基于視頻的運動車輛檢測與跟蹤方法研究及軟件設(shè)計.pdf

1、交通檢測是智能交通系統(tǒng)中最基礎(chǔ)的一步，從視頻序列中準(zhǔn)確地檢測出車輛目標(biāo)物是交通檢測的一個重要研究內(nèi)容，也是智能交通領(lǐng)域和計算機視覺領(lǐng)域的一個研究熱點。
　　目前已提出若干運動檢測方法，最為典型和常用的方法包括光流法、幀間差分法和背景減除法等。基于高斯混合背景模型的背景減除法是進(jìn)行運動車輛檢測的常用方法之一，它是多個單高斯模型的組合。單高斯模型描述的背景模型單一，不能很好地描述背景中存在的擾動，特別當(dāng)背景光照等環(huán)境因素發(fā)生改變時，單

2、高斯模型難以適應(yīng)這些改變。高斯混合模型雖然能適應(yīng)緩慢變化的光照，但對于突變性的光照變化卻不能很好的適應(yīng)。本文針對突變的光照對高斯混合模型影響進(jìn)行了探討，并研究了基于HSV顏色模型的高斯混合改進(jìn)算法。
　　當(dāng)光照發(fā)生突變時，背景更新速率設(shè)置的不合適導(dǎo)致突變的光照也被誤認(rèn)為前景，背景不能及時地更新，致使整個圖像的像素值在短時間內(nèi)發(fā)生大幅度的變化，前景結(jié)果出現(xiàn)大量虛假目標(biāo)。由于光照突變可認(rèn)為僅影響了HSV顏色模型中的V分量，而對H和S分

3、量沒有明顯影響，因此本文采用V分量改變的平均值的VPα作為判斷發(fā)生光照突變的判定標(biāo)準(zhǔn)；根據(jù)VPα的大小把光照突變分為較小波動、較大波動和嚴(yán)重突變等三種情況。在較小波動時，只對背景模型進(jìn)行更新；在較大波動時，增加背景模型的更新率，再更新背景模型；在嚴(yán)重突變時，首先對該幀圖像的V分量根據(jù)光照變化進(jìn)行整體上的增加或減少，而保持H和S分量不變，在將修改過的圖像轉(zhuǎn)換回RGB顏色數(shù)據(jù)，以避免由于整幅圖像光照情況的強烈改變而造成的RGB數(shù)據(jù)的強烈改變

4、，從而避免由于背景未及時跟上光照改變而造成大量背景區(qū)域被誤判為運動目標(biāo)的情況。實驗結(jié)果表明了算法的有效性。
　　論文介紹Kalman濾波的跟蹤方法和Mean-shift目標(biāo)匹配算法，以及通過兩者的結(jié)合來完成目標(biāo)跟蹤的方法并予以實現(xiàn)。論文對視頻中運動車輛檢測與跟蹤軟件進(jìn)行了設(shè)計，并利用OpenCV圖像庫在Visual C++2008中進(jìn)行了軟件的實現(xiàn)。該軟件不僅能演示原始視頻及檢測與跟蹤的視頻結(jié)果，而且提供了若干檢測與跟蹤算法，包括