基于凹性分析的粘连车辆分割

复杂场景中车辆的粘连会导致车辆的漏检,影响道路交通检测的准确度,因此必须建立可靠、实用的粘连分割机制。提出了一种基于凹性分析的分割方法:检测出感兴趣的车辆区域,根据凸包和blob分析判断粘连,若粘连,采用扫描的方法来寻求分割点(凹点),结合一系列准则选择最优分割线。该方法快速地将粘连车辆分割开,有效地解决了车辆粘连的问题。该方法不需要除了车辆形状以外的任何先验知识,具有很强的适应性。

基于最优阈值和随机标号法的多车辆分割

以选择性背景更新为基础,提出由相似度决定更新速度的新方法。综合颜色差异、连通性和车辆占空比等属性建立分割双阈值的能量函数,并利用模拟退火算法求取全局最优阈值。用最优分割双阈值对车辆图像进行阈值粗分割,再以条件随机域工具整合视频空间中的时间和空间信息建立随机标号域模型,并计算最大后验概率确定粗分割中各像素点的标号(细分割)。运用色彩空间变换,消除室外环境下多种干扰的影响,增大前景(车辆)与背景图像的颜色差异,提高图像分割效率。仿真试验表明,车辆视频图像通过粗细两次分割后能够得到较好的车辆区域,与其他方法相比本文方法具有更强的准确性、鲁棒性和实时性。

基于轮廓特征点凹性分析的遮挡车辆分割算法

在智能交通系统的拍摄场景中,由于车辆间距过近和摄像角度原因,引起车辆遮挡的现象,增加了目标车辆检测和跟踪的难度。根据轮廓特征点,结合轮廓凹凸性,提出一种凹陷区域检测与分割算法。首先采用背景差分法提取车辆区域,根据车辆区域外接矩形的长宽比和占空比判断是否是多车遮挡,同时通过凸包分析算法提取遮挡凹陷区域;然后通过Freeman链码确定凹陷区域的轮廓特征点,对特征点进行凹性分析;最后匹配分割点,采用Bresenham直线生成法分割遮挡车辆。实验结果表明,该算法有效解决遮挡车辆分割不准确问题,与其他算法相比,具有较好的场景适应性。

基于主动轮廓外力场模型的车辆分割方法

利用经典的Perona-Malik各向异性去噪模型具有保护车辆边界信息的特点,将经过Perona-Malik模型处理后图像的负梯度作为外力场,研究其对车辆分割结果的影响,从而提出一种基于主动轮廓外力场模型PMF(Perona-MalikField)的车辆分割方法。理论分析和实验结果表明,该方法不仅能够保持车辆的边界信息,克服传统外力场不能进入车辆图像凹部的缺陷,而且对初始曲线的约束较少。同时,由于该方法是基于去噪模型而得,因此具有较好的鲁棒性。

基于骨架角点检测的粘连车辆分割

给出一种基于骨架角点检测的方法以实现视频监控中粘连车辆的分割。首先利用"火烧法"提取粘连车辆区域的骨架,并对骨架进行角点检测,然后用K均值聚类方法对角点聚类,由聚类结果得出粘连车辆的分割线。利用50幅从实际监控视频中截取的图片进行实验,结果表明,所给方法可缓解过分割问题,并能在保证分割质量的情况下,缩短分割时间。

基于全卷积神经网络复杂场景的车辆分割研究

针对目前存在的复杂交通场景中车辆分割精度不足的问题,本文提出了一种基于全卷积神经网络对图像中车辆进行分割的方法。在VGG16Net基础上,将全连接层改为卷积层,为获得更精细的边缘分类结果,减少了部分卷积层,并融合浅层和深层特征,同时,为提高交通环境下车辆的分割精度,减少其他类别目标的干扰,将对车辆目标的分割问题改为基于像素的二分类问题,为提高网络的训练速度,采用Adam优化算法对网络进行训练。实验结果表明,与现有的全卷积神经网络分割效果相比,该网络对复杂交通场景下的车辆分割精度明显提高。该研究在智能交通方面具有较好的应用前景。

