多种挑战性场景下均能保持较高的检测率和检测准确率，适用于室外运动目标检测，但同时具有阴影内目标检测不全和长时间静止物体融入背景的缺点。针对以上缺点，提出以下两点改进：一是利用阈值法检测阴影区域，然后在阴影区域内设置较小的匹配系数来提高阴影内目标检测率；二是在停车区域选择只更新背景像素的更新策略,防止静止车辆被检测为背景。实验证明以上改进有效提高了检测率。在跟踪时，针对交叉口车流量大、遮挡分离发生频繁等特点，设计了基于卡尔曼滤波的改进跟踪方法，在跟踪时采用两种不同的匹配方法，并采用相交法判断现有跟踪与检测结果之间的对应关系，实验证明，本文的方法能够有效的减少因遮挡和驶入驶出导致的跟踪错误。本文的研究有助于推进基于监控视频的车辆检测和跟踪技术在智能交通领域的应用，对交通参数获取、交通事件检测等领域的发展有促进作用。
卓厚坤[5]2017年在《基于单目视觉的道路车辆识别》文中指出车辆识别是道路环境感知技术中最重要的部分,也是自适应巡航、紧急制动等驾驶辅助系统的基础,因此基于视觉的道路车辆识别技术有着十分重要的应用前景和价值。论文的主要有以下研究内容:为了减少图像识别耗时问题,提出了利用摄像机相关知识和车道区域分割来缩小检测范围的方案。即利用摄像机模型计算图像中的消失线分离天空部分,再快速提取图像中的车道线分割道路区域,进一步减少车辆目标搜索范围。采用Canny边缘检测和Hough变换方法实现车道线检测。为保证边缘点提取的准确性,提出了一种利用灰度梯度分布自适应调整Canny算法高低阈值的方法。为了加快Hough变换的运算速度,利用摄像机模型结合车道宽度来约束车道线范围和Hough变换的投票区间。为保证约束的准确性,利用车道线交点结合聚类方法实时更新路面消失点位置,并利用消失点位置计算摄像机模型中参数的变化,从而更准确获得每一帧图像的相关约束。考虑到车辆识别准确性和稳定性的要求,利用HOG特征结合SVM方法训练车辆的前后向和侧向分类器模型,两类模型在测试样本中都获得97%以上的识别精度。为了完成车辆目标的识别,探讨了假设验证(HG&HV)两阶段的车辆识别方法和基于滑动窗口进行全面搜索(ES)的车辆识别方法。在HG&HV方法中利用车底阴影快速定位车辆候选区域,为了应对阴影提取过程中遭遇的路面光照不一致问题,提出了利用检测区域灰度分布和连通域细分路面区域的方法。同时,引入车辆的上边界和左右边界特征来解决单一阴影定位不准确的问题。在ES方法中采用固定大小的窗口遍历图像金子塔各层图片搜索车辆目标,为解决运算量大、实时性差的问题,结合摄像机模型、车辆宽度信息提出了一种缩减图像金字塔上每层图像检测范围的方法。最后,借助卡尔曼滤波实现车辆目标的跟踪。当在连续几帧图片短暂出现漏检时,利用卡尔曼滤波预测目标位置进行补充,从而减少车辆的漏检率。
刘秀进[6]2009年在《运动车辆建模与跟踪技术研究》文中研究表明视觉导航是智能车辆导航的一项关键技术,本文针对智能车辆视觉导航系统的研究,提出了基于运动车辆建模与跟踪技术研究这一课题。论文首先介绍了课题的研究背景、研究意义、当今国内外的发展现状、发展趋势。在此基础上分析了汽车辅助驾驶及自主导航视觉系统的结构。通过与使用立体视觉技术重建叁维景物的方法作对比,阐述了采用单目视觉技术的优点和实际意义。本文利用视觉传感器采集道路图像,以一个安装在车辆正前方的CCD摄像机作为图像采集设备。根据动态图像序列中摄像机和场景之间是否运动将目标的运动划分为四种模式,通过对运动车辆的特征及道路或背景变化的分析,采用了统一的曲率构造公式。