一种基于区域的视频车辆跟踪系统

基于区域跟踪法提出一种视频车辆跟踪系统,改进了系统中涉及的多个方法。以车辆的提取检测结果为基础,提出基于混合差分的车辆检测方法,使检测更快速,检测结果质量更高。通过设计堆栈搜索技术和车辆识别规则,提高了基于差分法的识别准确率,改进了区域跟踪效果。实验结果证明了系统的可行性与实用性。     

一种基于自适应域值混合差分的目标检测方法

基于视频的目标检测中,现有流行的高斯混合模型GMM(Gaussian Mixture Model)目标检测的效果最好,但是其计算量很大,而简单的帧间差分方法和背景差分方法计算速度快,但是检测效果较差.提出在改进聚类方法基础上的基于自适应域值混合差分的目标检测方法,能够一方面具有很好的运动目标检测效果,另一方面具有很快的计算处理速度.同时该方法具有自适应能力,免除人工设置域值的麻烦,因而在实践中具有良好的实际使用价值.     

基于自适应混合差分的快速视频目标检测法

目标检测是视频跟踪过程一项重要的处理技术.目前,国内外常用主流的目标检测方法有基于统计的方法和差分法.基于统计的方法(如GMM等算法)计算量较大,而且不适用于快速移动的刚性物体分析;差分法容易造成跟踪对象重叠部分的较大空洞,造成分割结果不连通,而且大多需要人工给定参数阈值.本文针对以上方法的不足,提出了一种适用于分析快速移动刚性物体的目标检测方法:自适应差分法.新方法采用了混合差分策略提高了对象分割质量,并用高斯初始化策略实现了阈值的自适应选取.实验结果表明:自适应差分法比GMM算法、相邻差分法和间隔差分法效果更优且抗噪能力更强,更易应用于实际.     

基于帧间差分方法的道路车辆检测系统

为了智能监控道路车流量,本文应用帧间差分方法建立了适用于公路环境的机器视觉系统。系统所用方法可以自动识别视频场景内所有移动车辆,计算每个目标的位置、面积,统计当前视野范围内车辆数目,计算某时间段内总车流量。实验结果表明,本文算法可对视频进行快速准确的识别,对环境光的变化具有较强的鲁棒性。     

基于车前灯的夜间车辆视频检测研究

针对夜间车辆视频检测和车流量统计的难题，提出了一种改进的基于视频图像处理提取车前灯的算法。通过分析夜间车辆视频的特点，利用梯度滤波法消除地面反射光对车灯的干扰，实现图像增强，并将分水岭分割算法和直方图双峰法相结合提取车前灯的信息。利用车灯配对匹配原则设计了一种新的匹配算法和跟踪算法实现车灯的配对与跟踪，最终准确地实现了车辆检测和车流量的统计功能。     

基于仿射特征描述的鲁棒车辆遮挡检测方法

在交通场景下进行多目标跟踪时,往往会存在车辆之间的相互遮挡,使得基于视觉的车流量计算准确度受到严重影响。针对这一问题,提出一种基于仿射特征描述的鲁棒车辆遮挡检测方法,该方法利用车辆的角点特征,建立基于仿射变换的车辆特征描述模型,判断车辆之间是否存在遮挡现象,再对遮挡车辆进行特殊分割,保证了车辆跟踪以及车流量统计的准确性。通过50段5分钟连续视频,每个视频中出现车辆遮挡时段大于1分钟,遮挡频率25%,遮挡帧数大于500幅进行试验,算法的车流量统计的正确性达到95%,正确跟踪率达到98%,验证了该算法的有效性。     

基于差分图象的人脸检测

提出了两种基于差分图象的人脸检测算法：扫描法和投影法，实验表明它们是准实时的、非常有效的人脸检测算法，可以作为人脸自动输入的有效途径，用于构造诸如安全检查、保安管理等应用视觉系统     

基于视频的夜间高速公路车辆事件检测

针对高速公路夜间行驶车辆的特点,基于最优化理论提出了一种鲁棒的车辆检测和跟踪算法,对现有的车灯提取算法和轨迹跟踪规则进行了改进,不仅可自动统计和显示车流量,车速等交通信息,并且能对逆行、拥堵、自由流停车等交通车辆事件做出自动判断。实验结果表明,该算法复杂性低,实时性好,在夜间路况较好的条件下车辆检测成功率达95%以上,在拥挤交通条件下,检测正确率在80%左右。     

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。     

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。     

基于AMR传感器的车辆检测算法

深入研究了各向异性磁阻(AMR)传感器的数据采集原理和特征波形向量提取方法,提出了一种基于AMR传感器的车辆检测算法:自适应状态机的车辆检测算法。该算法可以自适应地更新阈值和基线,利用状态机,达到对车辆的准确和高效的检测。可以用于检测道路交通车流量,也可以应用在大型停车场的车辆诱导系统。     

基于改进YOLOv3的车辆检测算法

交通场景下的车辆检测问题存在小目标多、目标遮挡严重等情况,鉴于此,提出一种基于改进YOLOv3的车辆检测算法.由于小目标仅包含较少的像素,特征不明显,算法在空间金字塔结构中融入软池化操作,搭建Soft-SPP结构将多重感受野融合,通过软池化操作最大程度地保留细节,有效提取小目标特征;引入坐标注意力机制,在调整每个通道特征分配权重的同时能够捕捉具有精确位置信息的远程依赖关系;提出一种新的损失函数KIoU Loss作为边界框损失函数,同时考虑边界框的关键点与长宽比使之回归更加准确.实验结果表明,改进后的算法在自动驾驶KITTI数据集上平均精度达到94.69%,相比原始YOLOv3算法精度提升4.13%,且检测速度仅下降3.16 frame·s^-1,在保持检测速度的情况下能够明显提升检测精度.     

