基于单类支持向量机的视频车辆检测研究

针对现有视频车辆检测方法存在高误检率、不完整及需要分类的样本数量大等问题,提出一种基于单类支持向量机的视频车辆检测方法.方法通过基于视频多帧统计的方法获得完整的车道背景图像,采用单类支持向量机获得车道背景模型,应用此模型检测车辆目标区域.实验结果表明,该算法具有所需样本量小,车辆检测完整,对光照的变化具有一定的自适应能力等特点.     

基于自适应虚拟线圈的多车道车流量检测算法

针对虚拟线圈检测算法在多车道车流量检测中存在误检或者漏检的问题，提出一种基于自适应虚拟线圈的车流量检测算法。根据图像二值化原理，对ViBe算法的前景检测部分进行二次判断，并改变背景更新机制，提出一种改进的ViBe算法，以达到快速消除鬼影的目的，更准确地完成前景目标提取。在道路上设置固定检测区域，根据运动目标在固定检测区域的运动轨迹来建立或者消除非固定虚拟线圈，再进一步使用虚拟线圈的车流量检测算法实现车流量统计。选择三个不同的场景4车道无车辆变道、2车道有车辆变道和3车道有车辆变道且环境突变进行实验，所提算法的车流量检测准确率比传统的虚拟线圈算法分别提高8.9、25和16.6个百分点，且所用时间相当。实验结果表明所提算法更适用于多车道的车流量检测。     

基于帧差法和背景差法融合的车流量检测方法

研究优化车流量检测准确度问题。针对运动目标速度和外界环境都是影响车流量检测准确性,容易造成车流量的漏检和误检等。为了克服传统算法所存在的缺陷,在现有算法的基础上,提出了一种融合帧差法和背景差法的智能车流量检测方法。首先利用帧间差分方法为主,结合减背景方法为辅,然后通过一种迭代阈值分割法滤除噪声并对背景进行实时更新。完成了多车道的车流量检测,并进行了仿真,结果得到多组数据,并提高了计算准确率。仿真结果表明,改进方法可有效地提高了车流量检测精度。     

基于视频车流轨迹的虚拟车道划分方法

针对车道线磨损、临时改道以及非结构化道路等情况下的车道划分问题,在利用YOLOv3得到车辆检测模型前提下,提出基于视频车流轨迹的虚拟车道划分方法。密度矩阵统计时间t内由车辆检测模型得到车流量密度分布,运用三维坐标系对其进行分析;使用EM算法对一元混合高斯模型求解;建立虚拟车道宽度数学模型,运用3σ准则得到车道边界点集合,利用最小二乘法对边界点进行曲线拟合,完成虚拟车道线划分。该方法可以有效避免环境和天气因素对车道线检测的影响,具有一定的鲁棒性和灵活性。实验结果表明,该方法在不同道路中能够取得88.7%的准确率。     

基于时空关系模型的城市道路车辆实时检测

复杂城市道路环境下运动车辆目标检测是现代智能交通系统的重要组成部分.依据多帧视频图像序列的时空连续变化关系,通过构建多帧视频图像序列时空关系模型（Time-space model——TSM）,进一步完善车底阴影特征检测算法,并与AdaBoost算法相结合,实现运动车辆目标检测的候选区域筛选与验证处理,以降低车辆检测的误检率,提高准确率.在白天复杂城市道路环境下,实验结果显示基于TSM的车辆检测,检测准确率为92.1%,误检率为4.3%,图像分辨率为1920*1088,单帧图像平均处理时间76 ms.基于TSM的车辆检测显著改进了AdaBoost和车底阴影特征检测算法存在的误检率高,效率低问题,满足城市道路环境下车辆检测准确率和鲁棒性的要求.     

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。     

城市交叉路口背景提取与车道标定算法

目的 为解决车辆对车道标记的遮挡问题,提出一种新的背景提取算法,同时基于透视变换实现了城市交叉路口的多车道标定。方法 首先,通过均值与帧间差分方法的融合,进行城市交叉路口的背景稳定与更新;然后,利用Canny算子及Hough直线检测得到各类直线;其次,基于透视变换、聚类分析和先验知识建立了车道线的筛选数学模型,实现了车道线标定;最后,通过实验对算法进行了验证。结果 采用10min长度、分辨率为2592×2048像素的某城市交叉路口实际监控视频进行交叉路口背景提取。本文算法的背景提取准确率比均值法和传统高斯混合模型法分别提升20%和30%左右,车道线标定也优于其他类似方法。结论 算法具有收敛速度快、准确率较高、稳定性较好等特点,在车流量大时可快速更新并消除车辆虚影,适用于光照条件正常的城市交叉种口的车道线标定。     

改进的混合高斯背景建模算法

针对传统的混合高斯背景建模算法实时性差及对光照等引起的环境突变适应性差的问题,提出一种改进算法。通过定义模型生存时间、连续匹配次数等参数定量约束模型的生存时间,改进传统算法中固定模型数量的限制,提高背景建模速度;通过定义突变因子、突变持续时间,检测光照突变。仿真实验表明,改进算法实现了模型数量的自适应增减,提高了建模效率,对由传统建模算法实时性差造成的误检及光照突变引起的误检能较好的解决,具有较强的鲁棒性。     

混合高斯模型运动检测算法优化

针对经典混合高斯算法对非平稳场景过于敏感的问题, 提出了混合高斯模型运动检测算法的优化方法。在检测算法流程的匹配高斯模态选择、模型更新和背景显示上分别作了优化：综合考虑模态权重与模态自身匹配度, 选择匹配高斯模态; 统一初始化与检测过程中的模型更新, 即使视频检测的背景变化较大, 系统也能较快地建立理想背景模型; 综合考虑背景模型各模态分布, 清楚反映了背景模型的具体分布。实验结果表明, 与经典混合高斯算法相比, 优化算法在克服背景扰动、降低误检率上表现良好, 有效提高了混合高斯算法对场景变化的适应性。优化算法在实际工程应用中效果良好。     

基于公路监控视频的车辆检测和分类

在学习了已有的检测与分类算法以后,设计了一种将改进的高斯混合模型（GMM）与分类网络（GoogLeNet）融合的方案用于车辆的检测和分类.针对高斯混合模型存在模型初始化速度慢和计算复杂的问题,改进了初始化模型的算法提升初始化效率.运用五帧差法做车辆初提取,在提取到的车辆区域上运用高斯混合模型获得车辆图片,把五帧差法和高斯混合模型结合起来减小了建模的区域,提升了检测速度,提高了系统实时性.最后使用GoogLeNet对车辆分类.实验证明相较于现有的车辆检测分类方法,本文所提方法在检测速度和分类准确性上都有很大提升,满足了现实场景下对监控视频的车辆检测和分类的实时性要求.