本文選題：車輛檢測與跟蹤 + 前景分割�。� 參考：《北京郵電大學(xué)》2016年碩士論文

【摘要】：隨著當(dāng)今社會(huì)的不斷發(fā)展,智能交通系統(tǒng)越來越成為世界各個(gè)國家廣泛關(guān)注的焦點(diǎn)。智能交通系統(tǒng)在道路監(jiān)控,以及道路交通管理方面上發(fā)揮了重要的作用。智能交通系統(tǒng)的其中一個(gè)熱點(diǎn)和難點(diǎn)是車輛檢測與跟蹤。論文圍繞視頻中車輛的運(yùn)動(dòng)檢測,跟蹤以及相關(guān)的陰影去除和遮擋處理等重難點(diǎn)問題展開研究,同時(shí)將這些方法應(yīng)用于視頻監(jiān)控的系統(tǒng)中。主要的工作分為以下幾點(diǎn)。(1)論文提出改進(jìn)的背景建模算法以及無參化特征融合陰影去除算法。首先介紹了背景建模算法,選取Vibe(Visual Background extractor)作為系統(tǒng)的目標(biāo)檢測算法,對(duì)Vibe建模算法的不足進(jìn)行了闡述,并提出改進(jìn)方法。該方法能夠有效抑制Vibe算法容易引入的鬼影問題,從而更加準(zhǔn)確的對(duì)目標(biāo)進(jìn)行檢測。同時(shí)為了消除運(yùn)動(dòng)車輛陰影對(duì)前景結(jié)果造成的影響,提出一種改進(jìn)HSV(Hue,Saturation,Value)特征與紋理LBP(Local Binary Patterns)特征相融合去除陰影的方法,對(duì)HSV特征無參化,此融合算法有效地去除了車輛陰影。(2)論文提出一種基于改進(jìn)觀測模型的粒子濾波跟蹤算法。首先研究目標(biāo)跟蹤算法,介紹了幾種典型算法,并闡述了算法基本原理,給出對(duì)比分析。同時(shí),提出了 一種基于改進(jìn)HOG(Histogram of Oriented Gradients)特征的車輛觀測模型,在不同光照條件下,能準(zhǔn)確提取車輛信息,實(shí)現(xiàn)精準(zhǔn)匹配和跟蹤。(3)論文提出一種廣泛適用的車輛遮擋檢測分割算法。車輛間交互容易造成車輛的遮擋,影響跟蹤效果。文中遮擋的處理主要包含兩步操作,首先對(duì)目標(biāo)候選框進(jìn)行遮擋檢測,然后對(duì)符合條件的遮擋框進(jìn)行遮擋的分割,得到分割后車輛信息,用于后續(xù)車輛跟蹤,一定程度上解決了車輛的遮擋問題。根據(jù)以上算法,本文選取多種場景下交通道路視頻進(jìn)行檢測跟蹤仿真實(shí)驗(yàn)。通過對(duì)車輛的正確跟蹤,錯(cuò)誤跟蹤以及丟失跟蹤幀數(shù)進(jìn)行的統(tǒng)計(jì)表明,該框架是一個(gè)穩(wěn)健的車輛檢測與跟蹤系統(tǒng),可以有效去除陰影以及處理遮擋,從而準(zhǔn)確的檢測與跟蹤車輛。
[Abstract]:With the development of society, Intelligent Transportation system (its) has become the focus of attention in every country in the world. Intelligent Transportation system (its) plays an important role in road monitoring and traffic management. Vehicle detection and tracking is one of the hot and difficult problems in Intelligent Transportation system (its). This paper focuses on the vehicle motion detection, tracking, shadow removal and occlusion processing, and applies these methods to the video surveillance system. The main work is as follows: 1) this paper proposes an improved background modeling algorithm and a shadow removal algorithm based on non-parameterized feature fusion. Firstly, the background modeling algorithm is introduced, and Vibe Visual background extractor is selected as the target detection algorithm of the system. The shortcomings of the Vibe modeling algorithm are described, and the improved method is put forward. This method can effectively suppress the ghost problem which is easily introduced by Vibe algorithm, so as to detect the target more accurately. At the same time, in order to eliminate the influence of moving vehicle shadow on the foreground result, an improved method is proposed to remove the shadow by combining the HSV HueSaturationValue feature with the texture LBPU Local binary pattern feature, which has no inclusion for HSV feature. This fusion algorithm effectively removes the vehicle shadow. In this paper, a particle filter tracking algorithm based on improved observation model is proposed. Firstly, the target tracking algorithm is studied, several typical algorithms are introduced, and the basic principle of the algorithm is described, and a comparative analysis is given. At the same time, a vehicle observation model based on improved hog histogram of oriented gradient is proposed, which can accurately extract vehicle information under different illumination conditions. This paper presents a widely applicable segmentation algorithm for vehicle occlusion detection. The interaction between vehicles can easily cause vehicle occlusion and affect the tracking effect. The processing of occlusion in this paper mainly consists of two steps: firstly, the target candidate is detected, then the suitable occlusion frame is segmented to get the vehicle information after segmentation, which can be used for subsequent vehicle tracking. To some extent, the problem of vehicle occlusion is solved. According to the above algorithms, this paper selects a variety of scene traffic road video detection and tracking simulation experiment. The statistics of correct tracking, error tracking and lost tracking frame count show that the framework is a robust vehicle detection and tracking system, which can effectively remove shadows and deal with occlusion. Thus accurate detection and tracking of vehicles.
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U495;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張巖;;基于視頻的車輛檢測方法與檢測技術(shù)的探討[J];哈爾濱鐵道科技;2009年02期