在分析路线设计特征的基础上建立了道路水平曲率动态模型和垂直曲率动态模型。通过分析车辆在水平方向的行驶特征建立了车辆水平运动模型。在此基础上通过分析车辆及摄像机相对道路的几何模型,利用摄像机的叁维几何变换和透视投影变换,建立了世界坐标系到图像坐标系的映射关系即量测模型,为利用卡尔曼滤波器进行目标跟踪做好了准备。同时给出了车速估计的一种模型。由于车辆在行驶过程中会发生碰撞,为了避免与其它车辆发生碰撞,讨论了车辆在运动中出现的几种状况,并进行了分析,给出了车辆间安全行驶的最小安全距离。考虑到运动模型的实时性,本文采用直线道路模型等道路约束条件,利用Hough变换进行直线特征提取,通过直线参数可以求出车辆相对车道线的位置偏移和角度偏移,最后介绍了如何利用卡尔曼滤波器进行跟踪。利用采集的实际道路图像对本文提出的算法进行Matlab仿真实验,仿真结果表明道路检测和跟踪算法是可行的和有效的。
施溢源[7]2004年在《基于卡尔曼滤波的道路目标检测与跟踪研究》文中研究表明随着我国高速公路建设的飞速发展，高速公路交通事故的预防愈来愈引起社会的广泛关注。研究开发汽车追尾碰撞预警系统是减少高速公路汽车追尾事故的有效途径之一。 在追尾碰撞预警数学模型中引入了目标物有效性识别算法，并建立了潜在威胁目标的判别模型，为减少系统的虚警率、提高系统的可靠性提供了理论支持；通过对车载距离探测技术的比较，选用了毫米波调频脉冲多普勒雷达；深入分析了道路目标跟踪的复杂环境，对雷达数据处理的数据关联和目标跟踪的起始与终止进行了初步的研究。为了实时地检测和跟踪前方的运动目标，采用交互多模(IMM)算法对脉冲多普勒雷达信号进行了卡尔曼滤波跟踪，并对目标(车辆)与自车的相对横向角速度进行了平滑估计。 仿真表明所采用的IMM算法简单有效，在杂波环境下有较高的跟踪精度，能适应所跟踪目标的各种机动状况，可用于车载雷达目标的实时可靠跟踪，为汽车追尾碰撞预警系统的实车试验提供了良好的基础研究。
宋宁[8]2012年在《基于SURF的运动目标检测与跟踪方法研究》文中进行了进一步梳理随着计算机技术、图像处理技术的不断发展,基于视频序列的运动目标跟踪与分析已受到人们越来越多的关注。而多目标跟踪又是当前计算机视觉中的热点问题,它在智能交通、视频监控、视频压缩编码、成像制导等领域有着广泛的应用。本文在认真总结前人研究成果的基础上,主要研究了运动目标检测、局部特征目标匹配和基于运动特征的跟踪方法,并在此基础上做了改进。主要工作如下：1.结合目前常见的运动目标检测算法,本文提出一种边缘差分的思想,将边缘检测与帧间差分相结合检测运动目标,在阴影较大的场景对比其他算法,有着其显着优势,能很好的克服阴影以及噪声带来的影响。该方法检测得到的运动目标边缘轮廓清晰,经形态学处理后可以得到较为准确的运动目标。2.结合基于局部特征的跟踪方法,深入研究了SURF特征匹配方法。SURF特征描述子具有尺度不变性,对缩放、视角改变、亮度变化等具有很好的适用性,但是,其仍然存在效率低的问题。本文在传统SURF算法基础上,对其后续的匹配策略进行了优化研究。首先用K-近邻查询算法进行相似性匹配,采用Kd-树搜索策略查找最近邻,提高了搜索效率,加快匹配速度；其次在匹配对的提纯过程中先用比值提纯法过滤匹配对,从匹配结果看出仍然存在错误和冗余的匹配对,因此用RANSAC算法进一步消除错误数据,得到更准确的匹配结果。