交通视频检测系统中背景提取的优化算法

介绍和分析了4种常用的背景提取算法,在此基础上提出了一种新的背景提取算法:用视频序列的当前帧和背景帧相减来获得运动车辆的信息。实验测试表明:该算法取得的背景效果良好,具有较强的实用性和参考价值。     

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.     

改进的混合高斯模型视频运动目标检测算法

针对混合高斯模型背景建模在视频运动目标检测中的不足,提出了将混合高斯模型与三帧差分相结合来对视频中运动目标进行检测的算法。由混合高斯模型得到前景和背景,利用当前帧与混合高斯模型所得到的背景相减可以得到一个前景,使用三帧差分和边缘检测得到运动物体的精确轮廓,对此轮廓进行填充得到一个前景,将此三步前景进行运算得到最终的结果;通过新的更新策略来快速地对背景进行建模,以像素点的稳定性来调整像素点的更新速度,从而减少算法运算量,提高算法的运行速度。     

Android平台下基于OpenCV的车牌号识别技术

针对车牌识别算法在手机上应用的需求越来越迫切的问题,提出一种基于OpenCV的车牌号识别方法,并在Android平台下实现.该方法由两部分构成:其一为单一的车牌图像识别,分为图像获取、图像预处理、车牌定位、字符分割和字符识别等过程;其二为自动筛选识别结果,即连续拍摄图像并识别,通过其结果的一致性和匹配度自动选择最佳结果.经实测和分析可知:该方法在主流手机上处理速度可达到20帧/ms;影响识别率的主要因素是车牌污损和拍摄角度偏差;在实际环境中识别率可达90%以上.研究结果表明,该方法具有较高的实时性和识别率,可适用于在运动过程中进行车牌识别的场景.     

基于OpenCV的锥桶识别技术研究与实现

基于图像处理理论与算法,利用OpenCV库函数实现对锥桶的识别。为减轻图像处理的压力,先将源图像进行HSV转换,后通过漫水填充对指定区域进行指定颜色填充,并通过形态学滤波去除明显噪声。通过轮廓查找以剔除较小轮廓,并构造最小外接矩阵对锥桶因白色反光条分割的2个部分进行比较,最后将垂直投影图像通过最小二乘法得到的斜率进行识别。实验数据表明,采用文中算法识别锥桶准确率较高。     

基于KICA改进算法的运动目标检测

在视频运动目标检测中,由于存在多种光源与运动目标遮挡背景的原因,运动目标与背景必然具有一定相关性。基于核方法的独立分量分析(KICA)将数据从低维空间映射到高维,然后讨论分离分量的第一典型相关性,但由于KICA采用线性混合模型,所以存在一定局限性,忽视了运动目标和背景分割存在的非线性效应。因此,提出了一种KICA改进算法,该算法使用了非线性模型,对于解决目标与背景间的非线性问题具有一定的优越性。     

基于PReNet和YOLOv4融合的雨天交通目标检测网络

为提高恶劣雨天交通环境下车辆目标检测精度,提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4,融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet,获得的D-PReNet可更有效提取雨纹特征; 使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53,为YOLOv4的颈部路径聚合网络模块添加复合残差块,同时采用k-means++算法取代原始网络聚类算法,获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率; 基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证。研究结果表明：与当前YOLO系列主流网络相比,提出的DTOD-PReYOLOv4对原浅层ResBlock_body1叠加残差块,可以更好地提取分辨率较小的特征; 对原深层ResBlock_body3、ResBlock_body4和ResBlock_body5进行裁剪,获得ResBlock_body3×2、ResBlock_body4×2和ResBlock_body5×2,可以有效降低卷积层冗余,提高内存利用率; 为PANet中的Concat+Conv×5添加跳跃连接形成CRB模块,可以有效缓解网络层数加深引起的小目标检测效果退化问题; 采用k-means++算法,在多尺度检测过程中为较大的特征图分配更加适合的较小先验框,为较小的特征图分配更加适合的较大先验框,进一步提高了目标检测的精度; 与MYOLOv4相比,精确率和召回率的调和平均值、平均精度、检测速度分别提升了5.02%、6.70%、15.63帧·s^-1,与TOD-YOLOv4相比,分别提升了3.51%、4.31%、2.17帧·s^-1,与YOLOv3相比,分别提升了46.07%、48.05%、18.97帧·s^-1,与YOLOv4相比,分别提升了31.06%、29.74%、16.26帧·s^-1。     

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。     

改进的混合高斯模型视频运动目标检测算法

针对混合高斯模型背景建模在视频运动目标检测中的不足,提出了将混合高斯模型与三帧差分相结合来对视频中运动目标进行检测的算法。由混合高斯模型得到前景和背景,利用当前帧与混合高斯模型所得到的背景相减可以得到一个前景,使用三帧差分和边缘检测得到运动物体的精确轮廓,对此轮廓进行填充得到一个前景,将此三步前景进行运算得到最终的结果;通过新的更新策略来快速地对背景进行建模,以像素点的稳定性来调整像素点的更新速度,从而减少算法运算量,提高算法的运行速度。     

