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.     

基于颜色属性的车辆阴影去除方法

颜色属性,即语言颜色标签,可以表示世界中的所有颜色。视频帧图像中的阴影的颜色属性为黑色,因此提出一种基于颜色属性的车辆阴影去除方法。利用概率潜在语义模型学习颜色属性,建立颜色名概率字典,并实现对视频帧图像的颜色名映射,将表征阴影的黑色区域二值化为背景,而非阴影区域二值化为前景。同时,将二值化图与背景差分图进行"与"操作,去除阴影,再去除阴影外边缘的噪声。最后,对其进行先膨胀再连通域填充处理,以得到去除阴影后的车辆目标。实验证明,该方法在一定场景下可以很好地去除阴影,获得相对完整的运动车辆目标。     

基于监控视频的运动车辆检测优化方法

为满足实时性处理需要,提出了一种基于监控视频的运动车辆检测优化方法.运用自适应ROI(region of interest)提取算法,在获取可能出现运动车辆的区域后,基于帧间差分法与分块处理思想,提出了一种改进的背景提取算法,有效地提取运动目标区城.对提取的多目标运动区域进行分离,分别提取可能是车辆的区域后,提出了一种简单、快捷的阴影去除算法,有效地去除阴影,获得准确的运动目标区城.实验结果表明,该方法速度快、准确率高,能很好地满足实时性要求.     

基于视频检测技术的交通车流量研究

研究在复杂的交通十字路口环境下完成交通车流量的获取,首先对视频图像提取背景模型,进而通过图像差分获得前景图像（即运动目标）,并进行图像二值化以及去噪等图像预处理过程,而后通过设置虚拟检测区域实现对该检测区域内的车辆计数,最终得到车流量信息。     

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。     

融合线性特征的局部纹理运动车辆阴影检测

提出了一种融合线性特征的局部纹理运动车辆阴影检测方法。首先基于连续帧视频图像信息建立初始背景模型;通过背景差法获取包含阴影的运动目标区域,同时依据该运动区域信息实时更新背景;结合亮度信息,利用改进局部二值模式的纹理算子描述运动区域纹理,并根据海明距离进行粗分类,快速检测出运动区域中的阴影覆盖区;进一步对阴影覆盖区域进行纹理信息的线性特性判断,排除车辆自阴影区域,获取背景阴影,得到真实车辆目标。实验结果表明,该方法提高了阴影和车辆自阴影的检测准确度,且速度快,可满足实时性要求。     

体育视频中的运动员检测与跟踪

利用自适应高斯混合模型对视频图像进行建模,从图像序列中获取背景图像并提取运动区域,利用像素的颜色信息从背景图像中提取绿色球场。为提高运动员检测的准确度,利用纹理相似性度量方法消除运动区域中的阴影,用形态学方法消除区域内的裂缝,根据球场信息去除球场外的噪声。改进了CamShift算法,并应用该算法对运动员进行跟踪。     

一种基于计算机视觉的车流量检测方法

该文提出一种基于计算机视觉的车流量检测方法。首先,利用背景差法对视频中车辆前景图像进行提取。其次,对前景图像进行灰度化、二值化、膨胀、填充等图像处理方法。然后,完成图片中目标块数目的统计,完成车辆的计数。最后,对车辆粘连问题提出了基于车辆形状的解决方案。实验结果表明了该方法的准确性和有效性。     

融合颜色相关性和纹理差异的阴影检测方法

在雨天交通视频中,车辆同时受阴影和水汽拖尾的干扰。为此,在分析目标车辆、路面、阴影和水汽拖尾区域特性的基础上,提出一种融合颜色相关性和纹理差异的阴影检测方法。由当前点与背景点的HIS向量点积测量颜色相关程度,检测出车辆目标和水汽拖尾区域,利用当前区域和背景区域的纹理差异区分深色车辆和阴影。实验结果表明,该方法能较好地检测雨天交通视频中运动车辆的投射阴影,且能有效去除水汽拖尾,从而保证车辆的正确分割。     

采用UKF建模的实时背景提取和运动阴影检测

实时运动物体分割是实现智能视频监控和视频交通流量检测等视觉系统的基础。目前,影响运动检测的因素主要有两个方面,一是背景建模的准确性;二是运动阴影的干扰。提出了基于无偏卡尔曼滤波器(UKF)的背景提取和阴影检测方法,构建整体的运动物体检测框架。该方法通过对背景和阴影建模,分别从帧间差分和背景差分两个层次综合分析像素值的动态变化特性,并利用色彩和亮度变化特性检测出运动阴影,最后借助UKF对两个模型参数进行在线更新,实现实时的运动物体分割。与现有算法相比,该方法背景跟踪速度快、运动检测效果好、计算量较小。实验结果证明了该方法的有效性和实用性。     

复杂环境下的运动车辆检测

针对目前采用的车辆检测方法的优缺点,提出了一种新的车辆区域检测方法,能够消除阴影干扰。该算法首先运用选择性背景更新法进行背景相减,获取感兴趣区域,然后提出基于图的区域分割算法,对感兴趣区域进行再分割。该方法充分考虑了视频图像全局和局部的空间信息,根据分割区域的大小自动自适应地调节对图像局部细节的忽略程度,从而获取局部区域像素信息较为一致的分割块。最后基于分割过程中所具有的马尔科夫属性,运用条件随机域的方法建立分割后验概率分布,求取最大后验概率确定标号,并对具有相同标号的相邻分割进行合并。     

