基于视频的车辆检测算法综述

首先回顾了各种车辆检测方法,指出视频检测技术日益成为最具优势、最有发展潜力的检测方法.在此基础上,对各种基于视频的车辆检测算法分别进行了详细介绍,并给出了它们的性能比较.最后,本文提出了基于视频的车辆检测算法研究的难点及未来发展趋势.     

基于视频的车辆检测和分析算法

为了高速公路行车安全,需要及时检测公路上车辆的异常停车情况.通过对视频图像分析,首先重建背景图像,再分割出车辆目标,然后进行目标跟踪,采用基于针孔模型的摄像机定标估算车辆的速度,利用速度信息分析高速公路上的车辆停车事件.现场实验结果表明,此方法对于高速公路上异常停车的检测具有较高的准确性.     

基于视频的车辆检测与跟踪

提出了在静止摄像机下对交通序列图像进行检测和跟踪的算法,分析了运动车辆的检测过程,探讨了运动物体的跟踪。     

基于视频的交通参数检测综述

为使智能交通系统发挥作用,必须对流量、密度及速度等交通流的核心参数进行检测,目前已经有许多常见的方法,但在实际的检测中,使用一种检测方法只能检测出部分参数,未能够实现全部参数的检测,尤其是密度参数非常难以检测.现有的密度检测方法大部分集中在局部场景的交通密度检测上,对于连续场景的交通密度检测很少涉及.现主要综述了流量、密度及速度3个方面的检测方法,并重点关注仅通过视频数据能够方便地检测出多个交通参数的文献.     

基于交通视频序列的多运动目标跟踪算法

针对智能交通领域对自适应多运动目标跟踪的广泛需求,提出一种新型的基于交通视频序列的多目标跟踪算法。通过Marr小波概率核函数生成静态背景,并结合当前帧在B/RDWT(Binary/redundant discrete wavelet transforms)域进行多运动目标识别,同时采用边缘阴影剔除算法去除阴影的干扰。运动跟踪采用SI_P(SIFT-particle)粒子滤波算法,并结合改进的均值漂移(mean-shift)法获得运动目标的准确跟踪窗口。采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低运算的复杂度。算法采用VC++6.0实现,通过实际道路测试,研究结果表明:SI_P粒子滤波算法与传统算法相比,平均时耗只多0.15s,跟踪窗口尺度可自适应变化,并且该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性。     

基于Mean Shift方法的视频车辆检测与分割

提出了一种基于Mean Shift方法的视频车辆检测和分割方法.首先将交通场景图像与路面区域所对应的二值掩模图像进行“与”运算以排除无关背景干扰,并对所得的结果图像用Mean Shift聚类方法进行分割以得到原始的分割图像.然后根据区域的面积、分布以及颜色的均匀性和相似性等特征有效过滤出路面区域.进一步基于颜色的不相似度量,将路面区域置“黑”,所有其他区域置“白”,对路面区域图像进行二值化.最后通过特定的后处理过程可把路面区域中所存在的动、静态车辆检测出来.     

一种基于运动目标检测的视觉车辆跟踪方法

针对复杂交通场景中动态光照变化、阴影和遮挡等因素带来的影响,提出了一种基于运动目标检测的高效、鲁棒的车辆跟踪方法. 采用自适应背景建模获取动态场景中的运动信息,通过阴影去除获得准确的运动区域,并针对场景中的遮挡问题提出了相应的遮挡检测与处理策略,最后通过区域匹配获得跟踪结果,同时使用Kalman滤波器建立车辆的运动模型,对跟踪结果进行了约束和优化. 实验结果表明,提出的视觉车辆跟踪方法可以在复杂多变的室外场景下有效地解决场景中的阴影和遮挡问题,得到鲁棒的车辆跟踪结果.      

