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。     

利用D-S证据理论的夜间车辆检测

为了有效检测夜间车辆,提出了一种利用D-S证据理论进行夜间车辆检测的方法。首先在YCrCb颜色空间中采用阈值法对道路场景图像进行分割得到明亮块,提取各个明亮块的轮廓,利用轮廓四邻域偏红度水平消除非尾灯等虚假目标。其次,使用尾灯聚类算法组合车灯对,得到车辆假设。最后,利用车辆车尾中车灯对的面积比、互相关值以及车灯对组合框长宽比等结构化特征信息来构建基本信任分配函数,运用D-S证据理论,融合这些特征信息得到总的信任度值,最终设立信任度阈值验证车辆假设。该方法减少了主观阈值的数量,可有效降低经验不足导致阈值确定不当的风险,提高辨别率。实验结果表明,该方法效果明显,提高了检测精度,减少了误判,同时提高了系统的鲁棒性。     

基于颜色和运动信息的夜间车辆检测方法

在城市交通流量视频检测系统中，夜间车辆检测一直是个难题。传统的方法都是基于形态学算子，通过检测车头灯来检测车辆，这种方法运算量较大，而且受环境光线影响比较大，为此，提出了一种基于颜色和运动信息的夜间车辆检测方法。该方法首先利用颜色信息在图像中检测出车辆尾灯，并对车辆尾灯进行连续的跟踪；然后利用运动信息和先验知识对车辆尾灯进行匹配；最后统计出交通流量。实验结果表明，该算法可以准确的检测出夜间正常行驶的车辆，并且能够适应雨天等复杂天气条件。     

基于视频的夜间车辆检测与跟踪算法研究

针对夜间高速光照条件差、车灯种类多样、环境因素干扰等导致的车辆难以检测的问题,提出了一种基于视频的夜间车辆的检测与跟踪算法。该方法首先将OTSU与一维最大熵阈值分割算法相结合来实现车灯的提取,剔除非车灯光源;然后利用车灯的时空特性完成车灯的匹配,解决了一车多灯和并排同速车辆的问题;最后利用kalman滤波器完成车灯的预测跟踪。在交通弱光流畅交通、正常光流畅交通和正常光拥堵交通3种应用场景下对所提算法进行应用和结果分析,实验结果表明所提方法在保证实时性的同时具有较高的准确率。     

基于视频的夜间车辆检测与跟踪

在道路交通管理中基于视频的车辆检测技术发挥了越来越重要的作用。针对夜间交通视频图像中由于照明度低和光线反射干扰导致运动目标提取困难等问题,提出一种建立矩形框来标志车辆的夜间车辆检测与跟踪的方法。通过对图像进行预处理,提取可能为车灯的亮点,建立连通区域。利用两车灯之间的水平位置,两车灯的面积应该是相近或几乎相等以及两者之间的距离应该小于设定的阈值来进行车灯配对。车灯配对成功之后,适当放大配对车灯的连线长度,得到车头宽度。进而根据车头长宽比关系得到车头区域,再通过规则集来定义多种情况下矩形框保存车辆信息的基本原则。车辆的统计跟踪通过基于邻域的方法来实现。经过实验表明,该方法能很好地适用于夜间车辆的检测,并且能满足夜间检测的要求,具备一定的稳定性和准确率。     

基于卷积神经网络的夜间车辆检测算法

针对夜间车辆检测模型的精度要求,提出以夜间车辆为研究对象,利用深度学习中的卷积神经网络构建检测模型。首先对数据集进行白平衡处理以减少路灯颜色的干扰进而增强图像画质,并用Mosaic数据增强来丰富检测数据集进而提升模型对小目标车辆的检测效果;其次针对先验框的选取采用K-means+〖KG-*3〗+算法,并利用交并比距离对先验框进行聚类;接着向主干特征提取网络加入注意力机制模块来增强残差结构特征图中目标的通道和空间特征信息;最后在损失函数的原始置信度交叉熵损失中引入梯度均衡机制,使模型有效衰减难易样本。通过在UA-DETRAC数据集的实验与对比分析可知：本文提出的夜间车辆检测算法的精度可达99.24%,同时每秒处理图像帧数高达19帧,验证了该算法的有效可行性。     