基于邻域值差异度量的离群点检测算法

针对离群点检测中传统距离法不能有效处理符号型属性和经典粗糙集方法不能有效处理数值型属性的问题,利用邻域粗糙集的粒化特征提出了改进的邻域值差异度量（NVDM）方法进行离群点检测。首先,将属性取值归一化并以混合欧氏重叠度量（HEOM）和具有自适应特征的邻域半径构建邻域信息系统（NIS）;其次,以NVDM构造对象的邻域离群因子（NOF）;最后,设计并实现了基于邻域值差异度量的离群点检测（NVDMOD）算法,该算法在计算单属性邻域覆盖（SANC）的方式上充分利用有序二分和近邻搜索思想改进了传统的无序逐一计算模式。在UCI标准数据集上与现有离群点检测算法——邻域离群点检测（NED）算法、基于距离的离群点检测（DIS）算法和K最近邻（KNN）算法进行了实验对比、分析。实验结果表明,NVDMOD算法具有更好的适应性和有效性,为混合型属性数据集的离群点检测提供了一条更有效的新途径。     

基于机器视觉的色差检测算法

针对金属印刷质量中的色差检测问题,采用机器视觉的技术对色差检测算法进行了研究。通过在金属印刷品的留白区域印刷色标,使用工业CCD相机采集金属印刷产品上的色标区域,使用数字图像处理技术提取色标。使用了基于HSV颜色空间的色差检测算法和基于CIELAB颜色空间的色差检测算法,分析了两种颜色空间下色差检测的实验结果,采用两种颜色空间检测算法相结合的方法,实现对色差合理有效的快速检测,同时能保证检测结果的准确性。     

基于用户兴趣和评分差异的改进混合推荐算法

为进一步提高协同过滤推荐算法的推荐精度,提出一种基于用户兴趣和评分差异的改进混合推荐算法.利用词频-逆向文件频率(TF-IDF)思想对稀疏矩阵进行填充,在计算用户相似度时在传统的修正余弦相似度计算公式中引入两个不同的影响因子来改善用户评分差异的影响,使用两种不同的时间衰减函数用于修正时间因素对用户和项目之间以及用户与用户之间的影响.实验结果表明,该算法能够缓解数据稀疏的问题,有效修正用户评分差异和用户兴趣变化对推荐结果的影响,其推荐精度均优于现有其它改进算法.     

一种基于帧间差探测函数模型的运动估计算法

针对基于匹配搜索的运动估计快速算法中,匹配环节在运动估计算法中耗费大量的处理时间,使得块匹配法运动估计实时性差的问题,提出了一种基于帧间差探测函数模型的运动估计新算法,该算法将"虚拟边缘"引入目标运动事件中,建立了帧间差探测函数模型,并确定了实际的帧间差探测函数模型中参数的选择策略.实验结果及分析表明,该算法不仅能够很好地完成较复杂背景下运动小目标的跟踪,而且能够获得相对于块匹配法更好的实时性能.     

基于肤色差异性嘴巴状态检测方法的研究

嘴巴状态的检测对于人脸的表情研究,驾驶员驾驶状态的研究等领域都有着重要的意义。首先采用HSV肤色模型对人脸进行精确的定位,并计算出人脸的面积,根据嘴唇部分与皮肤部分的R-B的色差确定阈值;根据所求的阈值进行二值化,准确地计算出嘴唇部分的面积;根据嘴唇部分与面部皮肤部分的比值,可以准确地判断出嘴巴的状态。与单独的红色排除法相比,计算速度快,不会因摄像头离人的距离产生变化而影响检测结果。     

融合小波变换和形态学差分的图像边缘检测

图像边缘检测的关键是在尽量多检测到边缘的同时更有效地抑制噪声,为此提出了一种融合小波变换和形态学差分算法的边缘检测方法。将源图像进行小波分解,高频分量利用小波模极大值算法进行边缘检测,可有效提取高频边缘;低频分量采用形态学差分算法进行边缘检测,能够检测出低频边缘;采用一定的融合规则将两个边缘检测图像融合在一起。实验结果表明,该方法优于单独使用小波模极大值法或数学形态学法,对噪声具有很好的鲁棒性,得到的图像边缘连续、清晰。     

一种基于邻域系统密度差异度量的离群点检测算法

针对离群点检测算法LOF在高维离散分布数据集中检测精度较低及参数敏感性较高的问题,提出了基于邻域系统密度差异度量的离群点检测NSD（neighborhood system density difference）算法。相较于传统基于密度的离群点检测方法,NSD算法引入了截取距离的概念。首先计算数据集中对象在截取距离内的邻居点个数;其次计算对象的邻域系统密度;然后将对象的密度与它邻居的密度进行比较,判定目标对象与其邻居趋向于同一簇的程度;最后输出最可能是离群点的对象。将NSD算法与LOF、LDOF、CBOF算法在真实数据集与合成数据集中对比实验发现,NSD算法具有较高的检测准确率和执行效率以及较低的参数敏感性,证明了NSD算法是有效可行的。     

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。