基于视频的行人车辆检测与分类

针对传统智能监控中行人车辆检测与分类算法存在目标分割不完整、分类准确率低等问题,提出一种基于视频的行人车辆检测与分类算法。利用领域信息动态调整置信区间构造混合高斯模型,采用卡尔曼滤波预测目标下一帧的位置。通过自适应EM聚类方法提取目标长宽比和面积作为特征,将目标分为行人和车辆。在模型估计过程中假设相邻帧目标做匀速直线运动,推导出目标面积变化满足线性关系,并对目标跟踪和分类进行修正,进一步提高检测准确性。实验结果表明,该算法的人车检测准确率达到90%以上,分类准确率达到80%以上。     

基于视频图像的高速公路车辆检测算法研究

针对高速公路智能交通系统中的复杂场景变化、阴影和车辆遮挡等影响车辆检测率的问题,提出了使用基于高斯混合模型的自适应方法来建立和更新背景,采用基于HSV的邻域均值快速阴影消除算法提高阴影消除的速度。对于遮挡车辆,采用基于Kalman滤波的识别算法进行遮挡车辆的识别,然后使用基于模板匹配的金字塔分级搜索算法对遮挡车辆进行细分割。实验结果表明,该算法既简单又有效,车辆的检测率达到97%,完全满足车辆检测的要求。     

公路视频实时车辆检测分类与车流量统计算法

公路视频实时车辆检测分类与车流量统计是计算机视觉领域的一个经典问题。传统设置检测带法,易漏检复检,自动化性不好。基于深度网络的one-stage算法实时性好,但是经常会把变化的背景、运动的非车辆物体纳入其中,同时对光照变化敏感,夜间分类效果不好。因此,提出采用one-stage做目标检测,并不直接获取分类结果,而是根据标注框将物体切割出来,去除背景,提升抗背景扰动性能和分类效果;再送入一个经过迁移学习的浅层神经网络;将分类输出和目标检测网络的位置输出合并送入一个全图匹配算法,进行车流量统计。该方法在保障实时性的同时降低了漏检和复检率。     

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。     

基于System Generator实现车辆检测分类

在环形车辆检测系统中,车辆通过埋地环形线圈检测器时,车体与环形线圈相互作用,改变了线圈的谐振频率,从而产生频率变化曲线.采用Xilinx的FPGA辅助设计软件-System Generator对采集的频率变化曲线进行车辆的特征值提取,从而实现对车辆的自动检测和分类,完成从软件图形化设计到FPGA硬件实现一体化设计流程.该方法能提高多车道车辆识别检测速度及检测算法的可维护性.     

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。     

基于视频监控的违章停车检测算法

针对传统违章停车人工检测方式准确率低、成本高等缺点,提出一种基于视频监控的检测算法.利用码本模型对背景进行建模,用以检测监控场景中的运动目标,通过计算联通区域面积来滤除其他物体对监控车辆的干扰,并根据车辆停留时间将车辆分类,一旦发现违停车辆,系统会发出报警.实验结果表明,该算法准确率高、实时性好.     

基于OpenCV的视频运动目标检测及其应用研究

高斯混合模型已经成为对视频利用背景减除法进行运动目标检测的最多的一种背景建模模型,也成为一种标准模型。首先对高斯混合模型的理论框架进行了分析,然后采用OpenCV技术实现高斯混合模型来检测视频运动目标,实验结果表明高斯混合模型对摄像头静止的道路监控视频运动目标检测具有较好的效果。最后以该运动目标检测技术为基础设计了一种智能视频监控系统,该系统具有较好的实用性。     

基于像素分类的运动目标检测算法

针对复杂环境下运动目标检测提出一种基于像素分类的运动目标检测算法。该算法通过亮度归一化对图像序列进行预处理,用以降低光照变化造成的误检,根据场景中不同像素点的特点,对图像进行分类处理,单模态类的像素用中值法进行背景建模,多模态类的像素用混合高斯模型建模。实验结果表明,该算法与传统的高斯建模法相比,减少了运算量,更易于应用在实时系统中。     

