基于視覺的運動車輛檢測與跟蹤.pdf

1、隨著我國城市化進(jìn)程的不斷加快，尤其是二十一世紀(jì)以來的幾年，城市公路交通系統(tǒng)的壓力不斷加大。因此，基于計算機(jī)視覺技術(shù)的智能交通系統(tǒng)的重要性日益顯著，其核心技術(shù)是在靜止相機(jī)拍攝的圖像序列中進(jìn)行運動車輛檢測與運動車輛跟蹤。本文主要研究了車輛檢測與跟蹤問題中的幾個關(guān)鍵技術(shù)。這些技術(shù)可以有效的提高車輛檢測與跟蹤的性能。本文的主要研究內(nèi)容概括如下。 ⑴對動態(tài)場景中運動車輛檢測的問題進(jìn)行了研究，提出了一種基于貝葉斯框架的高斯運動模型來檢測動態(tài)

2、場景中的運動車輛。首先，我們在直方圖中比較了動態(tài)背景的運動向量和運動車輛的運動向量，然后我們用兩個高斯運動模型來對運動車輛像素的運動向量和動態(tài)背景像素的運動向量分別進(jìn)行建模。貝葉斯框架被用來將場景中的運動像素分類為運動車輛或者動態(tài)背景。根據(jù)每個運動像素的分類結(jié)果，EM算法被用來更新相應(yīng)類別的高斯運動模型和貝葉斯框架。為了得到場景中的運動像素，我們使用經(jīng)典的背景差法，并且提出了利用背景的光照變化來計算背景更新的速度，從而在光照快速變化的時

3、候能提高更新速度，而在光照變化慢的時候降低更新速度。 ⑵系統(tǒng)的介紹了一種基于比值邊緣的新方法來檢測圖像中的運動陰影。我們首先分析了陰影的光照模型，并且證明了像素鄰域的比值邊緣具有光照不變性。在比值邊緣域，我們應(yīng)用背景差法進(jìn)行陰影檢測。通過結(jié)合噪聲模型，我們分析了比值邊緣域的歸一化背景差值的概率分布，并將之近似為一個x2分布。一個顯著度測試被用于自動獲取門限來進(jìn)行陰影檢測。通過利用背景圖像與采集圖像之間的亮度和幾何的約束關(guān)系，我們

4、進(jìn)一步的提高了檢測性能。同時，我們采用了一種迭代的方法來對圖像的陰影強(qiáng)度比進(jìn)行估計。 ⑶提出了一個多級框架來檢測和消除車輛的遮擋。該框架包括三級：幀內(nèi)級、幀間級和跟蹤級。在幀內(nèi)級我們根據(jù)車輛的面積與車輛的凸包面積之比值來檢測車輛遮擋，而檢測出的遮擋則通過從車輛中去除一個“切割區(qū)域”來被消除，該“切割區(qū)域”通過對遮擋車輛的形狀進(jìn)行分析而被計算出。在幀間級，我們認(rèn)為非遮擋車輛的運動向量服從高斯分布。因而，我們通過在檢測的車輛的運動向

5、量場上使用Lilliefors測試來檢測車輛遮擋，而檢測到的車輛遮擋則通過不同運動向量的分類實現(xiàn)消除。在跟蹤級，我們構(gòu)建了一個遮擋層模型，并且對其進(jìn)行自適應(yīng)的更新。而檢測出的車輛則被同時在采集的圖像和構(gòu)建的遮擋層圖像中進(jìn)行跟蹤。我們提出了一種雙向的遮擋推理算法來解決遮擋層所出現(xiàn)的遮擋。該遮擋推理算法包括：遮擋后向推理、遮擋層推理、遮擋前向推理和遮擋層圖像更新。對于每個檢測出的車輛，幀內(nèi)級和幀間級的遮擋檢測和消除算法被依次執(zhí)行，而跟蹤級的