智能交通系統(tǒng)中車(chē)輛檢測(cè)與跟蹤技術(shù)的研究.pdf

1、社會(huì)經(jīng)濟(jì)的發(fā)展促使道路交通迅速發(fā)展，機(jī)動(dòng)車(chē)數(shù)量不斷增加。為了解決地面交通迅速發(fā)展所引發(fā)的各種問(wèn)題，智能交通系統(tǒng)(ITS)被提到了重要位置。而在智能交通系統(tǒng)中，車(chē)輛的檢測(cè)與跟蹤是車(chē)流量統(tǒng)計(jì)、車(chē)輛擁塞控制等后續(xù)處理的重要基礎(chǔ)。 本論文首先分析研究了車(chē)輛視頻檢測(cè)方法的研究意義和研究現(xiàn)狀，并指出其中的主要問(wèn)題和關(guān)鍵問(wèn)題，圍繞這些問(wèn)題，安排了論文的框架結(jié)構(gòu)。 為了應(yīng)用背景差分法，我們就需要獲得一個(gè)干凈的背景，這就需要一個(gè)有效的背景

2、建模方法，方法的優(yōu)劣可以從實(shí)驗(yàn)效果和處理時(shí)間兩方面進(jìn)行衡量。論文用C＼C++代碼實(shí)現(xiàn)了以往常用的幾種背景建模方法，但不同于以往的做法，本文所有的建模方法都是基于R、G、B三個(gè)通道進(jìn)行處理的。不僅如此，本文還提出了一種新的基于區(qū)間法的背景建模法，經(jīng)過(guò)比較分析各種方法，基于區(qū)間法的背景建模法和混合高斯背景模型法都能得到干凈的背景圖像，且能適應(yīng)復(fù)雜的天氣條件，但前者較之后者處理時(shí)間大大縮短了，因此，本文下面的處理都是基于基于區(qū)間法的背景建模法

3、。 得到了干凈的背景圖像之后，我們利用背景差分法得到了前景圖像，為了方便對(duì)其進(jìn)行跟蹤，先后對(duì)前景圖像進(jìn)行閾值分割、形態(tài)學(xué)處理、求取車(chē)輛的外接矩形等操作。其中的閾值分割是對(duì)R、G、B三個(gè)通道的平方和取根值的，外接矩形的求取實(shí)際上就是一種區(qū)域增長(zhǎng)法。 在車(chē)輛跟蹤方面，本文根據(jù)Kalman濾波器的原理進(jìn)行建模，將車(chē)輛的外接矩形的各個(gè)參數(shù)轉(zhuǎn)化為Kalman濾波器的參數(shù)，從而能夠應(yīng)用Kalman濾波器的公式。實(shí)驗(yàn)表明，該方法能夠?qū)?/p>

4、車(chē)輛進(jìn)行穩(wěn)定的跟蹤。 根據(jù)夜間道路場(chǎng)景的特點(diǎn)，本文提出了一種新的基于車(chē)尾燈檢測(cè)的方法來(lái)對(duì)夜間車(chē)輛進(jìn)行檢測(cè)和跟蹤，由于車(chē)尾燈區(qū)域中的R通道比重較大，所以我們可以根據(jù)計(jì)算每個(gè)像素點(diǎn)的R通道的比重從而判別得到車(chē)尾燈區(qū)域，再根據(jù)一些先驗(yàn)知識(shí)、車(chē)尾燈區(qū)域的像素點(diǎn)的速度信息，我們可以將屬于同一輛車(chē)的車(chē)尾燈區(qū)域合并，從而得到車(chē)輛；再利用前面的Kalman濾波器跟蹤法，完成對(duì)夜間車(chē)輛的跟蹤。 前面討論的背景建模方法就是為了適應(yīng)復(fù)雜多變的

5、天氣條件的，為了進(jìn)一步驗(yàn)證這種建模方法的有效性，在第五章，我們?cè)敿?xì)討論了在雨天和多云的天氣條件下，對(duì)車(chē)輛進(jìn)行檢測(cè)和跟蹤。由于在雨天和多云的情況下，車(chē)輛和路邊物體容易在地面形成陰影或倒影導(dǎo)致檢測(cè)錯(cuò)誤，為了消除陰影和倒影，本文提出一種新的簡(jiǎn)單的陰影檢測(cè)算法，實(shí)驗(yàn)表明，利用此算法，陰影和倒影能夠得到有效的消除。然后，我們就可以應(yīng)用前面討論的算法，對(duì)車(chē)輛進(jìn)行檢測(cè)和跟蹤。 本文的所有視頻圖像序列都是在東南大學(xué)東門(mén)天橋處采集，實(shí)驗(yàn)結(jié)果都是用