基于改进Camshift的道路运动车辆跟踪算法

随着公路视频监控系统的建立与完善,交通目标识别成为交通领域重点关注的技术。针对现有交通目标识别技术对于连续运动车辆中遮挡、模糊目标跟踪效果较差的问题,提出一种改进的Camshift运动车辆跟踪算法,通过Kalman滤波算法预测被遮挡目标在当前帧的可能位置,再通过Camshift算法利用颜色信息在图像帧的位置邻域内搜索目标,结合多车辆跟踪链原理,实现多车辆的跟踪。试验表明,该方法能够实时有效地跟踪运动车辆,即使车辆发生大比例的遮挡时,仍然能够正确地对车辆进行跟踪,验证了该方法的有效性。

一种基于形态学的运动车辆阴影消除方法

提出一种基于形态学的运动车辆阴影消除方法.该方法不需要彩色、梯度、模型、空间和纹理信息,只根据前景目标(包含车辆及其阴影)的几何形状,不仅可以有效区分车辆和阴影,而且可以有效区分相连的车辆.实验结果表明,基于形态学的阴影消除方法既具有较高的可靠性,也具有较好的实时性.

智能交通系统运动车辆的视觉检测(英文)

提出了一种在复杂背景中检测行驶车辆的方法 ,首先用概率统计的方法通过三帧图像间的运动信息找出运动区域 ,然后用静止分割得到的区域信息修正运动分割的结果 ,并采用图像增强技术改进了分割效果。检测结果可作为智能交通系统 (ITS)

运动车辆对隧道火灾顶棚射流温度分布的影响

以公路隧道内小轿车着火、客车驶经火源的场景为例,依托某隧道工程建立火灾计算模型,利用重叠网格技术和火灾数值模拟方法,研究了车辆运动速度对隧道火灾温度分布的动态影响规律.结果表明:当车辆以11.11 m/s的速度经过火源时,火源中心横、纵截面隧道顶部的烟气温度最低;当车辆诱导气流对温度分布的影响达到最大时,横断面烟气温度呈现出由着火车道至车辆经过车道先降低、后升高的规律;在最高温度点上游15 m范围内纵向烟气温度平稳衰减,且在车速为11.11 m/s时衰减速率最大.

基于区域生长处理的视频运动车辆提取新方法

车辆提取在视频交通流量检测系统中是最重要、最关键的一环。提出一种基于区域生长算法的简单、快速的车辆提取方法。这种方法通过差分图像估计阴影灰度近似值,然后用该值作为参考值删除输入图像属于背景和阴影的像素,最后得到运动车辆图像。利用该方法进行了大量的实验,从实验结果来看,此方法具有较好的稳定性和有效性;从计算时间来看,该方法也能满足实时系统的需要。

航拍图像中运动车辆的检测与定位

提出了一种利用Huber函数和均匀稀疏采样估计仿射变换参数的方法,更加准确快速地进行背景运动补偿;为了克服噪声和伪运动区域对运动目标定位的干扰,利用形态学滤波方法去除光照变化带来的伪运动区域及噪声;最后,采用仿射运动矢量聚类方法对运动目标进一步可靠定位。结合这3种方法,可以对航拍图像序列中的运动目标快速准确地检测与定位。

复杂场景下运动车辆实时动态自适应检测方法

针对复杂交通场景中运动车辆检测方法存在的局限性,提出了一种基于自适应背景与改进动态阈值相结合的运动检测算法.基于当前帧与背景相减得到的差分图像,利用自适应阈值选取方法分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测.根据检测结果,采用中值更新策略实现背景图像的实时更新.实验结果表明,该算法可以从复杂交通场景图像序列中有效地检测出运动目标.而且算法计算量小,具有良好的鲁棒性与实时性品质指标,能够很好地满足智能交通监控系统中运动车辆实时检测技术要求.

基于计算机视觉的运动车辆检测

针对视频图像中车辆检测问题,提出了一种基于计算机视觉的运动车辆检测方法。首先,选取最佳方差参数并利用双边滤波对图像进行预处理;再利用Surendra背景更新算法实时更新背景图像,采用粒子群(PSO)极大熵法求得背景差分图像的阈值;然后,将得到的二值图像进行形态学处理并检测出运动车辆。实验结果表明,该算法不仅适用于简单背景、车速较慢的环境中,而且在复杂背景、噪声较大、车速较快的情况下,该方法均能够克服外界环境的不利影响,准确地检测出运动车辆,提高检测的准确率。

一种基于改进块匹配算法的运动车辆检测

针对传统块匹配算法计算量大、光照变化较敏感和实时性差的缺陷,本文对块匹配算法进行了相关研究,提出了改进算法。首先把两幅彩色图像转化为灰度图像,并通过概率松弛标记算法获得边缘图像,计算相邻两幅图像的差分图像得到运动区域,然后将差分图像与边缘检测图像相与得到运动区域的边缘信息,再进行匹配得到位移矢量场并对其进行矢量中值滤波,最后通过顺序区域增长将运动车辆分割出来。实验结果表明:本文方法相对于传统方法平均检测时间降低约58ms,而平均检测率提高了约6.7%。这种算法鲁棒性强、实时性好。

基于图像的运动车辆速度测量

提出了一种新的基于CCD图像测量运动车辆车速的方法.其工作原理是通过抓拍运动车辆前后两次的瞬时图片,根据车辆与CCD之间的相对位置关系,参照预置的定标线,求出车辆的运行速度.文中分析了2种测量误差,讨论了如何选择2张图片的拍摄位置.仿真实验验证了所提方法的有效性.

