智能交通系统中车辆视频检测识别与跟踪方法研究分析Word文档下载推荐.docx
《智能交通系统中车辆视频检测识别与跟踪方法研究分析Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《智能交通系统中车辆视频检测识别与跟踪方法研究分析Word文档下载推荐.docx（83页珍藏版）》请在冰豆网上搜索。
矽／，哗角即日纠f年y月比日
摘要
随着科学的发展，技术的进步，智能视频监控系统在数字图像处理及计算机视觉领域中逐渐成为了一个核心课题。
而智能视频监控的目标检测与目标跟踪也成为智能视频监控系统的关键底层技术。
在很多领域，人们广范应用视频监控系统监视并持续跟踪所需要的运动目标。
本文以智能交通视频监控为应用背景，主要对视频运动车辆检测与跟踪方法进行分析和研究。
首先，在运动车辆检测方面，为了解决视频中运动车辆目标检测精度不够精确及容易受到阴影影响，在对三种典型的背景模型进行了分析的基础上，提出了一种基于混合高斯模型的运动车辆检测方法，该方法采用基于HSV颜色空间和高斯阴影模型方法进行阴影抑制，从而达到减少阴影干扰的影响。
其次，在运动车辆跟踪方面，本文针对跟踪问题的特点，分析了不同的跟踪模型与当前研究重点，结合现有的算法，提出了基于Camshiit的跟踪算法改进。
该算法主要是针对其在复杂背景下鲁棒性欠佳，能较好的跟踪目标而不产生漂移。
最后，利用OpenCV软件对智能视频运动车辆目标检测与跟踪算法进行编程实现，对程序实现结果进行分析。
对背景差分法、帧间差分法、三帧差分法进行实验比较，然后对三种运动车辆目标检测方法进行实现；
在车辆目标跟踪过程中则利用实验比较Meanshiit和Camshiit改进算法两种算法的不同，通过实验得出基于Camshiit算法改进算法能更好的对车辆进行跟踪而不产生车辆丢失或偏移问题。
关键词智能交通系统；
运动车辆检测；
运动车辆跟踪；
混合高斯模型；
MeanShiit
算法；
Camshiit算法；
河北科技大学硕士学位论文
Abstract
砌ththedevelopmentofthesocietyandtechnology,thedetectionandtrackingalgorithmofvideomotionobjectsisoneofcoretopicsinthefiddofcomputervision．It’Salsothekeyintelligenttechnologyofvideosurveillancesystem．Inmanyareas，itistheapplicationofwiderangeofvideosurveillancesystemtomonitorandkeeptrackofmovingtargetsneeded．Inthisthesis，inthebackgroundofintelligenttransportationvideosurveillanceapplication,itanalyzesandresearchesthemethodsforthemovingvehicletargetdetectionandtracking．First,inthemovingvehicletargetdetectionstudy,inordertosolvethevideomovingvehicletargetdetectionaccuracyandshadowinterference,itsimplyanalyzesthreetypicalbackgroundmodelandhasproposedaGaussianmixturemodelbasedonmovingtargetdetectionmethodinthemultiplemovingtargets．nlismethodadoptsGaussianmixtureshadowmodalmethodandHSVcolormodeltosuppressshadowofmovingvehicle．Secondly,intheresearchofthemovingvehicletracking,itanalyzesdifferentmodelsandcurrentresearchfocusonthetrackingproblem．Combined
