交通事件视频图像自动识别系统的研究

如何有效利用高速公路视频图像信息,实时全天候自动智能检测交通事件,提升交通管理部门应急处置能效,是当前公路视频监控亟需解决的问题．本文基于视频图像处理技术,开展交通事件自动识别算法和系统的研究：采用中值滤波、亮度缩放等图像预处理方法,提取交通视频图像的前景目标边界并抑制噪声;基于灰度阈值化方法,对车辆前景进行二值化分割处理;提出一种二值化场景图像连通区域标定算法,对交通事件前景目标进行特征提取与检测识别,并基于上述算法和识别流程开发了交通事件视频自动识别系统．试验表明,该系统对噪声干扰抑制能力较强,识别准确率较高．     

基于混合高斯背景建模的交通视频运动目标检测

目前最常用也最有效的运动目标检测方法是背景减除法,其中背景提取是背景减除法的核心.传统的运动目标检测方法无法解决场景的光线突变、背景图像发生变化以及前景运动目标物体的阴影干扰等问题.针对交通视频中背景模型的实际情况,采用混合高斯分布对视频背景进行建模,将前一帧视频图像与所建立的当前背景图像进行相减,得到车辆在当前时刻的运动图像,并将所得图像进行形态学去噪处理.通过相关的仿真实验,证明了该方法能够比较准确地检测出前景运动车辆目标.     

融合边缘检测与区域生长的交通图像分割方法

在交通监控中,如何从复杂的背景中分割运动物体是至关重要的一步,针对车辆的运动阴影对图像分割产生的不利影响,提出了一种新的融合边缘检测与区域生长的彩色图像分割算法,算法同时考虑了图像的彩色信息和空间信息.该算法首先对彩色图像边缘检测,并根据检测结果设置种子像素;再基于颜色相似性生长准则,结合边缘检测结果,对每个种子点进行区域生长;最后,利用区域合并算法对剩余的像素进行合并.实验结果表明该算法很大程度上克服了阴影给图像分割带来的不利影响.     

应用小波模历史图像的运动车辆视频检测

为提高车辆目标检测的稳定性和准确性,提出了基于背景减除和小波分解模历史图像的运动车辆检测算法.首先对原始图像进行小波分解,对低频分量用混合高斯模型和纹理特征相结合的方法,自适应更新背景并标记运动目标初始区域;然后,基于高频分量计算模值,并通过逐帧历史累积得到模历史图像;最后,利用车辆目标与阴影相比富含边缘细节的特点,对目标进行倾斜校正后,将目标边缘分别沿图像x和y方向投影,利用投影曲线将边缘信息与目标初始区域信息迭代融合,得到最终检测结果.实验结果表明,用本文方法检测车辆的捕获率达到99.0%,有效率为92.5%;与使用单一自适应背景提取方法相比,在实际交通场景中可有效处理阴影导致的多目标粘连问题,检测结果更准确.     

运动车辆检测的APG-TR算法

为了提高智能交通系统中运动车辆检测的准确率,提出了一种基于张量恢复的APG-TR算法。采用张量表征交通视频图像,保持视频图像高维结构特征。通过张量恢复,重建出张量的低秩部分与稀疏部分,实现交通视频图像中交通背景与运动目标车辆的分离与交通视频内在特征的提取。利用交通监控系统采集到的交通视频106帧图像对本文算法进行了测试。测试结果表明:在晴天条件下,APG-TR算法的平均正确率为91.4%,在雨、雾天气条件下,正确率分别为86.4%、85.2%,相比帧差法更加稳定与准确。APG-TR算法具有良好的收敛速度与鲁棒性,在智能交通领域中具有广泛的应用前景。     

混合交通流视频检测中区域选择更新混合高斯背景模型研究

混合交通是我国交通的主要特征，利用视频检测技术可以获取混合交通流参数，实现混合交通的有效管制，由于检测过程中天气、光线等环境变化，实时有效的自适应背景提取模型尤其重要。本文在混合高斯模型的基础上，根据运动分割与Kalman运动跟踪，结合象素的时间与空间特性，提出区域选择更新混合高斯模型来抽取背景，克服了交通控制信号或交通阻塞等造成的长时间停车，以及高峰期大量运动物体长期充满当前图像等情况对背景抽取造成的影响，该模型通过对交叉口和路段视频进行背景提取，实验效果良好，证明了本方法具有较强的鲁椿性和自适应性。     

