基于单目视觉的运动行人检测与跟踪方法

为了有效检测与跟踪城市交通环境中的行人,提出了一种在摄像机静止情况下基于单目视觉的运动行人检测与跟踪方法。检测阶段通过自适应背景模型快速提取背景图像,用动态多阈值方法二值化差分图分割运动行人;跟踪阶段引入灰色模型作为行人运动模型,预测行人运动,融合行人多种特征建立目标匹配模板,对行人连续跟踪。通过单个行人通行和多个行人同时出现这两种交通环境下的视频图像对本方法进行了验证,单个行人通行时,跟踪的正确率为95%;多个行人同时通行时,识别每个行人并分别跟踪的正确率为87%。     

基于智能Agent的车辆自适应跟踪技术

为了研究复杂环境下快速移动车辆目标检测与跟踪问题,提出了基于知识库的智能Agent自适应图像分割与滤波算法,建立了帧间差异积累动态矩阵自适应背景模型,在跟踪过程中,设计了改进的SSD算法预测初始迭代点,根据Jensen不等式推导了具有自适应核窗宽迭代更新的M eanSh ift算法,实现了对视频车辆目标的自适应智能跟踪.实验结果表明,该算法能有效、准确地跟踪视频中的运动目标,自适应能力强;与其他算法比较,跟踪误差降低了54.4%,平均跟踪时间延长了41.3%.     

基于运动矢量的车辆实时跟踪系统

建立了基于摄像机、图像采集卡及计算机的车辆跟踪硬件系统.研究了基于运动矢量的车辆跟踪算法.作者首先进行背景初始化,然后,利用背景差法和检测线法对通过目标交通场景的车辆进行检测,进而根据三步法计算车辆的运动矢量,并进行车辆位置的更新和遮挡处理,实现了车辆的实时跟踪.     

基于混合高斯背景建模的交通视频运动目标检测

目前最常用也最有效的运动目标检测方法是背景减除法,其中背景提取是背景减除法的核心.传统的运动目标检测方法无法解决场景的光线突变、背景图像发生变化以及前景运动目标物体的阴影干扰等问题.针对交通视频中背景模型的实际情况,采用混合高斯分布对视频背景进行建模,将前一帧视频图像与所建立的当前背景图像进行相减,得到车辆在当前时刻的运动图像,并将所得图像进行形态学去噪处理.通过相关的仿真实验,证明了该方法能够比较准确地检测出前景运动车辆目标.     

基于OpenCV和DirectShow的交通运动目标检测算法研究

针对运动目标的自动检测问题,提出了一种改进的背景差分算法,采用背景图像多帧平均进行背景的获取和更新,进一步检测出运动车辆轮廓。使用VC++6.0作为开发环境,结合DirectShow视频处理库和OpenCV图像处理库进行编程实现。通过对两个不同场景的实验结果表明该算法能正确地检测出运动车辆,能够满足实时性的要求。     

一种新的车辆图像识别分类算法研究

提出了一种在静止背景交通图像序列中运动车辆的检测和分类方法,即基于GVF-Snake模型和惯量椭圆的车辆分类算法。利用混和高斯模型(GMM)、期望最大化(EM)估计算法、改进GVF-Snake模型,从序列交通视频图像中检测出运动车辆;然后,借用刚体惯量椭圆原理,计算运动车辆等效椭圆偏心率,从而建立车长-车投影面积-车的等效椭圆偏心率三参数建立了车辆分类器。该方法的车辆检测与分类都是基于数理统计原理,算法复杂度小,可用数字逻辑编程实现,适合在嵌入式系统中应用。     

基于自适应背景更新的运动车辆检测技术

在基于视频的交通检测系统中，运动车辆的正确检测是关键，目前采用的典型方法是背景差分法。为了得到较理想的背景图像，利用基于动态信息窗口的自适应背景更新算法，解决了背景的复杂性问题，提高了对多车道上运动车辆检测的正确率。     