谢mtheexistingalgorithm，thetrackingalgorithmbasedonM黜hiffimprovementsis
proposed．，nlisalgorithmismainlyrefertosolvethetrackingtargetcolorinterference，blobckingandotherissues．nethesisfinallyusedOpenCVsoftwaretoprogramtheintelligentvideovehicledetectionandtrackingalgorithmsandanalyzetheresultsofthe
programrealization．Andinthevehicletracking,softwaresimulationcomparisonbetweenthetraditionalmeanshifttrackingalgorithmandimprovedcamshiffalgorithmprovesthesuperiorityoftheimprovedalgorithm．
KeywordsIntelligentTransportationSystem（ITS）；
Movingvehicledetection；
Moving
vehicletracking：
GaussianMixtureModel；
MeanshiflAlgorithm，CamshiflAlgorithm
II
摘要I
AbstractII
第1章绪论·
1
1．1论文的研究背景和意义一1
1．2国内外的研究现状及发展趋势一1
1．3本文的研究内容和论文结构．．4
第2章视频图像相关理论7
2．1灰度图像·
·
7
2．2图像颜色空间·
2．2．1RGB颜色空间·
2．2．2HSV颜色空间·
8
2．3图像之间的转换·
9
2．3．1灰度图像二值化·
2．3．2图像的灰度转换·
2．4本章小结10
第3章运动目标检测与跟踪算法分析·
11
3．1视频中运动目标的检测11
3．1．1视频中运动目标检测的基本方法11
3．1．2基于单高斯背景模型的运动目标检测方法14
3．2视频中运动目标的跟踪15
3．2．1运动目标跟踪的常用方法15
3．2．2均值偏移算法17
3．3本章小结19
第4章运动车辆检测与跟踪算法改进．21
4．1基于混合高斯背景模型的车辆检测21
4．1．1像素模型的定义及参数的初始化21
4．1．2像素模型参数的更新22
4．1．3背景像素模型的建立23
4．2基于改进的混合高斯背景模型的车辆检测24
4．2．1疑似阴影模型立24
4．2．2混合高斯阴影模型24
TTI
4．2．3混合高斯阴影模型的算法流程26
4．2．4阴影抑制算法26
4．3基于CamShift的运动车辆目标跟踪算法·
27
4．3．1CamShift算法介绍27
4．3．2CamShifi算法颜色特征信息的提取28
4．3．3基于CamShiR算法的车辆跟踪实现·
29
4．4本章小结32
第5章算法编程实现及实验结果分析·
33
5．1运动车辆目标检测算法实现及结果分析pO．．．．·
5．1．1帧间差分法与三帧差分法的实现及结果对比分析33
5．1．2混合高斯模型和混合高斯阴影模型实现结果对比分析35
5．2运动车辆目标跟踪算法实现及结果分析39
5．2．1基于MeanShifi的车辆跟踪算法实现·
39
5．2．2基于CamShiR的车辆跟踪算法实现·
40
5．3本章小结41
结论·
43
参考文献·
45
攻读硕士学位期间所发表的论文49
致谢·
51
IV
能交通系统对交通运输业来说是一场新的革命。
自从20世纪50年代以来，世界上许多国家就开始研究智能交通系统。
在对智能交通系统（ITS）的研究和发展上许多国家投入了大量的人力和物力资源，并为成为了继航空航天、军事科技领域之后的高科技应用中最为热门的科研方向。
美国从20世纪中叶以来，就开始了对智能交通系统（ffS）的研究，所以目前美国在智能交通系统方面还是最有科研积累的，其技术也是最为先进的。