2 張文溥;;視頻車輛檢測技術(shù)及發(fā)展趨勢[J];中國人民公安大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

3 于寶明;;一種智能物聯(lián)網(wǎng)交通管理系統(tǒng)中靜止車輛檢測新方法[J];信息化研究;2011年05期

4 劉珠妹;劉亞嵐;譚衢霖;任玉環(huán);;高分辨率衛(wèi)星影像車輛檢測研究進(jìn)展[J];遙感技術(shù)與應(yīng)用;2012年01期

5 錢志明;楊家寬;段連鑫;;基于視頻的車輛檢測與跟蹤研究進(jìn)展[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S2期

6 文學(xué)志;趙宏;王楠;袁淮;;基于知識(shí)和外觀方法相結(jié)合的后方車輛檢測[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年03期

7 張暉;董育寧;;基于視頻的車輛檢測算法綜述[J];南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年03期

8 李玉萍;;基于視覺的車輛檢測技術(shù)現(xiàn)狀[J];國外電子測量技術(shù);2007年10期

9 鄭宏;胡學(xué)敏;;高分辨率衛(wèi)星影像車輛檢測的抗體網(wǎng)絡(luò)[J];遙感學(xué)報(bào);2009年05期

10 戴紅霞;江樂;趙力;;時(shí)空結(jié)合的多背景車輛檢測方法的研究[J];電視技術(shù);2009年11期

相關(guān)會(huì)議論文 前10條

1 錢志明;楊家寬;段連鑫;;基于視頻的車輛檢測與跟蹤研究進(jìn)展[A];2013年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊）[C];2013年

2 聞?dòng)?潘霓;;基于磁偏角的車輛檢測的研究[A];第二十七屆中國控制會(huì)議論文集[C];2008年

3 楊阿麗;劉峽壁;魏雪;萬玉釵;;用于交通治安卡口的全天候視頻車輛檢測方法[A];全國第22屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議(CACIS·2011)暨全國第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會(huì)議論文摘要集[C];2011年

4 楊淼;;基于卡爾曼濾波的電子警察系統(tǒng)車輛檢測算法[A];2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2011年

5 蔣大林;馬軍強(qiáng);;基于視頻的車輛檢測與跟蹤方法綜述[A];第六屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集（2）[C];2008年

6 鄒月嫻;王一言;關(guān)佩;楊華;陳維榮;;復(fù)雜視頻背景中的運(yùn)動(dòng)車輛檢測技術(shù)[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2008年

7 李舜酩;繆小冬;;視覺車輛檢測方法的研究進(jìn)展及展望[A];2009全國虛擬儀器大會(huì)論文集（二）[C];2009年

8 王忠耀;任青春;王少華;郭春生;;基于紅外視頻的車載行人車輛檢測系統(tǒng)[A];浙江省電子學(xué)會(huì)2013學(xué)術(shù)年會(huì)論文集[C];2013年

9 孫明;孫紅;;智能交通系統(tǒng)中車輛的圖像檢測方法研究[A];農(nóng)業(yè)工程科技創(chuàng)新與建設(shè)現(xiàn)代農(nóng)業(yè)——2005年中國農(nóng)業(yè)工程學(xué)會(huì)學(xué)術(shù)年會(huì)論文集第三分冊[C];2005年