基于多入侵线的视频车速检测方法

为提高视频中车速检测的精度，提出一种基于多入侵线的视频车速检测方法。首先在视频中布设已知相对距离的多条入侵线，其次检测车辆经过每条入侵线时的帧数，最后结合帧数、 摄像机的采样时间、入侵线间的距离生成关于车速的概率密度函数模型以计算车速。通过构建仿真环境验证模型性能，仿真结果表明：减小摄像机的采样时间、增加入侵线数量、增大入侵线之间的距离可以提高模型性能，并且在不同检测条件下使用多入侵法进行车速检测的误差率都更低。采用Deepsort+YOLOv5目标跟踪算法实现视频中车速的检测，同时，在视频车速检测综合数据集BrnoCompSpeed上与主流车速检测方法进行实验对比，实验结果表明，该方法测量结果的平均误差率为1.40%，与主流视频车速检测方法相比精度更高。     

运动车辆检测的APG-TR算法

为了提高智能交通系统中运动车辆检测的准确率,提出了一种基于张量恢复的APG-TR算法。采用张量表征交通视频图像,保持视频图像高维结构特征。通过张量恢复,重建出张量的低秩部分与稀疏部分,实现交通视频图像中交通背景与运动目标车辆的分离与交通视频内在特征的提取。利用交通监控系统采集到的交通视频106帧图像对本文算法进行了测试。测试结果表明:在晴天条件下,APG-TR算法的平均正确率为91.4%,在雨、雾天气条件下,正确率分别为86.4%、85.2%,相比帧差法更加稳定与准确。APG-TR算法具有良好的收敛速度与鲁棒性,在智能交通领域中具有广泛的应用前景。     

���ڸĽ�����ɫ������ֱ��ͼ���µ�Mean-Shift�㷨

为了提高复杂环境下智能视频监控对运动目标跟踪的可靠性,提出一种基于改进的颜色特征和直方图更新的Mean-Shift跟踪算法.该算法利用像素点局部颜色变化作为跟踪目标像素点特征,弥补单一颜色值特征对目标表征的不足;并根据Mean-Shift跟踪结果和目标匹配程度对目标直方图进行更新,保证在目标姿态和大小发生变化时目标特征直方图的有效性.实验结果表明：与传统Mean-Shift算法相比,改进的颜色特征减小了相似背景像素对运动目标的干扰,目标直方图的更新提高了Mean-Shift算法对目标姿态和大小改变的鲁棒性.算法提高了基于颜色特征的Mean-Shift算法对复杂环境中运动目标进行实时跟踪的可靠性.     

基于反馈背景模型的城市道路交叉口前景目标检测

为准确检测城市道路交叉口监控视频中缓慢行驶或短时停留的前景目标,提出了一种基于前景目标反馈的背景模型检测方法.首先基于观测样本的像素值构建背景模型,利用计数器观测像素点检测为前景或背景的次数并描述当前场景的交通状态和稳定性,其次根据场景自适应阈值判断当前像素点为前景点或背景点,最终通过交通状态和场景的稳定性更新背景模型.采用基于真实的交叉口视频场景对算法的有效性进行了定性与定量分析.实验结果表明,该算法在复杂的城市道路交叉口场景中检测出缓慢行驶或短时停留车辆的性能优于其他方法,同时能够满足城市道路交叉口智能视频监控实时性和准确性的要求,为交叉口前景目标的行为分析奠定了基础.     