TRAFFIC VIDEO-BASED MOVING VEHICLE DETECTION AND TRACKING IN THE COMPLEX ENVIRONMENT

Moving vehicle detection and tracking is the key technology in the intelligent traffic monitoring system. For the shortcomings and deficiencies of the frame-subtraction method, a novel Marr wavelet, kernel-based background modeling method and a background subtraction method based on binary discrete wavelet transforms (BDWT) are introduced. The background model keeps a sample of intensity values for each pixel in the image and uses this sample to estimate the probability density function of the pixel intensity. The density function is estimated using a new Marr wavelet kernel density estimation technique. The background and current frame are transformed by BDWT, and moving vehicles are detected in the binary discrete wavelet transforms domain. For the shortages of RGB (Red, Green, Blue) or HSV (Hue, Saturation, Value) color space-based vehicle shadow segmentation algorithms, shadow segmentation algorithm based on YCbCr color space and edge detection is proposed. The original data of the shadow according to the characteristics of the YCbCr space is chosen, and then, combined with edge detection, the shape and location of the vehicle region is determined. An automatic particle filtering algorithm is used to track the vehicle after detection and obtaining the center of the object. An actual road test shows that the algorithm can effectively remove the influence of pedestrians and cyclists in the complex environment, and can track the moving vehicle exactly. The algorithm with better robustness has a practical value in the field of intelligent traffic monitoring.     

一种基于无人机视频影像的车流量统计算法

针对城市智能交通管理系统中车流量统计出现的漏检误检问题,提出一种基于无人机(unmanned aerial vehicle,UAV)视频影像的车流量统计双虚拟检测线算法。算法利用数字图像处理技术和计算机视觉对视频流进行处理,首先对无人机获取的视频影像采用均值滤波进行去噪处理,利用改进的多帧平均方法提取出初始背景,通过背景差分法检测出运动目标,然后使用混合高斯背景模型进行背景更新,设置双虚拟检测线并计算二值图像上位于双虚拟线内的连通区域面积、长宽比,统计出实时的车流量。实例验证结果表明,该方法的准确率在非高峰期达到92.94%,高峰期达到91.62%,为城市智能交通管理提供了可靠的数据支持。     

基于阴影检测的HSV空间自适应背景模型的车辆追踪检测

在交通监控中，要进行车辆的检测、车流量统计、实时追踪、车速测定等工作，而如何从复杂的背景中分割运动物体是至关重要的一步，目前采用的典型方法是背景相减方法。为了对运动车辆进行准确快速的检测，在研究了目前存在的各种方法之后，提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法，并将其应用于运动物体的分割，同时给出了具体的试验结果。该方法之所以不在传统的RGB空间实现，而在HSV空间实现，因为HSV空间可以提供更丰富的颜色信息。运行试验结果表明，该方法准确率高，适应性强，运算速度快，兼具灵活性，能满足实时检测的需要。     

基于视频虚拟检测带的交通流量检测方法

交通数据的正确掌握对后续的交通控制起着至关重要的作用,采用基于视频虚拟检测带的交通流量检测方法,对检测带范围内像素点RGB的强度值进行统计,将无车辆时的统计值作为标准特征模板并执行模板更新策略,通过计算每一帧实时视频图像的特征值与标准模板特征值的距离进行车辆检测.为了提高检测精度,提出了一种基于阴影特征的阴影检测算法.在早晨和中午的不同光照条件下进行试验,在阴影明显的情况下,该方法的检测准确率在91％以上,在阴影不明显的情况下,检测准确率达到95％,可满足智能交通的需要.     

基于多特征融合的车辆阴影检测与去除

基于ViBE目标检测算法,融合交通监控视频中车辆的边缘与颜色特征,提出一种基于多特征融合的算法,实现对复杂交通场景中车辆阴影的检测与去除。通过ViBE提取前景目标,采用串行融合方式检测阴影。首先在传统的基于边缘特征检测阴影的基础上,利用水平集方法代替水平垂直填充,实现多个前景目标内部边缘的快速填充。在获取候选的阴影区域后,结合HSV颜色特征以及形态学处理等操作,以达到更好的阴影去除效果。通过对不同的视频图像序列进行测试,表明提出的多特征融合算法能有效去除投射阴影,且优于单个特征方法,适用于复杂的交通场景。     

多颜色空间中目标约束的车辆阴影分割研究

智能交通系统希望从交通视频中获取车辆的相关信息来管理交通流,而视频中车辆阴影的检测和移除是移动车辆检测的一个关键问题。首先提出一种新颖的背景模型更新方法,它是基于从前帧学习到的目标知识来更新背景模型;其次提出一种新的颜色空间,VIRGBC颜色空间,进行车辆阴影分割,它是通过从不同颜色空间中提取对阴影敏感的光谱特征和几何特征进行融合获得VIRGBC颜色特征;然后分别对VIRGBC颜色空间中各通道利用条件随机场进行训练,利用调和平均数合并获得分割结果。实验结果表明,该方法的precision\|recall曲线下的面积为93.5%,比现有其他算法获得更好的结果。     

结合色度和纹理不变性的运动阴影检测

目的：在运动检测中,运动物体产生的阴影常常被错误地检测为运动物体本身,为了将阴影从检测结果中消除,本文提出了一种色度不变性和纹理不变性相结合的运动阴影检测方法。方法：首先从阴影的物理模型出发,直接在RGB颜色空间利用色度不变性来获得候选阴影区域,然后根据颜色信息对候选阴影区域进行分割,对每个子区域,利用一种基于局部二值模式的指标来度量其与对应背景区域的纹理相似程度,进而判断该子区域是否是阴影,从而得到最终的检测结果。结果：在公开测试集上的实验结果表明我们的方法可以有效地检测出运动阴影,相对于几种常用的阴影检测算法具有一定的优势。结论：本文将像素级水平和区域级水平阴影检测方法结合起来,提出了一种结合色度不变性和纹理不变性的运动阴影检测方法。实验结果表明,在多类复杂场景中,本文方法都能有效地将运动阴影检测出来,具有较强的鲁棒性。