基于視頻的運(yùn)動(dòng)汽車檢測(cè)技術(shù)研究.pdf

1、視頻運(yùn)動(dòng)汽車檢測(cè)作為智能交通系統(tǒng)中最基礎(chǔ)的部分,其結(jié)果直接關(guān)系著下一步車輛跟蹤、識(shí)別及行為分析等語(yǔ)義信息理解的優(yōu)劣。運(yùn)動(dòng)汽車的檢測(cè)可以實(shí)現(xiàn)交通參數(shù)的提取并能進(jìn)一步自動(dòng)檢測(cè)交通事件。但在一個(gè)室外的車輛檢測(cè)系統(tǒng)中,經(jīng)常會(huì)有一些外界的因素比如攝像頭的抖動(dòng)、光線的變化、樹(shù)葉的搖擺等影響到檢測(cè)的精確度。如何在室外復(fù)雜環(huán)境中實(shí)現(xiàn)對(duì)運(yùn)動(dòng)汽車實(shí)時(shí)、準(zhǔn)確的檢測(cè)與提取是本文要研究的重點(diǎn)。
　　 本文針對(duì)背景差分法易受外界復(fù)雜環(huán)境影響的不足,提出改進(jìn)

2、的K-均值聚類算法來(lái)對(duì)復(fù)雜環(huán)境下的背景進(jìn)行建模,將室外場(chǎng)景中的噪聲、攝像機(jī)的抖動(dòng)等多模態(tài)分別用K個(gè)子類來(lái)描述,通過(guò)比較任意樣本與該像素位置處的子類中心之間的距離,對(duì)各個(gè)像素的觀察值進(jìn)行聚類,并在聚類過(guò)程中逐步確定其類別數(shù)。一段時(shí)間的學(xué)習(xí)之后,樣本數(shù)最多的子類就構(gòu)成了背景模型。即使在運(yùn)動(dòng)車輛一直存在的場(chǎng)景中也能很好地提取出理想的背景。對(duì)于場(chǎng)景背景中的車輛突然開(kāi)始運(yùn)動(dòng)或者車輛突然駛?cè)氘?dāng)前場(chǎng)景并作為背景停留的情況,本文首先采用背景差分法檢測(cè)出

3、運(yùn)動(dòng)變化的區(qū)域,再采用canny算子檢測(cè)出當(dāng)前場(chǎng)景中運(yùn)動(dòng)車輛的邊緣輪廓,將兩種方法結(jié)合起來(lái)增強(qiáng)了檢測(cè)系統(tǒng)的魯棒性,抑制了虛假運(yùn)動(dòng)目標(biāo)的出現(xiàn),提高了檢測(cè)的準(zhǔn)確性?？紤]到室外環(huán)境中陽(yáng)光會(huì)使車輛產(chǎn)生陰影,本文采用HSV空間來(lái)對(duì)陰影進(jìn)行檢測(cè)與去除,取得了很好的效果,進(jìn)一步提高了運(yùn)動(dòng)車輛檢測(cè)的精確性。針對(duì)傳統(tǒng)snake算法對(duì)初始輪廓要求較高的問(wèn)題,本文將之前改進(jìn)算法粗分割得到的前景車輛邊界作為改進(jìn)snake算法的初始邊緣輪廓,使得在應(yīng)用snake