交通視頻車(chē)輛檢測(cè)與跟蹤方法研究.pdf

1、車(chē)輛檢測(cè)與跟蹤是一項(xiàng)把交通視頻監(jiān)控逐步完善走向智能化的重要任務(wù)，通過(guò)對(duì)運(yùn)動(dòng)車(chē)輛檢測(cè)與跟蹤的實(shí)時(shí)判定，計(jì)算機(jī)控制端能夠自動(dòng)地向操作者解釋描述交通視頻中車(chē)輛的存在和行駛狀況，由檢測(cè)到車(chē)輛當(dāng)前所處的狀況和跟蹤車(chē)輛將要發(fā)生的行駛模式，同時(shí)針對(duì)特定的交通規(guī)則下異常的運(yùn)動(dòng)車(chē)輛的狀態(tài)進(jìn)行報(bào)警，從而實(shí)現(xiàn)安全智能交通。本文重點(diǎn)對(duì)實(shí)現(xiàn)運(yùn)動(dòng)車(chē)輛的檢測(cè)與跟蹤的方法做了較深入的研究。
　　主要研究的成果如下：
　　第一，針對(duì)AdaBoost分類(lèi)器目標(biāo)

2、檢測(cè)所存在的漏檢、誤檢和計(jì)算量過(guò)大等問(wèn)題，本文提出一種基于混合高斯模型運(yùn)動(dòng)區(qū)域提取和Haar-like特征的AdaBoost級(jí)聯(lián)分類(lèi)器的交通視頻車(chē)輛檢測(cè)算法，首先通過(guò)建立混合高斯模型對(duì)運(yùn)動(dòng)目標(biāo)的總體區(qū)域進(jìn)行檢測(cè)，進(jìn)而提取基于車(chē)輛運(yùn)動(dòng)的感興趣區(qū)域，再對(duì)其進(jìn)行基于 Haar-like特征的區(qū)域AdaBoost級(jí)聯(lián)分類(lèi)，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)車(chē)輛的檢測(cè)。由于采用了基于運(yùn)動(dòng)區(qū)域提取和分類(lèi)相結(jié)合的檢測(cè)模式，通過(guò)混合高斯背景模型較準(zhǔn)確的提取出ROI作為車(chē)輛的候

3、選區(qū)域，約束了每幀的搜索區(qū)域，使AdaBoost分類(lèi)器的目標(biāo)檢測(cè)更具針對(duì)性，提高了檢測(cè)的準(zhǔn)確性，降低了漏檢率；同時(shí)也減少了分類(lèi)算法滑動(dòng)窗口掃描所需要的時(shí)間，提高了檢測(cè)速度。實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出算法對(duì)復(fù)雜交通環(huán)境車(chē)輛檢測(cè)的適應(yīng)性和有效性。
　　第二，針對(duì)Tracking-Learning-Detection算法（TLD）在跟蹤運(yùn)動(dòng)物體尺度過(guò)大時(shí)產(chǎn)生的孔徑問(wèn)題、無(wú)法捕捉大幅度快速運(yùn)動(dòng)目標(biāo)的問(wèn)題，提出了基于TLD改進(jìn)的車(chē)輛檢測(cè)跟蹤算法。

4、TLD算法是一種長(zhǎng)時(shí)間的在檢測(cè)框架上的跟蹤算法，采取跟蹤與檢測(cè)相結(jié)合的方式，與此同時(shí)，改進(jìn)的在線(xiàn)P-N學(xué)習(xí)方法被融入其中，這樣，對(duì)目標(biāo)的整體檢測(cè)和跟蹤會(huì)更加的有效和穩(wěn)定，TLD是非約束環(huán)境下任意物體的一種跟蹤方法。但是TLD算法整體框架中的LK光流法（Lucas-Kanade光流方法）是假定目標(biāo)的運(yùn)動(dòng)是連貫且一致的，在周期較短、幀間運(yùn)動(dòng)有限、目標(biāo)可見(jiàn)的情況下對(duì)目標(biāo)在連續(xù)幀間的運(yùn)動(dòng)預(yù)測(cè)較好，然而交通視頻中的車(chē)輛跟蹤，往往是運(yùn)動(dòng)幅度較大、速