基于大气散射原理构建模型检测夜间交通视频多景深车灯

针对在延长夜间交通视频检测距离的同时提高车灯检测率这一难点,提出基于大气散射原理复原车灯模型.首先分析夜间交通场景中的光源成分;然后基于大气散射原理构建了车灯复原模型,在重新定义环境光后,对模型中未知参量,如透射率、环境光以及场景景深等提出了新的估计方法,得到只含有车灯和少量路面反射光的复原结果;最后对复原结果按照景深距离分成远景、中景和近景3个区域,并按照车灯几何特征分别筛选,以提高车灯检测率.对9段视频共14 492帧进行实验的结果表明,在延长了检测距离的同时,与同类先进算法相比,该模型平均检测率提高31.39%,平均漏检率降低20.93%,平均误检率降低10.46%.     

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。     

夜间环境交通数据采集系统设计与实现

针对夜间交通环境的特点,设计和实现了一种基于车灯的交通流视频检测系统。首先,提出一种夜间车道线检测算法,提取车道线并标定摄像机参数。接着,采用一种自适应阈值分割算法提取候选车灯连通域,并利用空间距离信息配对和分组属于同一辆车的连通域,根据规则集定位车灯,建立车辆假设。然后,通过线性搜索,结合最近邻准则和形状属性匹配在帧间关联车辆假设。对于部分和全部遮挡的情况,结合Kalman滤波器处理。根据跟踪信息的连续性,确认车辆存在并保存跟踪轨迹。实验表明,算法的复杂度低,能够在夜晚多种交通环境下实时检测和跟踪车辆,误检和漏检率低,并且对遮挡情况具有一定的鲁棒性。     

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。     

基于AdaBoost的肤色检测新方法

本文针对肤色检测问题,提出了一种利用AdaBoost方法构造分类器进行肤色检测的算法。根据肤色在色度空间内的聚类性,通过大量肤色和非肤色样本将一族弱学习算法通过一定规则训练成一个强学习算法,得到一个检测性能优异的肤色检测分类器。提出了用圆形分类器作为弱分类器描述色度空间中的肤色分布,将AdaBoost学习算法用于肤色的聚类分析中。实验表明,该方法误检率低、鲁棒性好,对肤色检测问题有较强的实用性。     

一种复杂背景下的人脸检测方法

针对在复杂背景下现有人脸检测算法存在检测率低和误检率高等问题,提出了一种基于改进AdaBoost算法和肤色校验相结合的彩色图像人脸检测方法.首先对传统AdaBoost算法进行了改进,通过改进样本权值参数和弱分类器加权参数,有效地抑制了困难样本权值的过分增大,加强了分类器对样本的识别能力,并提高了系统的检测率;然后将Ad...     

基于级联微型神经网络的多角度车辆检测方法

车辆检测是智能交通系统建设的关键步骤,但在光照变化、遮挡等复杂交通场景下,单一角度视频检测的方法无法准确地获取车辆特定特征。为了提高交通监控图像中车辆检测的准确性,将AdaBoost算法嵌入微型的神经网络模型,并结合局部归一化像素差值特征（LNPD）,提出了基于级联微型神经网络的多角度车辆检测方法。该方法首先提取检测图像的局部归一化像素差值特征,然后使用多层感知器学习最优的特征子集及其组合特征,最后使用AdaBoost算法筛选最具区分力的特征构建强分类器。以不同复杂程度的真实交通场景中包含有正面、侧面及背面三个角度的样本集作为测试集,并与NPD、DPM-V5、ACF和RCNN等方法进行了定性与定量对比。实验结果表明,该车辆检测方法在三种数据集上的平均检测率和检测时间分别为82.28%和125 ms,优于传统车辆检测方法。     

基于大气反射-散射模型的复原图像中交通视频车灯检测

针对夜间复杂照明环境导致车灯检测率低的问题, 提出了一种基于大气反射-散射模型的复原图像中夜间交通视频车灯检测算法. 首先根据漫反射原理抑制路面漫反射光, 在对大气散射模型做了改进之后, 估计了大气散射模型中的大气光, 再根据暗原色先验理论估计环境光, 重新定义透射率, 从而得到了只含有车灯及反射区域的复原图像.为了进一步抑制该复原图像中的强光光晕, 再次利用暗原色先验理论重新估计环境光, 得到最终的复原图像. 最后对复原图像中的所有亮斑根据四类几何特征逐步筛选, 排除视野中的非车灯. 实验结果表明, 该方法在复杂雨雪天气、高密度及高速等不同情况下, 与同类先进算法相比具有较高的检测率, 较低的漏检率和误检率.     

基于改进AdaBoost算法的人脸检测

研究人脸识别实现自动化检测,针对实时定位准确识别人脸,采用传统AdaBoost算法构建人脸检测器时存在的过拟合现象和特征冗余缺欠,提出一种自适应样本权重更新规则和遗传算法的改进AdaBoost人脸检测方法.可把正负样本错分率引入样本权重更新过程,将分类效果反馈给分类器,实现对分类器结构的有效控制.用遗传算法进一步优化所选特征及其参数,达到使用较少的弱分类器实现高检出率和低误判率的双重要求.仿真结果表明,与传统AdaBoost算法相比,采用文中算法训练人脸检测器可有效避免样本权重扭曲现象,消除分类器冗余,在保证较高检出率的同时降低误检率,使人脸检测更加快速和精确.     