1991年开始，美国就开始花费大量金钱在智能交通系统（rrS）领域的研究，仅仅1994年到1995年期间就立项了超过100多项相关研究项目，并设置了专门组织和开始定制智能交通系统的研究和发展计划，到1997年，累计科研经费花销多达近8亿【3】。
在2001年，美国召开了一次智能交通系统领域专家科研讨论会，并确定了面向21世纪
智能交通系统的前十年规划发展的总体规划。
从20世纪70年代日本也开始了研究
和建设智能交通系统，并且组织了专门全国性研究机构来研究智能交通系统。
目前日本已经建立了一套较为完整的智能交通监控，控制和管理信息系统，国家地图绘制工作己基本完成覆盖【4】。
在欧洲，利用欧洲一体化的研究路线进行智能交通系统的研究和开发，研究和开发工程的资金由联合政府，企业和个人三个方面一起支付，对应科研经费支出高达90多亿美元，其中比较有名的项目包括DRIVE和
PROMETHEUS这两个项目。
另外，在软硬件结合方面，人们也对智能视频监控系
统进行了一定的研究。
例如，在1997年美国的国防高级研究项目署（D础）对于
居民生活场景以及军事领域中进行监控的技术进行了研究，带头的学校主要有卡内基梅隆大学、麻省理工学院等高校，这些高校联合开发的项目为VSAM（VisualSurveillanceAndMontoring），也就是所说的自动视频理解技术【5】；
在接下来的若干
年的视频监控体系发展中，欧洲联盟和雷丁大学以及法国INRIA等相关科研组织机
构，在2004年实行了基于机场的智能监控工程AVITRAC，这个工程主要用在机场停车场的区域目标跟踪和行为异常检测和报警等；
在2006年，在此基础上德州仪器（TI）改进了视频监控上问题，提出了新的改进方法，即主要结合智能视频软件套件将和达芬奇技术，同时借鉴了达芬奇技术的智能视频与编码器在对数字视频处理器上的高效实现，例如，视频分析，目标检测和报警违反规则等等【6】；
在生活中，交通事故的频繁发生，于是Tai等人对于此方面进行了视频监控系统的研究，使得监控系统对于车辆信息及其运行路线进行检测与跟踪【6J；
VISATRAM，全称为Visionsystemforautomatictrafficmonitoring，该系统能够对各个车道的车辆行为进行监控，以达到交通不堵塞的目的【71。
英国雷丁大学计算机学院的VIEWS工程项目组在对运动的车辆与行人的目标检测上已经有了进一步的探究和收获，这一研究项目的最终意义是用人工方法改变传统的视频监控，使监控系统能够自适应的进行检测与跟踪，并且对于某些反常行为能够进行自动报警，这样的改进能够提高监控系统的运
2
第l章绪论
行效率跟精确性[81。
据此项目研究人员介绍，研究组所开发的新技术主要使用比较平常的手段进行图像的识别，比如对车辆、行人等区别性目标的识别，识别的依据主要是根据不同物体说得倒的不同的运动目标轨迹等方面的相关信息数据。
相对于外国在这方面的发展，我国在ITS这个领域的探索比较迟才开始发展，
但是随着世界各个国家对ITS的进一步的重视和科研投入的与日俱增，从20世纪80年代以来，我国也开始提高了ITS的研究和发展的节奏。
一方面，在交通管理和道路交通监控系统领域，先进的技术项目在北京、上海、广州等一线大城市被陆陆续续的从美、日、欧洲等发达国家引进来【9】；
另一方面，国家科研部门和单位都加快自主研发的步伐，如国家科学组织实施的科学技术研究的国家计划“智能交通系统关键技术开发和示范工程”，国家科技相关组织研发的实时自适应城市交通控制系统HT-UTCS等。
中国科学研究所设计了一款交通监控原型系统Vstar（VisualSurveillancestar），整个Vstar系统的软硬件设备比较复杂，包括了计算机，数字摄像机，扬声器和交通场景仿真平台等【10】。
这个系统主要用于交通系统中，比如当车辆运行的过程中，此系统平台会将需要检测的运动车辆的运动信息都进行监控并整
合，上传到计算机处理系统上面，然后由系统中的物体定位和跟踪的程序对上传来的数据进行处理，把其转换为计算机语句并给出了相应信息的解释语句，如果被检测车辆的某些行为违反了程序中所制定的规则，则会将其结果送入语音合成系统，利用该系统进行语音提示【11】。
中科院研究所所研制的智能视频监控系统Vstar的主要优点有：
