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。     

智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述

与传统的车辆检测器相比,基于视频图像处理与视觉技术的车辆检测器具有处理速度快、安装维护便捷且费用较低、可监视范围广、可获取更多种类的交通参数等诸多优点,因而近年来在智能交通系统(ITS)中得到了越来越广泛的应用。针对摄像头拍摄得到的交通序列图像,人们提出了很多视频图像处理和分析技术,其中最基本的研究领域就是交通场景中车辆对象的检测与跟踪。介绍了近年来提出的一些主要的车辆检测与跟踪技术,并根据核心处理方法（基于特征、区域或模型等）及处理域（空域、时域）的不同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。     

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。     

夜间运动车辆检测

论文提出了夜间运动车辆检测的一种有效的算法。首先对原始图像做“浮雕”处理,消除车灯对检测结果的影响,再通过两帧差分检测出运动区域,最后利用形态学腐蚀消除孤立噪声点,计算连通域面积去除大的噪声区域,从而提取出准确的运动目标。     

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。     

基于视频的实时车辆检测系统

基于视频的交通监控系统具有直观明了,安装方便和维护费用相对较低等优点,成为最有前途的大范围采集交通数据的技术,以指导车辆的运行.该文提出一种高效的,实时的通过计算机视觉来进行车辆检测的方法, 结合动态背景刷新策略和动态阈值的选择技术,通过比较检测线上象素的灰度值变化来判断车辆是否通过,然后进行时空分析, 把一系列检测线图像按照时间序列进行重构,得到全景视觉图,然后进行图像处理,获得具体车辆的参数（宽度,通过检测线时间等）.试验结果显示了该方法的有效性,车辆通过检测线的识别率大于95%,满足了实际的要求.     

基于亮度累加直方图的夜间车辆检测算法

为提高夜间环境下车辆检测的精度,提出一种基于亮度累加直方图的车辆检测算法,利用汽车尾灯的高亮特征检测自车前方车辆.通过统计大量的尾灯亮度信息得到分割阈值,由该阈值确定最大类间方差法的初始阅值.在亮度累加直方图中采用改进的最大类间方差法确定最佳分割阈值,并使用该阈值分割图像提取尾灯目标.结合尾灯的形状、位置和颜色等特征进行尾灯筛选和配对,以检测到的尾灯对为目标实现夜间车辆的检测.实验结果表明,该算法能够准确地分割出尾灯目标,对夜间前方车辆的检测率较高、适应性较好.     

基于视频的车辆检测系统设计

设计一种基于视频技术的嵌入式车辆检测系统。该系统采用DSP+FPGA硬件结构,通过FPGA进行图像采集控制,DSP进行图像处理,实现对运动车辆的检测。程序设计采用选择性背景更新法提取背景,并对运动目标的连通域检测算法进行改进。该系统应用于城市交通信号机的交通信息采集,在功能、可维护性等方面优于感应线圈等传统的检测方式。     

实时车辆检测和跟踪系统设计

实时车辆检测和跟踪是室外移动机器人尤其是智能汽车研究领域的一个重要课题。本文介绍了多功能室外移动机器人THMR-V的实时车辆检测和跟踪系统。该系统包括车道线检测和车辆检测和跟踪两个主要模块。车道线检测算法使用新的搜索策略,实时检测结构化道路区域,减少车辆检测算法搜索范围。车辆检测算法以Adaboost算法为基础,利用边缘方向特征,颜色特征,和对称性特征实现车辆检测。文中详细介绍了系统的实现。     

基于视频的实时车辆识别和分类的改进方法

本文介绍了关于车辆识别、分类和跟踪的一种快速可行的方法。结合了背景差法、边缘检测、阴影校正等，在速度和识别准确率上都达到了满意的效果。     

一种高鲁棒性的夜间车辆定位与跟踪方法

针对夜间环境下的车辆检测问题,从车头灯视角出发,提出一种具有高鲁棒性的夜间车辆定位和跟踪方法。结合卡尔曼滤波实现健壮的亮斑帧间跟踪,并根据亮斑的运动连续性和形态稳定性提取车灯目标。采用基于时域和空域特征的谱系聚类方法对车灯进行同车分组,利用车头灯组对车辆目标进行准确定位和跟踪。实验表明该方法在夜间交通环境中的有效性和高鲁棒性。     

自适应的SILTP算法在运动车辆检测中的研究

为了提高复杂背景下运动车辆的检测效率,结合SILTP算法提出了一种自适应的SILTP算法。首先,对运动车辆图像进行二维离散小波变换,提取出两次低通滤波后的图像。其次 ,通过自适应的SILTP算法获得图像的纹理信息。然后,利用高斯混合模型进行背景建模,进而利用新图像的纹理信息动态更新背景。最后,与背景模型进行比较来获得运动车辆。对公路上运动车辆的测试表明,该检测算法在复杂背景尤其是树叶抖动等情况下能够取得较高的检测率,具有良好的自适应性。