基于强度峰值的运动车辆识别方法

针对雾霾天气下照度不够、视频图像背景不断变化导致雾霾天图像质量下降、前景目标不易检测识别等现象进行了分析,解决了传统光流法无法有效单独检测跟踪目标的问题。在分析研究传统车辆识别思路及方法的基础上,提出一种光流估计与强度峰值特征提取相结合的检测方法,可以适应跟踪过程中目标特征和背景的不断变化,有效解决雾霾天气条件下车辆检测的鲁棒性问题。最后,通过实验验证了方法的有效性。

随机边缘特征匹配在运动车辆跟踪算法中的应用

目标跟踪算法中往往需要有效的特征对目标进行跟踪识别。本文提出了随机边缘特征的概念,对其物理意义及匹配算法进行了阐述,并将其应用到运动车辆跟踪算法中。实验结果表明,该算法能够对序列图像中的多个运动车辆进行跟踪识别,对车辆的尺度、视角、光线及运动状态的变化等不利因素有较好的适应性。

基于分层光流场的运动车辆检测与跟踪

针对LK(Lucas Kanade)算法不能稳定跟踪快速移动目标的局限性,采用一种图像分层光流的跟踪方法,能获得针对目标的大尺度运动的较好预测结果。为了减少计算量,提出一种基于特征角点的光流跟踪技术,首先提取运动车辆的特征角点,计算其光流场,对角点实施跟踪极大地减少了光流计算量,可以满足目标检测实时性的要求。实验表明,当运动车辆转弯和移动时,角点始终稳定可靠,并且跟踪算法能够快速、准确地匹配特征角点,实现了复杂交通场景下对运动车辆的实时稳定跟踪。

背景提取基础上运动车辆视频检测

提出了一种在一系列连续视频图像中提取背景的方法,在背景提取的基础上对视频图像中运动物体进行检测,以实现对高速公路上过往车辆的自动监控功能。

运动车辆探测研究的新方向与进展

分析总结了国际上基于遥感的运动车辆探测研究的进展情况,将运动车辆探测研究分为基于航空机载遥感影像、卫星SAR影像和光学卫星影像等三类,并通过对其特点的分析比较,指出基于光学卫星影像和基于卫星SAR数据的运动车辆探测研究将成为发展主流.

基于隔帧差分和背景减去法的运动车辆检测算法

为了解决单一检测算法在复杂场景中不能完整检测出运动车辆的问题,提出一种复杂场景中运动车辆的检测算法。该算法利用当前较为新颖的稀疏去噪方法对检测的视频序列进行去噪,然后采用一种改进统计平均法初始化背景,并结合隔帧差分和背景减法对运动车辆进行检测,最后应用一种新的双权值更新策略对背景进行更新。实验表明,该算法建立的背景可靠,抗干扰性强,改善了车辆的检测效果,具有很好的实用价值。

一种基于改进块匹配算法的运动车辆检测

在传统的基于块匹配算法的运动车辆检测中,因为直接对灰度图像进行匹配而带来计算量大、光照变化较敏感和实时性差的缺陷。针对这些问题,提出了基于概率松弛标记算法的块匹配算法,先通过概率松弛标记算法求取灰度图像的边缘,然后通过块匹配算法根据匹配的相似度得到位移矢量场,并对其进行矢量中值滤波,最后通过顺序区域增长把运动车辆分割出来。实验结果表明,这种算法鲁棒性强、实时性好,与传统算法比较在效率大幅度提高的情况下准确率也得到了一定的提升。

基于帧差法的运动车辆检测算法研究

针对车辆的运动目标检测,帧差法可以迅速、精准地把监控视频中的运动车辆检测出来,也就是把运动目标从序列图像中提取出来。在发展社会经济的大背景下,我们的城市越来越城市化,但是随之而来的问题也越来越多,比如生活的秩序很混乱,这时实时的人数统计就可以发挥它的作用了。

融合线性特征的局部纹理运动车辆阴影检测

提出了一种融合线性特征的局部纹理运动车辆阴影检测方法。首先基于连续帧视频图像信息建立初始背景模型;通过背景差法获取包含阴影的运动目标区域,同时依据该运动区域信息实时更新背景;结合亮度信息,利用改进局部二值模式的纹理算子描述运动区域纹理,并根据海明距离进行粗分类,快速检测出运动区域中的阴影覆盖区;进一步对阴影覆盖区域进行纹理信息的线性特性判断,排除车辆自阴影区域,获取背景阴影,得到真实车辆目标。实验结果表明,该方法提高了阴影和车辆自阴影的检测准确度,且速度快,可满足实时性要求。

基于概率算法自适应更新背景的运动车辆检测

交通流量检测是智能交通系统中的一个重要研究方向和热点问题,基于视频的车辆检测是交通流量采集分析的核心技术,它为交通流量参数的实时获取提供了可能。为实现在复杂交通视频场景中实时准确检测各类的运动车辆,在研究传统背景差分算法的缺点的工作基础上,提出一个自适应的贝叶斯概率背景检测算法,进而完成了较准确的运动车辆分类检测。实验结果表明该方法具有高效实时的特点,能够较准确地实现复杂交通路面的背景提取和运动车辆的检测,具有良好的鲁棒性。