背景估计与运动目标检测跟踪

基于视频的自动目标检测和跟踪是计算机视觉中一个重要的研究领域,特别是基于视频的智能车辆监控系统中的运动车辆的检测和跟踪。提出一种自适应的背景估计方法来实时获得当前背景图像,从而分割出运动物体。为了准确地定位运动车辆的区域,采用差分图像投影和边缘投影相结合的方法来定位车体,同时利用双向加权联合图匹配方法对运动车辆区域进行跟踪,即将对运动车辆区域跟踪问题转化为搜索具有最大权的联合图的问题。该算法不仅能实时地定位和跟踪直道上运动的车辆,同时也能实时地定位和跟踪弯道上运动的车辆,从实验结果看,提出的背景更新算法简单,并且运动车辆区域的定位具有很好的鲁棒性,从统计的检测率和运行时间来看,该算法具有很好的检测效果,同时也能满足基于视频的智能交通监控系统的需要。     

视频中运动目标的实时检测和跟踪

基于视频的自动目标检测和跟踪是计算机视觉中一个重要的研究领域，特别是基于视频的智能车辆监控系统中的运动车辆的检测和跟踪。提出了一种自适应的背景相减法来分割运动物体，为了准确地定位运动车辆的区域，采用差分图像投影和边缘投影相结合的方法来定位车体，同时利用双向加权联合图匹配方法对运动车辆区域进行跟踪，即将对运动车辆区域跟踪问题转化为搜索具有最大权的联合图的问题。该算法不仅能实时地定位和跟踪直道上运动的车辆，同时也能实时地定位和跟踪弯道上运动的车辆，从实验结果看，提出的背景更新算法简单，并且运动车辆区域的定位具有很好的鲁棒性，从统计的检测率和运行时间来看，该算法具有很好的检测效果，同时也能满足基于视频的智能交通监控系统的需要。     

基于DM6446的视频运动车辆检测系统

给出了一种基于DM6446处理器的视频运动车辆检测系统的技术实现方法,介绍了系统的硬件结构及软件设计思路。结合DM6446双核处理器的特点,给出了处理器ARM端与DSP端通信及双缓冲区切换的具体方法。在视频运动车辆检测算法上,采用差异积累法对DM6446实时获取的交通视频数据进行背景建模,用背景差法检测车辆运动区域,再结合Otsu阈值化、形态学滤波及区域生长等算法,最终在DM6446硬件平台上实现视频运动车辆的实时检测。实验结果表明,该系统具有良好检测效果。     

基于DM6446的视频运动车辆检测系统①

给出了一种基于DM6446处理器的视频运动车辆检测系统的技术实现方法,介绍了系统的硬件结构及软件设计思路。结合DM6446双核处理器的特点,给出了处理器ARM端与DSP端通信及双缓冲区切换的具体方法。在视频运动车辆检测算法上,采用差异积累法对DM6446实时获取的交通视频数据进行背景建模,用背景差法检测车辆运动区域,再结合Otsu阈值化、形态学滤波及区域生长等算法,最终在DM6446硬件平台上实现视频运动车辆的实时检测。实验结果表明,该系统具有良好检测效果。     

智能交通检测系统中动态目标检测方法研究

视频交通检测技术已逐渐成为交通信息采集领域的主流技术。以交通信息采集系统中运动车辆的检测与识别为应用背景,在对运动目标检测中背景更新、噪声的消除等一些难点问题进行深入分析研究的基础上,给出了一个稳定的运动车辆检测算法。运动车辆检测方法作为视觉监控领域的一种普遍方法,具有一定的理论意义和实用价值。     

基于改进动态阈值的运动车辆实时快速检测方法*

提出了复杂交通环境下一种新的运动车辆检测方法。基于背景差分获得运动图像,利用自适应阈值选取方法分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测。根据检测结果,采用中值更新方法实现背景图像的实时更新。实验结果表明,这种基于改进动态阈值和自适应背景相结合的快速检测算法可以从复杂交通场景图像序列中快速有效地检测出运动目标,能够很好地满足智能交通监控系统中运动车辆实时检测的要求。     

基于运动矢量场时空滤波的车辆检测算法

基于计算机视觉的车辆检测系统是智能交通系统的基础部分,以实时获取的视频图像为基础,通过计算机视觉的有效算法,可实现对视频中的车辆目标进行位置检测;现有车辆检测算法存在复杂度较高和检测不准确的缺陷;提出了一种基于运动模式分类和运动矢量场滤波的车辆检测算法,在计算复杂度较低的条件下实现了车辆检测,对干扰遮挡和较小目标等情况,有较好的检测效果。     

