公路车流量视频检测方法

针对视频车流量检测容易受背景以及车辆阴影等因素影响的问题,提出了一种自适应背景差分结合阴影去除的车流量检测方法。首先,建立自适应背景提取模型;然后,利用差分法从视频检测区域提取包含阴影的车辆目标,并进行二值化处理和孔洞填充;接着依据阴影区域相对于车辆区域灰度较小的特点,从填充后的二值图像阴影区域向车辆区域方向进行像素值比较,从而检测并去除阴影;最后,通过设定两排检测窗口进行车流量计数。实验结果表明,该方法受背景和车辆阴影等影响较小,在不同气候环境下具有较高的车流量检测准确率。     

基于虚拟窗口的自适应车流量检测应用研究

基于视频交通检测中实时性和准确性要求,研究了三帧差分、背景差分及动态阈值等算法,提出增加虚拟窗口的方法,使整个车流量检测算法只针对有效序列图像信息进行处理.该方法通过排除差异大图像求均值,快速初始化虚拟窗口背景模型,在检测窗口内使用三帧差分和动态阈值准确定位运动车辆目标,实时更新背景后,根据背景差分法得到的窗口图像信息统计车流情况.实验结果表明,该方法可以有效应用于基于视频的实时车流量检测中.     

基于多特征融合的车辆阴影检测与去除

基于ViBE目标检测算法,融合交通监控视频中车辆的边缘与颜色特征,提出一种基于多特征融合的算法,实现对复杂交通场景中车辆阴影的检测与去除。通过ViBE提取前景目标,采用串行融合方式检测阴影。首先在传统的基于边缘特征检测阴影的基础上,利用水平集方法代替水平垂直填充,实现多个前景目标内部边缘的快速填充。在获取候选的阴影区域后,结合HSV颜色特征以及形态学处理等操作,以达到更好的阴影去除效果。通过对不同的视频图像序列进行测试,表明提出的多特征融合算法能有效去除投射阴影,且优于单个特征方法,适用于复杂的交通场景。     

基于超像素和局部颜色恒常性的自适应阴影去除

为快速有效地去除监控视频中运动目标的投射阴影,提出了一种基于超像素和阴影区域的局部颜色恒常性的自适应阴影去除算法。首先采用改进的简单线性迭代聚类算法将视频图像中的运动前景分割为互不重叠的超像素;然后计算了RGB颜色空间中背景与运动前景的亮度比率,并分析了阴影区域的局部颜色恒常性;在此基础上,以超像素为基本处理单元,计算亮度比率的标准差,并利用阴影区域标准差的特征及其分布规律提出基于拐点的自适应阈值算法检测并去除阴影。实验结果表明,该算法可以适用于多种真实场景下的阴影检测,且阴影检测率与目标识别率均超过85%;基于超像素处理可以大幅度降低算法的计算复杂度,该算法每帧平均处理时间为20 ms。该算法可以同时满足阴影去除对准确度、实时性和鲁棒性的要求。     

基于自适应虚拟线圈的多车道车流量检测算法

针对虚拟线圈检测算法在多车道车流量检测中存在误检或者漏检的问题,提出一种基于自适应虚拟线圈的车流量检测算法。根据图像二值化原理,对ViBe算法的前景检测部分进行二次判断,并改变背景更新机制,提出一种改进的ViBe算法,以达到快速消除鬼影的目的,更准确地完成前景目标提取。在道路上设置固定检测区域,根据运动目标在固定检测区域的运动轨迹来建立或者消除非固定虚拟线圈,再进一步使用虚拟线圈的车流量检测算法实现车流量统计。选择三个不同的场景4车道无车辆变道、2车道有车辆变道和3车道有车辆变道且环境突变进行实验,所提算法的车流量检测准确率比传统的虚拟线圈算法分别提高8.9、25和16.6个百分点,且所用时间相当。实验结果表明所提算法更适用于多车道的车流量检测。     

基于混合高斯模型的阴影去除算法

阴影去除是智能视频领域中运动目标识别的一项重要内容,其结果直接影响目标识别的准确性。针对当前基于纹理特征的阴影去除算法的不足,提出一种结合YCbCr颜色空间和混合高斯模型(GMM)的阴影去除算法。首先利用混合高斯模型提取出运动区域;然后通过分析运动区域的前景和背景在YCbCr颜色空间的差值统计特性,建立混合高斯阴影模型;最后根据高斯分布的概率分布规律,得到阴影分布特性,从而实现对阴影的去除。对于实验中的序列图像,所提算法有70%以上的阴影检测率。实验结果表明,所提方法能够在不同的场合快速有效地去除阴影,准确地提取运动目标。     

改进的HSV阴影去除算法研究

针对视频序列图像中运动目标的阴影会造成运动目标的物理变形,影响运动目标的检测与跟踪等问题,提出了一种基于HSV色彩空间的无阈值阴影去除算法。该方法通过分析阴影与背景的HSV彩色空间中的特性,并利用阴影与运动目标在H、S、V三个分量中的不同特点,提出了一种无阈值的阴影消除算法。实验结果表明,该方法能够很好地去除阴影区域,同时又保持前景目标区域的完整性。     

交通视频序列阴影检测算法研究

针对交通视频序列中的阴影检测问题,在分析目前常用的几种阴影检测算法的基础上,提出了一种基于交通视频流的灰度图阴影检测算法。该算法首先通过建立一个具有鲁棒性和自适应性的背景模型来获取背景,同时对阴影进行初步模糊滤除,然后再通过车体的重构来准确去除阴影。实践表明,该算法准确度高,具有广泛的应用前景。     

面向车流量估计的改进ViBe算法研究*

针对视觉背景提取(Visual Background Extractor,ViBe)算法中出现的“鬼影”、阴影前景和漏检静止目标等问题,提出了一种经过改善的ViBe算法。首先在背景模型初始化阶段,利用改善的平均背景建模法对多帧图像建立初始化背景模型以消除鬼影。接着在前景检测阶段,通过计算运动目标与背景像素间差值消除由于光照所造成的阴影,同时利用直方图相似度检测静止目标。最终在车道设置虚拟线圈检测区以检测各个车道的占用比,从而得出道路的交通情况。试验表明,经过改善后的ViBe算法在抑制“鬼影”出现、检测静止目标和消除阴影三方面有较好的效果,能够准确检测出道路车流量。     

基于融合帧间差的改进Vibe方法

Vibe(Visual background extractor,视觉背景提取)算法速度快,能有效抑制噪声,但是也有缺陷,比如无法有效去除运动目标阴影,且不能快速去除"鬼影"区域。针对上述问题,提出了一种基于融合帧差法的改进Vibe算法。利用新的帧差法,提出如下改进:在灰度空间进行前景检测并利用亮度信息去除运动目标的阴影;巧妙运用帧差法的特性,利用两种方法所得的背景进行"与"操作,快速去除Vibe产生的"鬼影"。最后用形态学方法对检测结果进行改善,给出实验验证结果。结果表明,文中提出的改进方法可以很好地去除阴影,并能快速去除"鬼影",从实际效果上提高了算法的可靠性和检测的准确性。