基于纹理不变性的车辆阴影处理方法

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．     

改进ViBe算法的铁路动态异物入侵的实时监测

针对ViBe算法在检测铁路轨道动态入侵异物时鬼影消除较慢导致其监测实时性不足和预警精度不高的缺陷,利用背景重构与像素块替换方法对不同时期的鬼影进行快速抑制.首先利用视频序列多帧图像重构背景的方法抑制初始鬼影;其次通过比较物体外接矩形坐标变化和其包含像素数量对鬼影和运动物体进行区分,再利用当前鬼影像素块替换背景图像相同位置像素块来减少消除中间鬼影的帧数;最后利用前景与背景像素点比例法和形态学方法对动态异物入侵进行精确识别.实验表明,所提方法可以有效减少抑制鬼影所需要的帧数,提升动态入侵异物监测实时性,同时异物检测精度也有较大提升.     

自适应铁路场景前景目标检测

现代铁路系统中,智能视频分析技术已被广泛应用于异物入侵监测,前景目标检测是入侵判断的必要过程. 背景差分常用于检测前景目标,但铁路场景复杂,存在动态变化的背景区域和未知类型的目标,现有基于阈值分割或深度学习的背景差分算法都不能满足需求,故提出一种基于阈值自适应调节的前景目标检测算法. 利用像素值在时间上的动态信息,分割结果的反馈信息和由超像素提供的空间信息确定阈值调节因子,动态调节阈值以适应环境变化;提出一种灵活可靠的背景模型初始化方法,消除鬼影问题,实现一帧到多帧初始化的灵活切换. 实验结果表明,所提算法在铁路场景上取得了较好的准确率和误分类率,且平衡了精度和速度.     

基于双曲线模型的车道线检测算法

针对车道线识别准确性、可靠性等问题,提出了一种基于双曲线模型的车道线检测算法。首先,对图像进行预处理,采用Sobel算子实现可靠的车道边缘检测;然后,运用Hough提取车道线边界信息,并运用区域生长法筛选道路边缘点;最后,结合车道线边界参数和双曲线模型参数,基于最小二乘法完成车道线重建。试验结果表明该算法可准确识别不同环境下的车道线。     

一种改进的基于混合高斯分布模型的自适应背景消除算法

视频检测技术是智能交通系统研究中一个重要研究方向，根据交通流视频检测的特点，对基于混合高斯分布模型的自适应背景消除方法进行了改进，包括：背景模型匹配只使用亮度信息；将高斯分布模型按权值、方差排序；使用单目深度信息来确定背景；动态调整采样频度等，实验表明，本文提出的算法，分割效果较佳，分割的实时性大大增强。     

���ӻ����³�����Ӱ�ָ��㷨�о�

车辆阴影分割是智能交通领域中车辆识别的一项重要内容,阴影分割的好坏直接影响到车辆识别的准确性以及整个智能交通监控系统的性能。针对当前基于RGB和HSV颜色空间的车辆阴影分割算法缺陷与不足,本文提出了一种新的基于YCbCr空间的车辆阴影分割算法。首先选取图像中的运动区域,运动区域包括车辆以及阴影;然后根据阴影区域出现的特点,选择初始阴影数据;最后,通过本文提出的阴影分割算法最终确定阴影区域的形状与位置。经过实际道路运行测试,该算法能提取出的车辆阴影完整性好,具有较好的鲁棒性,在智能交通领域具有一定的应用价值与前景。车辆阴影分割是智能交通领域中车辆识别的一项重要内容,阴影分割的好坏直接影响到车辆识别的准确性以及整个智能交通监控系统的性能。针对当前基于RGB和HSV颜色空间的车辆阴影分割算法缺陷与不足,本文提出了一种新的基于YCbCr空间的车辆阴影分割算法。首先选取图像中的运动区域,运动区域包括车辆以及阴影;然后根据阴影区域出现的特点,选择初始阴影数据;最后,通过本文提出的阴影分割算法最终确定阴影区域的形状与位置。经过实际道路运行测试,该算法能提取出的车辆阴影完整性好,具有较好的鲁棒性,在智能交通领域具有一定的应用价值与前景。     