3.对比学习了几种常见跟踪算法。卡尔曼滤波器在运动目标跟踪中具有良好的性能,对于提高跟踪系统的处理速度和性能有着重要的作用,而目前多运动目标跟踪的主要困难是目标之间相互遮挡,目标被遮挡使得目标信息部分或完全消失,从而可能导致跟踪失败。在此基础上,本文提出了基于SURF描述子的目标匹配和卡尔曼滤波相结合的多运动目标跟踪算法。通过对多运动目标跟踪进行讨论,在无遮挡情况下,用基于卡尔曼滤波器的运动目标跟踪算法进行跟踪；否则采用SURF来处理跟踪时遇到的遮挡情况,实现了准确稳定的跟踪。实验结果表明,本文提出的运动目标检测算法能够提取到较精确的运动目标,在跟踪时采用的基于SURF和卡尔曼滤波相结合的多运动目标跟踪算法既满足了实时性要求,同时在精度上也取得良好效果。
李良[9]2012年在《交通监控视频中的目标检测与跟踪算法研究》文中指出智能视频分析是一门综合性很强的技术,它综合了图像处理、模式识别、计算机视觉等众多学科的研究成果。目前,智能监控技术被广泛的应用于交通、军事、医疗中,在诸多公共场所、小区、学校等也有较普遍的应用。本文主要研究了单目摄像机下具有静态背景的交通视频中运动车辆的检测及跟踪技术,实现了单目标的准确跟踪和多目标的准确计数。具体的工作如下:在目标检测方面,首先,对多种背景建模方法进行优缺点分析和对比,深入讨论了几种背景更新算法,在此基础上选择背景差法作为检测运动车辆的方法。其次,用改进的OTSU算法对差值图像进行自适应的二值化,这使得在不同光照变化情况下都能取得较好的二值化效果。最后,对前景的二值图像做了一些必要的后处理,如空洞填充、连通域标识、噪声去除以及阴影消除等工作。在目标特征描述方面,首先,阐述了对目标的兴趣点、纹理、颜色、轮廓等信息的描述方法。其次,选用SIFT特征作为兴趣点描述方法,对不同颜色、车型的车辆进行SIFT特征提取,显示了提取的过程并验证了对纹理较多的车辆体现出的可靠度。然后,对目标的梯度方向直方图和颜色直方图进行深入研究,用一维向量表示这两种特征,实现了对两种特征的联合表示。最后,经过多次实验证实了对梯度方向进行的新量化方法的可行性以及综合颜色直方图在目标匹配时的有效性。在目标跟踪方面,利用卡尔曼滤波器的预测对运动目标进行跟踪,并根据不同特征匹配的可信度实时地调整用于匹配的特征。这样在光线条件较差、颜色信息不可靠的情况下选取SIFT作为匹配特征。而在光线条件较好的情况下,可选用综合颜色直方图作为特征进行匹配,以减少车辆由于提取的特征点较少而出现的误匹配情况。此外,设计了针对多个目标情况下的计数算法,经实验验证具有较高的准确率。
张秀林[10]2014年在《基于交通视频图像序列的运动车辆检测与跟踪算法研究》文中提出随着当今经济的高速发展，交通运输行业得到了显着的发展，机动车保有量迅速地增长，仅仅依靠修建道路设施和人工管理很难解决现存的交通问题（交通事故频发、严重的道路压车等等）。因此，基于视频监控技术下的交通视频图像序列的运动车辆检测与跟踪技术能够实现交通管理上的自动化和智能化，充分利用现有的交通设施保证更大交通运输能力的同时提高交通运输的安全性，实现交通运输行业的集约化发展。本文基于高斯模型，对运动车辆检测算法进行了研究；基于卡尔曼滤波理论、MeanShift迭代理论，对运动车辆跟踪算法进行了研究。