结合纹理与轮廓特征的多通道行人检测算法

针对在复杂场景下,聚合通道特征（ACF）的行人检测算法存在检测精度较低、误检率较高的问题,提出一种结合纹理和轮廓特征的多通道行人检测算法。算法由训练分类器和检测两部分组成。在训练阶段,首先提取ACF特征、局部二值模式（LBP）纹理特征和ST（Sketch Tokens）轮廓特征,然后对提取的三类特征均采用Real AdaBoost分类器进行训练;在检测阶段,应用了级联检测的思想,初期使用ACF分类器处理所有实例,保留下来的少数实例应用复杂的LBP及ST分类器进行逐次筛选。实验采用INRIA数据集对算法进行仿真,该算法的平均对数漏检率为13.32%,与ACF算法相比平均对数漏检率降低了3.73个百分点。实验结果表明LBP特征与ST特征能有对ACF特征进行信息互补,从而在复杂场景下去掉部分误判,提高了行人检测的精度,同时应用级联检测保证了多特征算法的计算效率。     

基于改进的FAST R-CNN的前方车辆检测研究

目前,前方车辆检测的研究主要通过机器学习的方法,然而其难以解决遮挡和误检的问题。在这种背景下,使用深度学习的方法检测前方车辆更为有效。首先采用了选择性搜索方法获得样本图像的候选区域,然后使用改进的FAST R-CNN训练网络模型,检测道路前方车辆。已在KITTI车辆公共数据集上对该方法进行了测试,实验结果表明,所提方法的检测率高于CNN直接检测的结果,很大程度上解决了遮挡和误检的问题。而且,与先提取Harr-Like特征然后利用Adaptive Boosting分类器的算法相比,该方法在TSD-MAX交通场景数据库测试中实现了较高的性能。结果表明,该方法提高了车辆检测的准确性和鲁棒性。     

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.     

改进YOLOv3的非机动车检测与识别方法

随着交管部门对非机动车监管力度的增强,在道路交通监控视频中检测和识别非机动车将逐渐成为电子交警系统的必备功能。由于非机动车密度大,容易互相遮挡,且在监控视频中所占面积往往较小,容易出现检测定位不准确和漏检等问题。针对非机动车检测定位不准确和漏检问题,基于YOLOv3,提出一种改进的非机动车检测与识别模型,通过设计新的特征融合结构降低非机动车漏检率,使用GIOU损失提高定位准确度。实验结果表明,所提出的改进模型在自建真实复杂场景非机动车数据集上取得了优于YOLOv3的检测结果,将检测的平均检测准确率（mAP）提高了3.6%。     

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。     

Vehicle Detection Using Spatial Relationship GMM for Complex Urban Surveillance in Daytime and Nighttime

Traffic surveillance is an important issue in intelligent transportation systems. Efficient and accurate vehicle detection is one challenging problem for complex urban traffic surveillance. As such, this paper proposes a new vehicle detection method using spatial relationship GMM for daytime and nighttime based on a high-resolution camera. First, the vehicle is treated as an object composed of multiple components, including the license plate, rear lamps and headlights. These components are localized using their distinctive color, texture, and region feature. Deriving plate color converting model, plate hypothesis score calculation and cascade plate refining were accomplished for license plate localization. Multi-threshold segmentation and connected component analysis are accomplished for rear lamps localization. Frame difference and geometric features similarity analysis are accomplished for headlights localization. After that, the detected components are taken to construct the spatial relationship using GMM. Finally, similar probability measures of the model and the GMM, including GMM of plate and rear lamp, GMM of both rear lamps and GMM of both headlights are adopted to localize vehicle. Experiments in practical urban scenarios are carried out under daytime and nighttime. It can be shown that our method can adapt to the partial occlusion and various lighting conditions well, meanwhile it has a fast detection speed.     

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。     

半监督SVM分类算法的交通视频车辆检测方法

针对交通场景运动车辆检测中车辆数目统计准确率不高、自适应性不强等问题,提出了一种基于半监督支持向量机(SVM)分类算法的交通视频车辆检测方法。利用人工标记的少量样本,分别训练2个基于方向梯度直方图(HOG)特征与基于局部二值模式(LBP)特征的不同核函数的SVM分类器;结合半监督算法的思想,构建SVM的半监督分类方法(SEMI-SVM),标记未知样本并加入到原样本库中,该方法支持样本库动态更新,避免了繁重的人工标记样本的工作,提高了自适应性;最后,通过三帧差分法提取运动区域,加载分类器在该区域进行多尺度检测,标记检测出来的运动车辆,统计车辆数目。实验结果表明:该方法在具有一定的自适应性的同时,有较高的车辆检测准确率,即使在复杂交通情况下,对运动车辆依然有很好的检测效果。     

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。     

Classify vehicles in traffic scene images with deformable part-based models

Vehicle classification is an important and challenging task in intelligent transportation systems, which has a wide range of applications. In this paper, we propose to integrate vehicle detection and vehicle classification into one single framework by using deformable part-based models. First of all, we use annotated vehicle images to train a deformable part-based model for each class of vehicles to be classified. Then, given a traffic scene image, we employ the obtained vehicle models to perform vehicle detection in it for vehicle extraction. After that, model alignment is performed on the extracted image crop, based on which features are extracted for creating a representation for the vehicle in the given image. We train a linear multi-class Support Vector Machine classifier based on representations of images in a validation set. Finally, we adopt the SVM classifier for vehicle classification. The proposed method is evaluated on the BIT-Vehicle Dataset, and can achieve an accuracy of \(91.08\%\), which is superior to methods used for comparison. Obtained results demonstrated the effectiveness of the proposed method.