一种基于机器视觉的视频交通流检测系统

简要分析了交通流检测技术的发展现状,结合当前智能交通系统的应用需求,利用连续三帧差分的运动估计方法来构建初始背景,并采用统计打分的策略实时地对背景进行更新;同时提出了一种简单而有效的阴影消除算法以提高交通流参数检测的准确度。另外,针对现有交通流检测系统无车辆跟踪这一环节,可能导致流量多计数的问题,本文提出同时利用车辆的位置信息、颜色信息和分形维信息对车辆进行匹配跟踪的策略。大量实验证明该检测算法能快速、有效地检测出各种交通流参数,为实现交通管理的自动化奠定基础。     

基于AdaBoost的检测与跟踪技术在电子警察中的应用

提出了基于AdaBoost的检测与跟踪技术,实现了在电子警察系统中的应用。首先训练若干车辆模板样本,组成级联分类器。然后以一定的尺寸沿不同方向遍历待检测的区域,将每次选中的区域通过级联分类器进行刷选,通过所有分类器的区域即为检测到的目标车辆。根据车辆的位置等信息设置SN号,从而实现车辆的跟踪。最后根据交通规则和红灯信号进行交通违章车辆的抓拍。     

一种基于视频技术的车辆跟踪方法

在智能交通系统中,基于视频技术的车辆跟踪是交通参数和交通事件检测的关键技术之一。本文首先研究了现有的基于视频技术的车辆跟踪技术,然后提出了一种使用Kalman滤波器预测车辆位置,并用距离和颜色信息辅助识别车辆的跟踪方法。实验结果表明,该方法能够有效地实现车辆的跟踪。     

车道线信息的全面理解及偏离预警算法

为全面理解车道线信息,提出了一种车道线检测分类跟踪及偏离预警算法。首先利用动态感兴趣区域约束Canny算子的检测范围,基于扩展的Otsu算法改进Canny算子的阈值设定方式,并通过Hough变换进行车道线边缘拟合;然后依据车道线的颜色及线型特征进行分类,同时借助Kalman滤波器实时跟踪车道线,对检测失效区域采用Kalman滤波器的预测值进行替换;最后设定有效的偏离预警策略,确保行驶的安全性。实验结果表明,算法能全面地理解车道线信息并进行跟踪,同时具备对危险行驶状态下的车辆进行预警的能力。     

基于车头灯对的夜间车辆检测

基于车头灯对的夜间车辆检测是智能视频监控系统的一个关键技术.夜间车辆检测的难点在于光照条件差的情况下有效信息提取困难,而夜间亮度条件差却又使得车头灯部件形成明显的亮块,因此夜间车辆检测算法中可选取车头灯对作为车辆目标的部件特征.通过获取到视频图像的逆投影图,以及逆投影图中车头灯亮块的几何形状特征,与现实中车辆车头灯几何特征一致,并利用几何特征完成夜间车辆车头灯部件的检测,最终给出车辆检测结果.     

一种基于彩色特征的交通流黾统计方法

该文基于对传统帧差法的改进,运用二次帧差法来进行车辆特征信息的提取,并运用彩色信息和车辆偏移最相结合的方法进行计数,提出一种环境自适应能力强、适合于运动车辆检测的新方法。大量实验证明,该方法可正确检测车辆,实现车流量统计。该检测算法采用颜色特征和车辆偏移量进行判断,提高了检测精度,大大善了车辆检测效果,为实现交通管殚的自动化奠定基础。     

车辆检测与跟踪系统中道路检测方法的研究

为了更好地实现车辆检测与跟踪系统中的车辆定位,通过比较分析各种算法,提出了一种基于Sobel算法和Hough变换的道路检测方法。经过对比认证,该方法能准确的判断出非路面区域和路面区域,为后续的车辆检测提供了方便,大大提高系统运行的实时性。     

基于视频的智能交通系统的研究

目前，视频序列中的车辆运动检测是图像处理领域中最重要的研究课题之一。它的核心内容是应用图像处理技术从包含车辆信息的图像序列中检测车辆、提取车辆特征和状态、并预测和跟踪车辆的轨迹。车辆的运动检测系统一般包含运动检测、车辆提取、车辆跟踪。从这三个方面回顾车辆运动检测技术目前的发展水平和常用的处理方法，分析研究难点和未来的发展趋势。     

基于改进分水岭算法的多目标车辆的跟踪研究

近年来,由于车辆数量的激增,道路事故也频频发生,这就要对事故易发路段进行监控,并对车辆进行跟踪。针对目标的跟踪,提出了利用改进的分水岭方法与数据关联方法相结合实现多目标车辆准确跟踪,在检测车辆时利用分水岭算法可以有效地进行图像分割并准确的检测出运行车辆;跟踪时利用运动目标轮廓采用链表法记录多运动目标之间的数据关联,并跟据质心特征进行跟踪。实验表明该方法能有效地对目标进行了检测并提高了跟踪的准确率。     

复杂环境中车辆检测与跟踪方法的研究

提出了一种在复杂环境中车辆检测与跟踪方法。该方法首先分析车辆的外形特点,确定采用从Blob块提取的几何形状参数作为车辆的特征并用于运动车辆的检测;然后结合Blob分析和CamShift算法提出了车辆跟踪方法。实验结果表明,本文采用的车辆特征参数能够准确地检测车辆,并能准确地区分车辆和行人群体,车辆检测与跟踪准确率分别达到了96.7%和86.7%,证明该方法适用于复杂环境下车辆的检测与跟踪应用要求。     

