学位论文 > 优秀研究生学位论文题录展示

基于交通监控视频的运动目标检测与跟踪算法研究

作　者: 何云
导　师: 许建龙
学　校: 浙江理工大学
专　业: 信号与信息处理
关键词: 运动检测背景建模背景更新目标分割灰色马尔可夫模型
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 83次
引　用: 0次
阅　读: 论文下载

内容摘要

基于视频的运动目标检测与跟踪是计算机视觉领域的一个重要研究方向,在安防监控、智能交通、机器视觉导航等诸多领域有着广阔的应用前景。就智能交通领域而言,交通监控视频提供了广域场景下的实时路面交通信息,通过对监控场景内运动目标的检测、跟踪及识别分析处理,可以获取如车流量、车速、道路通行能力等交通信息,为交通调度、诱导、信号配时提供科学的决策参考,从而使城市交通路网高效、安全的运行。本论文以单路口交通监控视频为研究对象,深入研究了摄像机静止情形下交通监控视频的运动目标检测与跟踪问题。论文的主要内容及成果概括如下:(1)研究了静态单摄像机拍摄的视频序列的背景建模问题,引入了一种基于影响因素描述的背景模型,利用Mean Shift算法搜索视频序列像素潜在分布的局部极值获取理想的背景。该模型对环境的噪声、摄像机抖动等干扰因素具有鲁棒性,能从包含混乱运动目标的视频序列中提取出清晰的视频背景,效果优于常用的均值滤波法及混合高斯模型。(2)分析了IIR滤波背景更新算法在应用中可能存在背景失效的不足,提出了一种基于双帧填补法的背景更新方法,改进了IIR滤波法不能反映真实的监控场景的缺陷。同时,考虑到实际监控应用中对算法的实时性和鲁棒性需求,结合所述几种算法的优缺点,论述了基于时间区段划分综合运用多种算法的背景更新策略。(3)针对采用图像最大熵阈值进行目标分割计算量较大、实时性不好的问题,提出了一种基于量化线性压缩图像灰度的计算方法,并直接对压缩灰度后的图像进行目标分割,实验表明目标分割效果不受影响,有效减少了算法的计算量,提高了算法的实时性。(4)在目标跟踪阶段,采用灰色预测与目标多特征匹配相结合的方法进行目标跟踪。通过获取前几帧目标的位置数据建立灰色预测模型,预测目标在下一帧中的位置,减少目标匹配的搜索区域。针对灰色预测模型存在的预测偏差和不稳定性缺陷,引入了马尔可夫随机过程理论对原模型预测值进行残差修正,提高了预测精度。然后通过提取目标的局部角点及部分全局特征进行特征匹配运算,能有效实现交通监控场景中的运动目标跟踪。论文对摄像机静止情形下交通监控视频的运动目标检测与跟踪课题进行了研究,具体讨论了背景建模、背景更新、目标分割、预测跟踪等几方面问题,提出了有效的解决方案。在此基础上,利用OpenCV提供的目标跟踪框架实现了一个运动目标检测与跟踪系统,能有效实现车辆目标检测和跟踪。

全文目录

摘要  4-5
ABSTRACT  5-10
第一章绪论  10-17
  1.1 本课题的研究背景及意义  10-11
  1.2 课题相关领域的研究现状  11-15
    1.2.1 智能交通系统发展的国内外现状  11-12
    1.2.2 运动目标检测与跟踪的研究现状  12-15
      1.2.2.1 运动目标检测  12-13
      1.2.2.2 运动目标跟踪  13-14
      1.2.2.3 存在的主要问题  14-15
  1.3 本文的主要创新点及结构安排  15-17
    1.3.1 本文的主要创新点  15-16
    1.3.2 本文的章节安排  16-17
第二章运动目标检测算法介绍  17-28
  2.1 运动目标检测算法  17-22
    2.1.1 光流法  17-18
    2.1.2 帧间差分法  18-19
    2.1.3 背景减除法  19-20
    2.1.4 AdaBoost 算法  20-21
    2.1.5 本文选用算法  21-22
  2.2 典型的背景建模算法  22-27
    2.2.1 均值滤波法  22-23
    2.2.2 基于参数密度估计的背景建模  23-25
    2.2.3 基于非参数密度估计的背景建模  25-27
  2.3 本章小结  27-28
第三章本文运动目标检测策略  28-52
  3.1 背景建模算法  28-36
    3.1.1 ECD 背景建模算法原理  28-31
    3.1.2 ECD 背景建模算法实现  31-36
      3.1.2.1 Mean Shift 算法介绍  31-34
      3.1.2.2 ECD 建模的具体求解  34-36
  3.2 背景更新算法  36-41
    3.2.1 IIR 背景更新算法介绍  36-38
    3.2.2 改进IIR 背景更新算法  38-41
    3.2.3 背景更新算法的选择策略  41
  3.3 图像分割算法  41-45
    3.3.1 KSW 熵阈值分割算法原理  41-42
    3.3.2 改进的KSW 熵阈值分割  42-45
  3.4 阴影检测及形态学处理  45-48
    3.4.1 阴影检测与消除  45-47
    3.4.2 图像形态学处理  47-48
  3.5 目标外接矩形提取  48-49
  3.6 运动目标检测算法实验结果  49-50
  3.7 本章小结  50-52
第四章运动目标跟踪算法研究  52-69
  4.1 视频跟踪理论概述  52-57
    4.1.1 两大理论框架  52-53
    4.1.2 常用跟踪算法  53-56
      4.1.2.1 Mean Shift 跟踪算法  53-55
      4.1.2.2 Kalman 滤波跟踪算法  55-56
    4.1.3 本文跟踪思路  56-57
  4.2 基于灰色预测模型的目标预测  57-60
    4.2.1 GM(1,1)预测模型  57-58
    4.2.2 改进的GM(1,1)预测模型  58-60
  4.3 目标的多特征匹配跟踪  60-65
    4.3.1 跟踪区域设置  60-61
    4.3.2 目标特征匹配  61-64
      4.3.2.1 角点特征匹配  61-63
      4.3.2.2 全局特征匹配  63-64
    4.3.3 匹配实验结果  64-65
  4.4 基于视频的交通参数的获取  65-66
    4.4.1 车流量  65-66
    4.4.2 车辆速度  66
    4.4.3 车辆运行轨迹  66
  4.5 运动目标跟踪算法实验结果  66-68
  4.6 本章小结  68-69
第五章系统设计与实现  69-78
  5.1 系统硬件设备与软件开发平台  69-70
    5.1.1 系统硬件平台  69-70
    5.1.2 软件开发平台  70
  5.2 OPENCV 目标跟踪框架介绍  70-77
    5.2.1 前景检测模块  70-71
    5.2.2 新团块检测模块  71
    5.2.3 团块跟踪模块  71-72
    5.2.4 轨迹生成模块  72-73
    5.2.5 轨迹后处理模块  73-74
    5.2.6 跟踪流程处理模块  74-75
    5.2.7 自定义功能模块添加  75-77
      5.2.7.1 自定义运动检测模块  75
      5.2.7.2 自定义运动跟踪模块  75-76
      5.2.7.3 软件运行界面  76-77
  5.3 本章小结  77-78
第六章全文总结与展望  78-80
  6.1 论文工作总结  78
  6.2 下一步研究展望  78-80
参考文献  80-86
致谢  86-87
攻读学位期间的研究成果  87

基于交通监控视频的运动目标检测与跟踪算法研究

内容摘要

全文目录

相似论文