单边侧阴影特征的车辆阴影去除

在基于视频的车辆检测问题中,车辆阴影会造成车辆提取误差,影响系统可靠性,针对该问题,提出了一种基于车辆阴影像素灰度分布特征的阴影去除方法。结合阴影产生的原理,首先分别从4个方向对前景区间进行投影,获得投射阴影的像素分布曲线。再采集阴影曲线上的像素点,计算其分布特征,其中分布于概率区间范围的即为阴影部分,从而去除阴影。实验结果表明,该方法能够快速、准确地去除图像中的车辆投射阴影。     

交通视频中利用多特征抑制车辆阴影

提出了一种综合利用交通视频中运动车辆的边缘、颜色以及几何等多特征,达到完整去除运动车辆阴影的方法.利用车辆本身区域的边缘线段比阴影区密集这一特点,首先提取包括阴影在内的前景图像的边缘图像,利用颜色信息判断边缘点属于车辆还是阴影;然后结合形态学开操作、几何特征对第一步处理后的图像进行修正和细化.实验将基于颜色特征进行阴影抑制的方法以及提出的方法进行对比,结果显示该方法能更好地抑制阴影并保留车辆本体信息.     

公路车流量视频检测方法

针对视频车流量检测容易受背景以及车辆阴影等因素影响的问题,提出了一种自适应背景差分结合阴影去除的车流量检测方法。首先,建立自适应背景提取模型;然后,利用差分法从视频检测区域提取包含阴影的车辆目标,并进行二值化处理和孔洞填充;接着依据阴影区域相对于车辆区域灰度较小的特点,从填充后的二值图像阴影区域向车辆区域方向进行像素值比较,从而检测并去除阴影;最后,通过设定两排检测窗口进行车流量计数。实验结果表明,该方法受背景和车辆阴影等影响较小,在不同气候环境下具有较高的车流量检测准确率。     

多车道的车流量统计

针对视频车流量检测容易受光线变化以及相邻车辆阴影影响的问题,提出一种基于车辆图像能量差分的车流量检测方法.该方法利用车辆视频图像的能量信息作为车辆的检测特征,辨别检测区域各部分状态,减弱光照、阴影等的影响;并且通过实时自动提取和更新背景能量图的方式来检测车流量.实验表明,与传统的背景帧差法相比较,该方法受光照变化、车辆阴影的影响较小,实时性好、准确度高.     

基于移动区域的快速车辆检测

提出一种快速的移动车辆目标识别新方法。该方法由移动区域检测、阴影检测和边缘检测三部分组成。首先,采用自适应背景更新的方法在图像中快速检测出移动区域;然后,以此为基础建立阴影的粗模型,阴影检测时只对该区域内的图像采用基于HSV颜色空间的方法进行分析处理;最后,对移动区域和阴影区域进行边缘检测,从移动区域中去除阴影区域,从而准确区分真实车辆和阴影。实验表明,该方法有效地提高了车辆检测效率,能满足实时性要求。     

基于图像处理的公路车流量统计方法的研究

本研究提出了一种车流量的统计算法,处理步骤包括:提取与更新道路背景图像、使用自适应阈值提取运动车辆、去除车辆阴影、区分不同车辆和利用车辆中心的连续匹配来确定车辆数目,该算法不受车道的限制,人为影响小,计数准确性高。实验结果表明,本算法能够适应道路背景的多种变化,实现车辆的准确计数。     

实时交通视频监测中自适应车辆提取算法

在复杂的室外环境中,视频处理技术的应用受到了一定的限制。该文提出一种实时交通视频下自适应的车辆提取算法,提高了视频监测系统在长时间运行条件下对光线变化、阴影和系统噪声的适应性。算法利用图像形态学和图像边缘直方图运算的2种方法对前景目标车辆进行提取,保证了算法的准确率和效率。实时交通视频实验结果表明,该方法取得了较好的成果,为后续的运动车辆跟踪提供了前景信息。     

