交通場景中運動車輛的檢測與跟蹤方法研究.pdf

1、隨著我國城鄉(xiāng)一體化進程的不斷加快以及私家車的逐漸增多，道路交通管理系統(tǒng)的承載力顯得越來越有限，因此基于視頻的智能交通系統(tǒng)就顯得尤為重要，已成為發(fā)展現(xiàn)代道路交通的重要內(nèi)容。運動車輛的實時檢測和實時跟蹤是現(xiàn)代智能交通系統(tǒng)中的核心內(nèi)容和關鍵技術，為智能交通系統(tǒng)提供道路上的實時交通信息，其性能直接影響到運動車輛行為分析和行為判斷等后續(xù)處理的結果。本文主要研究了常用的運動車輛檢測方法與跟蹤方法，并對背景更新方法和跟蹤方法分別進行了改進。
　

2、　 針對基于分塊思想的選擇性背景更新方法存在塊與塊之間銜接不自然、抗干擾性弱等不足，提出了在分塊思想的基礎上引入濾波和逐漸修正的背景更新方法。該方法首先將圖像分成區(qū)域小塊，然后根據(jù)對應小塊的均值和方差確定前景區(qū)域、背景區(qū)域及其變化大小，最后對前景區(qū)域和背景區(qū)域分別進行更新。
　　 針對利用卡爾曼濾波進行運動車輛跟蹤過程復雜的問題，考慮到相鄰兩幀時間間隔很短，可以把相鄰兩幀運動車輛區(qū)域面積重疊率作為車輛跟蹤的預測機制，提出了以面

3、積重疊率作為預測模型的運動車輛跟蹤方法。該方法首先提取前后兩幀中所有車輛的最小外接矩形框等特征，把與前幀中面積重疊率最大的車輛作為最佳預測，然后根據(jù)提取的車輛特征進行匹配，從而完成車輛的跟蹤。
　　 通過仿真實驗證明，改進的背景更新方法效果更好，并且用于運動車輛檢測的正確率提高了9.6％、時間效率也提高了19.9％;改進的區(qū)域匹配運動車輛跟蹤方法簡化了跟蹤過程、減少了計算復雜度，時間效率有一定提高，并且不影響其跟蹤正確率。同時，