基于ViBE的交通視頻車輛檢測研究與應用
發(fā)布時間：2022-01-07 09:33
車輛檢測技術是智能交通系統(tǒng)采集單元中重要的基礎技術之一,而交通監(jiān)控視頻中包含的信息數(shù)據(jù)量大、種類齊全,基于視頻流圖像幀的車輛檢測定位算法在智能交通監(jiān)控中得到了廣泛的應用,近年來,隨著圖像處理技術的迅猛發(fā)展,基于交通視頻的靜態(tài)場景下多運動目標檢測算法逐漸成為研究熱點。本文對目標運動信息檢測算法進行研究,由于ViBE（Video Background Estimation）算法存在鄰域采樣點重復率高、分類距離閾值固定的缺點,進行了以下兩方面改進:首先,將采樣點由原來的3*3鄰域擴大到5*5鄰域,并按照距離中心像素點的遠近為采樣點分配不同的權重,達到降低采樣點重復率的目的;第二,將原來固定的距離閾值R,改進成自適應距離閾值R。改進后的ViBE算法可以獲取更加完整的二值圖像,通過形態(tài)學閉操作處理后得到被標記的運動目標可能區(qū)域,之后在原圖中截取同樣的區(qū)域。利用訓練好的Haar-Like和MB-LBP特征相結合的嵌套級聯(lián)分類器（Nested Cascades of GABoosted Classifiers,NCGAB）進行逐層判別,通過非極大值抑制算法（Non-Maximum Suppressi...
【文章來源】：西安工業(yè)大學陜西省
【文章頁數(shù)】：75 頁
【學位級別】：碩士
【部分圖文】：
圖2.2兩種光流法實驗效果
2掃描點臨近像素2掃描點第一輪掃描結果 第二輪掃描結果圖 3.12 兩輪掃描法過 ViBE 算法提取前景區(qū)域后再經(jīng)過閉操作預處理之后，采用 Two-Pass 法分割實驗結果如圖 3.13，通過這種方法處理相互獨立的車輛目標時，可以很輛的位置、大小等信息。果(a)834 幀 (b)1484 幀 (c)1697 幀
割方法靠形態(tài)學處理和連通域標記法，在多運動目標檢測中是不可靠的，連通域分之間存在遮擋、粘連、斷裂的情況檢測效果并不好，如圖 3.14 所示，當多之間存在遮擋關系，圖(a)、(b)、(c)中，連通域分割圖中每個目標無法獲取連通域，則在圖(d)、(e)、(f)中，可以看出多個車輛會被錯誤的歸類為一個，。因此本文在下一章中考慮采用基于圖像特征的分類器分割方法來輔助動車輛目標位置信息的提取。
【參考文獻】：
期刊論文
[1]Haar特征提取IP核設計及前方車輛檢測系統(tǒng)實現(xiàn)[J]. 任亮樸,徐美華,陳高攀. 電子設計工程. 2018(14)
[2]基于多尺度特征和嵌套級聯(lián)Adaboost的車輛檢測[J]. 康珮珮,于鳳芹,陳瑩. 傳感器與微系統(tǒng). 2018(05)
[3]2017年交通運輸行業(yè)發(fā)展統(tǒng)計公報[J]. 中國物流與采購. 2018(11)
[4]一種改進的基于ViBe的運動目標檢測方法[J]. 歐陽梓標,牛燕雄,謝朋言. 半導體光電. 2018(02)
[5]一種基于改進視覺背景提取算法的前景檢測[J]. 陳樹,丁保闊. 計算機工程與科學. 2018(04)
[6]走合作共贏之路——談中國汽車產(chǎn)業(yè)未來之戰(zhàn)略選擇[J]. 張世海,張夢澤. 中國市場. 2018(06)
[7]基于反饋背景模型的城市道路交叉口前景目標檢測[J]. 李浩,張運勝. 交通運輸系統(tǒng)工程與信息. 2017(06)
[8]基于ViBe算法及分數(shù)階微分邊緣檢測的運動目標提取[J]. 吳成,李曉華,周激流. 計算機應用. 2017(S1)
[9]基于Haar-like和MB-LBP特征分區(qū)域多分類器車輛檢測[J]. 朱彬,王少平,梁華為,袁勝,楊靜,黃俊杰. 模式識別與人工智能. 2017(06)
[10]一種基于改進ViBe和級聯(lián)分類器的車輛檢測算法[J]. 彭勝. 現(xiàn)代計算機(專業(yè)版). 2017(08)
碩士論文
[1]基于視頻的車流量智能交通檢測系統(tǒng)研究[D]. 黃鑫.西南交通大學 2018
[2]基于特征學習的目標檢測與跟蹤技術研究[D]. 賀先輝.中國科學院大學(中國科學院光電技術研究所) 2017
[3]監(jiān)控場景下的車型分類方法研究與實現(xiàn)[D]. 劉應新.北京郵電大學 2017
[4]基于多特征級聯(lián)分類器的消防通道車輛檢測技術研究[D]. 陳瀚.重慶大學 2016
[5]基于改進的ViBE和HOG的運動目標檢測系統(tǒng)研究與實現(xiàn)[D]. 王彬.沈陽工業(yè)大學 2016