昼夜转换场景中的车辆检测

在城市交通流量视频检测系统中,昼夜转换是必须面对的问题,在白天和黑夜的过渡期间,简单的使用白天算法或夜间算法检测效果较差。本文提出一种针对昼夜转换场景的车辆检测算法,该算法首先提取出背景图像,针对昼夜转换场景中光线昏暗、变化较快的特点,建立了一种能够快速跟踪背景变化的背景更新模型;然后采用背景差分的方法检测运动车辆。实验表明,本文算法能够很好的检测昼夜转换场景中的运动车辆。     

Salient video cube guided nighttime vehicle braking event detection

In nighttime driving brake lights are particularly important because they offer a warning signal to prevent potential collisions. In this work, we propose a novel visual-based approach for nighttime brake light detection using three-dimensional Nakagami imaging to analyze tail lights of vehicles in front. Rather than heuristic features, such as symmetry of taillights and appearance of the third brake light, the proposed approach extracts invariant features by modeling the scattering of brake lights, thus allowing detection to proceed in a part-based manner. Experiments from extensive datasets show that the proposed system can effectively detect vehicle braking under different lighting and traffic conditions, making it a realistic option for real-world applications.     

基于车底阴影的车前障碍物检测

基于计算机视觉的道路车辆检测是智能车辆导航的核心问题,实时准确地检测前方运动车辆的位置信息是车辆安全驾驶的前提。文中采用车底阴影的前方运动车辆检测算法,在基于车道线检测的基础上,通过车底阴影检测,实时准确地检测前方车辆。该算法通过使用Otsu阈值分割提取出车道线,生成AOI区域,再进行两次自适应阈值分割提取车底与路面的交线,从而检测出前方运动车辆。经过在高速公路上对运动车辆检测实验证明,该算法基本满足车辆安全驾驶的需求,并能准确实时地检测出前方运动车辆,进而减少了交通事故的发生。     

Vehicle detection using normalized color and edge map.

This paper presents a novel vehicle detection approach for detecting vehicles from static images using color and edges. Different from traditional methods, which use motion features to detect vehicles, this method introduces a new color transform model to find important "vehicle color" for quickly locating possible vehicle candidates. Since vehicles have various colors under different weather and lighting conditions, seldom works were proposed for the detection of vehicles using colors. The proposed new color transform model has excellent capabilities to identify vehicle pixels from background, even though the pixels are lighted under varying illuminations. After finding possible vehicle candidates, three important features, including corners, edge maps, and coefficients of wavelet transforms, are used for constructing a cascade multichannel classifier. According to this classifier, an effective scanning can be performed to verify all possible candidates quickly. The scanning process can be quickly achieved because most background pixels are eliminated in advance by the color feature. Experimental results show that the integration of global color features and local edge features is powerful in the detection of vehicles. The average accuracy rate of vehicle detection is 94.9%.     

城市街区星载光学遥感图像车辆目标自动检测方法

针对星载光学遥感图像城市街区复杂背景问题,提出一种车辆目标自动检测方法.首先,利用场景中植被背景的物理属性,通过多光谱波段抑制场景中的植被背景,然后,在分析城市街区地物形态反射率特性的基础上,利用全色波段并结合二值形态学方法抑制场景中的建筑物,最后,引入著名的RX算法对抑制后的图像进行车辆目标检测.将文中提出的方法应用于实际Quickbird影像的车辆目标检测,结果表明所提出的方法具有鲁棒性强,执行效率高,不需要人工辅助等方面的特点,可用于城市街区车辆目标的自动检测.     

基于卡尔曼滤波算法的城市交叉路口车辆检测及分类

为了向相关部门提供更多的过往车辆信息以满足道路交通的需求,设计了一个基于卡尔曼滤波算法的城市交叉路口车辆检测及分类系统,用于对过往的车辆进行检测、计数和分类.首先采用背景差分法和卡尔曼滤波算法对在检测区的车辆进行检测和跟踪;然后使用经过检测、处理的被测车辆图像触发距其最近的相机进行图形分割;最后,通过LDA分类器对分段车辆的几何形状及外观特征进行正确地分类.所提系统的有效性在摄取的3400帧视频序列上得到了验证,实验结果表明,系统的检测率可达97.44％,正确分类率可达88.0％,与先进的方法相比,取得了更好的检测性能.     

State Machine and Downhill Simplex Approach for Vision‐Based Nighttime Vehicle Detection

In this paper, a novel vision‐based nighttime vehicle detection approach is presented, combining state machines and downhill simplex optimization. In the proposed approach, vehicle detection is modeled as a sequential state transition problem; that is, vehicle arrival, moving, and departure at a chosen detection area. More specifically, the number of bright pixels and their differences, in a chosen area of interest, are calculated and fed into the proposed state machine to detect vehicles. After a vehicle is detected, the location of the headlights is determined using the downhill simplex method. In the proposed optimization process, various headlights were evaluated for possible headlight positions on the detected vehicles; allowing for an optimal headlight position to be located. Simulation results were provided to show the robustness of the proposed approach for nighttime vehicle and headlight detection.     

视频图像中的车辆检测及阴影去除方法研究

视频监控系统成为近年来的研究热点。文中针对交通智能视频检测系统的车辆检测问题,采用基于高斯混合模型方法来检测视频中的运动车辆,结合车辆阴影纹理不变的特性分割阴影,实现了运动车辆的检查识别和阴影去除。仿真实验达到了预期效果。