基于立方体模型和EKF的运动汽车跟踪算法研究

针对固定摄像机、大范围复杂交通场景,提出了一种运动汽车的实时跟踪算法。根据汽车的刚体特性,采用立方体模型与运动汽车图像进行匹配的算法,避免三维重建的难题,能较为直观地得到运动汽车的形体信息。结合车辆的非线性运动特征引入EKF算法,准确地预测车辆的相关参数信息,减少目标跟踪过程中的搜索时间,从而能够实时准确地跟踪运动汽车目标。通过真实交通视频仿真实验,该算法具有较好的跟踪能力和抗干扰性能。     

面向交通信息采集的无线传感器网络节点

智能交通系统的关键技术环节之一是能够准确地获取实时交通参数,包括交通流量、车速、车道占有率等,无线传感器网络在智能交通方面有潜在的广泛应用前景.设计实现了面向交通信息采集的无线传感器网络节点,提出了一系列相关交通信息采集专用算法,包括基于数字滤波和匹配滤波的交通流量监测算法、车速测量算法和车辆识别算法,在道路上进行了实测验证并对节点功耗进行了分析.实测结果表明,交通信息采集节点能以较高精度得到交通流量、车速、车道占有率等信息,并能较准确地对机动车和自行车进行识别.     

基于虚拟窗口的自适应车流量检测应用研究

基于视频交通检测中实时性和准确性要求,研究了三帧差分、背景差分及动态阈值等算法,提出增加虚拟窗口的方法,使整个车流量检测算法只针对有效序列图像信息进行处理.该方法通过排除差异大图像求均值,快速初始化虚拟窗口背景模型,在检测窗口内使用三帧差分和动态阈值准确定位运动车辆目标,实时更新背景后,根据背景差分法得到的窗口图像信息统计车流情况.实验结果表明,该方法可以有效应用于基于视频的实时车流量检测中.     

基于时空结构张量的高速公路视频车辆检测

详细分析高速公路车辆运动模式与视频监控序列图像的特征,本文针对目标运动速度较大时,背景差分法运算复杂和连续帧差法容易产生虚影的情况,提出基于时空结构张量的光流分析法进行高速公路视频车辆检测。实验结果表明,该算法简洁并且能对高速公路视频序列中的运动车辆进行较准确的分割,为下一步的运动跟踪提供了可靠的依据。     

基于粒子滤波算法的高速公路车辆停车检测

提出了一种基于粒子滤波视频跟踪算法的停车事件检测方法,实现了对高速公路交通视频的自动监控。首先用混合差分技术,快速提取出视频中的车辆对象;并用粒子滤波算法实现了运动车辆的跟踪;进而通过对车辆运动的数学建模,对停车事件进行了自动检测。最后,对多组高速公路交通视频进行测试,结果表明：提出的检测方法比其他常用方法响应速度更快,且具有较高的检测准确率和鲁棒性。     

短时记忆与CenterTrack的车辆多目标跟踪

目的 车辆多目标跟踪是智能交通领域关键技术,其性能对车辆轨迹分析和异常行为鉴别有显著影响。然而,车辆多目标跟踪常受外部光照、道路环境因素影响,车辆远近尺度变化以及相互遮挡等干扰,导致远处车辆漏检或车辆身份切换（ID switch,IDs）问题。本文提出短时记忆与CenterTrack的车辆多目标跟踪,提升车辆多目标跟踪准确度（multiple object tracking accuracy,MOTA）,改善算法的适应性。方法 利用小样本扩增增加远处小目标车辆训练样本数;通过增加的样本重新训练CenterTrack确定车辆位置及车辆在相邻帧之间的中心位移量;当待关联轨迹与检测目标匹配失败时通过轨迹运动信息预测将来的位置;利用短时记忆将待关联轨迹按丢失时间长短分级与待匹配检测关联以减少跟踪车辆IDs。结果 在交通监控车辆多目标跟踪数据集UA-DETRAC （University at Albany detection and tracking）构建的5个测试序列数据中,本文方法在维持CenterTrack优势的同时,对其表现不佳的场景获得近30%的提升,与YOLOv4-DeepSort（you only look once—simple online and realtime tracking with deep association metric）相比,4种场景均获得近10%的提升,效果显著。Sherbrooke数据集的测试结果,本文方法同样获得了性能提升。结论 本文扩增了远处小目标车辆训练样本,缓解了远处小目标与近处大目标存在的样本不均衡,提高了算法对远处小目标车辆的检测能力,同时短时记忆维持关联失败的轨迹运动信息并分级匹配检测目标,降低了算法对跟踪车辆的IDs,综合提高了MOTA。     

