交通视频的移动目标检测算法研究

对视频序列的目标进行识别和跟踪监控是计算机视觉领域的关键技术。依据图像处理和目标检测研究方向的热点算法,将帧间差分与混合高斯背景模型融合法应用于交通视频移动车辆的目标检测分析中。该算法通过背景差分求出光照影响的动态阈值范围,若光照检测阈值小于该动态阈值,选择混合高斯背景模型法,大于该动态阈值则选取帧间差分法。再通过开运算、闭运算、连通域计算,以及区域的凸包形态学运算即可准确描述目标。实验结果表明,该融合算法消除了鬼影现象,在光照环境改善的情况下可以有效应用于交通视频中移动车辆的目标检测。     

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

一种基于彩色视频流直方图分析的交通流量统计算法

通过分析摄像头采集的现场交通彩色视频数据．将视频检测应用到交通流量检测和交通控制。运用图像处理的方法提取图像中通行车辆的车速以及通过视场内的车流量,在研究视频流的基于彩色直方图的通行车辆识别算法后．提出一种新的基于彩色视频流的直方图分析的车流量检测算法。本算法通过计算视频流中的每一帧ROB值的直方图．通过做差值来统计视频中的车辆数量,并根据变化的快慢频率来计算车辆行驶的速度。该算法改进了已有的利用黑白视频流灰度直方图的方法,扩展了算法应用的灵活性,满足了应用系统的实时的要求,确保了检测数据的精度．在算法准确度和速度方面均有比较好的效果。     

基于嵌入式车流量实时检测算法研究与实现

针对道路现场实时车流量检测问题,提出了一种改进的帧间差分法的运动车辆检测算法,并将该检测算法成功移植到了嵌入式系统上。将帧间差分法与采用长度、宽度、面积筛选轮廓及用质心距离的车辆跟踪算法结合,实现运动车辆的检测;将U-Boot引导程序、Linux内核、Yaffs2文件系统和检测算法移植到S3C6410上,通过摄像头实时采集交通视频,检测结果由触摸屏显示。复杂交通场景的实时测试结果表明,本系统的检测时间为0.298秒/帧,准确率超过88%,基本能够实现在道路现场的车流量实时检测。     

视频处理技术在智能交通系统的应用

视频检测作为智能交通中一种主要的检测手段在交通流检测、车辆违章跟踪等领域得到了广泛的研究和发展。文中提出了一种城市道路交通灯智能控制模型,该模型利用视频图像处理技术,获取十字路口各方向的车流量参数、违章车辆信息等,在此基础上实现了交通灯的智能控制以及对违章车辆的视频跟踪,最后给出了实际交通视频图像处理的实验结果。     

基于DM6446的视频车辆检测跟踪系统设计和实现

针对智能交通对分布式智能视频监控的需求,设计了基于DM6446嵌入式系统的视频车辆检测跟踪系统。提出一套简单有效的车辆检测跟踪算法,包括自适应背景更新算法、基于边缘检测和最优双阈值分割融合的运动区域检测、改进的快速连通区域判断方法以及基于多特征的跟踪算法。同时,对DM6446平台软硬件及其开发方法进行介绍,并针对该平台介绍了如何移植和代码优化。最终通过在DM6446平台实际运行表明,该系统能实时有效地检测和跟踪车辆,具有较高准确率和稳健性。     

交通监控视频中的车辆异常行为检测

构建了利用交通监控视频对车辆异常行为进行检测的系统框架.使用改进Surendra背景差分与三帧差分相结合的算法进行车辆目标检测,结合CamShift算法与Kalman滤波器进行车辆目标跟踪,提取车辆质心绘制运动轨迹,针对车辆运动方向判别、违章变道、调头等行为提出了检测方法.实验结果表明,提出的交通监控视频中的车辆异常行为检测系统具有较高的实时性与准确性,部署简易快速,维护成本低廉,可以满足当今智能交通系统日益增长的需求.     