应用变化区域检测方法实现运动车辆分割

研究一种用于视频序列中运动车辆的提取方法,利用3帧对称差分的交集检测出视频帧中的运动区域,并利用2次横纵扫描方法,填充运动目标模板,最后将运动目标模板和当前帧逐像素点相乘,提取出运动目标。实验结果表明:该方法具有良好的分割效果。

基于视频检测的车辆分割技术研究

车辆分割是车型识别中的关键技术。本文利用视频检测中差分图像的投影图方法粗略定位出车辆 ,然后通过一种能量法二值化图像 ,可以准确分割出车辆。实验结果表明 ,按照本文提出方进行车辆分割 ,实际车辆分割率达到了99%。

基于交通视频检测系统中车辆分割的程序设计

详细介绍了平均法求背景图像及利用已求出的背景图像分割车辆目标的数学模型，实现了一种C在车辆分割中的设计方案。

基于可分离残差网络的车辆图像语义分割算法

提出了一种基于可分离卷积残差网络的车辆场景图像语义分割算法。首先利用一系列的可分离残差网络块对图像进行更全面的小目标边缘特征提取;然后采用跳跃连接以及2倍反卷积对五个Layer模块的特征图进行上采样,得到分割结果;在训练的过程中,先训练图像各目标的轮廓,再训练目标的细节特征,整体提高图像分割的精度。实验所用的数据集为Camvid,实验结果表明:该算法的平均交并比较原全卷积网络相比,由76.85%提升至83.30%,对小目标的分割边界更加完整,有效地提高了分割精度。

基于轮廓特征点的重叠车辆检测与分割

在交通视频场景中,由于环境、设备安装角度等因素的影响,可能会引起车辆相互遮挡的情况,从而造成车辆检测及跟踪的误差。为此,基于轮廓特征点,提出一种重叠车辆检测与分割方法。利用背景差分法获得目标区域,运用Freeman链码检测目标区域的边缘轮廓点,通过链码对确定特征点。根据目标区域的特征点数及占空比进行重叠车辆的判断,若重叠,则对目标区域进行凸包分析,寻找最优分割点分割重叠车辆。实验结果表明,与基于椭圆拟合的方法及基于凹性分析的方法相比,该方法不需要车辆形状以外的先验知识,能较为准确地分割重叠车辆,具有较好的适应性。

货物可分割的车辆路径规划问题

针对货物可再分这一特征,提出可分割的车辆路径规划问题(DCVRP:Divided Capacity Vehicle Routing Problem)。通过以货物为基本单位进行建模处理,并对出现规模爆炸的问题用全局优化的方式做出解答。对遗传算法做出step by step的策略改进,避免出现“早熟”问题,并对经典遗传算法步骤进行了有效的改进,提升了寻找最优解的概率,降低了整体的路径规划成本。

基于二维时空图像分析的车辆检测和分割方法

使用二维时空图像分析法 ,能够较好地解决光照变化和阴影给车辆分割带来的困难 ,且该方法的计算量小 ,适用于低成本的实时交通监控系统 .通过道路上方安装的摄像机获得图像序列 ,构成全景图和外极面图两种二维时空图像 .对它们进行背景减除、图像差分和取阈值等处理 ,不仅可以统计车流量 ,而且可以估计车速和道路占用率 .由于算法考虑了日照阴影和晚间灯光对图像的影响 。

基于纹理不变性的车辆阴影处理方法(英文)

由于视频蕴含丰富的信息,视频监控与检测技术在ITS中应用得越来越广泛.视频测量交通参数,需要从序列图像分割出车辆.车辆分割面临的一个难点就是检测与车辆连在一起的阴影.由于阴影在很多特性上与车辆一致,阴影经常被当成车辆一部分,影响车辆分割的稳定性与准确性.一般地,路面与车辆在纹理结构上存在较大的差异.文中推导了纹理在光照变化情况下的一种不变特性——极点分布,并提出了一个基于极点分布不变性的车辆阴影检测算法.这种算法能够精确地检测视频图像车辆的阴影,检测出因各种原因被误为车辆的路面,检测出车灯照射产生的路面亮斑,从而为车辆的精确分割和交通参数测量创造有利条件.

