交通视频序列阴影检测算法研究

针对交通视频序列中的阴影检测问题,在分析目前常用的几种阴影检测算法的基础上,提出了一种基于交通视频流的灰度图阴影检测算法。该算法首先通过建立一个具有鲁棒性和自适应性的背景模型来获取背景,同时对阴影进行初步模糊滤除,然后再通过车体的重构来准确去除阴影。实践表明,该算法准确度高,具有广泛的应用前景。     

基于视频动态投影的实时车辆流量检测系统

系统利用视频检测线上的RGB灰度变化识别车辆,从而完成对车辆流量的检测。由于引入了动态投影技术,并由动态投影图得到特征值的波形,因此特征提取中灰度差阈值的确定变得直观而可靠。为了保证背景信号的真实性,系统采用了和背景变化相应的背景刷新技术。系统的识别正确率可达90％以上,能满足实际应用要求。     

多信息融合的虚拟线车辆检测算法

传统的虚拟线车辆检测算法仅利用图像亮度分量检测车辆,易受外部环境及车身颜色影响,误检率较高.提出了一种多信息融合的虚拟线车辆检测算法,以H、S、I三个分量信息为依据动态选择多个颜色空间的不同信息分量进行信息融合,将融合后的数据作为新的检测依据再进行虚拟线检测.检测效果同传统检测算法相比,可有效降低误检率.     

基于车辆跟踪线的车道检测算法

针对夜晚环境和车道标线不明确的情况,本文提出了全新的车道检测算法,利用道路上的车辆运行轨迹的有效统计来得到路面结果。实验结果显示此方法消减了环境因素的影响,并在现场检测中效果明显,适用于实时视频监控系统。     

基于SOPC的视频车辆检测技术研究

在智能交通领域,车辆的违章检测是重要的技术.而视频检测算法基本上都是基于PC平台的软件检测,无论是从稳定性和价格等都是不可取的.结合最新的SOPC技术,提出了一种基于SOPC的视频检测技术.以Nios Ⅱ软核处理器和外设IP核为硬件平台,结合A/D和D/A视频接口,以μC/OS为操作系统,实现了视频检测的硬件与软件结合的嵌入式检测技术,从而摆脱了PC的限制.最后通过具体的工程验证了设计的有效性,该方法具有高达82%的检测率,从而在智能交通领域发展有很好的市场前景.     

基于视频的运动车辆检测技术研究

智能交通系统是目前交通运输领域研究热点,车辆检测是智能交通系统的主要组成部分.文章研究了基于视频的车辆检测技术,指出运动车辆图像预处理、背景图像重建与更新以及运动车辆检测与技术是基于视频的车辆检测应解决的关键技术.     

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。     

车辆视频检测及阴影去除

针对智能交通系统的车辆检测问题,提出了一种运动车辆检测及阴影去除的方法。采用基于背景差与帧间差的方法来检测运动视频中的车辆,对背景差和帧间差检测出的车辆进行或运算得到运动目标。再对检测出的运动目标进行形态学处理,并结合色彩及阴影统计信息建立阴影模型,去除阴影。实验结果表明,该方法能够快速、准确地在动态视频中分割出运动车辆和阴影。     

一种基于视频技术的车辆检测和计数算法

介绍了一种基于视频的车辆检测和计数算法,分析了该算法程序的实现过程,并针对系统进行了实验。实验结果证明,该车辆检测和计数系统可以检测交通路口的车辆,并且可以对通过的车辆进行计数。     

基于视频图像处理的交通事件检测系统

针对目前公路事件发生后不能及时有效检测与报警、事故处理延迟等不足,研究开发了一种基于视频图像处理的交通事件检测系统。利用计算机视觉与数字图像处理技术,对设置在公路上的摄像头采集的视频图像,进行事件检测算法智能处理,自动采集各种交通参数,检测交通事件并及时报警,可有效地减少交通延误,防止二次事件发生,保障道路安全。与传统交通事件检测系统相比,具有直观方便、费用低等优点,拥有良好的市场需求和实用价值。     

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。     

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。     

用于视频中车速自动检测的摄像机自动标定方法

针对目前基于视频的车辆测速方法均需通过手工标定而造成的低效和可操作性差的问题,提出了一种对典型配置的道路监控摄像机的焦距、俯仰角、离地距离等重要参数进行自动标定的方法。首选利用自然场景中两组正交平行线在视频图像中形成的消失点之间的内在关系对摄像机的焦距和俯仰角实施精确标定;在此基础上利用视频中目标车辆群体的平均宽度对摄像机与地面之间距离进行自动标定。实验表明,该算法具有参数测量精度高和可靠性好等优点,可作为现有道路视频监控设备实施车辆速度、类别、流量等数据的自动采集、分析和监控,以及电子违章抓拍设备的有效自动标定手段。     

一种基于纹理分析的视频车辆测速方法

基于虚拟线圈的工作原理,将纹理分析技术应用到车辆的视频测速中,采用了基于像素灰度跳变的纹理描绘子作为图像特征和动态阈值做阈值决策的车辆检测算法,提出了一种产生视频触发信号的方法。给出了纹理描绘子和阈值更新的具体算法。经实验,取得了较好效果。     

视频图像的车辆速度实时检测算法研究

在监控视频图像中因拍摄角度的问题,导致图像中的车道线并不是竖直的。针对在此图像中选取对应块,实现车辆速度实时检测的问题,分析了车身的特征及图像中车道线的倾斜角度,选择车灯作为对应块,选取车灯存在的候选区域;然后根据车灯的对称性强度筛选车灯带,实现车灯的准确定位,并把车灯移动的距离通过摄像机标定转换到实际坐标中,从而实现车辆速度的实时检测。实验结果证明该方法运行速度快,定位准确。因此可以广泛的应用于红绿灯路口环境中实现视频图像的车速实时检测。     

基于背景自适应更新的车辆阴影检测算法

对基于视频的交通流量参数检测及交通路口控制方法而言,车辆检测是很关键的一步,但是由于车辆阴影的客观存在,经常会造成汽车数量的误检。本文在背景自适应更新的基础上,对阴影建立了模型并对检测算法进行了改进,以提高车辆检测精度。     

半监督SVM分类算法的交通视频车辆检测方法

针对交通场景运动车辆检测中车辆数目统计准确率不高、自适应性不强等问题,提出了一种基于半监督支持向量机(SVM)分类算法的交通视频车辆检测方法。利用人工标记的少量样本,分别训练2个基于方向梯度直方图(HOG)特征与基于局部二值模式(LBP)特征的不同核函数的SVM分类器;结合半监督算法的思想,构建SVM的半监督分类方法(SEMI-SVM),标记未知样本并加入到原样本库中,该方法支持样本库动态更新,避免了繁重的人工标记样本的工作,提高了自适应性;最后,通过三帧差分法提取运动区域,加载分类器在该区域进行多尺度检测,标记检测出来的运动车辆,统计车辆数目。实验结果表明:该方法在具有一定的自适应性的同时,有较高的车辆检测准确率,即使在复杂交通情况下,对运动车辆依然有很好的检测效果。     

基于中介度量理论的车辆检测算法

为提高传统虚拟检测线法的车流量检测率,提出在车辆判决条件中引入检测线上发生改变像素的连接程度,并针对车辆判决中存在的模糊问题,引入中介数学知识,设计了基于中介度量理论的车辆检测算法。该方法综合考虑多项判决条件,利用中介度量理论解决识别中存在的模糊问题,获得了较高的识别率。实验结果表明,该算法具有实时性及高准确性,为车流量检测提供新的解决办法。     

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。