基于像素分析的轨迹异常车辆的识别法

交通异常情况检测一直是交通管理中的重要任务,其在智能交通系统中显得尤为重要。传统的检测方法首先对目标物体(行人和车辆)进行区分,然后再对提取的车辆进行轨迹异常判断。在车流量日益加剧的今天,此种方法增加了计算机的运算复杂度。针对上述算法计算量过于复杂的问题,本文提出了基于像素点的背景方法,首先结合隐含马尔可夫模型(Hidden Markov Model)和共发模型(Co-occurences model),对视频中的异常像素点进行判断,然后通过仿三维模型车辆进行识别的方法,对由异常像素点组成的车辆进行最终的识别。实验结果表明该算法具有较强的有效性和在智能交通系统中有较好的应用。     

基于改进高斯模型的车流量检测算法

提出了一种基于改进单高斯模型的车辆检测与流量统计算法,该算法采用改进的单高斯模型对移动目标进行检测,然后选用HSV颜色空间抑制阴影,提高了目标提取的准确率,最后,按车道分别设置相应的虚拟区域,以实现车流量的统计工作.为验证算法的有效性,在标准测试视频上进行了对比实验,实验结果表明,该算法能够快速地提取车辆目标,且具有较高的车辆识别率,有一定的实用价值.     

SURF算法和RANSAC算法相结合的台标检测与识别

通过分析电视台台标的特点,首先对视频中的某一帧进行感兴趣区域检测,提出了对感兴趣区域进行基于SURF特征提取、并与台标库中的台标特征点进行预匹配、用RANSAC算法去除错误匹配点对的方法。结合了SURF算法与RANSAC算法的优点,提高台标识别的正确率。实验结果表明,该方法具有较高的识别精度,较强的抗干扰能力,识别速度也在一定程度上有所提高。     

一种基于视频技术的车辆跟踪方法

在智能交通系统中,基于视频技术的车辆跟踪是交通参数和交通事件检测的关键技术之一。本文首先研究了现有的基于视频技术的车辆跟踪技术,然后提出了一种使用Kalman滤波器预测车辆位置,并用距离和颜色信息辅助识别车辆的跟踪方法。实验结果表明,该方法能够有效地实现车辆的跟踪。     

混合交通环境中的阴影检测算法

在城市交通流量视频检测系统中,目标阴影总是干扰对目标的正确检测和识别。在混合交通环境下,传统的阴影检测算法总是避免不了进行边缘检测、模板匹配等运算,不仅处理速度慢,而且对行人阴影的检测效果不好。本文提出一种基于颜色信息的阴影检测算法,该算法首先在图像中检测出运动区域,然后在运动区域内计算目标R、G、B颜色分量的灰度距离和色彩距离;最后根据这两个距离量检测出区域中的阴影。实验表明,该算法能够正确检测出车辆和行人的阴影,还能在雨天对目标的路面倒影进行检测,而且计算速度较快。     

一种基于视频的车辆检测新方法

基于对传统帧差法的改进，并结合边缘检测法，提出一种环境自适应能力强、计算量小、适合于运动和静止车辆同时检测的车辆检测新方法。该方法可正确判断有无车辆，完成车辆的计数，实现车流量计算和车速估计。在计数算法中采用预估校正、相关性修正等措施，提高了检测精度，大大改善了车辆检测效果，可为交通监控系统提供实时有效的交通参数。     

铁路视频监控中运动目标检测算法研究

运动目标的正确检测影响着运动目标能否被正确跟踪与分类,因此成为视频监控系统研究中的一项重要课题。文中对运动目标检测算法进行研究,实现对铁路沿线前方目标的有效识别,针对得到的视频序列,通过混合高斯模型进行背景建模,并与混合差分算法结合实现前景的提取与检测。通过与混合差法相比较,其仿真结果表明,该算法具有一定的可行性。     

基于视频车辆运动轨迹场的交通事件检测方法*

针对现有交通事件检测算法存在的模型复杂、运算量大,并且检测结果滞后的缺点,提出了一种基于视频车辆运动轨迹场的交通事件检测方法.该方法以基于视频的车辆跟踪轨迹为基础,形成正常车辆运动轨迹场,进而将当前车辆轨迹矢量与正常轨迹场矢量比较,最终实现了对超速、慢行、变道和逆行的异常交通事件的检测.研究结果表明,与传统方法相比,该方法算法简单,并且可以快速、准确地对异常交通事件进行检测.     

