智能交通系統(tǒng)中運(yùn)動(dòng)目標(biāo)的自動(dòng)分析技術(shù)研究.pdf

1、智能交通系統(tǒng)(ITS)是一種融合多學(xué)科知識(shí)，集信息采集、處理、存儲(chǔ)與發(fā)布為一體，實(shí)時(shí)服務(wù)于交通運(yùn)輸與管理，極具應(yīng)用前景的智能系統(tǒng)。隨著視頻監(jiān)控系統(tǒng)的普及和視頻圖像處理技術(shù)的進(jìn)步，以視頻圖像處理為基礎(chǔ)的ITS應(yīng)用研究越來(lái)越受到重視。為使ITS更加智能實(shí)用，能處理諸如事故信息判斷、車輛分類、交通流參數(shù)檢測(cè)、運(yùn)動(dòng)目標(biāo)跟蹤等各種問(wèn)題，交通視頻圖像處理的算法研究具有重要的現(xiàn)實(shí)意義和理論價(jià)值。
　　本文以交通視頻中運(yùn)動(dòng)目標(biāo)為研究對(duì)象，重點(diǎn)開(kāi)展

2、視頻和圖像處理算法研究。研究?jī)?nèi)容包含運(yùn)動(dòng)目標(biāo)的檢測(cè)、提取、識(shí)別、跟蹤以及交通流參數(shù)的計(jì)算與分析等，為ITS的智能化提供技術(shù)支持。主要內(nèi)容包括以下幾個(gè)方面：
　　結(jié)合運(yùn)動(dòng)檢測(cè)法和圖像分割法，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行提取。針對(duì)交通視頻復(fù)雜多變的特征，在討論正交Gaussian Hermite矩(Orthogonal Gaussian Hermite Moments，OGHM)運(yùn)動(dòng)目標(biāo)檢測(cè)的基礎(chǔ)上，通過(guò)建立Markov模型，對(duì)交通視頻中的單幀圖像

3、進(jìn)行分割；為了優(yōu)化算法、降低時(shí)間復(fù)雜度，引入Graph Cuts法進(jìn)行加速；為提高運(yùn)動(dòng)目標(biāo)提取的智能化水平，提出了種子像素?cái)U(kuò)展法，實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)的自動(dòng)提取。
　　以O(shè)GHM法、形態(tài)學(xué)、距離圖像求解和閾值分割等方法為基礎(chǔ)，結(jié)合Matting算法中的Graph Cuts和全局優(yōu)化算法，提出了一種基于自動(dòng)生成Scribbles的運(yùn)動(dòng)目標(biāo)自動(dòng)提取方法。由于對(duì)前景和背景部分都分別給予了描繪，運(yùn)動(dòng)目標(biāo)提取的效果有明顯改進(jìn)。通過(guò)實(shí)驗(yàn)，比較了GC

4、算法與全局優(yōu)化算法的區(qū)別，分析了自動(dòng)生成Scribbles時(shí)參數(shù)不同對(duì)結(jié)果的影響。實(shí)驗(yàn)結(jié)果表明，該運(yùn)動(dòng)目標(biāo)提取算法能有效降低復(fù)雜背景的干擾，且比前一個(gè)算法的效果要更好。
　　為提高對(duì)目標(biāo)多樣性和復(fù)雜性的適應(yīng)能力，本文提出了基于自適應(yīng)綜合特征的目標(biāo)識(shí)別與匹配算法。首先選擇顏色、邊緣和矩作為單一特征來(lái)描述目標(biāo)，提取目標(biāo)的HSI顏色直方圖向量、邊緣直方圖向量和HU不變矩向量，再以圖像距離為相似性度量，隨機(jī)區(qū)域加權(quán)估計(jì)為搜索策略，構(gòu)建目標(biāo)

5、匹配模型。其中，每個(gè)單一特征的權(quán)值可根據(jù)單一特征的匹配結(jié)果動(dòng)態(tài)調(diào)整。實(shí)驗(yàn)證明，綜合特征匹配的效果要好于單一特征匹配的效果。
　　以粒子濾波理論為基礎(chǔ)，配合本文提出的目標(biāo)識(shí)別與匹配算法，提出了以二階常數(shù)模型為運(yùn)動(dòng)模型、自適應(yīng)綜合特征模型為觀測(cè)模型的運(yùn)動(dòng)目標(biāo)跟蹤方法。其中，觀測(cè)模型中的各單一特征似然函數(shù)的方差和權(quán)重均能夠根據(jù)前一幀的跟蹤結(jié)果實(shí)時(shí)更新，實(shí)現(xiàn)觀測(cè)模型的自適應(yīng)性，從而提高了運(yùn)動(dòng)目標(biāo)跟蹤的準(zhǔn)確性。
　　搭建了交通流的測(cè)試