10 吳嶸;何培宇;徐自勵(lì);段文鋒;劉珂含;;一種去背景的車輛檢測與跟蹤快速算法[A];第十三屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

相關(guān)重要報(bào)紙文章 前10條

1 記者 何雪峰;宿州簡政放權(quán)助推縣域經(jīng)濟(jì)[N];安徽日報(bào);2009年

2 記者 賈瑞芳;檢車進(jìn)企業(yè) 溫暖送到家[N];河北經(jīng)濟(jì)日報(bào);2009年

3 鄭利平;湖州車輛檢測科研項(xiàng)目通過鑒定[N];中國交通報(bào);2004年

4 張廣明;運(yùn)用高新技術(shù)審驗(yàn)運(yùn)輸車輛[N];巴彥淖爾日報(bào)(漢);2007年

5 張奇 李小潔;車輛檢測，，為何招來怨聲一片[N];檢察日報(bào);2002年

6 本報(bào)記者 侯莎莎;車輛年檢強(qiáng)制免費(fèi)換牌釘[N];北京日報(bào);2012年

7 奚榮武　顧剛;昆山：1100萬元加強(qiáng)卡口監(jiān)控[N];人民公安報(bào);2009年

8 見習(xí)記者 黃鵬飛;檢測要細(xì)之又細(xì)，事故要堅(jiān)決壓降[N];法治快報(bào);2006年

9 記者 楊耀青;車輛檢測更加公正透明[N];西安日報(bào);2011年

10 張貴峰;車檢改革應(yīng)將交通部門納入其中[N];法制日報(bào);2014年

相關(guān)博士學(xué)位論文 前10條

1 劉培勛;車輛主動(dòng)安全中關(guān)于車輛檢測與跟蹤算法的若干研究[D];吉林大學(xué);2015年

2 張偉;基于視覺的運(yùn)動(dòng)車輛檢測與跟蹤[D];上海交通大學(xué);2007年

3 徐琨;交通視頻監(jiān)控中的車輛檢測與跟蹤方法研究[D];長安大學(xué);2009年

4 李博;基于層次性與或圖模型的車輛檢測與解析[D];北京理工大學(xué);2015年

5 王曾敏;小波圖像融合算法及其在視頻車輛檢測系統(tǒng)中的應(yīng)用研究[D];天津大學(xué);2009年

6 許潔瓊;基于視頻圖像處理的車輛檢測與跟蹤方法研究[D];中國海洋大學(xué);2012年

7 嚴(yán)捷豐;交通視頻監(jiān)控中的車輛檢測與分割方法研究[D];中國科學(xué)技術(shù)大學(xué);2008年

8 馮輝;網(wǎng)絡(luò)化的并行與分布式優(yōu)化算法研究及應(yīng)用[D];復(fù)旦大學(xué);2013年

9 許玉杰;云計(jì)算環(huán)境下海量數(shù)據(jù)的并行聚類算法研究[D];大連海事大學(xué);2014年

10 李琰;基于貓群算法的高光譜遙感森林類型識(shí)別研究[D];東北林業(yè)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 劉慧慧;基于視頻的車輛檢測與跟蹤算法研究[D];北京郵電大學(xué);2016年

2 何志強(qiáng);基于地磁的無線車輛檢測系統(tǒng)研究[D];華南理工大學(xué);2015年

3 王齊;車輛檢測與樣本采集系統(tǒng)的研究與設(shè)計(jì)[D];延邊大學(xué);2015年

4 馬蓓蓓;基于HOG特征的車輛檢測技術(shù)研究[D];華南理工大學(xué);2015年

5 張雙;基于嵌入式技術(shù)的物流跟蹤及車輛檢測系統(tǒng)設(shè)計(jì)[D];昆明理工大學(xué);2015年

6 郭敏;基于高速公路大貨車違法占道監(jiān)測系統(tǒng)的車輛檢測與跟蹤研究[D];西南交通大學(xué);2015年

7 馮樂;基于AMR傳感器的車輛信息采集系統(tǒng)[D];天津理工大學(xué);2015年

8 張驍;基于3D空間多部件模型的車輛檢測方法研究[D];長安大學(xué);2015年

9 趙倩倩;基于目標(biāo)特征點(diǎn)跟蹤與聚類的車輛檢測算法研究[D];長安大學(xué);2015年

10 田蘇慧敏;基于視頻圖像處理的車輛檢測與車流量統(tǒng)計(jì)平臺(tái)的設(shè)計(jì)實(shí)現(xiàn)[D];寧夏大學(xué);2015年

本文編號(hào)：2037055