一种基于改进码本的车辆检测与跟踪方法

为了解决固定摄像机下车辆跟踪过程中阴影对检测的影响,提出一种改进型码本模型的车辆检测方法。该方法直接对YUV空间的车辆序列进行处理,将采样到的背景值聚类成码本,对于新输入的像素值与其对应位置的码本作比较判断,提取出前景区域。车辆跟踪中采用Kalman预测的方法来处理车辆遮挡问题。实验结果表明,本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,能较好地处理阴影、高亮、遮挡和背景变化等问题,且计算复杂度小,能满足实时跟踪的需要。     

一种基于交通视频车辆阴影去除算法的研究

车辆识别是智能交通系统的主要研究课题,而阴影是影响车辆识别的最主要原因。根据车辆阴影形成的光学特征,提出一种基于自动标记的OSTU双阈值图像增强车辆阴影去除算法。首先使用改进的统计直方图背景更新算法进行背景更新,获取背景图像。其次使用背景差分运算求取包含移动阴影的前景二值图像。最后使用改进的自动标记算法对所得二值图像的连通区域进行标记,然后分别对每一个标记的连通区域所对应的实际图像使用OSTU双阈值图像分割方法进行分割,并对所得的分割区域进行不同程度的灰度增强。在视频检测实验中,该算法不仅能够有效消除移动阴影,而且在一定程度上克服了阴影误检等问题。实验结果表明,该改进方法在阴影消除方面的有效性。     

面向车辆防撞的车底阴影检测方法

为解决常用车底阴影检测方法在复杂光照及背景条件下检测结果不稳定的问题,提出一种基于聚类分析的车底阴影检测方法。使用改进的高斯混合模型聚类算法对交通图像中的目标,即路面、车道线、车辆、车底阴影进行聚类,利用高斯阴影模型的均值与方差自适应阈值分割图像,提取路面与车底阴影的交线,利用阴影的几何结构特征对检测到的阴影线进行两次合并,得到最终结果。实验结果表明,该方法能有效检测车底阴影,适应白天不同时段、光强变化,在复杂投影的干扰下能实现准确检测。     

基于HEVC的车辆异常事件检测

当前传统交通事故检测和查阅主要通过人工监测的方法,这种方法效率低且实时性差,本文提出一种基于最新压缩域视频编码标准HEVC（High-efficiency video coding）的车辆异常事件检测方法。首先对HEVC码流中提取出的运动矢量信息进行运动矢量累积迭代和中值滤波的预处理,之后根据提取出的块划分信息和运动矢量信息计算运动对象的运动强度,然后根据运动强度值和八连通区域法提取出运动对象,最后根据空间距离法和运动强度判别法检测出视频序列中发生的车辆异常事件。实验证明,该方法可以准确地检测出视频序列中发生的车辆异常事件;对于有着快速移动的运动目标以及多个运动目标的视频效果更好。     

高速水面艇视觉系统电子稳像算法

针对高速水面艇视觉系统在采集视频过程中, 由于高速运行、水流运动和风力影响等因素造成的视频图像抖动问题, 根据高速水面艇视频图像运动特点, 例如同时含有平移、旋转和变焦运动等, 采用尺度不变特征变换算法提取视频图像中的特征点, 利用仿射模型求解运动参数, 运用Kalman滤波对视频图像中的正常扫描进行滤波, 最后用相邻帧补偿法对每帧图像进行补偿, 实现高速水面艇的视频图像稳像处理。算法用于高速水面遥控艇采集到的视频上进行对比验证分析, 结果表明算法对高速水面艇视觉系统下的视频图像稳像处理快速、有效。     

Dynamic objects detection through visual odometry and stereo-vision: a study of inaccuracy and improvement sources

Road safety, whatever the considered environment, relies heavily on the ability to detect and track moving objects from a moving point of view. In order to achieve such a detection, the vehicle’s ego-motion must first be estimated and compensated. This issue is crucial to complete a fully autonomous vehicle; this is why several approaches have already been proposed. This study presents a method, based solely on visual information that implements such a process. Information from stereo-vision and motion is derived to extract the vehicle’s ego-motion. Ego-motion extraction algorithm is thoroughly evaluated in terms of precision and uncertainty. Given those statistical attributes, a method for dynamic objects detection is presented. This method relies on 3D image registration and residual displacement field evaluation. This method is then evaluated on several real and synthetic data sequences. It will be shown that it allows a reliable and early detection, even in hard cases (e.g. occlusions,...). Given a few additional factors (detectable motion range), overall performances can be derived from visual odometry performances.     

