基于OpenCV的運(yùn)動車輛目標(biāo)檢測與跟蹤研究.pdf

1、隨著我國經(jīng)濟(jì)快速發(fā)展，機(jī)動車數(shù)量呈現(xiàn)大規(guī)模增長。過多的機(jī)動車給城市交通帶來了巨大的壓力，交通擁擠成為困擾城市管理的重大問題。道路視頻監(jiān)控是解決交通問題的重要手段，但是單獨(dú)的視頻監(jiān)控只能看到道路上運(yùn)動車輛的行進(jìn)狀況而不能進(jìn)行一些其他智能化的處理，如:道路的車流量統(tǒng)計(jì)、車輛的違章判斷等。而實(shí)現(xiàn)這些智能化處理的基礎(chǔ)是對運(yùn)動車輛進(jìn)行檢測與跟蹤，所以有效且準(zhǔn)確的進(jìn)行運(yùn)動車輛的檢測與跟蹤成了我們需要解決的首要問題。
　　運(yùn)動目標(biāo)的檢測與跟蹤研

2、究一直是計(jì)算機(jī)視覺領(lǐng)域的熱點(diǎn)，國內(nèi)外許多研究機(jī)構(gòu)和學(xué)者都在對此進(jìn)行深入的研究。本文首先詳細(xì)的介紹了OpenCV視覺庫，包括OpenCV的模塊和OpenCV的安裝和配置過程。然后深入分析了運(yùn)動車輛檢測與跟蹤過程中用到的圖像預(yù)處理技術(shù)，包括:圖像灰度化、平滑濾波、二值化以及形態(tài)學(xué)濾波。在運(yùn)動車輛檢測的部分，介紹了比較常用的幾類運(yùn)動目標(biāo)檢測算法:光流法、幀間差分法、背景減除法，接著詳細(xì)闡述了幀間差分法以及背景減除法中的高斯混合模型(GMM)、

3、Vibe算法。對幀間差分法、高斯混合模型和Vibe算法之間的優(yōu)缺點(diǎn)進(jìn)行了討論，經(jīng)過實(shí)驗(yàn)對比，選擇了算法實(shí)時(shí)性和檢測目標(biāo)完整性都較好的Vibe算法作為運(yùn)動車輛檢測算法。并針對Vibe算法中易出現(xiàn)“鬼影”的問題，結(jié)合幀間差分法對Vibe算法進(jìn)行改進(jìn)。實(shí)驗(yàn)結(jié)果表明:對比原Vibe算法，基于幀間差分法改進(jìn)的Vibe算法能夠快速的消除“鬼影”對檢測結(jié)果的影響，具有良好的檢測效果。在最后的運(yùn)動車輛跟蹤部分，詳細(xì)介紹了Meanshift算法，根據(jù)它的

4、缺點(diǎn)引入了Camshift算法，即連續(xù)自適應(yīng)Meanshift算法。此算法改進(jìn)了Meanshift算法中窗口大小及位置固定不變的缺點(diǎn)，但是在復(fù)雜環(huán)境不具有良好的魯棒性，容易丟失跟蹤目標(biāo)，因此利用Kalman濾波的預(yù)測特性對Camshift算法進(jìn)行了改進(jìn)。最后利用基于Kalman濾波改進(jìn)的Camshift算法結(jié)合改進(jìn)后的Vibe檢測算法實(shí)現(xiàn)了運(yùn)動車輛的多目標(biāo)全自動跟蹤。利用OpenCV3.4和VS2015進(jìn)行編碼實(shí)現(xiàn)，對待檢測視頻進(jìn)行實(shí)驗(yàn)