基于时空马尔可夫随机场模型的车辆跟踪算法研究

鲁棒的车辆跟踪是实现交通事件自动检测的重要前提,车辆跟踪中的车辆相互遮挡则是影响车辆跟踪结果的关键因素。针对这一难题,设计自适应的车辆跟踪算法,并依据交通图像序列的时空相关性,根据马尔可夫的基本理论和贝叶斯方法,应用MRF-MAP理论分析框架,并结合了彩色图像序列的纹理信息建立了图像序列的时空马尔可夫随机场模型。采用随机松弛算法中的Metropolis算法来求解时空马尔可夫随机场模型,对车辆跟踪得到的目标标号图进行优化,从而解决车辆跟踪中的遮挡问题。初步实验结果,跟踪不遮挡的车辆时达到的跟踪成功率为95%。遮挡情况时成功率也可达到83%。实验结果表明,该跟踪算法在不遮挡时效果非常理想,在遮挡情况下跟踪鲁棒性也较好。

基于时空马尔可夫随机场交通参数采集系统研究

可靠的车辆跟踪是实现交通事件自动检测的重要前提,车辆跟踪中的车辆相互遮挡则是影响车辆跟踪结果的关键因素。针对这一难题,提出了一种基于时空马尔可夫随机场(简称ST-MRF)模型的车辆跟踪算法,用以得到目标地图和运动矢量地图。在目标地图和运动矢量地图的基础上提取交通参数,然后通过摄像机标定技术,获得实时的车速以及车辆运动坐标,最后通过对交通流三参数的分析,得到实时的交通流运行特征。这可为以后的交通事件检测提供依据。

基于时空Markov随机场的人体异常行为识别算法

针对多人之间的突发暴力异常行为进行研究,提出一种能较准确地辨识该异常行为与其他多人间正常行为的算法。该算法在传统的图像分割技术基础上,根据马尔可夫随机场仅邻域相关的特性,加入了连续帧的动态特征,并重新构造Gibbs能量函数。这种方法不仅考虑到了每个像素点和邻域点的空间信息,而且加入了连续帧的时间信息,对整幅图像中所有像素点的能量值进行累加并用能量曲线进行数据分析。最后与传统光流方法的比较表明了该算法的优越性。

基于模式识别与ST-MRF相结合的车辆检测方法

车辆检测技术的主要难点是在于解决车辆之间的遮挡,以及由于光照变化引起的车辆与其阴影之间的遮挡问题,这些问题将直接影响检测的精度。针对这个问题,在原ST-MRF方法上研究了基于模式识别与ST-MRF相结合的车辆检测方法。模式识别技术分割相互遮挡的2辆车之间的边界,并识别相互遮挡车辆的边缘间隙以及边界信息,模式识别结果反馈给ST-MRF算法,算法对相互遮挡车辆重新分配标号,优化处理并融合不完整的分割部分,确定单个车辆信息。路段车辆检测实验结果表明,在检测区域行驶的325辆车,用原始ST-MRF算法跟踪统计到的车辆数为258辆,成功率为79%,采用模式识别技术与ST-MRF相结合算法统计到车辆315辆,成功率为97%;交叉口车辆检测实验结果表明,该方法在机动车与非机动车混行,公交车与小汽车相互遮挡的交叉口场景下,能较准确地得到车辆检测结果。

基于ST-MRF的自适应车辆跟踪算法研究

可靠的车辆跟踪是实现交通事件自动检测的重要前提,车辆跟踪中的车辆相互遮挡则是影响车辆跟踪结果的关键因素.为了解决这一难题,文中提出一种基于ST-MRF模型的自适应车辆跟踪算法.在ST-MRF模型中,把图像分成块,将相邻图像间的块通过它们的矢量联系起来,建立运动序列图像的时空马尔可夫随机场模型并且构造其相应的能量耗费函数,然后利用松弛算法实现目标地图最小化能量计算,从而解决车辆跟踪中的遮挡问题.实验结果表明,跟踪不遮挡的车辆时达到的跟踪成功率为95%,遮挡情况时成功率也可达到91%.通过实验得出以下结论:基于ST-MRF模型的自适应车辆跟踪算法能在交通量比较大,且车辆出现相互遮挡的情况下,能较准确地获得车辆跟踪数据.为以后的交通事件检测提供重要的数据基础.

面向智能视频监控中的运动目标检测方法研究

运动目标检测是实现智能视频监控的基础,针对当前运动目标检测方法在复杂场景中适应性差的问题,提出了一种结合时空马尔可夫随机场模型和高斯混合模型的运动目标检测方法。在训练时空马尔可夫随机场模型时,采用高斯混合模型的参数更新算法计算邻域图像分割区域的均值和方差,并通过时空邻域标记场设置势函数。通过与传统目标检测方法的仿真比较,验证了该方法的优越性。结果表明,与传统的目标检测方法相比,该方法在复杂场景下具有更高的检测精度,能够更清晰地分割前景中的运动目标。

基于反向ST-MRF模型的车辆遮挡分割算法

车辆跟踪中普遍存在的车辆遮挡问题直接影响着跟踪的精度,是车辆跟踪研究中的关键问题。在介绍车辆跟踪算法基本原理的基础上,提出了一种基于反向ST-MRF模型的车辆遮挡分割算法。该算法通过反向沿时间轴运用ST-MRF累积图像,优化运动矢量和融合不完整的分割部分,对车辆遮挡进行了比较完美的分割。最后通对比原始ST-MRF算法和反向ST-MRF算法,2者得到目标跟踪的成功率分别为87%和98%。基于反向ST-MRF模型的车辆遮挡分割算法能在交通量比较大,且车辆出现相互遮挡的情况下较准确地获得车辆跟踪数据,为以后的交通事件检测提供重要的数据基础。