基于梯度方向恒定性的运动车辆阴影检测

交通参数的视频检测是智能交通系统的一个研究重点,其中运动车辆的分割是视频检测过程中的一个关键环节.目前,运动车辆阴影的检测与剔除是准确、有效地分割出运动车辆所面临的一个难题.文中发现并证明了梯度方向恒定性原理,在此基础上提出了一种基于梯度方向恒定性的阴影检测与剔除方法.该方法首先建立路面背景的梯度矢量图,根据与当前帧图像的梯度矢量图的比较结果,判断是路面背景还是运动车辆,然后对运动车辆区域进行形态滤波,弥补内部空洞和剔除杂点,进而准确分割出车辆.试验结果表明,该方法适应性强,车辆分割效果好.

基于多点对参考模型的车辆阴影消除

为了解决车辆检测过程中的阴影干扰问题,以点对属性为基础,利用HSL色彩空间中前景、背景和运动阴影之间的色度、亮度属性,在给定的背景图像集中,采用离线训练的方法,于图像的全局域中建立稳定的不随环境变化的多点对参考模型.该模型充分考虑了图像全局域的颜色信息,减小了背景像素的误差,能在线消除运动阴影对车辆分割的影响,且对于复杂环境下的运动背景和光照变化具有较强的抑制作用.为减小算法的计算量,引入背景模板,减少了参与运算的像素点,提高了算法的分割效率.仿真实验表明,运用多点对参考模型消除车辆运动阴影,比其它阴影消除方法具有更强的准确性和鲁棒性.

基于计算机视觉的车辆跟踪研究

基于计算机视觉的目标分割和跟踪被广泛应用于视频监控。首先在HSV空间利用阴影消除算法结合动态背景自适应更新技术分割目标,相比背景差分法提高了目标分割的抗干扰性。对分割出来的目标,将基于运动估计的卡尔曼滤波器应用于多个车辆目标的跟踪,提高了跟踪的速度和效果。最后给出运动车辆的分割和跟踪的实验结果。

基于阴影线的智能车辆检测及测距方法研究

针对当前智能车辆检测算法在实际应用中存在误差、测量结果不够准确等问题,使用基于运动车辆中车底阴影线算法的车辆检测机制,并利用车底阴影稳定存在特征解决车辆检测问题,进一步基于机器视觉的双目立体匹配测距方法实现对前方最近车辆距离测量,为智能车辆及驾驶员辅助系统提供信息。笔者采用的车底阴影线方法及双目测距最终实现结果证实,可以获取较为精确的道路前方的车辆及距离信息,有效检测距离为10～50 m,整体识别率达到85%。

利用七宫格的遮挡车辆凹性检测与分割

目的交通场景中车辆间的距离过近或相互遮挡容易造成识别上的粘连,增加了准确检测目标车辆的难度,因此需要建立有效、可靠的遮挡车辆分割机制。方法首先在图像分块的基础上确定出车辆区域,根据车辆区域的长宽比和占空比进行多车判断;然后提出了一种基于七宫格的凹陷区域检测算法,用以找出车辆间的凹陷区域,通过匹配对应的凹陷区域得到遮挡区域;最后,将遮挡区域内检测出的车辆边缘轮廓作为分割曲线,从而分割遮挡车辆。结果实验结果表明,在满足实时性的前提下算法具有较高的识别率,且能够按车辆的边缘轮廓准确分割多个相互遮挡的车辆。与其他算法相比,该算法提高了分割成功率和分割精度,查全率和查准率均可达到90%。结论本文新的遮挡车辆分割算法,有效解决了遮挡车辆不宜分割和分割不准确的问题,具有较强的适应性。

VEHICLE SEGMENTATION AND SHADOW HANDLER BASED ON EXTREMUM IMAGE

The shadows similar to the vehicle and the spots caused by vehicle lamps need to be accurately detected in the vehicle segmentation involved in the video-based traffic parameter measurement. Generally, the road surface is different from the vehicle surface in the gray-level architecture. An invariant gray-level architecture-the extremum image in the changing illumination environment is derived and a novel algorithm is presented for detecting shadows and spots. The gray-level structure that is not sensitive to the illumination is employed in the algorithm and the road surface mistaken as vehicles can be removed.