發(fā)布時(shí)間：2021-04-12 01:11

　　智能交通系統(tǒng)一直是計(jì)算機(jī)視覺(jué)領(lǐng)域非�；钴S的研究方向。一個(gè)優(yōu)秀的智能交通系統(tǒng)能夠極大方便交通管理部門的調(diào)度,提高道路的吞吐能力。傳統(tǒng)的基于固定攝像頭的監(jiān)控視頻系統(tǒng)已經(jīng)無(wú)法滿足多樣的需求,近年來(lái),無(wú)人機(jī)受到廣泛關(guān)注與應(yīng)用,基于無(wú)人機(jī)視頻的交通監(jiān)控相比于傳統(tǒng)的視頻監(jiān)控技術(shù),具有飛行靈活、監(jiān)控范圍廣、目標(biāo)遮擋度低等優(yōu)點(diǎn)。但另一方面,無(wú)人機(jī)拍攝的視頻中的目標(biāo)尺寸小、運(yùn)動(dòng)速度慢等特點(diǎn)也給交通信息的提取帶來(lái)了困難。本文針對(duì)無(wú)人機(jī)拍攝的交通視頻,研究了適用于無(wú)人機(jī)視頻的交通信息提取方法。本文的主要研究?jī)?nèi)容分為以下幾個(gè)部分:第一,針對(duì)無(wú)人機(jī)拍攝的視頻存在抖動(dòng)導(dǎo)致車輛難以被正確檢測(cè)的問(wèn)題,本文采用基于SURF特征與RANSAC的視頻穩(wěn)像算法。該方法以視頻第一幀為基準(zhǔn)圖像,校正后續(xù)視頻序列幀。實(shí)驗(yàn)中該算法能夠較好的解決無(wú)人機(jī)視頻存在的抖動(dòng)問(wèn)題。第二,針對(duì)無(wú)人機(jī)拍攝的視頻中車輛尺度小、運(yùn)動(dòng)速度慢等特點(diǎn),本文提出了一種改進(jìn)的背景差分法。該方法在前景目標(biāo)檢測(cè)中加入陰影去除模塊,能夠有效的去除陰影的影響,并采用了一種整合短時(shí)更新和長(zhǎng)時(shí)更新的背景模型更新策略。最后對(duì)前景檢測(cè)的結(jié)果進(jìn)行候選區(qū)域分析,去除噪聲干擾,得到更... 

【文章來(lái)源】：華東師范大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

方框?yàn)V波器方框?yàn)V波器是高斯濾波器的替代，為了平衡用方框?yàn)V波近似帶來(lái)的誤差，引入加權(quán)系數(shù)w=0.9，在上乘以一個(gè)加權(quán)系數(shù)

圖 2 構(gòu)建參數(shù)用 Hessian 矩陣求出極值后，需要將其與其空間領(lǐng)域和尺度領(lǐng)非極大值抑制比較，領(lǐng)域范圍為3 × 3 × 3，同一尺度上有 8 度和下一尺度分別有 9 個(gè)響應(yīng)值，共計(jì) 26 個(gè)響應(yīng)值。將特征 26 個(gè)領(lǐng)域響應(yīng)值作比較，如果 h 比他們都大或都小，并且 hn 閾值 H，那么認(rèn)為該特征點(diǎn)為候選特征點(diǎn)。進(jìn)行插值，得到和其所定義的尺度空間。特征點(diǎn)主方向確定證旋轉(zhuǎn)不變性，需要獲得特征點(diǎn)的主方向。SURF 算法定義了圓形區(qū)域以特征點(diǎn)為中心，半徑為 6 倍的特征點(diǎn)所在尺度。求向上的小波響應(yīng)。以圓心角 60°的扇形旋轉(zhuǎn)搜索，統(tǒng)計(jì) 60°扇 方向上的小波響應(yīng)總和，其中 Harr 小波的尺寸邊長(zhǎng)為 4 倍的

