基于視頻的城市道路交叉口場景中車輛檢測方法研究.pdf

1、城市道路交通場景中的目標(biāo)檢測及目標(biāo)計數(shù)是城市智能交通監(jiān)控系統(tǒng)的重要研究內(nèi)容之一，準(zhǔn)確及實時獲取城市道路交叉口場景中的車輛及車輛數(shù)量是緩解城市擁堵、實現(xiàn)智能交通管理和建設(shè)智慧城市的前提，因此，研究基于視頻的城市道路交叉口場景中車輛的檢測方法對于城市智能交通系統(tǒng)建設(shè)具有重要的意義。本論文圍繞復(fù)雜城市道路交通場景中車輛檢測和計數(shù)的準(zhǔn)確性要求，重點研究了基于視頻的城市道路交叉口場景中車輛緩慢行駛或短時停留條件下車輛檢測背景模型的建模方法、光照突

2、變情形下車輛檢測背景模型的建模方法和基于前景時間空間圖像的車輛準(zhǔn)確計數(shù)的方法，本文主要的研究內(nèi)容和創(chuàng)新點如下:
　　(1)為了解決基于背景模型的車輛檢測方法容易受到城市道路交叉路口場景中緩慢行駛或短時停留的車輛“污染”問題，基于傳統(tǒng)混合高斯模型GMM(Gaussian MixtureModel)和像素點的場景狀態(tài)，提出了一種基于置信度的改進(jìn)高斯模型GMMCM(Gaussian Mixture Model with Confiden

3、ce Measurement)，該模型為每個像素點設(shè)置一個置信度，且置信度基于當(dāng)前像素點的交通狀態(tài)和穩(wěn)定性自適應(yīng)更新;同時背景模型的學(xué)習(xí)率也根據(jù)當(dāng)前的交通場景狀態(tài)自適應(yīng)更新。基于城市道路交叉口場景視頻數(shù)據(jù)和CDnet2014公用視頻數(shù)據(jù)集進(jìn)行了對比實驗，定性對比實驗結(jié)果表明基于置信度的改進(jìn)高斯模型GMMCM在阻止背景模型不被緩慢行駛或短時停留車輛“污染”方面的性能優(yōu)于傳統(tǒng)混合高斯模型GMM、自適應(yīng)混合高斯模型SAGMM(Self-Ada

4、ptiveGaussian Mixture Model)和局部參數(shù)學(xué)習(xí)率高斯模型LPLGMM（Local ParameterLearning Gaussian Mixture Model），同時定量對比實驗結(jié)果表明基于置信度的改進(jìn)高斯模型GMMCM在處理車輛緩慢行駛和短時停留問題的性能優(yōu)于SDC(Sigma-Deltawith Confidence)、 ViBe(Visual Background extractor)、 GMM、 SA

5、GMM和LPLGMM。
　　(2)為了解決城市道路交叉路口場景中基于背景模型的車輛檢測方法處理緩慢行駛或短時停留車輛的實時性問題，基于像素點的自適應(yīng)分割算法PBAS(Pixel-BasedAdaptive Segmenter)和像素點的場景狀態(tài)，提出了一種基于置信度的改進(jìn)自適應(yīng)分割算法PBASCM(Pixel-Based Adaptive Segmenter with Confidence Measurement)，該算法為每個像

6、素點設(shè)置一個置信度，且置信度基于當(dāng)前像素點的交通狀態(tài)和穩(wěn)定性自適應(yīng)更新，同時前景檢測閾值和背景模型的學(xué)習(xí)率也根據(jù)當(dāng)前的交通場景狀態(tài)自適應(yīng)更新;基于城市道路交叉口場景視頻數(shù)據(jù)集進(jìn)行了對比實驗，定性及定量對比實驗結(jié)果表明基于置信度的改進(jìn)自適應(yīng)分割算法PBASCM的性能優(yōu)于CB(Codebook)、GMM、ALW(Adaptive Light-Weight)、SDC、ViBe和PBAS。
　　(3)為了解決基于背景模型的前景檢測方法容易

7、受到城市道路交叉路口場景中光照緩慢變化或突變影響的問題，基于韋伯定理提出了一種基于像素點的自適應(yīng)局部均值二值模式ALMP(Adaptive Local Mean binary Pattem)紋理特征，并采用樣本一致性原則建立了一種自適應(yīng)紋理特征背景模型ALMPBM(Adaptive Local Mean binaryPattern Background Model);基于城市道路交叉口場景視頻數(shù)據(jù)集進(jìn)行了對比實驗，定性及定量對比實驗結(jié)果

8、表明由ALMP特征構(gòu)建的ALMPBM的性能優(yōu)于GMM、ViBe、 LBPBS(LocalBinaryPattem Background Subtraction)、 LTPBS(Local TernaryPattem Background Subtraction)、 SLPBS(Scale invariant Local Patterns BackgroundSubtraction)和LBSPBS(Local Binary Similar

9、ity Patterns Background Subtraction)。
　　(4)為了解決城市道路交叉口場景中基于虛擬線圈的車輛重復(fù)計數(shù)及車輛跟蹤算法計算復(fù)雜度高的問題，提出了一種基于前景時間空間圖像的城市道路交叉口場景中車輛計數(shù)的方法，該方法在視頻序列中設(shè)置虛擬直線VDL(Virtual Detection Line)，通過在VDL上建立處理車輛緩慢行駛或短時停留和光照緩慢變化或突變的自適應(yīng)隨機樣本點模型來檢測車輛，從而構(gòu)成

10、前景虛擬直線FVDL(Foreground Virtual DetectionLine)，由FVDL累計構(gòu)成前景時間空間圖像FTSI(Foreground Time-Spatial Images)，并通過處理FTSI獲得車輛的數(shù)量;基于城市道路交叉口場景視頻數(shù)據(jù)集進(jìn)行了對比實驗，定性及定量對比實驗結(jié)果表明基于前景時間空間圖像的城市道路交叉口場景中車輛計數(shù)方法的性能優(yōu)于TSI(Time-Spatial Images)、ETSI(Edge