动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

路面车辆监测系统的软件设计

本文为智能交通系统中的路面车辆监测[1]设计了一套软件方案。该软件能够对摄像头或者是从磁盘读入的交通视频进行实时地监控和处理。通过对路面的车辆的跟踪、车辆行驶状况如方向、轨迹的分析,实现对交通违规行为如逆向、违章停车等现象的警示以及违章车辆信息的记录;通过对交通流量的统计,实现对道路拥堵情况的分析和显示,辅助完成车辆的疏导和分流。在实验中,本文提出的软件方案能够实时、准确地完成所设计的交通监控功能的测试。     

基于子特征的交通车辆检测及跟踪算法

通过对交通场景实际情况的分析，特别是考虑到视频在相邻帧之间的变化，提出了一套鲁棒、实时的背景提取及更新算法．实现了基于背景差分算法的车辆检测和提取。同时，根据车辆的角特征点信息，将卡尔曼滤波器引入车辆跟踪算法中，并借助光学投影方程部分恢复待匹配角特征点的高度信息，以检查匹配算法的准确性。经过大量的单目交通图像序列的测试。表明该算法是鲁棒而且实时的，可以有效地从交通场景中提取出运动车辆，并在视野范围内对其予以跟踪。     

一种基于视觉的车辆跟踪及交通流量参数估计新方法

交通监控系统采集处理有关道路车流状况的实时信息,以指导车辆的运行,保障道路顺畅。基于视觉的交通监控系统具有直观明了、系统使用和维护费用相对较低等优点,因而可广泛应用于公路干线和交叉道口的交通监控。本文提出了一种改进的背景差法,改善了车辆检测效果,在此基础上进一步提出了用于灰度图像的综合车辆检测方法,以消除阴影的影响,提高车辆检测的准确性,进而实现车辆的跟踪、计数、车型划分和行驶速度估计。实验所用视频图像信号中路边建筑造成的阴影从无到有,直到覆盖整个路面。实验结果显示该方法简单有效,能实时提取交通信息其车辆检测的准确率达98％以上,优于背景差法和边缘检测法。     

视频图像的运动分析

视频图像运动分析将处理目标由静态图像扩展为动态图像,希望从视频图像中获得运动本身及运动物体的相关信息,包括是否存在运动、运动物体识别以及运动方式等,已经广泛应用于计算机视觉、军事以及安保等领域。本文重点对运动分析中的运动提取和运动跟踪两个步骤进行研究,使用背景差分法检测并提取运动目标,并引入一种非参数跟踪算法进行运动跟踪。实验表明,本文的方法可以正确地进行运动检测和跟踪,而且有较高的实时性和稳健性。     

基于粒子滤波的系数编码车辆跟踪方法

传统基于生成式的车辆跟踪方法仅考虑了目标信息,忽略了车辆背景信息,降低了目标与背景的表征能力.针对复杂背景条件下视觉导航对车辆跟踪精度的需求,提出了一种基于粒子滤波的系数编码车辆跟踪方法.该方法首先对获取的帧图像进行仿射变换归一化处理,并采用深度去噪自编码器对变换后的图像进行完备特征字典的生成;接着,采用稀疏编码对完备特征字典进行降维处理,消除网络高层目标特征的冗余信息,保留网络底层的高效关联特征;最后,将提取的深度稀疏编码特征应用到粒子滤波的框架内实现车辆的有效跟踪,有效克服了判别式跟踪方法无法处理遮挡问题的缺陷.实验结果表明,在尺度变化、光照变化以及遮挡等复杂环境下,本文方法将跟踪精度提升了17％,每秒处理的帧图像速度提升了64％.     

交通监控系统中车辆和行人的检测与识别分析

在识别以及检测行人以及车辆的过程中主要是将帧间差分结合起来,建立动态交通场景视频图像监控的序列背景模型,之后再借助背景消除法有效检测监控视频中目标的运动状况,将运动目标的轮廓提供出来,最后利用支持向量机,快速识别检测出来的运动目标。研究结果显示,这样的识别和检测的方法更加有助于精确地检测和分类识别,在监控视频中运动的行人以及车辆,自动报警有出现非法入侵的行人。本文探析了在实际的监控交通系统中识别以及检测行人以及车辆的主要状况分析,帧间差分动态更新背景模型的运动目标检测算法,以及基于支持向量机基础之上自动识别行人以及车辆。     

一种基于视频技术的车辆跟踪方法

在智能交通系统中,基于视频技术的车辆跟踪是交通参数和交通事件检测的关键技术之一。本文首先研究了现有的基于视频技术的车辆跟踪技术,然后提出了一种使用Kalman滤波器预测车辆位置,并用距离和颜色信息辅助识别车辆的跟踪方法。实验结果表明,该方法能够有效地实现车辆的跟踪。     

视频图像中的车辆检测跟踪和分类

介绍了一种用固定的单摄像头拍摄交通图像,并从图像序列中检测、跟踪、分类车辆的方法。该方法大致可分为3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。实验证明方法是简单可行的。     

基于多分支卷积神经网络的车辆图像比对方法

为了更有针对性地从车辆图像的不同区域提取出独特的图像特征,提出基于多分支卷积神经网络的车辆图像比对方法.首先,根据车牌定位结果获取比对车辆的车脸图像,并根据车脸图像的纹理丰富度将车脸图像划分为多个图像块;其次,使用多分支卷积神经网络分别提取各车脸图像块的深度特征;最后,通过计算车脸图像深度特征的相似度判定比对的车辆图像是否属于同种车型.实验表明,提出的方法能够提取有效的车辆图像各区域的深度特征,获得良好的车辆比对准确率,可用于套牌车辆识别.