用图像处理技术提取交通车辆移动轨迹

交通仿真的不断发展要求能为其提供现实中的车辆运动过程,从而使得模拟更加逼真,同时交通仿真模型评估也需要用到现实的车辆运动轨迹来比对仿真模型模拟出来的车辆运动轨迹。该文提出了一种用图像处理技术提取交通车辆移动轨迹的方法。该文介绍的这一方法采用了动态目标区域检测的技术来追踪运动车辆,所谓动态目标区域检测就是指被检测区域是动态更新的,是随着被检测对象位置的变化而改变的。这样一种思路有效地提高了系统运行的速度和系统检测的精度。避免了采用全局扫描思路所引起的系统复杂、运算量大以及精度不高的缺点。同时又有别于静态的重点区域检测的思路,使得系统更加灵活,运算更加快捷。通过实验验证,该系统可以快速准确地提取交通车辆的移动轨迹。     

一种基于RFID的室内车载监控系统定位方法的设计与实现

室内定位是智能家居系统中实现居境信息自主巡检的基础支撑技术。针对现有室内定位算法的不足,提出了一种基于RFID的新型室内定位方法。该方法建立基于RFID标签映射的地面坐标,借助电子罗盘获取车载系统方向,通过向量方法计算出车载系统的中心位置,有效地解决了室内定位的精度与稳定性问题。基于该方法,设计并实现了一个室内车载监控系统,验证了算法的有效性。     

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。     

基于图像处理的公交车紧急状况检测

针对公交车内的车载监控技术不完善且很少有紧急状况检测技术的问题,提出了一种实时检测车内紧急状况(主要体现为人的快速移动)的图像处理算法。首先,根据乘客的运动轨迹划分出人群的主要活动区域;其次,运用改进的前景提取算法提取运动前景;然后,通过Harris算子对运动前景区域提取特征点,应用光流约束的光流法对特征点建立运动矢量场;最后,通过建立KPA模型来判断是否有紧急状况发生。从理论分析和实验表明,所提算法在不同环境下检测紧急状况的成功率达83.9%以上,在实际工程应用中有实时检测的优势。     

联合注意力机制与目标点信息的车辆轨迹预测

对周围环境中运动物体未来状态的准确预测是影响自动驾驶车辆做出准确决策的重要影响因素,车辆是最常见也是最需要关注的运动物体之一。针对结构化道路下周围车辆轨迹预测的多模态输入问题,提出了基于注意力机制的深度预测网络。提出交互模块以提取目标车辆与周围车辆及车道线信息存在的交互特征;结合车道线信息对车辆运动的指引作用,加入目标点预测模块以预测目标车辆可能到达的目标点,增加预测准确性。在Argoverse公开数据集上进行实验,所提轨迹预测网络在3秒预测时长实现了1.45m最小平均距离误差及3.21m最小最终距离误差的预测精度,优于当前主流的预测算法。     

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。     

彩色序列图像中移动目标定位与区域提取

提出一种基于彩色序列图像提取移动目标区域的新方法。首先采用时态差分法进行运动目标定位,对彩色序列图像进行差分;然后通过选择阈值将彩色差分图像转化为二值图像;为了克服背景扰动和摄像头抖动,采用了对称差分算法,使得运动目标的定位更为准确。最后在对称差分的基础上,通过投影提取移动目标区域,为了消除扰动造成的影响,采用了杂块去除和区域合并方法。实验结果表明所提方法能有效快速地提取出移动目标。