交通視頻車輛檢測與跟蹤方法研究.pdf

1、車輛檢測與跟蹤是一項把交通視頻監(jiān)控逐步完善走向智能化的重要任務，通過對運動車輛檢測與跟蹤的實時判定，計算機控制端能夠自動地向操作者解釋描述交通視頻中車輛的存在和行駛狀況，由檢測到車輛當前所處的狀況和跟蹤車輛將要發(fā)生的行駛模式，同時針對特定的交通規(guī)則下異常的運動車輛的狀態(tài)進行報警，從而實現(xiàn)安全智能交通。本文重點對實現(xiàn)運動車輛的檢測與跟蹤的方法做了較深入的研究。
　　主要研究的成果如下：
　　第一，針對AdaBoost分類器目標

2、檢測所存在的漏檢、誤檢和計算量過大等問題，本文提出一種基于混合高斯模型運動區(qū)域提取和Haar-like特征的AdaBoost級聯(lián)分類器的交通視頻車輛檢測算法，首先通過建立混合高斯模型對運動目標的總體區(qū)域進行檢測，進而提取基于車輛運動的感興趣區(qū)域，再對其進行基于 Haar-like特征的區(qū)域AdaBoost級聯(lián)分類，實現(xiàn)對運動車輛的檢測。由于采用了基于運動區(qū)域提取和分類相結合的檢測模式，通過混合高斯背景模型較準確的提取出ROI作為車輛的候

3、選區(qū)域，約束了每幀的搜索區(qū)域，使AdaBoost分類器的目標檢測更具針對性，提高了檢測的準確性，降低了漏檢率；同時也減少了分類算法滑動窗口掃描所需要的時間，提高了檢測速度。實驗結果驗證了所提出算法對復雜交通環(huán)境車輛檢測的適應性和有效性。
　　第二，針對Tracking-Learning-Detection算法（TLD）在跟蹤運動物體尺度過大時產生的孔徑問題、無法捕捉大幅度快速運動目標的問題，提出了基于TLD改進的車輛檢測跟蹤算法。

4、TLD算法是一種長時間的在檢測框架上的跟蹤算法，采取跟蹤與檢測相結合的方式，與此同時，改進的在線P-N學習方法被融入其中，這樣，對目標的整體檢測和跟蹤會更加的有效和穩(wěn)定，TLD是非約束環(huán)境下任意物體的一種跟蹤方法。但是TLD算法整體框架中的LK光流法（Lucas-Kanade光流方法）是假定目標的運動是連貫且一致的，在周期較短、幀間運動有限、目標可見的情況下對目標在連續(xù)幀間的運動預測較好，然而交通視頻中的車輛跟蹤，往往是運動幅度較大、速