第一、可以对要检测的运动目标进行实时检测跟踪，并将其跟踪结果信息第一时间上传到系统平台上进行整合分析，将分析结果通过语音系统告知工作人员，以便工作人员能够作出及时的处理；
第二、因为该系统使用了世界最先进的机器语言和智能监控系统技术平台，其对运动目标的检测和跟踪的效率和准确性相比较其它系统都有很大程度上的提高【121。
在智能交通系统中，运动车辆的检测识别与跟踪是智能交通系统中的关键内容和核心技术。
近年来，视频图像的车辆检测和跟踪的被国内外学者进行了非常多的研究。
在运动车辆检测方面，比较常用的研究方法有帧间差分法、背景减除法和光流法等。
而在运动车辆跟踪方面，常用于运动目标的跟踪方法有基于运动目标特征
的、基于相似区域的、基于轮廓匹配的和基于模型比较的等这四种跟踪方法。
目前
在运动目标检测和跟踪技术方面，国内外学者和科研机构已经做了非常多的研究工作，如1978年，美国加州的喷气推进实验室（JPT）最先提出了基于电脑视觉技术进行运动车辆检测的方法【131，若干年后，美国明尼苏达大学的科研人员研发出了能投入实际道路使用的基于视频的车辆检测和跟踪系统；
1996年到1998年期间，美国DARPA（国防高级研究计划局）联合卡内基梅隆大学等著名大学和知名科技公司共同研制出了视频监视和监控系统VSAMtl4】；
中国模式识别国家重点实验室（中科院
3
自动化研究所）视觉监控小组，在前人的理论研究基础上，自主研发出了交通监控系统（VSTAR），实现了从运动车辆检测到跟踪以及运动目标的行为分析【l51。
综上所述，从目前的国内外研究现状发现，高效的车辆检测与跟踪技术是智能
交通系统能发进一步发展的核心和关键所在。
目前，基于交通视频的车辆检测和跟踪技术面临的难题主要在两方面：
车辆检测缺乏自适应性和车辆跟踪的可靠性和精度低。
总体来说，在车辆检测与跟踪系统方面，国外科研单位机构的理论研究起步早，体系比较完善，应用范围也比较成熟，而在国内，由于起步晚，所以在该领域还需要更多努力。
1．3本文的研究内容和论文结构
本论文主要基于目前运动车辆检测与跟踪算法的研究状况，对智能视频中运动车辆目标的检测与跟踪算法进行了研究，并在传统的运动车辆检测与跟踪的方法基础上做出一定的改进，对算法实现的准确性和效率有相应的提高。
本文主要研究视频车辆目标的检测与跟踪关键技术，在总结和分析现有的传统算法和关键技术的基础上，对视频车辆的检测与跟踪相关技术进行一定的改进和实现，并通过仿真实验验证算法的可用性和可靠性。
本论文使用VisualStudio2008结合OpenCV[16】开发库平台设计一个小型的视频运动目标检测与跟踪的实验，对交通视频上的车辆进行检
测与跟踪，比较各种检测方法的不同，得出相应的结果。
本论文主要针对摄像镜头相对静止状况下对运动车辆目标进行检测和跟踪。
系
统实验的大体过程是：
当运动目标进入监测区域的时候，首先通过目标检测算法进行目标筛选，挑出所需检测的目标，再通过视频图像分割技术，对场景进行前景点的选取，提取前景点后，对其进行特征提取并对运动目标区域进行判断，最后在得出的目标区域序列中建立相应的目标跟踪程序，以此获取目标运动路线。
其主要研究内容如下：
1）对现有的常用运动车辆目标检测算法进行概括和总结，常用的算法包括：
背景差分法，帧间差分法，光流法等；
对这三个算法进行比较，得出各自的优势、劣势以及应用范围，对其分类，实现方法进行讨论研究；
2）对现有的传统运动目标跟踪算法进行概括和总结，常用的算法类型包括：
基于模型的跟踪算法，基于特征的跟踪算法，基于区域的跟踪算法等等；
对这三类算法进行简单了解，然后对Meanshift算法㈣进行一定程度的讨论研究，提出算法的优势与劣势。
最后提出了改进Camshift算法【18】，在分析比较两者的优缺点的基础上，针对Camshift算法在复杂背景下鲁棒性欠佳，不能解决类目标颜色干扰，遮挡等问题，给出了相应的改进手段。
4
第1章绪论
在运动车辆检测方面，背景差分法比较常用于运动目标检测算法中，其方法优势在于：
该方法的原理和算法设计实现起来比较容易，在实际场景应用中，对阈值（后面章节会进行相应的介绍）范围进行选取，并在该范围内对运动目标进行算法处理，能够比较准确的得到运动目标的位置、大小等具体信息；
其劣势在于：
其适
应性比较差点，对场景中各因素的稳定性要求相对比较高，比如该场景中光线突然
