基于交通監(jiān)控視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究.pdf

1、基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要研究方向,在安防監(jiān)控、智能交通、機(jī)器視覺導(dǎo)航等諸多領(lǐng)域有著廣闊的應(yīng)用前景。就智能交通領(lǐng)域而言,交通監(jiān)控視頻提供了廣域場(chǎng)景下的實(shí)時(shí)路面交通信息,通過對(duì)監(jiān)控場(chǎng)景內(nèi)運(yùn)動(dòng)目標(biāo)的檢測(cè)、跟蹤及識(shí)別分析處理,可以獲取如車流量、車速、道路通行能力等交通信息,為交通調(diào)度、誘導(dǎo)、信號(hào)配時(shí)提供科學(xué)的決策參考,從而使城市交通路網(wǎng)高效、安全的運(yùn)行。
　　 本論文以單路口交通監(jiān)控視頻為研究對(duì)象,深入研究

2、了攝像機(jī)靜止情形下交通監(jiān)控視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤問題。論文的主要內(nèi)容及成果概括如下:
　　 (1)研究了靜態(tài)單攝像機(jī)拍攝的視頻序列的背景建模問題,引入了一種基于影響因素描述的背景模型,利用Mean Shift算法搜索視頻序列像素潛在分布的局部極值獲取理想的背景。該模型對(duì)環(huán)境的噪聲、攝像機(jī)抖動(dòng)等干擾因素具有魯棒性,能從包含混亂運(yùn)動(dòng)目標(biāo)的視頻序列中提取出清晰的視頻背景,效果優(yōu)于常用的均值濾波法及混合高斯模型。
　　 (2)

3、分析了IIR濾波背景更新算法在應(yīng)用中可能存在背景失效的不足,提出了一種基于雙幀填補(bǔ)法的背景更新方法,改進(jìn)了IIR濾波法不能反映真實(shí)的監(jiān)控場(chǎng)景的缺陷。同時(shí),考慮到實(shí)際監(jiān)控應(yīng)用中對(duì)算法的實(shí)時(shí)性和魯棒性需求,結(jié)合所述幾種算法的優(yōu)缺點(diǎn),論述了基于時(shí)間區(qū)段劃分綜合運(yùn)用多種算法的背景更新策略。
　　 (3)針對(duì)采用圖像最大熵閾值進(jìn)行目標(biāo)分割計(jì)算量較大、實(shí)時(shí)性不好的問題,提出了一種基于量化線性壓縮圖像灰度的計(jì)算方法,并直接對(duì)壓縮灰度后的圖像進(jìn)

4、行目標(biāo)分割,實(shí)驗(yàn)表明目標(biāo)分割效果不受影響,有效減少了算法的計(jì)算量,提高了算法的實(shí)時(shí)性。
　　 (4)在目標(biāo)跟蹤階段,采用灰色預(yù)測(cè)與目標(biāo)多特征匹配相結(jié)合的方法進(jìn)行目標(biāo)跟蹤。通過獲取前幾幀目標(biāo)的位置數(shù)據(jù)建立灰色預(yù)測(cè)模型,預(yù)測(cè)目標(biāo)在下一幀中的位置,減少目標(biāo)匹配的搜索區(qū)域。針對(duì)灰色預(yù)測(cè)模型存在的預(yù)測(cè)偏差和不穩(wěn)定性缺陷,引入了馬爾可夫隨機(jī)過程理論對(duì)原模型預(yù)測(cè)值進(jìn)行殘差修正,提高了預(yù)測(cè)精度。然后通過提取目標(biāo)的局部角點(diǎn)及部分全局特征進(jìn)行特征匹