基于DirectShow框架的视频监控系统

根据实际需求，针对网络视频监控系统数据量大，实时性要求高等特点，提出了基于MPEG-4格式的远程视频监控系统的体系结构和逻辑模型，并在VC6．0环境下运用DirectShow框架和组播技术实现了一个基于PC的远程视频监控系统。该解决方案是基于软件编码方式的，具有良好的可重用性和可扩展性。     

����boosting �㷨�Ľ�ͨ�¼����

提出一种新颖的基于boosting模糊分类的交通事件检测方法。该方法利用Boosting方法和遗传算法以迭代形式获取一组模糊规则及规则对应的权值，分类器以加权投票方式进行分类决策。运用Matlab 进行了仿真分析，结果表明提出的交通事件检测算法利用较少样本数据即可快速实现交通事件检测。     

һ���µĻ��ڴ������ںϵĸ��ӽ�ͨ�������·���

复杂交通场景由于背景构造困难限制了视频监控技术的应用. 为了解决这个问题,本文提出了一种新的基于传感器融合的复杂交通视频背景构造方法. 首先通过基于EM算法的高斯混合模型提高背景建模的准确性;其次,对于运动缓慢或者静止的区域,通过设定不同的采样频率来提高背景建模数据的可靠性;对来自线圈和虚拟检测线检测到的数据进行数据融合来提高虚拟线圈检测车速的精度,通过引入局部稳态最优Kalman平滑器提高了数据融合算法的自校正能力. 最后,实验结果证明了所提方法的有效性.     

一种新的基于传感器融合的复杂交通背景更新方法

复杂交通场景由于背景构造困难限制了视频监控技术的应用. 为了解决这个问题,本文提出了一种新的基于传感器融合的复杂交通视频背景构造方法. 首先通过基于EM算法的高斯混合模型提高背景建模的准确性;其次,对于运动缓慢或者静止的区域,通过设定不同的采样频率来提高背景建模数据的可靠性;对来自线圈和虚拟检测线检测到的数据进行数据融合来提高虚拟线圈检测车速的精度,通过引入局部稳态最优Kalman平滑器提高了数据融合算法的自校正能力. 最后,实验结果证明了所提方法的有效性.     

夜间复杂交通场景中的车辆检测和跟踪

为提高夜间车辆视频检测和跟踪的准确率,提出一种夜间车辆检测和跟踪算 法.本算法通过亮斑分割和连通组件匹配来检测和定位车辆前灯,并利用区域跟踪算法对 前灯进行跟踪以提高检测准确率.考虑到夜间行车时车辆前灯的显著特征,通过改进Otsu 方法以自适应地分割明亮区域,并根据前灯的几何形状、尺寸及位置信息滤除非车灯部 分的车辆信息.然后利用前灯的对称性进行前灯的配对和归类;最后采用区域跟踪算法对 前灯进行定位和跟踪.实验结果表明,本算法车辆检测平均准确率大于97%,处理速度比 已有方法提高15.8%以上.     

公路交通事件检测技术的研究与展望

分析目前国内外交通事件检测技术和检测算法的发展现状,对交通事件检测技术所采用的人工检测技术和自动检测技术进行具体介绍,对基于各种检测原理的检测算法进行深入剖析,并阐述交通事件检测技术的应用。     

基于Matlab与Vissim联合仿真的交通灯配时策略研究

为了解决利用Vissim实现复杂控制策略存在开发成本高、效率低的问题,利用Matlab与Vissim联合仿真技术,进行交通灯配时策略研究。利用Vissim COM接口实现Matlab和Vissim间的信息交换,将Matlab中计算得到的配时结果输入到Vissim中进行仿真;分析输出的延误时间、排队长度等数据指标,评价交通灯配时策略。配时策略实例表明:车流量较大时,基于Webster配时算法原参数计算出的信号周期并不是最佳,对参数进行调整后较大程度提升了交叉路口的整体服务水平。     

无人机广域视频的机动车交通参数计算及分析

基于视频的交通参数提取在智能交通系统中具有重要意义.针对无人机视频, 提出了一种基于大范围无人机视频的机动车交通参数提取方法.首先通过建立无人机广 域镜头图像的校正算法去除交叉口视频图像的广角畸变,然后将像素坐标转化为真实坐 标.其次,利用帧间差分法计算行驶车辆的速度、加速度、车头间距等车辆运行参数,将计 算结果与真实车辆及软件提取运行参数进行对比,结果证明该方法具有较高的准确性和 可行性.最后,实例验证该方法能较准确地获得交叉口车辆运行参数,并将其应用于车辆 通过交叉口全过程的速度变化规律分析.     

改进MOG-LRMF 的铁轨动态异物检测

针对复杂铁路环境下动态入侵异物检测精度低和抗扰能力差等问题,提出一种基于改进MOG-LRMF算法的铁路轨道异物入侵实时检测方法. 引入仿射变换,对视频序列可能出现的抖动进行预校正处理;分析MOG-LRMF模型特点,利用MOG模型对视频帧中的背景进行建模,用前一帧背景中学习到的知识对当前帧背景进行预测,优化MOG-LRMF参数求解模型;利用EM算法对改进MOG-LRMF模型进行参数求解,实现背景在线实时更新. 实验结果表明,改进的MOG-LRMF算法在光照充足、光线较弱、相机存在抖动、背景复杂及存在多个目标情形下都能提高目标检测精度,具有较好的抗干扰性、鲁棒性和快速性.