发生变化，那么就会造成检测结果的或多或少的偏差，还有倘若检测目标长期处于静止或者过快运动的情况下，也会导致检测结果的精确性和准确性不够高；
根据该背景差分法的不足之处，提出了相应的改进算法，即基于混合高斯背景模型算法，从而提高目标检测的有效性和精确性。
在运动车辆跟踪方面，主要在经常使用的三种运动车辆目标跟踪方法基础上的MeanshiR算法的优势：
第一，该算法计算比较简单，对实时跟踪实现起来也比较简易；
第二，该算法容易在实现与其他算法结合应用方面有一定的优势，相对来说比较容易；
第三，对跟踪目标的稳定性要求比较低，不太容易受到影响。
缺点是：
第一，在模板更新算法上有一定的问题，没有较为合适的更新算法；
第二，在运动目标跟踪过程中，当目标的尺寸发生变化时，在容易产生跟踪偏移或者失败情况；
第三，由于该算法采用直方图建模的缘故，当前景点和背景点相似度比较高的时候，可能会产生一定的误差；
第四，当被跟踪车辆目标运动速度过快的时候，目标区域在相邻两帧内会出现没有交叉重叠的区域，这样一来，目标往往就收敛与背景中与目标颜色分布比较相近的物体，而不是被跟踪的车辆目标。
本文就其缺点提出了基于CamShift算法改进的算法，从而解决上述算法可能发生的相关问题。
3）介绍开源项目库OpenCV，该库主要应用在计算机视觉、模式识别和图像处理等方面，并结合VC++平台进行仿真编程实验，对文中的算法进行仿真实验演示，对实验结果进行分析，从而分析算法的有效性，实时性及鲁棒性等性能。
本文的各章节安排如下：
第1章为绪论部分。
主要介绍了面本课题的研究背景和意义。
总结和概括了国
内外智能交通车辆检测和跟踪应用的研究发展现状，然后对本文的主要内容做说明以及章节的编排。
第2章为视频图像相关理论知识部分。
主要介绍了视频图像处理的涉及到的图
像处理相关的理论知识与原理。
第3章为智能交通中视频运动目标检测和跟踪算法分析部分。
在运动目标检测方面，首先介绍三种常用算法，主要包括帧差法、光流法和背景差分法，然后分析其优缺点以及应用场景等。
在运动目标跟踪方面，首先介绍常用的目标跟踪方法，然后重点介绍均值偏移算法。
第4章为视频运动车辆检测与跟踪算法改进部分。
在车辆目标检测方面，基于
5
高斯模型算法，提出了改进的算法，主要就是基于阴影抑制的混合高斯模型算法，即介绍了在对阴影问题处理上的解决方案；
在车辆目标跟踪方面，提出了基于Carnshitt算法的改进算法，解决了在运动车辆颜色干扰问题。
第5章为仿真实验结果及分析部分。
对交通视频中运动车辆目标检测和跟踪改进算法在软件平台上进行模块演示设计，通过实验对比分析，从而得出实验结果图。
最后对本文的工作进行了归纳和总结，并指出课题研究中的存在的缺陷，并计
划了下一步将继续的研究工作。
6
第2章视频图像相关理论
图像是指人们用不同的手段和形式来从现实客观环境中获取到的，从而直接或者间接的作用于人的眼睛，最后在人看来说形成的视觉实体效果，是一种表现和传达图形图像信息的视觉体现形式。
一般图像的采集结果是采用数学形式的表示存在，比如样本阵列，所以图像一般用矩阵或数组来表示。
场景中的位置用每个元素的坐标来对于表示，每个元素的值代表场景点的对应的特征值。
视频图像帧序列的集合，它是根据时间变化而形成的一串图像序列。
显然，视频是数字图像在时间上的序列。
视频序列中的每个图像成为一个帧，通常的视频图像是按每秒三十帧到五十帧的速度进行的。
2．1灰度图像
从图像学上说，把只含有图像的亮度信息，不含有图像的颜色信息的图像称做灰度图。
为了便于区分，亮度分为0到255共256个级别，其中0表示最黑（全黑），255表示最白（全白）。
在数字图像中，基本都是先把其他的的样式或格式的图像转化为灰度图像，因为这样可以使得后续的计算大幅度减少复杂度。
灰色图像和彩色图像一样，仍然可以描述和反应整个图像或局部图像的亮度和色度分布等特征。
只存在黑白两种值的图像一般我们称做为二值图像，这种二值图像在视频图像处理中占据非常重要的作用，在图像处理中，二值图像化的最主要作用是寻找一个最为合适的阈值来区分前景对象和背景图像。
2．2图像颜色空间
颜色空间也称为彩色模型（或彩色系统），是对彩色通过某种形式进行规定或定义从而使得可以被人所能接受。
图
升级会员 