發(fā)布時(shí)間：2020-07-09 15:21

【摘要】：通過智能交通系統(tǒng)可以有效地規(guī)范司機(jī)行為,增強(qiáng)駕駛員的交通安全意識(shí),緩解交通擁堵的問題,同時(shí)對(duì)交通事故的減少有著極大的促進(jìn)作用�；谝曈X的智能系統(tǒng)因其便利性、有效性、使用壽命長(zhǎng)等特點(diǎn)被廣泛應(yīng)用。本文結(jié)合實(shí)際應(yīng)用需求,主要對(duì)基于視覺的大范圍路面監(jiān)管系統(tǒng)的關(guān)鍵技術(shù)進(jìn)行研究。首先,針對(duì)經(jīng)典前景提取算法無法在光照突變情況下正確提取前景的問題,根據(jù)LBP算子對(duì)光照不敏感的特性,在LBP算子的基礎(chǔ)上,設(shè)計(jì)了一種基于截尾均值的紋理特征,通過對(duì)噪聲的抑制及對(duì)平坦區(qū)域序列的穩(wěn)定性處理,解決了原有LBP算子易受噪聲干擾,平坦區(qū)域序列不穩(wěn)定及得到的紋理圖信息冗余的問題,為后續(xù)運(yùn)動(dòng)前景提取提供高質(zhì)量的紋理特征信息。接著,利用得到的紋理特征,提出了一種能有效應(yīng)對(duì)光照突變情況的背景更新模型以達(dá)到抑制光照影響的效果。本文提出的融合紋理特征的前景提取模型不僅能夠在光照緩慢變化的情況下有效地對(duì)運(yùn)動(dòng)目標(biāo)前景進(jìn)行提取,而且在光照突變情況下仍然能夠進(jìn)行準(zhǔn)確提取,前景準(zhǔn)確率較平均背景模型和混合高斯模型均提高了50%以上。其次,針對(duì)運(yùn)動(dòng)目標(biāo)跟蹤過程中的跟蹤偏移、丟失情況。根據(jù)目標(biāo)在初始跟蹤框內(nèi)的分布規(guī)律,本文提出了一種基于多層分布的特征點(diǎn)初始化模型,可以使多數(shù)初始特征點(diǎn)分布在被跟蹤的目標(biāo)之上,減少背景特征點(diǎn)帶來的影響。另外,根據(jù)相鄰幀特征點(diǎn)的空間位置關(guān)系,設(shè)計(jì)了一種基于幀間關(guān)系的特征點(diǎn)更新方式,利用幀間角度及尺度信息對(duì)特征點(diǎn)進(jìn)行篩選更新,可以保留大部分有效特征點(diǎn),從而避免因有效特征點(diǎn)過少而跟蹤失敗的情況。針對(duì)跟蹤框尺度更新問題,根據(jù)目標(biāo)在圖像中尺度的變化規(guī)律,本文提出了一種基于最小二乘擬合的跟蹤框尺度更新模型,該模型可以實(shí)時(shí)調(diào)整跟蹤框大小,保證跟蹤框大小與跟蹤目標(biāo)相匹配,又根據(jù)特征點(diǎn)與跟蹤框中心的空間關(guān)系,本文設(shè)計(jì)了新的跟蹤框中心位置估計(jì)模型,利用運(yùn)動(dòng)中心附近的特征點(diǎn)與跟蹤框中心空間關(guān)系的一致性,可以準(zhǔn)確地預(yù)測(cè)下一幀跟蹤框的中心位置,抑制跟蹤框的偏移。本文算法的跟蹤穩(wěn)定度保持在85%以上,相比TLD算法穩(wěn)定度提升30%以上。最后,針對(duì)不同場(chǎng)景下的違章觸發(fā)方式,根據(jù)觸發(fā)場(chǎng)景的特點(diǎn),研究了一種基于線結(jié)構(gòu)的通用觸發(fā)方式,該觸發(fā)方式可以適應(yīng)不同的路面監(jiān)控場(chǎng)景。在此基礎(chǔ)上,本文設(shè)計(jì)了大范圍路面監(jiān)管系統(tǒng)的通用框架,通過整合前景提取、軋線觸發(fā)、目標(biāo)跟蹤、目標(biāo)抓拍四個(gè)模塊,在單監(jiān)控點(diǎn)的情況下,監(jiān)管范圍可以擴(kuò)大至80~120米。本文在多種不同違章場(chǎng)景下進(jìn)行了實(shí)驗(yàn)驗(yàn)證,實(shí)驗(yàn)結(jié)果表明這種觸發(fā)方式實(shí)現(xiàn)簡(jiǎn)單,適用性強(qiáng),同時(shí)具有不錯(cuò)的準(zhǔn)確率,平均準(zhǔn)確率在80%以上。
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41;U495
【圖文】：

圖 1.1 基于背景建模的目標(biāo)提取流程背景建模算法進(jìn)行場(chǎng)景背景模型建立；前圖像與背景模型進(jìn)行比較，獲得包含目標(biāo)的前景圖像；當(dāng)前圖像信息，對(duì)背景模型進(jìn)行更新；場(chǎng)景中，受光照變化、陰影、目標(biāo)粘連等因素影響，僅僅建夠的，還需要考慮各種環(huán)境因素，建立并更新背景模型，背景模型建立上已經(jīng)有大量的研究成果：Lee 等[14]提出利用將當(dāng)前圖像與背景模型按一定學(xué)習(xí)率混合更新背景模型，具值背景模型[15]、直方圖背景模型[16]等。另外，幀間差分及是其提取的目標(biāo)前景往往不完整，并且抗干擾能力較差。逐漸出現(xiàn)一些較為復(fù)雜的模型，能夠更好地來描述實(shí)際背景通過利用高斯分布來對(duì)圖像中的每個(gè)像素點(diǎn)進(jìn)行描述，并點(diǎn)是否屬于背景。Stauffer 等[18]在 Wren 的研究基礎(chǔ)上提出型具有一定的復(fù)雜環(huán)境適應(yīng)性，其利用像素樣本統(tǒng)計(jì)信息息相互獨(dú)立，并且在初始階段為每一個(gè)像素建立 K 個(gè)混合

