基于视频的车辆检测与跟踪算法综述

指出基于视频的检测跟踪技术是未来智能交通系统的发展方向。在前人的基础上,综合分析比较几种常用的车辆检测和车辆跟踪算法,其中车辆检测算法包括背景差分法、帧间差分法和光流法,车辆跟踪算法包括基于区域跟踪法、基于特征匹配法及MeanShifi快速跟踪法,分析讨论这几种算法的优缺点,并简单论述其发展趋势。     

基于视频的高速公路车辆检测和跟踪算法

采用一种基于像素的新方法来更新背景，同时将工作区域分为车辆检测和车辆跟踪两个部分，在车辆检测区建立跟踪对象，在车辆跟踪区仅仅对跟踪对象进行预测跟踪，从而减少了跟踪的盲目性和算法的计算量，提高算法精度。根据该算法设计的视频检测器已用于实际交通参数的采集，统计的结果表明该算法检测和跟踪的正确率分别高于96%和97%，并具有很好的实时性，能满足管理部门的需求。     

基于视频的车辆检测与跟踪算法研究

基于视频的车辆检测以及车辆跟踪是智能交通系统中的重要部分。本文在混合高斯背景模型的基础上,通过差分法分割出检测目标,利用检测目标的位置信息和色彩信息,找到与之最匹配的目标轨迹,从而实现车辆的跟踪。实验表明,该方法具有很高的检测与跟踪效率,同时能够满足智能交通系统的适时性要求。     

基于混合差分的车辆检测方法

以实时获取的视频图像为基础,针对ITS领域的关键技术,对高速公路事件检测系统的多个方法进行了改进。在彩色图像模型下提出一种改进的基于混合差分的车辆检测方法,使检测更快速,效果更好。针对检测结果的后期处理,提出了一种实时分割与实时合并移动目标的算法。实时分割主要采用一种基于阴影消除的方法,通过模板匹配,从而达到分割重叠车辆的目的。实时合并则引进一种兴趣度函数来填补移动目标的内部空洞,同时通过测定六边形之间的距离使断裂部分进行合并。实验结果表明,提出的算法简单、易实现、具有高实时性,车辆检测率超过96%。     

基于视频的车辆检测与跟踪技术综述

基于视频的车辆检测器近年来在智能交通系统(ITS)中得到了越来越广泛的应用。本文介绍了近年来提出的一些主要的基于视频的车辆检测与跟踪技术,并对这些技术进行了分类。同时分析比较了各种方法的优缺点。最后,说明了这一领域仍然存在的问题和对可能的研究方向进行了一定的预测。     

一种基于位置预判和模板匹配的车辆跟踪算法

本文将位置预判和模板匹配的技术应用于车辆检测与跟踪,构建了一个运动车辆跟踪算法.在对车辆跟踪过程中出现的车辆遮挡、分裂等情况,运用模板匹配技术,取得了较好的结果.实验结果表明,该算法能够对多个车辆进行同时跟踪,同时有较高的实时性.     

基于Mean Shift的多视频车辆跟踪研究

为了提高多视频下目标车辆跟踪的准确率,提出了一种基于Mean Shift结合视觉词袋的车辆跟踪方法。该方法采用Mean Shift提供的轮廓和颜色信息进行初匹配,并进行跟踪;针对车辆在不同视频下车辆视角、环境不同的情况,提出了尺度不变的识别方法,即利用视觉词袋特征作为车辆特征进行再次匹配。该方法能够利用高速路网中摄像机拍摄的视频确定目标车辆的具体位置。实验表明,基于Mean Shift的多视频车辆跟踪方法能够有效提高车辆跟踪的准确率。     

基于视频的高速公路车辆提取与跟踪算法研究

将背景重建技术应用于运动车辆的提取与跟踪,构建了一个运动车辆提取与跟踪算法。在引入多特征匹配的基础上,设计了一种简单实用的目标跟踪多特征匹配判决逻辑。实验结果表明,该算法能够完成对多个运动目标的跟踪,而且对光线变化及目标运动状态的变化等不利因素有较好的适应性。     

复杂环境下的夜间视频车辆检测*

分析了夜间复杂交通场景的特点,提出了应用于夜间交通信息采集的HLEPT（headlight extraction,pai-ring and tracking）算法。该算法包含车灯提取算法和配对跟踪规则,并结合先配对车灯后跟踪其轨迹和先跟踪车灯后配对其轨迹两种方法,对车流量、车速等交通信息进行统计。实验表明,HLEPT算法复杂度低,具有良好的实时性、鲁棒性,良好环境下其检测率达到96%以上;即使在雨夜路面有车灯倒影的交通拥挤路段,也能达到88%的检测率。     

