基于OpenCV的運動車輛目標檢測與跟蹤研究.pdf

1、隨著我國經濟快速發(fā)展，機動車數(shù)量呈現(xiàn)大規(guī)模增長。過多的機動車給城市交通帶來了巨大的壓力，交通擁擠成為困擾城市管理的重大問題。道路視頻監(jiān)控是解決交通問題的重要手段，但是單獨的視頻監(jiān)控只能看到道路上運動車輛的行進狀況而不能進行一些其他智能化的處理，如:道路的車流量統(tǒng)計、車輛的違章判斷等。而實現(xiàn)這些智能化處理的基礎是對運動車輛進行檢測與跟蹤，所以有效且準確的進行運動車輛的檢測與跟蹤成了我們需要解決的首要問題。
　　運動目標的檢測與跟蹤研

2、究一直是計算機視覺領域的熱點，國內外許多研究機構和學者都在對此進行深入的研究。本文首先詳細的介紹了OpenCV視覺庫，包括OpenCV的模塊和OpenCV的安裝和配置過程。然后深入分析了運動車輛檢測與跟蹤過程中用到的圖像預處理技術，包括:圖像灰度化、平滑濾波、二值化以及形態(tài)學濾波。在運動車輛檢測的部分，介紹了比較常用的幾類運動目標檢測算法:光流法、幀間差分法、背景減除法，接著詳細闡述了幀間差分法以及背景減除法中的高斯混合模型(GMM)、

3、Vibe算法。對幀間差分法、高斯混合模型和Vibe算法之間的優(yōu)缺點進行了討論，經過實驗對比，選擇了算法實時性和檢測目標完整性都較好的Vibe算法作為運動車輛檢測算法。并針對Vibe算法中易出現(xiàn)“鬼影”的問題，結合幀間差分法對Vibe算法進行改進。實驗結果表明:對比原Vibe算法，基于幀間差分法改進的Vibe算法能夠快速的消除“鬼影”對檢測結果的影響，具有良好的檢測效果。在最后的運動車輛跟蹤部分，詳細介紹了Meanshift算法，根據(jù)它的

4、缺點引入了Camshift算法，即連續(xù)自適應Meanshift算法。此算法改進了Meanshift算法中窗口大小及位置固定不變的缺點，但是在復雜環(huán)境不具有良好的魯棒性，容易丟失跟蹤目標，因此利用Kalman濾波的預測特性對Camshift算法進行了改進。最后利用基于Kalman濾波改進的Camshift算法結合改進后的Vibe檢測算法實現(xiàn)了運動車輛的多目標全自動跟蹤。利用OpenCV3.4和VS2015進行編碼實現(xiàn)，對待檢測視頻進行實驗