（a）當(dāng)前幀圖像 （b）平均背景法提取運(yùn)動(dòng)前景圖圖 2.1 背景差分法之平均背景法在簡(jiǎn)單場(chǎng)景下，平均背景法的背景更新模型可以較好地適應(yīng)環(huán)境，從而獲得不錯(cuò)前景果，并且具有較好的檢測(cè)實(shí)時(shí)性。但是在稍微復(fù)雜的環(huán)境下，比如光照突變、路面擁堵，平均背景法的背景更新模型并不能很好地跟隨環(huán)境變化而做出更新，導(dǎo)致前景提取出的偏差。在運(yùn)動(dòng)目標(biāo)前景提取中，光照問題是影響前景提取好壞的重要因素，而光照問體表現(xiàn)在光照突變、陰影等方面。我們主要針對(duì)光照突變問題對(duì)背景更新模型進(jìn)行改進(jìn)應(yīng)更加復(fù)雜的環(huán)境，提高整體前景提取的魯棒性。2.1 基于 LBP 的紋理特征局部二值模式 LBP（local binary pattern）是由 T.Ojala[55]等人在 1994 年提出，它是一描述圖像局部特征的方法，它最顯著的特點(diǎn)在于其具有灰度不變性。其中灰度不變性是變化對(duì)其描述的特征不產(chǎn)生影響，也就是說灰度不變性是對(duì)抗光照變化的一種很好的途此在背景模型中融合具有灰度不變性的特征便能在一定程度上抑制光照突變帶來的影響原始的 LBP 特征描述以 3*3 的鄰域?yàn)橐粋�(gè)單元，將中心像素的值作為基準(zhǔn)，并且把 8

均背景法的背景更新模型并不能很好地跟隨環(huán)境變化而做出更新，導(dǎo)致前景提取差。在運(yùn)動(dòng)目標(biāo)前景提取中，光照問題是影響前景提取好壞的重要因素，而光照現(xiàn)在光照突變、陰影等方面。我們主要針對(duì)光照突變問題對(duì)背景更新模型進(jìn)行改加復(fù)雜的環(huán)境，提高整體前景提取的魯棒性。 基于 LBP 的紋理特征部二值模式 LBP（local binary pattern）是由 T.Ojala[55]等人在 1994 年提出，它是圖像局部特征的方法，它最顯著的特點(diǎn)在于其具有灰度不變性。其中灰度不變性對(duì)其描述的特征不產(chǎn)生影響，也就是說灰度不變性是對(duì)抗光照變化的一種很好的背景模型中融合具有灰度不變性的特征便能在一定程度上抑制光照突變帶來的影始的 LBP 特征描述以 3*3 的鄰域?yàn)橐粋�(gè)單元，將中心像素的值作為基準(zhǔn)，并且把值與中心像素的值進(jìn)行比較，若周圍像素的值大于中心像素的值，則把該像素點(diǎn)則標(biāo)記為 0。于是，這個(gè)單元內(nèi)的 8 個(gè)點(diǎn)便可以產(chǎn)生一串 8 位的二進(jìn)制數(shù)，這個(gè)二就是中心像素的 LBP 值，描述的是該中心像素 3*3 領(lǐng)域內(nèi)的紋理特征。我們可以用這一過程：

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 王雨翔;李剛;張偉龍;;基于混合高斯模型的高速公路違章停車檢測(cè)方法[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年04期

2 敖邦乾;廖紅虹;熊飛嶠;;對(duì)光照變化魯棒的一種運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J];光電工程;2013年01期

3 李加佳;彭啟民;;適應(yīng)光照突變的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2012年11期

4 李亞玲;徐榮青;聶桂軍;田俊青;姚曉宇;;適應(yīng)場(chǎng)景光照變化的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J];計(jì)算機(jī)技術(shù)與發(fā)展;2011年02期

5 宋晨煒;曹國(guó)勇;李聲飛;;基于視頻的車輛闖紅燈檢測(cè)系統(tǒng)設(shè)計(jì)[J];數(shù)字通信;2009年02期

相關(guān)碩士學(xué)位論文 前6條

1 鄒震;智能交通系統(tǒng)中違章車輛快速檢測(cè)方法研究[D];上海交通大學(xué);2013年

2 高興堂;基于車載視頻的公交車道前方車輛檢測(cè)[D];中國(guó)海洋大學(xué);2011年

3 黃春賢;基于視頻的車輛違禁壓線檢測(cè)的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2011年

4 陳耀宇;基于全方位視覺的違章停車監(jiān)控系統(tǒng)的研究[D];浙江工業(yè)大學(xué);2009年

5 孫玲玲;基于視頻圖像檢測(cè)的超速抓拍系統(tǒng)的研究與設(shè)計(jì)[D];哈爾濱理工大學(xué);2009年

6 張勇智;ITS中高質(zhì)量視頻的獲取及其在車輛壓黃線違章檢測(cè)中的應(yīng)用[D];西安電子科技大學(xué);2005年

本文編號(hào)：2747631