圖 3 主方向確定示意圖（4）特征點(diǎn)描述算子確定特征點(diǎn)的主方向后，以特征點(diǎn)為中心，將坐標(biāo)軸旋轉(zhuǎn)到主方向以確保旋轉(zhuǎn)不變性。在特征點(diǎn)的周圍獲取一個(gè)正方形區(qū)域，選取區(qū)域邊長(zhǎng)為 20 倍的特征點(diǎn)所在尺度，然后把該區(qū)域分割成 16 個(gè)小區(qū)域。對(duì)每個(gè)小區(qū)域統(tǒng)計(jì) 25 個(gè)像素的水平、垂直方向上的 Haar 小波響應(yīng) ， 。將每個(gè)子區(qū)域的 ， 相加，對(duì)于每個(gè)子區(qū)域得到四維特征向量∑ ，∑ ，∑| |，∑| |，表示為 = (∑ ,∑ ,∑| |,∑| |) （7）這樣每個(gè)特征點(diǎn)得到一個(gè) 64 維（4 × 4 × 4）的特征向量。（5）特征匹配利用 SURF 算法提取特征點(diǎn)后，需要進(jìn)行特征匹配。一般通過(guò)計(jì)算兩個(gè)特征點(diǎn)間的歐式距離來(lái)確定兩者的匹配度。如果兩個(gè)特征點(diǎn)間的歐式距離越小，則認(rèn)

【參考文獻(xiàn)】：
期刊論文
[1]基于SURF算法和改進(jìn)RANSAC算法的無(wú)人機(jī)影像匹配[J]. 孫灝,高俊強(qiáng),許蘇蘇.  測(cè)繪工程. 2017(11)
[2]相關(guān)濾波目標(biāo)跟蹤進(jìn)展綜述[J]. 張微,康寶生.  中國(guó)圖象圖形學(xué)報(bào). 2017(08)
[3]基于特征匹配與運(yùn)動(dòng)補(bǔ)償?shù)囊曨l穩(wěn)像算法[J]. 唐佳林,鄭杰鋒,李熙瑩,蘇秉華.  計(jì)算機(jī)應(yīng)用研究. 2018(02)
[4]基于SURF算法的無(wú)人機(jī)遙感影像拼接技術(shù)[J]. 胡同喜,牛雪峰,譚洋,陳新鵬.  測(cè)繪通報(bào). 2015(01)
[5]基于HSV空間陰影去除方法研究與應(yīng)用[J]. 高東旭,曹江濤,李平.  電子設(shè)計(jì)工程. 2014(13)
[6]基于SURF和軌跡濾波的旋轉(zhuǎn)視頻穩(wěn)像算法[J]. 蔣建國(guó),牛杰杰,齊美彬.  儀器儀表學(xué)報(bào). 2014(03)
[7]無(wú)人機(jī)逆向車輛檢測(cè)數(shù)據(jù)時(shí)效性分析[J]. 杜榮義,彭仲仁.  交通運(yùn)輸系統(tǒng)工程與信息. 2014(01)
[8]改進(jìn)的HSV陰影去除算法研究[J]. 譚家政,劉勇,邱芹軍.  物聯(lián)網(wǎng)技術(shù). 2014(01)
[9]基于混合高斯模型的陰影去除算法[J]. 張紅穎,李鴻,孫毅剛.  計(jì)算機(jī)應(yīng)用. 2013(01)
[10]基于物理特性和形態(tài)學(xué)方法的陰影去除算法[J]. 張超,林鵬,趙宇明.  計(jì)算機(jī)工程. 2012(10)

碩士論文
[1]無(wú)人機(jī)遙感影像點(diǎn)特征匹配算法研究[D]. 張一.解放軍信息工程大學(xué) 2015
[2]基于高點(diǎn)視頻的交通信息提取[D]. 高忠濤.上海交通大學(xué) 2015
[3]無(wú)人機(jī)影像快速拼接關(guān)鍵技術(shù)研究[D]. 于瑤瑤.解放軍信息工程大學(xué) 2012
[4]視頻序列中運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法研究[D]. 李杰.西南交通大學(xué) 2010



本文編號(hào)：3132310