虚拟窗口阴影去除算法的车流量检测研究

针对城市道路交通流量检测中的实时性和准确性的要求,在背景差分的基础上提出了一种改进的基于虚拟窗口检测的方法。通过获取前景目标尽量少的帧图像,快速建立虚拟窗口的初始背景模型,并实时更新背景;将Sobel边缘检测算法引入前景目标检测,从而快速检测出前景目标变化的完整区域,提高检测的准确率;再使用基于HSV色彩空间直方图势函数去除阴影算法,进一步去除前景目标中的阴影区域,有效地保留了真实的运动目标区域;最后统计交通车流量,可结合其他信息(如红绿灯状态)做出该路段相应的交通流状况判断。通过实验结果证明,所提出的检测算法可有效应用于视频交通车流量检测中。     

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。     

一种车辆视觉导航中自适应背景模型提取算法

为了解决统计背景模型在图像远景及车流量较大时容易出现错误像素点的问题,提出一种自适应背景模型提取算法.在车流量少时,利用统计直方图法提取背景;在车流量大时,利用帧差法获取图像中背景像素点,然后求其平均灰度值来重组的图像帧,最后利用统计直方图法进行背景建模.定义了算法比较标准,并据此比较了该算法与传统算法在不同车流量下的性能优劣.实验结果表明,通过分析图像中运动车辆像素信息区分车流量大小,实现对背景提取算法的自适应选择,使其在实际应用中更具针对性和灵活性,为准确地检测出运动车辆提供必要的基础.     

基于帧差法和背景差法融合的车流量检测方法

研究优化车流量检测准确度问题。针对运动目标速度和外界环境都是影响车流量检测准确性,容易造成车流量的漏检和误检等。为了克服传统算法所存在的缺陷,在现有算法的基础上,提出了一种融合帧差法和背景差法的智能车流量检测方法。首先利用帧间差分方法为主,结合减背景方法为辅,然后通过一种迭代阈值分割法滤除噪声并对背景进行实时更新。完成了多车道的车流量检测,并进行了仿真,结果得到多组数据,并提高了计算准确率。仿真结果表明,改进方法可有效地提高了车流量检测精度。     

公路车流量视频检测方法

针对视频车流量检测容易受背景以及车辆阴影等因素影响的问题,提出了一种自适应背景差分结合阴影去除的车流量检测方法。首先,建立自适应背景提取模型;然后,利用差分法从视频检测区域提取包含阴影的车辆目标,并进行二值化处理和孔洞填充;接着依据阴影区域相对于车辆区域灰度较小的特点,从填充后的二值图像阴影区域向车辆区域方向进行像素值比较,从而检测并去除阴影;最后,通过设定两排检测窗口进行车流量计数。实验结果表明,该方法受背景和车辆阴影等影响较小,在不同气候环境下具有较高的车流量检测准确率。     

基于虚拟窗口的自适应车流量检测应用研究

基于视频交通检测中实时性和准确性要求,研究了三帧差分、背景差分及动态阈值等算法,提出增加虚拟窗口的方法,使整个车流量检测算法只针对有效序列图像信息进行处理.该方法通过排除差异大图像求均值,快速初始化虚拟窗口背景模型,在检测窗口内使用三帧差分和动态阈值准确定位运动车辆目标,实时更新背景后,根据背景差分法得到的窗口图像信息统计车流情况.实验结果表明,该方法可以有效应用于基于视频的实时车流量检测中.     

一种新的道路交通背景提取算法及研究

基于视频的道路运动目标检测是智能交通系统的基础部分,目前最常用也最有效的运动目标检测方法是背景差分算法,其中背景提取是背景差分算法的关键一环。提出了一种新的背景提取算法——mode算法。定义了算法比较标准,并据此比较了mode算法以及一些目前流行的背景提取算法在不同车流量情况下的性能优劣。通过比较发现,在低车流量时,中值法提取的背景较好,mode算法次之;在高车流量时,用mode算法提取的背景最好。基于不同算法在不同环境下的性能不同,利用图像频域信息区分车流量大小,实现对背景提取算法的自适应选择,使得实际应用时的背景提取算法更具灵活性和针对性,也进一步提高了背景提取结果的准确度。     

基于视频的车流量检测算法

实现了一种基于虚拟检测线的道路车流量检测算法.利用高斯混合背景模型进行背景建模,检测出包含运动目标的图像块,系统根据超过检测线的连通区域图像面积占整个连通区域面积的比值来判断是否有车辆经过,进而实现车流量统计.     

