近年來(lái),隨著高速公路里程不斷延長(zhǎng),車流量節(jié)節(jié)攀升,因高速公路拋灑物誘發(fā)的事故數(shù)量激增。而在這些拋灑物中,大多為貨車上未捆扎嚴(yán)實(shí)而掉下的貨物或者汽車故障掉落的碎片,這些體積小而堅(jiān)硬的物體,對(duì)高速公路司乘人員的安全帶來(lái)了極大的威脅。因此對(duì)高速公路小目標(biāo)拋灑物進(jìn)行實(shí)時(shí)、準(zhǔn)確地檢測(cè)成為亟待解決的問(wèn)題。不同于高速公路上的機(jī)動(dòng)車、非機(jī)動(dòng)車、行人等目標(biāo),拋灑物不具有圖像上的通用特征,因此本文通過(guò)前景提取和噪聲去除的方法實(shí)現(xiàn)小目標(biāo)拋灑物的間接檢測(cè)。首先,本文提出了一種基于背景分離的混合高斯模型（BS-GMM）算法來(lái)提取高速公路視頻的前景圖像,對(duì)原混合高斯模型的背景劃分和像素點(diǎn)類型判斷進(jìn)行改進(jìn),提出背景分離檢測(cè)前景目標(biāo)的概念,在實(shí)現(xiàn)靜止目標(biāo)檢測(cè)的同時(shí)能夠適應(yīng)實(shí)時(shí)的背景環(huán)境變化。然后,本文對(duì)前景提取結(jié)果進(jìn)行圖像預(yù)處理以及目標(biāo)定位,使用基于IOU匹配的跟蹤方式對(duì)前景目標(biāo)的運(yùn)動(dòng)狀態(tài)進(jìn)行分析,去除了大量隨機(jī)噪聲的干擾,并得到疑似小目標(biāo)拋灑物。最后,本文對(duì)兩種常見(jiàn)的由攝像頭抖動(dòng)和光照陰影產(chǎn)生的小目標(biāo)噪聲進(jìn)行去除,分別提出了基于頻率統(tǒng)計(jì)的抖動(dòng)抑制算法和基于邊緣匹配的小目標(biāo)拋灑物驗(yàn)證方法對(duì)疑似小目標(biāo)拋灑物進(jìn)行篩選。將... 

【文章來(lái)源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

差分法檢測(cè)拋灑物

浙江大學(xué)碩士學(xué)位論文第2章基于BS-GMM的視頻前景提取算法18視頻中提取出能與路面區(qū)分出來(lái)的拋灑物目標(biāo)，后續(xù)的前景提取算法都采用RGB的顏色空間。2.1.2混合高斯模型前景提取基于混合高斯模型的前景提取算法與差分法不同，前者會(huì)根據(jù)該像素點(diǎn)歷史像素值的變化建立一個(gè)高斯分布模型，然后根據(jù)當(dāng)前像素點(diǎn)與該高斯分布模型的匹配結(jié)果來(lái)判斷該點(diǎn)是前景還是背景。從理論上來(lái)說(shuō)基于某一像素點(diǎn)歷史變化的規(guī)律來(lái)判斷某一個(gè)像素值是否屬于背景，要比直接定義一個(gè)全局的顏色閾值進(jìn)行背景判斷更為合理。為了與差分法實(shí)驗(yàn)形成對(duì)比，混合高斯模型直接使用上述無(wú)拋灑物的路面幀進(jìn)行建模，同樣將拋灑物停留在路面的視頻幀作為待測(cè)圖像，與背景模型進(jìn)行匹配得到前景圖像如下。圖2-3混合高斯模型前景提取由前景提取結(jié)果可知，在檢測(cè)出小目標(biāo)拋灑物的同時(shí)，盡管周圍環(huán)境噪聲還是存在，但是比低閾值的差分法已經(jīng)少了很多。此外，本文還使用兩種類型的前景提取方法，對(duì)其他的實(shí)際拋灑物場(chǎng)景的視頻進(jìn)行了實(shí)驗(yàn)，在RGB維度通過(guò)差分法來(lái)找出所有的目標(biāo)，需要設(shè)置非常低的閾值，這樣在不同場(chǎng)景下產(chǎn)生的噪聲數(shù)量是不可控的。而混合高斯模型方法只需要設(shè)置一個(gè)方差系數(shù)，即根據(jù)高斯分布的3原則，來(lái)判斷像素點(diǎn)是否與背景模型相匹配。用該方法在不同場(chǎng)景下均