基于视频的夜间车辆检测

由于夜间道路情况复杂,光照条件差,使得夜间车辆检测成为车辆检测技术的难点。提出一种基于视频的夜间车辆检测方法,首先通过图像处理的基本方法提取车前灯,然后通过对图像遍历以及遍历后缩小范围再遍历来对车灯进行定位,最后根据同一车辆两端车灯位置特征进行车灯的匹配。这种方法有效避免了对含有四个车前灯车辆的重复检测,以及不同车辆车灯之间的误匹配。     

一种基于帧差法的夜间车辆检测方法

受光强变化大、照度低以及车灯光晕等影响,夜间环境下车辆视频检测相对白天比较困难;文中采用帧差法求感兴趣区域(Region of Interesting,ROI),抑制夜间车灯光晕;并引入"疑是车辆"的概念。以消除车辆断层和随机噪声造成的车辆误检;同时,根据运动目标在车道内分布的离散度判断车型;对不同夜间交通场景进行测试,检测率均在96%以上;在广深高速公路实地应用中取得了很好效果。     

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。     

基于平面反射模型的夜间路面检测

路面检测对于自动驾驶系统具有极其重要的作用,其具体的应用方面包括检测辅助、避障、自动导航等。基于视觉的路面检测主要就是对图像中每一个像素点进行分类,区分其是否为路面。到目前为止大部分的路面检测算法是应用于白天。在本文中,我们集中解决夜间的路面检测。我们利用一个近红外摄像头来采集夜间图像。检测时,首先利用平面反射模型来对图像中的路面部分进行拟合,然后,一个基于像素点的分类方法被用来对图像中的每一个像素点进行分类。在实验部分,我们将我们的算法与区域增长的方法进行了比较。实验证明,我们的算法相对区域增长有一定的优势。     

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。     

一种夜晚道路环境下的后方车辆检测方法

目前,基于视觉传感器的车辆检测已经成为车辆驾驶辅助领域的研究热点。但是迄今为止,大多数研究集中在白天好的光照条件,对夜晚条件下的车辆检测研究较少。本文提出了一种基于车灯的夜晚道路环境下的车辆检测算法,利用摄像机采集实时图像来检测自车后方的车辆。首先,基于亮度信息提取夜晚环境图像中的光亮目标物,然后,对提取的光亮目标物进行验证,去除路灯等干扰光源,从而得到真正的车辆头灯;最后,按照基于知识的方法,对提取到的车灯进行组合,并对组合后的车灯对进行验证,从而检测出夜晚道路环境下的车辆。实验结果表明本文算法易于实现,识别率高,适应性好。     

模糊约束满足在夜间车辆识别中的应用

根据夜间运动车辆识别中存在的无法提取有效的车辆特征,提出了一种改进后的模糊约束满足的夜间运动车辆分类方法。通过对夜间交通监控视频中行驶车辆的车灯光的预处理,调整模糊约束问题算法中各类型车辆的隶属函数参数,从而从构造的车辆运动轨迹图像快速地识别出运动车辆的类型。实验结果表明,引入车辆灯光信息后夜间车辆类型识别准确率得到了一定的提高。     

一种新的随机游走多车辆检测算法

针对交通视频序列中的多车辆检测问题,提出了基于边缘检测的随机游走算法对多车辆视频进行精确车辆检测。首先利用背景差分结合边缘信息来检测运动车辆区域,针对粘连车辆问题提出了利用检测车辆区域的骨架结构自动完成有效的标记点的提取,把像素标记点作为随机游走算法中目标的种子点;利用种子点对多车辆进行随机游走分割,实现车辆自动检测。