改进的基于边缘检测技术的车流量统计系统

车流量检测技术是智能交通系统系列技术中的关键基础，基于图像处理技术的车流量检测技术的研究已成为该领域的研究热点。该文提出了一种基于HSV颜色模式和边缘检测技术的车辆检测算法进行车流量统计。在该算法的基础之上，开发实现了一套车流量统计系统。实验证明，该算法能够有效地排除阴影和天气变化带来的影响，大大提高了系统的精度，是切实有效的。     

基于自适应虚拟线圈的多车道车流量检测算法

针对虚拟线圈检测算法在多车道车流量检测中存在误检或者漏检的问题,提出一种基于自适应虚拟线圈的车流量检测算法。根据图像二值化原理,对ViBe算法的前景检测部分进行二次判断,并改变背景更新机制,提出一种改进的ViBe算法,以达到快速消除鬼影的目的,更准确地完成前景目标提取。在道路上设置固定检测区域,根据运动目标在固定检测区域的运动轨迹来建立或者消除非固定虚拟线圈,再进一步使用虚拟线圈的车流量检测算法实现车流量统计。选择三个不同的场景4车道无车辆变道、2车道有车辆变道和3车道有车辆变道且环境突变进行实验,所提算法的车流量检测准确率比传统的虚拟线圈算法分别提高8.9、25和16.6个百分点,且所用时间相当。实验结果表明所提算法更适用于多车道的车流量检测。     

基于视频序列的车型识别算法设计

针对复杂背景下的目标车型识别问题,提出一种基于视频序列的检测识别算法。运用帧差序列图像进行背景建模与更新,采用背景差分和LBP纹理分析法进行运动车辆的分割及阴影消除,提出车辆形状投影量的概念,将视频车辆二维形状信息降至一维,并设计二维输入模糊分类器,根据形状投影量和车高/车长比,完成车型的多种类精细识别。实验结果验证了该算法的有效性。     

TRAFFIC VIDEO-BASED MOVING VEHICLE DETECTION AND TRACKING IN THE COMPLEX ENVIRONMENT

Moving vehicle detection and tracking is the key technology in the intelligent traffic monitoring system. For the shortcomings and deficiencies of the frame-subtraction method, a novel Marr wavelet, kernel-based background modeling method and a background subtraction method based on binary discrete wavelet transforms (BDWT) are introduced. The background model keeps a sample of intensity values for each pixel in the image and uses this sample to estimate the probability density function of the pixel intensity. The density function is estimated using a new Marr wavelet kernel density estimation technique. The background and current frame are transformed by BDWT, and moving vehicles are detected in the binary discrete wavelet transforms domain. For the shortages of RGB (Red, Green, Blue) or HSV (Hue, Saturation, Value) color space-based vehicle shadow segmentation algorithms, shadow segmentation algorithm based on YCbCr color space and edge detection is proposed. The original data of the shadow according to the characteristics of the YCbCr space is chosen, and then, combined with edge detection, the shape and location of the vehicle region is determined. An automatic particle filtering algorithm is used to track the vehicle after detection and obtaining the center of the object. An actual road test shows that the algorithm can effectively remove the influence of pedestrians and cyclists in the complex environment, and can track the moving vehicle exactly. The algorithm with better robustness has a practical value in the field of intelligent traffic monitoring.     

融合时域和分水岭信息的车辆检测算法

在实时视频图像车辆目标检测时,为了克服行进中车辆背景噪声和阴影带来的准确率低、漏检率高等问题,提出一种时空融合和内外标记的分水岭车辆检测算法。通过相邻视频三帧差法得到的时域运动变化信息结合Canny算子得到的边缘图像相结合,得到时域掩模图像。利用文中提出的基于二次重构、内外区域标记、梯度修正的分水岭空域算法对运动区域及其周围区域进行分割,解决了一般分水岭算法的过分割现象。将得到的结果进行投影,以提高运动状态下车辆的检测精度。实验结果表明,在车辆背景噪声和阴影的影响下,该算法的检测效果仍然较好,车辆漏检率降低到4.90%,算法的准确性、鲁棒性和适应性较好。     