一种基于改进的GVF-Snake模型的车辆跟踪算法

提出一种基于改进的GVF-Snake模型(基于梯度矢量流的活动轮廓模型)的车辆跟踪算法.该算法利用帧差法自动获取车辆的初始轮廓,通过改进的GVF-Snake模型,从车辆视频流中准确提取出车辆的轮廓.为提高计算速度,改进的GVF-Snake模型采用贪心算法逐点迭代,并根据控制点的距离,自适应地增删控制点,以适应车辆目标大小变化.在此基础上,应用预测算法对车辆进行快速准确的跟踪.实验结果验证该算法的有效性.     

卡尔曼粒子滤波的视频车辆跟踪算法研究

近年来,视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。本文针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不稳健性,提出一种基于卡尔曼粒子滤波的视频车辆跟踪算法,该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模,并将其应用于卡尔曼滤波更新中,通过采用Mean Shift算法将卡尔曼滤波器引用到粒子滤波器当中,对车辆的运行轨迹进行校正,实现了局部线性滤波,实现了在保持跟踪系统整体上的非线性、非高斯性的同时,兼顾其局部的线性高斯特性。实验结果表明,本文所提出的方法与传统粒子滤波方法相比,能够更准确地对车辆进行跟踪,同时保证了在复杂环境下性能的稳健性。     

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。     

基于车尾中轴特征的粒子滤波跟踪算法

为了解决车载视频背景实时变化的情况下车辆检测和跟踪问题,提出了一种基于车尾中轴特征的车辆识别及跟踪算法,其特点在于采用新颖的车尾中轴特征。车尾中轴特征具体为以两盏刹车灯为端点,车牌在端点连线的对称轴上。算法在取得目标区域之后计算其直方图信息,进行粒子滤波器跟踪。最后测试了算法的可行性。     

基于改进压缩跟踪算法的航拍视频目标跟踪系统

针对航拍视频的特性,对经典的压缩跟踪（Compression tracking,CT）算法进行了研究,发现了CT算法在样本采集和分类取样步骤中的不足并进行了相应的改进。采用Kalman滤波器预测目标的运动路径,并将预测结果应用于样本采集,自适应地修改搜索范围。更新了分类器的取样反馈过程,先对分类结果进行判断,评分绝对值低于某一阈值的分类结果不反馈给分类器,有效地保持了分类器的正确性。在改进算法的基础上,开发了基于航拍视频的目标跟踪系统。通过与经典压缩跟踪算法在实际航拍道路视频的测试和对比,验证了本文算法的有效性和实时性。     

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。     

基于模型的车辆检测与跟踪

车辆检测算法是汽车辅助驾驶系统中的核心算法之一。为了对摄像机抖动下的目标进行鲁棒跟踪,提出了一种新的基于投影的曲线模型匹配方法,利用投影的完整度、匹配点相对于模型的偏移量期望和方差的加权和作为相似性度量。在此基础上建立模型匹配算法,利用车辆模型匹配进行车辆的检测和跟踪。实验结果表明,该算法具有良好的适应能力,对不同车型、大小、颜色的车辆都能够进行很好的检测和跟踪,并能够在车辆颠簸造成摄像机抖动的情况下保持目标的稳定跟踪。     

应用视频技术的目标检测与跟踪系统研究

针对工业控制中智能视频的应用,本文研究了基于SOPC的智能视频在工业控制中目标检测与跟踪系统,本系统包含四个模块:图像采集模块、存储模块、目标检测跟踪模块和VGA显示模块,可以完成视频中图像的采集与处理、目标的检测与跟踪和显示等功能,实现了运动目标检测与跟踪的准确性和实时性.实验结果显示,本研究在运动目标的跟踪时偏移度...     

基于LBP纹理分析的视频车辆检测研究

视频交通事件检测与处理技术在智能交通领域中的应用研究已在学术界和工业界引起了广泛关注。作为视频交通事件检测技术的基础,车辆检测也已成为研究热点。该文主要研究在车辆检测过程中出现的车辆检测不完整,特征信息提取不完全等情况,研究利用LBP算子进行区域生长方法,使得不完整的车辆区域按照LBP纹理方向扩展,从而获得较完整的车辆目标。实验结果表明该算法能够有效进行区域生长,检测车辆的完整度有较大提高。