基于OpenCV的交通视频运动目标检测与跟踪

智能交通系统（ITS）是目前世界交通运输领域正在研究和广泛关注的课题。OpenCV是一种用于数字图像处理和计算机视觉的函数库,由Intel公司开发。本文在目标检测方面,对采集到的交通视频进行灰度化、中值滤波、背景建模、二值化,背景差分等处理,可以较准确地检测出运动目标。在目标跟踪方面,提出了CamShift算法和Kalman滤波器相结合的方法,实现视频车辆的精确跟踪。最后,利用OpenCV的运动物体跟踪的数据结构、函数库,建立了一个视频车辆分析系统。用于道路上车辆的检测与跟踪,并具有良好的鲁棒性。     

超声车辆检测的状态机算法

车辆检测现在主要应用到的有红外、地磁、视频和超声波等几种技术,它们各自都具有优缺点.文中分析并设计了一种基于HY-SRF05超声波模块的车辆检测算法：状态机检测算法.该算法能对检测车辆的阀值进行动态的更新,达到准确高效的检测效果.同时,该算法也适用于中、大型停车场的车辆诱导系统和公路上交通车流量的检测.     

基于多核DSP平台的交通视频运动目标检测跟踪实现

为解决实际交通智能监控系统中视频传感器平台因移动或外部因素的影响发生晃动,导致视频运动目标检测跟踪性能下降的问题,文章提出了基于改进SIFT算法的精确配准动目标检测跟踪方法。该算法采用经典SIFT特征对图像配准,以此为基础实现高效、高精度的图像帧间差分运动目标检测,并采用自适应阈值分割算法完成对差分图像的分割,且通过区域合并策略解决分割产生的断裂及空洞问题,同时采用目标局部邻域特征和置信度判定准则,实现对运动目标的检测和持续稳定的跟踪。最后,基于多核DSP处理平台,通过实验验证了该算法应用于智能交通视频动目标检测跟踪的有效性。     

基于Mask R-CNN检测流程的工艺流程优化

当下基于深度学习的手语识别方法很多是参照了行为识别的方法,这种方法对整个视频进行特征提取,只关注了视频的全局信息而忽略了手语局部手势特征的学习,而基于传统算法的手语识别需要复杂的人工设计特征过程.为了加强对手语局部特征的学习,提取手部区域,将Mask R-CNN应用到手部区域检测任务中,通过在网络中融入跟踪模块,提升连续视频中的目标检测准确率.通过实验,在自行标注的数据集基础上,训练并测试目标检测网络与跟踪模块的性能,验证了手部区域检测模型的有效性.通过在网络中融入跟踪模块,提升连续视频中的目标检测准确率.     

基于Haar-like特征和时空信息的交通状态区域检测

针对现有交通状态检测算法无法适应城市道路复杂交通的问题,提出一种新的基于Haar-like和时空信息的交通状态区域提取算法。该算法首先采用基于Haar-like特征的车辆检测算法、边缘检测法和帧差法分别提取路面车辆、空域纹理和时域纹理的三种信号;然后将提取到的三种信号进行统计分析,获得准确的交通状态区域。将该算法与基于车辆检测的交通状态检测算法和基于帧差法的交通状态检测算法在远距离小目标、遮挡车辆和混合交通的复杂交通场景中进行对比实验。实验结果表明,该算法在这些复杂交通场景中准确率平均达90.98%。