智能交通中车辆跟踪算法的研究

智能交通系统中车辆跟踪模块的准确性非常重要,其跟踪结果直接影响车流量、违章事件、交通事故的统计与分析结果。基于交通车辆,该文对目标特征跟踪法、动态轮廓跟踪法、区域中心点匹配跟踪法分别进行分析选取,并对效果最好的方法进行了实现和效果对比,从而为日后的车辆跟踪提供一种切实可行的算法以提高跟踪的效率。     

基于ARM的车辆视频检测技术研究

为解决交通拥堵问题, 设计并实现了一套具有实时、便捷、低成本、高精度、低误差的智能交通系统(ITS: Intelligent Transport System)。该系统由道路上架设的摄像头采集实时交通图像为主要研究对象, 在嵌入式Linux 系统下, 采用开源计算机视觉库(OpenCV)对车辆变道的行为信息进行统计计算, 并将完整程序移植到ARM11 微处理器上实现该算法。实验结果表明, 该系统的实时性好、统计结果准确; 系统工作稳定, 数据传输准确, 有效地避免了外界干扰, 具有较强的实用性。     

基于改进Canny边缘检测算法的车辆排队长度检测方法

提出了一种新的车辆队列检测方法,主要通过一种改进Canny边缘检测方法来检测交通路口的车辆排队长度.实验表明,与传统的基于图像处理的方法相比,该方法的耗时有显著降低,利用该方法可提高道路资源利用率,缓解交通堵塞情况,提高车辆通行率.     

基于跟踪轨迹的车辆异常行为检测

为提高ITS(Intelligent Traffic System)交通事件管理的智能性, 提出基于跟踪轨迹的车辆异常行为检测,分为目标检测跟踪、轨迹分析处理和车辆行为分析3 个步骤。首先利用三帧差法对目标进行初始定位, 采用基于Kalman 预测器的改进跟踪算法对车辆进行跟踪; 然后提出采用最小二乘法自适应分段直线拟合算法对目标跟踪获得的运动轨迹进行快速拟合; 最后结合运动方向变化率和速度变化率两个参数建立车辆异常行为检测模型。实验结果表明, 在道路监控视频中, 该算法能快速准确检测急刹车、急转弯和急转弯刹车等车辆异常行为。     

基于自适应轮廓匹配的视频运动车辆检测和跟踪

为了对高空拍摄的交通场景进行图像处理，实现对运动车辆的检测和跟踪，以获得车辆的运行轨迹，在固定模板的基础上，利用自适应轮廓匹配算法，结合误检判断和轮廓分解，较好地检测出了车辆轮廓，并能避免由于两辆车靠近带来的误检．将自适应轮廓匹配思想移植到车辆跟踪中，可以实现较为准确的跟踪．计算机检测和人工检测的比对实验表明，在一定的条件下，这种算法有效消除了误检和多检现象，其正确检出率达到95．01％，即使存在一定的漏检，也可以通过插值实现填充．     

基于无线传感器网络的车辆检测算法

利用磁干扰原理,无线传感器网络可以对车流量、车速等进行实时监测,逐渐被用于智能交通领域。本文深入研究了车辆磁干扰的特征及其提取方法,提出了一种自适应状态机车辆检测算法。实验表明该算法可以达到对车辆的准确检测。     

一种有效的车辆跟踪算法与异常车辆检测

交通监控视频中车辆检测、跟踪与车型判别是智能交通监控系统的重要组成部分。本文运用W4背景减除法和光流法相结合的技术进行车辆检测。利用区域滤波和空洞填充方法提高目标检测精度。采用质心距离约束和目标大小约束条件实现目标区域之间的匹配和车辆跟踪。最后,根据车辆的几何形状特征对助动车等异常车辆进行检测和标记。通过对高速公路实际视频的测试表明,本算法对机动车进行了有效的跟踪与标记,并对道路上助动车等异常车辆进行了有效的检测。     

基于强化学习的视频车辆跟踪

基于视频的车辆跟踪在交通监控领域有着重要的实用价值,强化学习是一种无监督的学习方法,具有搜索效率高的特性,将强化学习理论应用于视频车辆的跟踪,充分发挥了其搜索效率高的特性,实验结果表明基于强化学习的视频车辆跟踪,其跟踪情况稳定,跟踪准确率比较高,可以获得很好的跟踪效果。