[6]基于特征融合的AdaBoost人臉檢測研究[D]. 李穎穎.蘭州理工大學 2015
[7]智能交通監(jiān)控中的視頻處理方法與系統(tǒng)[D]. 秦為帥.東南大學 2015
[8]基于電感線圈的車輛檢測器系統(tǒng)設計[D]. 熊圣明.重慶大學 2014
[9]靜態(tài)場景下多運動目標檢測與跟蹤[D]. 吳東飛.合肥工業(yè)大學 2013
[10]基于DSP的車流量統(tǒng)計方法的研究[D]. 鮮柯.合肥工業(yè)大學 2010
本文編號：3574295
【文章來源】：西安工業(yè)大學陜西省
【文章頁數(shù)】：75 頁
【學位級別】：碩士
【部分圖文】：
圖2.2兩種光流法實驗效果
2掃描點臨近像素2掃描點第一輪掃描結果 第二輪掃描結果圖 3.12 兩輪掃描法過 ViBE 算法提取前景區(qū)域后再經(jīng)過閉操作預處理之后，采用 Two-Pass 法分割實驗結果如圖 3.13，通過這種方法處理相互獨立的車輛目標時，可以很輛的位置、大小等信息。果(a)834 幀 (b)1484 幀 (c)1697 幀
割方法靠形態(tài)學處理和連通域標記法，在多運動目標檢測中是不可靠的，連通域分之間存在遮擋、粘連、斷裂的情況檢測效果并不好，如圖 3.14 所示，當多之間存在遮擋關系，圖(a)、(b)、(c)中，連通域分割圖中每個目標無法獲取連通域，則在圖(d)、(e)、(f)中，可以看出多個車輛會被錯誤的歸類為一個，。因此本文在下一章中考慮采用基于圖像特征的分類器分割方法來輔助動車輛目標位置信息的提取。
【參考文獻】：
期刊論文
[1]Haar特征提取IP核設計及前方車輛檢測系統(tǒng)實現(xiàn)[J]. 任亮樸,徐美華,陳高攀. 電子設計工程. 2018(14)
[2]基于多尺度特征和嵌套級聯(lián)Adaboost的車輛檢測[J]. 康珮珮,于鳳芹,陳瑩. 傳感器與微系統(tǒng). 2018(05)
[3]2017年交通運輸行業(yè)發(fā)展統(tǒng)計公報[J]. 中國物流與采購. 2018(11)
[4]一種改進的基于ViBe的運動目標檢測方法[J]. 歐陽梓標,牛燕雄,謝朋言. 半導體光電. 2018(02)
[5]一種基于改進視覺背景提取算法的前景檢測[J]. 陳樹,丁保闊. 計算機工程與科學. 2018(04)
[6]走合作共贏之路——談中國汽車產(chǎn)業(yè)未來之戰(zhàn)略選擇[J]. 張世海,張夢澤. 中國市場. 2018(06)
[7]基于反饋背景模型的城市道路交叉口前景目標檢測[J]. 李浩,張運勝. 交通運輸系統(tǒng)工程與信息. 2017(06)
[8]基于ViBe算法及分數(shù)階微分邊緣檢測的運動目標提取[J]. 吳成,李曉華,周激流. 計算機應用. 2017(S1)
[9]基于Haar-like和MB-LBP特征分區(qū)域多分類器車輛檢測[J]. 朱彬,王少平,梁華為,袁勝,楊靜,黃俊杰. 模式識別與人工智能. 2017(06)
[10]一種基于改進ViBe和級聯(lián)分類器的車輛檢測算法[J]. 彭勝. 現(xiàn)代計算機(專業(yè)版). 2017(08)
碩士論文
[1]基于視頻的車流量智能交通檢測系統(tǒng)研究[D]. 黃鑫.西南交通大學 2018
[2]基于特征學習的目標檢測與跟蹤技術研究[D]. 賀先輝.中國科學院大學(中國科學院光電技術研究所) 2017
[3]監(jiān)控場景下的車型分類方法研究與實現(xiàn)[D]. 劉應新.北京郵電大學 2017
[4]基于多特征級聯(lián)分類器的消防通道車輛檢測技術研究[D]. 陳瀚.重慶大學 2016
[5]基于改進的ViBE和HOG的運動目標檢測系統(tǒng)研究與實現(xiàn)[D]. 王彬.沈陽工業(yè)大學 2016
[6]基于特征融合的AdaBoost人臉檢測研究[D]. 李穎穎.蘭州理工大學 2015
[7]智能交通監(jiān)控中的視頻處理方法與系統(tǒng)[D]. 秦為帥.東南大學 2015
[8]基于電感線圈的車輛檢測器系統(tǒng)設計[D]. 熊圣明.重慶大學 2014
[9]靜態(tài)場景下多運動目標檢測與跟蹤[D]. 吳東飛.合肥工業(yè)大學 2013
[10]基于DSP的車流量統(tǒng)計方法的研究[D]. 鮮柯.合肥工業(yè)大學 2010
本文編號：3574295
本文鏈接：http://www.sikaile.net/kejilunwen/daoluqiaoliang/3574295.html