基于多属性层次识别的车辆视频 检索系统设计研究

交通监控视频中车辆的有效检测和实时跟踪,是车辆行为分析和识别的前提,也是智能交通系统（ITS） 的核心内容和关键技术。本文在深入分析当前车辆属性识别方法以及车辆视频检索关键技术的基础上,结合交通监控 视频的自身特点,从应用的角度出发,设计一款融合车牌、车身颜色、车型等多个车辆外观属性进行层次识别的机动车辆 检索系统。该系统可为用户提供多种查询方式,从而实现交通监控视频中相关机动车辆的准确检索。     

基于计算机视觉的车体提取及跟踪算法研究

在对比图像背景差分算法与帧间差分算法的基础上,给出一种基于计算机视觉原理的车体提取及跟踪算法,对算法流程及其在车体识别、分割与跟踪过程中的具体实现方法进行了论述,并以某地交通治安卡口系统采集的图像数据进行了算法验证.     

基于视频的夜间车辆检测与跟踪

在道路交通管理中基于视频的车辆检测技术发挥了越来越重要的作用。针对夜间交通视频图像中由于照明度低和光线反射干扰导致运动目标提取困难等问题,提出一种建立矩形框来标志车辆的夜间车辆检测与跟踪的方法。通过对图像进行预处理,提取可能为车灯的亮点,建立连通区域。利用两车灯之间的水平位置,两车灯的面积应该是相近或几乎相等以及两者之间的距离应该小于设定的阈值来进行车灯配对。车灯配对成功之后,适当放大配对车灯的连线长度,得到车头宽度。进而根据车头长宽比关系得到车头区域,再通过规则集来定义多种情况下矩形框保存车辆信息的基本原则。车辆的统计跟踪通过基于邻域的方法来实现。经过实验表明,该方法能很好地适用于夜间车辆的检测,并且能满足夜间检测的要求,具备一定的稳定性和准确率。     

A real-time vehicle detection and a novel vehicle tracking systems for estimating and monitoring traffic flow on highways

Real-time highway traffic monitoring systems play a vital role in road traffic management, planning, and preventing frequent traffic jams, traffic rule violations, and fatal road accidents. These systems rely entirely on online traffic flow info estimated from time-dependent vehicle trajectories. Vehicle trajectories are extracted from vehicle detection and tracking data obtained by processing road-side camera images. General-purpose object detectors including Yolo, SSD, EfficientNet have been utilized extensively for real-time object detection task, but, in principle, Yolo is preferred because it provides a high frame per second (FPS) performance and robust object localization functionality. However, this algorithm’s average vehicle classification accuracy is below 57%, which is insufficient for traffic flow monitoring. This study proposes improving the vehicle classification accuracy of Yolo, and developing a novel bounding box (Bbox)-based vehicle tracking algorithm. For this purpose, a new vehicle dataset is prepared by annotating 7216 images with 123831 object patterns collected from highway videos. Nine machine learning-based classifiers and a CNN-based classifier were selected. Next, the classifiers were trained via the dataset. One out of ten classifiers with the highest accuracy was selected to combine to Yolo. This way, the classification accuracy of the Yolo-based vehicle detector was increased from 57% to 95.45%. Vehicle detector 1 (Yolo) and vehicle detector 2 (Yolo + best classifier), and the Kalman filter-based tracking as vehicle tracker 1 and the Bbox-based tracking as vehicle tracker 2 were applied to the categorical/total vehicle counting tasks on 4 highway videos. The vehicle counting results show that the vehicle counting accuracy of the developed approach (vehicle detector 2 + vehicle tracker 2) was improved by 13.25% and this method performed better than the other 3 vehicle counting systems implemented in this study.     

Vehicle matching in smart camera networks using image projection profiles at multiple instances

Tracking vehicles using a network of cameras with non-overlapping views is a challenging problem of great importance in traffic surveillance. One of the main challenges is accurate vehicle matching across the cameras. Even if the cameras have similar views on vehicles, vehicle matching remains a difficult task due to changes of their appearance between observations, and inaccurate detections and occlusions, which often occur in real scenarios. To be executed on smart cameras the matching has also to be efficient in terms of needed data and computations. To address these challenges we present a low complexity method for vehicle matching robust against appearance changes and inaccuracies in vehicle detection. We efficiently represent vehicle appearances using signature vectors composed of Radon transform like projections of the vehicle images and compare them in a coarse-to-fine fashion using a simple combination of 1-D correlations. To deal with appearance changes we include multiple observations in each vehicle appearance model. These observations are automatically collected along the vehicle trajectory. The proposed signature vectors can be calculated in low-complexity smart cameras, by a simple scan-line algorithm of the camera software itself, and transmitted to the other smart cameras or to the central server. Extensive experiments based on real traffic surveillance videos recorded in a tunnel validate our approach.