视频检测技术在UTC—SCOOT系统中的运用

针对视频运动车辆检测技术在UTC-SCOOT系统中的应用进行了研究。在城市交叉口控制中使用视频摄像机代替传统的车辆检测器,用于城市道路交叉口的交通信号实时控制,取得了较好的控制效果。     

交叉口交通冲突严重程度量化方法

为提高交通冲突严重程度的判别精度,基于运动单元圆假设与视频检测技术,提出了交叉口两车交通冲突严重程度量化方法。利用视频处理程序与实地采集的视频图像提取圆单元运动学参数,并通过迭代方法进行了冲突检测与冲突时间判定。充分考虑车辆的制动性能,将非完全制动停车距离与瞬时车速的比值作为冲突严重程度判别临界值,以冲突时间与临界值为参数,建立了冲突严重程度量化值,并对其严重程度进行了量化与分级,以北京市某交叉路口为例进行了应用实例分析。分析结果表明:两运动单元驶入交叉口后,二者之间的冲突严重程度量化值由1.32增大为2.45,后又不断减小直至无交通冲突;随着冲突严重程度的增大,驾驶人会采取紧急制动措施使冲突严重程度减小,直至冲突消解。可见该方法可以方便地检测交通冲突,准确量化交叉口两运动单元之间的冲突严重程度。     

һ���µĻ��ڴ������ںϵĸ��ӽ�ͨ�������·���

复杂交通场景由于背景构造困难限制了视频监控技术的应用. 为了解决这个问题,本文提出了一种新的基于传感器融合的复杂交通视频背景构造方法. 首先通过基于EM算法的高斯混合模型提高背景建模的准确性;其次,对于运动缓慢或者静止的区域,通过设定不同的采样频率来提高背景建模数据的可靠性;对来自线圈和虚拟检测线检测到的数据进行数据融合来提高虚拟线圈检测车速的精度,通过引入局部稳态最优Kalman平滑器提高了数据融合算法的自校正能力. 最后,实验结果证明了所提方法的有效性.     

一种新的基于传感器融合的复杂交通背景更新方法

复杂交通场景由于背景构造困难限制了视频监控技术的应用. 为了解决这个问题,本文提出了一种新的基于传感器融合的复杂交通视频背景构造方法. 首先通过基于EM算法的高斯混合模型提高背景建模的准确性;其次,对于运动缓慢或者静止的区域,通过设定不同的采样频率来提高背景建模数据的可靠性;对来自线圈和虚拟检测线检测到的数据进行数据融合来提高虚拟线圈检测车速的精度,通过引入局部稳态最优Kalman平滑器提高了数据融合算法的自校正能力. 最后,实验结果证明了所提方法的有效性.     

���˽�ͨ����Ƶ��ⷽ������

行人交通是我国城市居民出行的主要交通方式,而行人交通的视频检测技术对于智能交通系统的发展与应用具有重要意义,通过对行人检测和分析确定行人的运动轨迹,提取行人交通参数,为交通规划、管理与控制提供科学的数据。首先回顾行人交通视频检测技术的发展历程,综述研究的方法、技术和主要成果;其次,从行人交通系统的一般处理框架—行人检测、识别、跟踪和交通参数的提取,分层次回顾低级、中级和高级各处理阶段的发展水平;重点阐述各处理阶段的现有技术和方法,并将每阶段相应地划分为不同方法子类加以讨论;最后,分析行人检测研究的技术难点及未来的发展趋势。     

基于时空轨迹跟踪的交通流特性参数检测分析

基于视频的交通流检测在智能交通系统中具有重要意义.本文针对广泛采用的低位摄像机,提出了一种交通流特性参数的检测分析方法.首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响;然后基于Adaboost（Adaptive Boosting, 自适应增强）分类器实现特征点按车分组,并在跟踪过程中根据运动特征相关度消除分组误差,获取高精度的车辆轨迹;进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数.实验结果验证了算法的高效性;同时,自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持.     

����ʱ�չ켣���ٵĽ�ͨ�����Բ���������

基于视频的交通流检测在智能交通系统中具有重要意义。本文针对广泛采用的低位摄像机,提出了一种交通流特性参数的检测分析方法。首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响;然后基于Adaboost（Adaptive Boosting,自适应增强）分类器实现特征点按车分组,并在跟踪过程中根据运动特征相关度消除分组误差,获取高精度的车辆轨迹;进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数。实验结果验证了算法的高效性;同时,自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持。