基于背景差分的視頻車輛檢測大摘要.pdf

1、基于視頻的車輛檢測是智能交通系統(tǒng)的基礎和關鍵，也是計算機視覺領域的研究熱點。隨著研究的深入，近年來提出了許多新的車輛檢測算法，逐步解決了檢測過程中出現(xiàn)車輛陰影與背景擾動的問題，然而這些算法仍然存在著一些缺點和不足，如沒有考慮雨雪霧霾等惡劣天氣環(huán)境下視頻圖像的噪聲和干擾問題，以及車輛檢測算法的復雜度高所帶來的實時性問題等。因此，本文針對當前基于視頻的車輛檢測算法中存在的噪聲干擾和實時性問題，提出了具體的提高檢測率和實時性的方法。主要的研究

2、工作有以下兩個方面：
　　（1）針對視頻中噪聲影響車輛檢測率的問題，深入研究了中值濾波、維納濾波和小波濾波這三種常用的去噪算法，分析它們在實際應用中的不足，提出了一種基于稀疏表示的視頻去噪方法。利用K-奇異值分解( K-Singular Value Decomposition，K-SVD)算法訓練過完備字典，將噪聲圖像在過完備字典上稀疏分解，根據(jù)圖像信號能夠在過完備字典上稀疏分解而噪聲不能稀疏分解的原理，去除噪聲，恢復圖像。與上述

3、三種去噪方法相比，本文提出的去噪方法能夠明顯提高惡劣天氣或環(huán)境下視頻圖像的信噪比，改善圖像質量，有助于提高車輛的檢測率。
　　（2）圍繞背景差分方法中如何建立高魯棒性的背景模型問題，在深入分析和研究均值法、單高斯背景模型和混合高斯背景模型三種經(jīng)典的建模算法的基礎上，提出了一種基于混合高斯的多模態(tài)模型的優(yōu)化方案。由于建模過程中所得到的所有模型都有可能是背景模型，模型權值較小的像素中有可能也包含了真實背景像素。因此，舍棄建模過程中模型