《低空对地运动车辆检测与运动特性分析》由会员分享，可在线阅读，更多相关《低空对地运动车辆检测与运动特性分析（75页珍藏版）》请在金锄头文库上搜索。
1、中国科学技术大学 硕士学位论文 低空对地运动车辆检测与运动特性分析 姓名：吴长侠 申请学位级别：硕士 专业：计算机应用技术 指导教师：曹先彬 2011-04 摘 要 I 摘摘 要要 空对地视频交通监控以其直观、方便和价格低廉等特点，日益受到智能交 通领域研究者的高度重视。其核心在于使用安装在无人机等浮空平台上的摄像 机感知交通场景，通过关键技术的研发，检测出地面运动车辆等交通对象，并 估计它们的运动状况，从而达到智能化道路交通管理、减少交通事故的目的。 显然，低空对地运动车辆检测是一个动态视觉监控系统，与一般的静态视频监 控相比，检测平台和检测对象的动态性、场景的实时变化性，都使得低空对地 运
2、动车辆的检测与运动特性分析成为目前公认的一个技术难题。 本文针对低空对地运动车辆视觉监控中出现的技术难题，首先提出了一种 新的运动车辆特征表示与提取方法 bLPS-HOG；然后利用线性 SVM 分类来实现 对运动车辆的高效检测；最后提出了基于颜色和空间相似度计算的运动分析方 法，在检测出运动车辆的基础上得到运动车辆的运动轨迹。 本文完成的具体工作主要分为如下三个方面： 1) 针对低空平台的高动态特性导致运动车辆有效特征难以提取的问题， 提出了 一种针对运动车辆的新的特征表示与提取方法 bLPS-HOG。 该方法首先利用 局部采样和金字塔采样，针对不同大小的特征块计算得到象素梯度值，并通 过直方
3、图统计方法得到每个方向块值； 然后将每个方向块对应值表示成一个 弱分类器；最后针对每个特征块训练得到一个强分类器，这个强分类器的输 出结果即为对应的 bLPS-HOG 特征值。 该方法能有效获得车辆的局部和全局 特征信息，达到更好的检测性能。 2) 针对空对地平台下用于运动车辆检测的样本相对有限的情况，采用线性 SVM 方法进行运动车辆的分类。将提取的 bLPS-HOG 特征值作为 SVM 的 特征向量，利用训练得到的 SVM 分类器进行运动车辆检测。该分类方法能 在计算量较小的情况下有效地检测出运动车辆。 3) 针对城市交通环境下车辆运动特性难以准确获取的问题， 提出了一种基于颜 色和空间相
4、似度的运动分析方法。该方法在运动车辆检测结果的基础上，通 过计算连续两帧里检测窗口的 HSV 颜色直方图和空间相似度，获得同一运 动车辆在不同帧里的位置信息，从而获得车辆的运动轨迹，并进一步提高检 摘 要 II 测效果。 关键词：关键词： 低空对地运动车辆检测，bLPS-HOG 特征，线性 SVM，城市交通 目 录 III ABSTRACT Airborne traffic surveillance is becoming more and more important in researchers work of intelligent transportation field, since
5、 its intuitive, convenient and low price. The key part is using the cameras installed in the unmanned aerial vehicles to percepte the traffic scene. In the other hand, the key technologies are developped and used to detect moving vehicles. The movement of the vehicles is estimate, thus the intellige
6、nt traffic management is achieved and the traffic accident is reduced. Apparently, the vehicle detection is a dynamic visual surveillance system. Compared to statical system, the platform and the objects are all moving, and the scence is changing. Thus, the moving vehicle detection and motion analys
7、is is a difficult problem. In this paper, for the problems in the airborne intelligent traffic monitoring system, the linear SVM classification based on bLPS-HOG ( boosting Loacal and Pyramid Sampling Histogram of Oriented Gradients) is proposed for vehicle detection. The color and spatial similarit
8、y is proposed for motion analysis, to obtain the vehicle trajectory. The work in this paper is divided into three points: 1) The effective features of the moving vehicles are difficult to extract, due the dynamic characteristics of low-altitude airborne platform. The bLPS-HOG feature extraction meth