取得的研究成果如下：在比较单高斯模型和混合高斯模型建模优缺点的基础上，利用视频图像帧中的边缘像素点建立混合高斯模型，首先得到能够描述背景像素点模型的高斯分布，然后根据像素点值与混合高斯模型中各个高斯分布的匹配关系来更新匹配的高斯分布参数，最后根据像素点值与最佳描述背景高斯分布的匹配关系实现运动车辆的检测。在Mean Shift跟踪算法中,由于核窗宽固定不变，车辆在其窗宽范围内进行缩放、平移运动并不影响Mean Shift跟踪算法空间定位的准确性，但是会导致极大的尺度定位误差，采用加减10%核函数带宽的方法实现核窗宽的自动更新。传统核窗宽固定的MeanShift跟踪算法对逐渐增大尺寸的车辆进行跟踪时,不仅会导致尺度定位偏差,同时也导致空间定位偏差。由于车辆在其窗宽范围内进行缩放、平移运动时，Mean Shift跟踪算法的空间定位是准确的，所以首先采用后向跟踪法进行形心配准，然后，根据形心配准后矩形跟踪框内角点的匹配建立仿射模型，最后根据仿射模型解得的伸缩幅值实时更新核窗宽。针对Mean Shift算法不能跟踪快速运动车辆的缺陷，本文采用Mean Shift和卡尔曼滤波器相结合的算法，首先利用卡尔曼滤波器来获得每帧Mean Shift算法的起始位置，然后再利用Mean Shift算法得到跟踪位置。运动车辆出现大面积遮挡（在同一帧图像中卡尔曼预测的位置和Mean Shift收敛的位置之间的距离大于设定的阈值）时，Mean Shift算法不能有效跟踪，首先关闭卡尔曼滤波模型，然后根据前几帧中Mean Shift收敛点的位置线性预测在当前帧中进行MeanShift迭代可能的起始点位置，即车辆位置的线性预测替代了卡尔曼的作用，最后利用Mean Shift算法得到跟踪位置。经实验验证:本文采用的基于边缘信息的混合高斯模型的运动车辆检测算法通过背景更新技术，在光线突变的情况下获取良好背景的同时较好地检测到了前景运动车辆，该方法能够适应户外复杂的环境，准确率高，鲁棒性强，有着广泛的实用性。对尺度变化的运动车辆进行跟踪时，核窗宽自动更新算法不仅能够有效地跟踪动态车辆，而且其跟踪窗口能够随着车辆的变化而变化，空间定位准确的同时尺度定位也很准确。对快速运动、大面积遮挡的车辆进行跟踪时，采用Mean Shift和卡尔曼滤波器相结合的算法不仅能够有效地对运动车辆进行跟踪，而且实时性也比较好。
参考文献：
[1]. 道路信息辅助下的运动目标检测与跟踪技术研究[D]. 付琼莹. 解放军信息工程大学. 2013
[2]. 智能车辆结构化道路目标检测与跟踪[D]. 田祥乾. 沈阳建筑大学. 2015
[3]. 智能交通中车辆检测与跟踪技术的研究[D]. 张淼. 大连海事大学. 2008
[4]. 基于交叉口监控的车辆图像特征提取与运动跟踪[D]. 韩振东. 辽宁工业大学. 2015
[5]. 基于单目视觉的道路车辆识别[D]. 卓厚坤. 重庆大学. 2017
[6]. 运动车辆建模与跟踪技术研究[D]. 刘秀进. 中北大学. 2009
[7]. 基于卡尔曼滤波的道路目标检测与跟踪研究[D]. 施溢源. 长安大学. 2004
[8]. 基于SURF的运动目标检测与跟踪方法研究[D]. 宋宁. 昆明理工大学. 2012
[9]. 交通监控视频中的目标检测与跟踪算法研究[D]. 李良. 南京邮电大学. 2012
[10]. 基于交通视频图像序列的运动车辆检测与跟踪算法研究[D]. 张秀林. 中北大学. 2014
标签：公路与水路运输论文; 卡尔曼滤波论文; 特征提取论文; 图像融合论文; 边缘提取论文; 高斯论文; mean论文;