浙江大學(xué)碩士學(xué)位論文第2章基于BS-GMM的視頻前景提取算法22在實(shí)際的代碼實(shí)現(xiàn)過(guò)程中，按照模型的權(quán)值大小逐一匹配，當(dāng)匹配到模型K時(shí)，會(huì)累加前K-1個(gè)模型的權(quán)值，將累加值與上述背景閾值T進(jìn)行比較，如果小于T，說(shuō)明處于背景模型，否則屬于前景。在代碼實(shí)現(xiàn)過(guò)程中還會(huì)有一些后處理操作，具體流程如下。圖2-4混合高斯模型檢測(cè)流程除了上述提到的模型根據(jù)權(quán)值排序和歸一化之外，在每次模型匹配之后會(huì)對(duì)權(quán)值低的模型進(jìn)行清除，并為前景像素生成新的模型。當(dāng)某模型權(quán)值小于一定閾值，刪除該模型，模型數(shù)量為K-1，然后歸一化權(quán)值。當(dāng)前像素未能匹配上背景模型時(shí)，如果當(dāng)前模型數(shù)量已經(jīng)到達(dá)K，將最后一個(gè)模型的權(quán)值初始化為，均值設(shè)為當(dāng)前像素值，方差初始化為指定值。如果模型數(shù)量小于K，則增加一個(gè)新模型，參數(shù)初始化和上文提到的相同。最后進(jìn)行權(quán)值歸一化。2.3基于BS-GMM算法的拋灑物檢測(cè)2.3.1前景提取場(chǎng)景為了驗(yàn)證混合高斯模型應(yīng)用在實(shí)際高速公路視頻場(chǎng)景中前景提取的效果，本文列舉出以下四種場(chǎng)景，并展示各個(gè)場(chǎng)景下像素點(diǎn)的RGB通道像素值，及其混合高斯模型的變化過(guò)程。其中參數(shù)設(shè)置為，各像素點(diǎn)最大高斯模型數(shù)量為5，背

【參考文獻(xiàn)】：
期刊論文
[1]城市道路視頻中小像素目標(biāo)檢測(cè)[J]. 金瑤,張銳,尹東.  光電工程. 2019(09)
[2]卷積神經(jīng)網(wǎng)絡(luò)與核相關(guān)濾波相結(jié)合的跟蹤算法[J]. 王明雪,楊海清,徐勇軍.  小型微型計(jì)算機(jī)系統(tǒng). 2019(04)
[3]高速公路拋灑物事件圖像檢測(cè)算法[J]. 汪貴平,馬力旺,郭璐,王會(huì)峰,張弢.  長(zhǎng)安大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)
[4]基于三幀差分和滑動(dòng)平均背景的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 周曉,方玖琳,鄭定超.  計(jì)算機(jī)測(cè)量與控制. 2016(05)
[5]一種基于HGPC的交通監(jiān)控視頻抖動(dòng)異常檢測(cè)方法[J]. 牛瑤瑤,洪丹楓,吳鑫,王國(guó)棟,潘振寬.  青島大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(03)
[6]基于混合高斯模型與三幀差分的目標(biāo)檢測(cè)算法[J]. 張文,李榕,朱建武.  現(xiàn)代電子技術(shù). 2012(08)
[7]基于雙層背景的遺棄物檢測(cè)方法[J]. 王琛,郭繼昌,馮曉敏.  計(jì)算機(jī)工程. 2011(24)
[8]交通場(chǎng)景中基于彩色視覺(jué)信息統(tǒng)計(jì)的背景建模[J]. 王子明,楊晨暉.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2011(29)
[9]視頻穩(wěn)像技術(shù)綜述[J]. 陳啟立,宋利,余松煜.  電視技術(shù). 2011(07)
[10]應(yīng)用改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 張燕平,白云球,趙勇,趙姝.  計(jì)算機(jī)工程與應(yīng)用. 2010(34)



本文編號(hào)：3313685