9、od is proposed. First, the local and pyramid sampling is used to get the gradiens of the pixels for blolcks of different size. Then, each gradien value is expressed by a weak calssifier. A strong classifer is trained in every block. The output of the strong classifer is the bLPS-HOG eigenvalue. 2) I
10、n the airborne vehicle detection, the samples are limited, therefore, a linear SVM method is used for the classification of moving vehicles. The bLPS-HOG feature value is the feature vector of the SVM classifier. The trained SVM classifier is used for vehicle detection, and this method can detect ve
11、hicles effectively in low computation cost. 3) The movion analysis is difficult in urban traffic environment. The similarity 目 录 IV motion analysis method is proposed. In this method, the corresponding vehicles in different frames are obtained from computing the HSV color hisgoram and spatial simila
12、rity of the detection window. The location of the vehicles in different frame is obtained, thus we get the trajectory of the moving vehicles and the detection results are further improved. Key Words: airborne vehicle detection, bLPS-HOG feature, linear SVM, urban traffic 图索引 64 图索引图索引 图1. 1空对地拍摄视频图像
13、1 图1. 2静态摄像头拍摄视频示意图3 图2. 1运动车辆检测的结构图8 图2. 2对象检测框架9 图2. 3空对地单光学摄像头示意图12 图2. 4空对地 3K 摄像头示意图12 图2. 5 图像配准示意图.13 图2. 6 图像差分法示意图.15 图2. 7 Haar 特征示意图18 图2. 8 SIFT 特征示意图18 图3. 1 HOG 特征示意图23 图3. 2 HOG 特征计算流程图24 图3. 3 HOG 特征的局部采样26 图3. 4金字塔采样示意图28 图3. 5 bLPS-HOG 示意图32 图3. 6 SVM 分类器流程图.33 图4. 1不同帧里的对应车辆38 图4.
14、 2 图像划分成区域示意图.40 图4. 3 获取特征点结果示意图.41 图4. 4配准拼接结果示意图42 图4. 5车辆运动特性示意图43 图4. 6车辆运动特性分析伪代码44 图4. 7 配准帧里的运动车辆轨迹.45 图5. 1 检测结果标记示意图.47 图5. 2运动车辆检测流程结构47 图5. 3 （a)(b)城市交通场景检测结果.48 图5. 4 正负样本的部分代表例子.49 图索引 65 图5. 5不同迭代次数下检测结果51 图5. 6不同方向块数对应的 F-measure 值的变化52 图5. 7 三种方法对比.54 表索引 66 表索引表索引 表2. 1检测率和误报率的定义10
15、 表2. 2各种传感器的特点11 表5. 1 线性 SVM 分类器的性能.50 表5. 2 与其他五种方法的对比结果53 表5. 3 四种方法跟踪性能对比.55 中国科学技术大学学位论文原创性声明 本人声明所呈交的学位论文,是本人在导师指导下进行研究工作所取得的 成果。除已特别加以标注和致谢的地方外，论文中不包含任何他人已经发表或 撰写过的研究成果。与我一同工作的同志对本研究所做的贡献均已在论文中作 了明确的说明。 作者签名：_ 签字日期：_ 中国科学技术大学学位论文授权使用声明 作为申请学位的条件之一，学位论文著作权拥有者授权中国科学技术大学 拥有学位论文的部分使用权，即：学校有权按有关规定
16、向国家有关部门或机构 送交论文的复印件和电子版，允许论文被查阅和借阅，可以将学位论文编入有 关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论 文。本人提交的电子文档的内容和纸质论文的内容相一致。 保密的学位论文在解密后也遵守此规定。 公开 保密（_年） 作者签名：_ 导师签名：_ 签字日期：_ 签字日期：_ 第 1 章 引言 1 第一章第一章 引言 引言 1.1 研究背景 随着现今社会经济的快速发展，汽车的数量有了明显的增加，导致了城市 里道路交通状况日益恶化，车辆阻塞状况较为严重，交通事故发生量逐年增加， 从而引起人身安全、环境污染、经济损失等一系列问题，严重影响了人们的生 活。因此，为了维持城市人们生活的秩序，降低交通事故的发生，空对地智能 交通监控成为现今国内外研究者关注的一个热门课题。 低空对地车辆监控系统， 是指采用各种传感器， 由无人驾驶飞机 （Unma