����ʱ�չ켣���ٵĽ�ͨ�����Բ���������

基于视频的交通流检测在智能交通系统中具有重要意义。本文针对广泛采用的低位摄像机,提出了一种交通流特性参数的检测分析方法。首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响;然后基于Adaboost（Adaptive Boosting,自适应增强）分类器实现特征点按车分组,并在跟踪过程中根据运动特征相关度消除分组误差,获取高精度的车辆轨迹;进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数。实验结果验证了算法的高效性;同时,自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持。     

基于自适应背景更新的运动车辆检测技术

在基于视频的交通检测系统中，运动车辆的正确检测是关键，目前采用的典型方法是背景差分法。为了得到较理想的背景图像，利用基于动态信息窗口的自适应背景更新算法，解决了背景的复杂性问题，提高了对多车道上运动车辆检测的正确率。     

基于时空轨迹跟踪的交通流特性参数检测分析

基于视频的交通流检测在智能交通系统中具有重要意义.本文针对广泛采用的低位摄像机,提出了一种交通流特性参数的检测分析方法.首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响;然后基于Adaboost（Adaptive Boosting, 自适应增强）分类器实现特征点按车分组,并在跟踪过程中根据运动特征相关度消除分组误差,获取高精度的车辆轨迹;进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数.实验结果验证了算法的高效性;同时,自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持.     

多形态几何约束的道路障碍物检测新方法

针对道路监控固定图像传感器采集的交通视频图像,开展动态场景下障碍物的检测研究。通过道路感兴趣区域的建立,提取停止车辆和遗撒物的共同特征,提出多态几何约束的障碍物检测算法,实现障碍物的检测;通过对仿真视频和实际道路采集的视频进行实验,结果证明该方法对障碍物检测的鲁棒性高,实际的检测效果较基于混合高斯模型的背景差分法的结果更好。     

基于自适应复杂场景的背景建模方法

因复杂场景下的背景动态变化大,大多数背景建模算法易引起误匹配而导致检测精度降低.为此,提出一种基于自适应复杂场景的背景建模方法,背景模型采集视频前5帧图像初始化模型,通过后续帧获取像素的分布特征并更新背景模型.算法提出自适应离散系数结合像素值检测像素动态变化幅度,获取复杂背景中的目标.实验通过对多组数据测试,验证了算法检测精度优于其他算法,有效改善复杂场景下动态背景对前景目标提取的影响,减少了由背景像素值大幅度变化产生的假前景,在复杂场景下检测目标有较强的适应性和鲁棒性.     

基于组合前景提取的混合交通两轮车辆视频检测

针对混合交通流中两轮车辆视频检测问题,提出一种基于混合高斯模型（GMM）与背景累加模型（BAM）的组合前景提取方法,该方法将GMM与BAM组合得到的2 种前景图像分别经过滤波和形态学的膨胀操作处理,然后进行“与”操作,过滤掉高斯前景中的大量噪声,提取出感兴趣前景区域.针对两轮车辆的轮廓边缘特征,采用Canny 边缘检测提取边缘信息,去除前景区域中的非目标区域,采用两轮车辆的自建模板,通过欧氏距离进行模板匹配,定位并标记感兴趣区域中的目标区域.在OpenCV 和Matlab7.1 实验测试平台上,对典型城市混合交通路段的交通流视频进行测试.结果表明,该方法对混合交通流中两轮车辆的识别检测具有较高的准确率.     

基于图像序列区域混沌特征的海面舰船目标检测算法

为了检测复杂海面背景中的舰船目标,提出了一种基于图像序列区域混沌特征的目标检测新算法,算法利用小数据量法计算图像序列区域的最大Lyapunov指数,分析运动目标存在时背景信号混沌特征的变化,并利用混沌特征的变化差别检测淹没在混沌背景信号中的目标信号,最后对100帧图像进行了目标检测.计算结果表明:新算法检测率为100%,虚警率为5%,检测结果优于利用统计分析方法的结果.     

医学超声波图像的边界保护滤波及特征映射补偿

提出的补偿方法不依赖于对组织数据的初始化分类，而是从原始数据中抽取组织特征映射到二维可视化平面．首先对图像进行边界保护滤波，然后归纳出4种基于图像灰度信息的特征映射补偿方法．实验结果表明，通过补偿方法得到的图像可以辅助医生对病变体及其它感兴趣的区域进行定性分析，从而提高临床诊断的准确性．