复杂环境下的运动车辆检测

针对目前采用的车辆检测方法的优缺点,提出了一种新的车辆区域检测方法,能够消除阴影干扰。该算法首先运用选择性背景更新法进行背景相减,获取感兴趣区域,然后提出基于图的区域分割算法,对感兴趣区域进行再分割。该方法充分考虑了视频图像全局和局部的空间信息,根据分割区域的大小自动自适应地调节对图像局部细节的忽略程度,从而获取局部区域像素信息较为一致的分割块。最后基于分割过程中所具有的马尔科夫属性,运用条件随机域的方法建立分割后验概率分布,求取最大后验概率确定标号,并对具有相同标号的相邻分割进行合并。     

基于DSP的单车道车流量实时监测算法

针对传统的车流量检测系统采用感应器设备硬件安装繁杂及通用车流量检测算法无法判别车辆行驶方向的问题,提出一种基于数字信号处理器（DSP）的单车道车流量实时监测算法,并应用于停车场。首先,在虚拟检测带上使用背景差分法完成车辆检测,并对均值法背景建模进行改进;其次,提出一种邻帧二值归类算法对车辆行驶方向进行判别;最后,在虚拟检测带上进行车流量计数并将车位情况实时显示于LED显示屏上。通过模拟实验验证了所提算法的可行性,并在实际测试实验中,得到邻帧二值归类算法方向判别的准确率为96.5%,车位监控算法准确率为92.2%。实验结果表明,该单车道车流量实时监测算法准确率较高,节省了检测系统设备,可以应用于单车道停车场进行车流量实时监测。     

高速路的车道检测与车辆跟踪

基于智能交通的快速发展,研究了基于高速路的车道检测和车辆跟踪技术.对于多车道检测,根据路面与分道线灰度级相差较大的特点来实现车道路面的分割,接着结合直线方程和Catmull-Rom Spline插值算法来拟合分道线.对于单车道检测,首先基于HSV颜色空间和Sobel边缘提取方法对其进行有效分割,接着在透视变换空间中提取分道线坐标点并用二次多项式拟合分道线.针对车辆检测,使用Hog+Gentle-Adaboost分类算法实现无人车前方路面车辆的检测,接着基于车底阴影的特征对车底阴影进行检测以验证学习算法检测到的车辆区域的真伪性.针对车辆跟踪,采用动态二阶自回归模型的方法预测车辆的状态.其中,对于粒子滤波固有的粒子退化问题,引入Thompson_Taylor算法改善了粒子退化和低多样性的缺陷.本文的车道检测和车辆跟踪算法能较容易地移植在嵌入式平台,可靠性和准确性较高,且有助于进一步实现车道偏离报警和前向防撞系统.     

基于计算机视觉的车辆跟踪研究

基于计算机视觉的目标分割和跟踪被广泛应用于视频监控。首先在HSV空间利用阴影消除算法结合动态背景自适应更新技术分割目标,相比背景差分法提高了目标分割的抗干扰性。对分割出来的目标,将基于运动估计的卡尔曼滤波器应用于多个车辆目标的跟踪,提高了跟踪的速度和效果。最后给出运动车辆的分割和跟踪的实验结果。     

基于改进SUSAN原则的车辆检测方法

为解决汽车辅助驾驶系统中目标车辆检测的实时性和鲁棒性问题,提出一种基于单目视觉的车辆检测系统,将改进的SU—SAN(Smallest Univalue Segment Assimilating Nucleus,即最小核值相似区)算法应用到车辆边缘检测中;采用自适应双阈值法检测车底阴影。结合车道线参数动态规划车辆初始检测区域;在检测区域中,采用改进的SUSAN算法定位车辆边缘,生成车辆假设;最后根据车辆的纹理、形状和位置特征来验证车辆假设;为改善系统性能,采用Kalman滤波算法对检测到的目标进行跟踪;使用实际采集的道路图像序列对系统进行测试。实验表明,该系统能够及时准确地检测前方目标车辆。     

基于时空关系模型的城市道路车辆实时检测

复杂城市道路环境下运动车辆目标检测是现代智能交通系统的重要组成部分.依据多帧视频图像序列的时空连续变化关系,通过构建多帧视频图像序列时空关系模型（Time-space model——TSM）,进一步完善车底阴影特征检测算法,并与AdaBoost算法相结合,实现运动车辆目标检测的候选区域筛选与验证处理,以降低车辆检测的误检率,提高准确率.在白天复杂城市道路环境下,实验结果显示基于TSM的车辆检测,检测准确率为92.1%,误检率为4.3%,图像分辨率为1920*1088,单帧图像平均处理时间76 ms.基于TSM的车辆检测显著改进了AdaBoost和车底阴影特征检测算法存在的误检率高,效率低问题,满足城市道路环境下车辆检测准确率和鲁棒性的要求.