视频图像中的车辆检测跟踪和分类

介绍了一种在固定的单摄像头拍摄的交通图像序列中检测、跟踪、分类车辆的方法。该方法大致可分为三部分:抽取背景图像和图像分割;基于针孔模型的摄像机定标,计算透视投影矩阵;利用区域特征进行匹配跟踪,建立目标链,恢复目标三维信息,采用模型匹配法对车型分类。实验证明该方法简单可行。     

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。     

基于视频角点特征匹配的车速检测方法

针对传统特征匹配车速检测方法实时性较差的问题,提出一种改进的角点特征匹配车速检测方法。基于视频图像,采用混合高斯模型检测方法提取运动车辆目标,利用Harris算法检测车辆目标的角点特征,将运动估计和NCC匹配相结合,优化匹配区域搜索方法,对车辆目标角点进行角点粗匹配,再通过RANSAC算法进行角点精匹配和单视测量坐标转换以实现车速检测。实验结果表明,与传统方法相比,该方法的角点粗匹配速度提高400％,角点精匹配速度提高200％,车速准确性达到90％以上,能有效提高车速检测的实时性和准确性,满足实际车速检测的要求。     

基于三阶中心矩区域分类的视频运动目标检测

针对室外视频监视环境复杂,现有的运动目标检测方法难以在克服背景干扰的同时准确地检测到慢速目标和运动着的小目标,且存在准确性低的问题,提出一种基于三阶中心矩场景区域分类的运动目标检测方法.由于前景区域、扰动区域和背景区域内真实运动、无意义运动、背景噪声像素值变化规律不同,采用三阶中心矩建立区域内像素值变化和区域类型的对应关系,设计了基于三阶中心矩的分类器以完成自适应场景区域分类,最终在区域分类的结果上检测运动目标.实验结果表明,该方法针对室外监视视频区域分类结果良好,能够克服树枝叶晃动、水面波动等背景干扰,可以准确地检测到慢速目标和运动着的小目标.     

视频图像中的车型识别

文章介绍一种在固定单摄像头拍摄交通图像序列中检测车辆的方法。处理过程大致分为以下三步:重建不含运动目标的自然背景及图像分割;摄像机标定;目标区域的跟踪和车型识别。实验证明方法是可行的。     

基于边缘轮廓特征的实时车型分类

提出了一种车辆侧面轮廓特征的实时车型分类方法.该文动态地提取背景,通过软传感器的触发,根据当前帧与背景帧的差分图获取车辆侧面轮廓特征曲线,设计了一个基于侧面轮廓特征的车型分类器.该方法速度快、准确度高,能很好地应用在实时系统中.     

基于改进YOLOv3的快速车辆检测方法

对图像或视频数据中的车辆进行检测是城市交通监控中非常重要并且具有挑战性的任务。该任务的难度在于对复杂场景中相对较小的车辆进行精准地定位和分类。针对这些问题，提出了一个单阶段的深度神经网络（DF-YOLOv3），实现城市交通监控中不同类型车辆的实时检测。DF-YOLOv3对传统的YOLOv3算法进行改进，首先增强深度残差网络提取车辆特征，然后设计6个不同尺度的卷积特征图，并与残差网络中相应尺度的特征图进行融合，形成最终的特征金字塔执行车辆预测任务。在KITTI数据集上的实验表明，提出的DF-YOLOv3方法在精度和速度上均能获得较高的检测性能。具体地，对于512×512分辨率的输入模型，基于英伟达1080Ti GPU，DF-YOLOv3获得93.61%的mAP（均值平均精度），速度达到45.48 f/s（每秒传输帧数）。特别地，对于精度，DF-YOLOv3比Fast R-CNN、Faster R-CNN、DAVE、YOLO、SSD、YOLOv2、YOLOv3与SINet表现更好。