智能交通系統(tǒng)中的視頻處理技術(shù)研究.pdf

1、近年來，隨著人們車輛擁有率的提高，智能交通系統(tǒng)（ITS）在諸多提高交通運(yùn)輸能力的方法中，已經(jīng)占據(jù)了最主要的地位，并日益得到研究人員的關(guān)注?？紤]到交通運(yùn)輸管理的未來發(fā)展趨勢(shì)要求在交通環(huán)境中實(shí)現(xiàn)在線監(jiān)控和更加詳細(xì)的信息收集，圖象分析和計(jì)算機(jī)視覺技術(shù)迅速被應(yīng)用于交通視頻分析中，以求實(shí)現(xiàn)諸如車輛量統(tǒng)計(jì)，車型分類及擁塞檢測(cè)等功能。事實(shí)上，目前已經(jīng)公認(rèn)基于視頻的監(jiān)控系統(tǒng)在交通參數(shù)估計(jì)方面比其他的系統(tǒng)更加全面、通用。當(dāng)然，這種技術(shù)往往受限于失敗的車輛

2、分割或是檢測(cè)錯(cuò)誤。 在過去的數(shù)年中，人們進(jìn)行了大量的研究工作并開發(fā)出了多種車輛監(jiān)控系統(tǒng)。在前人研究的基礎(chǔ)上，本文提出了一套魯棒的、實(shí)時(shí)的方法，以處理一系列由固定安裝在路邊的獨(dú)立視頻攝像機(jī)所提供的交通視頻圖象，從中檢測(cè)車輛；在攝像機(jī)的整個(gè)視野中跟蹤其運(yùn)動(dòng)軌跡；并最終對(duì)車輛的類型進(jìn)行分類。該算法主要包括三個(gè)方面：運(yùn)動(dòng)區(qū)域提取、車輛跟蹤以及車型識(shí)別。 運(yùn)動(dòng)區(qū)域提取算法分為三個(gè)步驟：首先，利用背景差分算法從當(dāng)前輸入的系列圖象中提

3、取出運(yùn)動(dòng)區(qū)域；其次，消除運(yùn)動(dòng)車輛自帶的移動(dòng)投射陰影；最后，檢測(cè)車輛，以便每一個(gè)目標(biāo)都僅對(duì)應(yīng)事實(shí)上的一輛車。 分割后的車輛形狀可以用一個(gè)簡單的矩形模型來描述?；诖耍疚姆秩綄?shí)現(xiàn)車輛跟蹤：首先，從每一個(gè)矩形模型中提取車輛狀態(tài)特征，并且利用卡爾曼濾波預(yù)測(cè)其在下一幀視頻中的狀態(tài)；隨后，在已預(yù)測(cè)的數(shù)據(jù)和新到來的數(shù)據(jù)之間進(jìn)行特征匹配，以便獲得跟蹤結(jié)果；最后，更新卡爾曼濾波的新息，并根據(jù)預(yù)測(cè)誤差功率計(jì)算新的卡爾曼增益，以便遞歸執(zhí)行下一次預(yù)

4、測(cè)。 最后，我們還需要通過支持向量機(jī)的方法來對(duì)車輛類型進(jìn)行分類。 在上述處理過程中，我們發(fā)展了一種利用連續(xù)三幀視頻的差別消除運(yùn)動(dòng)目標(biāo)區(qū)域的方法來構(gòu)建初始背景，提出了自己的基于統(tǒng)計(jì)策略的實(shí)時(shí)背景更新算法，并針對(duì)運(yùn)動(dòng)投射陰影可能被檢作車輛的一部分而降低交通流參數(shù)檢測(cè)的精度這一問題，根據(jù)運(yùn)動(dòng)投射陰影的一般屬性，尤其是運(yùn)動(dòng)投射陰影與背景路面的相似性，提出了一種有效的陰影消除算法。 同時(shí)，在仔細(xì)研究了車輛的各種特征之后，我

5、們提出了一種基于亞特征點(diǎn)的投影分割方法以實(shí)現(xiàn)車輛確認(rèn)，該方法采用了車輛亞特征點(diǎn)的位置信息和顏色信息，并基于Kalman濾波進(jìn)行車輛跟蹤。提取車輛的亞特征點(diǎn)時(shí)，一般以運(yùn)動(dòng)目標(biāo)的角特征點(diǎn)為亞特征點(diǎn)。但是考慮到角特征點(diǎn)往往非常凌亂，并且數(shù)目眾多，因此需要進(jìn)行一次預(yù)處理。我們通過膨脹算法將部分角特征點(diǎn)合并成一個(gè)角特征塊，然后再利用細(xì)化算法將其收縮至中心點(diǎn)，從而準(zhǔn)確的提取出所需要的亞特征點(diǎn)。與其他方法相比，本文的改進(jìn)方法對(duì)車輛的跟蹤更加精確。