基于交通視頻的車輛檢測跟蹤及分類技術研究.pdf

1、隨著社會經(jīng)濟快速發(fā)展,交通在人類經(jīng)濟、社會活動中的地位日益顯著。交通管理的層次、質量更是與人們生活密切相關,提高交通管理水平的重要措施就是采用智能交通系統(tǒng),即ITS?；谝曨l的車輛檢測、跟蹤和分類技術的發(fā)展為ITS中動態(tài)交通信息的采集與分析提供了一條很好的途徑,這些技術可以廣泛地應用于車輛收費、道路監(jiān)控、大型停車場以及提高公路利用效率等領域。
　　 本文對基于交通視頻的車輛檢測、跟蹤及分類技術進行了深研究,并有針對性地提出了若干

2、算法和技術方案。本文主要研究工作如下:
　　 (1)通過對現(xiàn)有檢測方法和背景模型的分析,提出了基于幀間差分的統(tǒng)計背景重構算法和基于信息融合的背景自適應更新算法。
　　 (2)針對現(xiàn)有跟蹤算法對運動車輛和背景區(qū)分度不高,在車輛出現(xiàn)尺度變化、旋轉、遮擋、噪聲干擾等情況下跟蹤效果不好的問題,提出一種基于SIFT特征度量的SIFT-Mean Shift目標跟蹤算法。
　　 (3)根據(jù)本文的車輛分類標準對車輛特征進行了選擇

3、,對特征的可區(qū)別性和有效性進行了論證,提出一種車輛分階段分類模型。并利用運動目標的動態(tài)特征,提出一種實現(xiàn)對車輛目標識別的方法。
　　 (4)針對不同分類階段的特點,設計了相應的分類模型。在第一階段,利用改進的遺傳算法同時對神經(jīng)網(wǎng)絡的結構和權值進行優(yōu)化,避免了神經(jīng)網(wǎng)絡陷入局部最優(yōu)的可能。在第二階段,選擇嶺形分布函數(shù)建立了車輛大小隸屬函數(shù)的初始模型,并用遺傳算法對其優(yōu)化,根據(jù)優(yōu)化后的隸屬函數(shù)設計了相應的模糊神經(jīng)網(wǎng)絡,解決了車輛大小概