图像处理的车辆检测与跟踪方法综述

《图像处理的车辆检测与跟踪方法综述》由会员分享，可在线阅读，更多相关《图像处理的车辆检测与跟踪方法综述（6页珍藏版）》请在金锄头文库上搜索。

1、收稿日期：!“#$“%$ ?6 6A6A8:; B;C 2DBE8;F 26=;8GH6I JBI6C :; 6II8;F 8; 1;A6?8F6;A 2DB;IL:DABA8:; 3MIA6NIO-4P 3=6;F$;B;F$M8.,).)B? ADBUU8 C6A6A:DI，A=6 78C6: I6;I:D =BI ?:AI :U BC7B;ABF6I IH= BI UBIA D6IL:;I6，6BIM 8;$ IAB?BA8:; B;C NB8;A6;B;6， A=6 BV8?8AM A: N:;8A:D 98C6 BD6BI B;C :VAB8; N:D6 E8;CI :U ADBUU

2、8 LBDBN6A6DI， B;C BI B D6IH?A， 8A =BI V66; 98C6?M HI6C 8; 1;A6?8F6;A 2DBUU8 3MIA6N （123）8; D66;A M6BDI/ RL A: ;:9，B ;HNV6D :U 78C6: LD:6II8;F B;C B;B?MW8;F N6A=:CI =B76 V66; LD:L:I6C U:D 76=8?6 C6A6A8:; B;C ADBE8;F/ 1; A=8I LBL6D，76=8?6 C6A6A8:; B;C ADBE8;F A6=;8GH6I BD6 8;AD:CH6C B;C BA6F:D8W6C VBI

3、6C :; A=68D E6M LD:6II8;F A6=;8GH6I（U6BAHD6，BD6B :D N:C6?）B;C LD:6II8;F C:NB8;（ILBA8B? :D A6NL:DB?） ，A=6 BC7B;ABF6I B;C C8IBC7B;ABF6 :U 6B= N6A=:C BD6 B?I: B;B?MW6C/ -CC8A8:;B?M，A=6 LD:V?6NI A=BA IA8? 6X8IA B;C A=6 AD6;C :U A=6 D6I6BD= 8; A=8I U86?C 8; A=6 UHAHD6 BD6 8;C8BA6C/ ()* +,%-：1;A6?8F6;A 2D

4、B;IL:DABA8:; 3MIA6NI （123） ；2DBUU8 S:;8A:D8;F 3MIA6NI；?6 6A6A8:;；?6 2DBE8;F!“ 引言智能交通系统 （123） 是将先进的信息技术、 数据通信传输技术、 电子传感技术、 电子控制技术及计算机处理技术等有效地集成运用于整个交通管理而建立的一种在大范围内、 全方位发挥作用的、 实时、 准确、 高效的综合交通运输管理系统3， 这主要是由视频图像的特点决定的。对2(8 的提取主要有帧差法、 背景差法和非监督分割法等几类方法。!E6F 随机场的连续帧图像间的差值统计量来描述帧间差异。!A03 -F3;A45%4） 法!#和选择更新

5、 （K3L3M:5F3 NOBA:5%4） 法!/。最简单的多帧平均法是直接将前面若干输入图像的平均值作为当前背景。文献 !# 采用如下方式更新背景：%()H * %() =!P （! = *）$() =!， C Q * Q! 且 * H + ,（+ P!） （!）其中， %()为当前更新的背景， %() =!是前一帧背景， $() =!为上一幅场景图像， + 为一整数， * 是指更新率。* 越趋向 !， 新背景就越接近于上一幅背景。多帧平均法的缺点在于对场景改变过于敏感性， 而这种改变并不总是由车辆运动引起的， 同时 *的正确取值也是个难题。选择更新法的基本思想是只将没有检测到运动的区域即真

6、正的背景进行更新。文献 DD 在背景更新前， 先逐像素判断相邻两幅图像的差值， 如果小于一个阈值， 则说明在这个像素位置没有检测到车辆， 可进行背景更新操作。这种方法依赖于阈值的选取， 如果阈值选择不合理， 背景图像将很快变得不可用。文献 ! 在选择更新背景前进一步加入了背景调整步骤， 即首先计算当前帧和上帧图像间的平均灰度之差， 若差值大于设定阈值， 则认为当前帧的平均灰度发生突变， 就要在背景图像上逐像素加上此差值。基于背景差的车辆检测的准确性很大程度上依赖于背景图像的可靠性。总的来说， 背景差法对环境光线的变化非常敏感， 背景图像需不断地被更新以迎合环境光线、 阴影和天气的变化等， 因而

7、背景更新中的误差累计是影响背景差法精度的重要因素。C!计算机应用研究DCC/ 年!“#$ 非监督视频分割法非监督视频分割法就是在不需要人为操作的情况下自动将视频序列图像分割为代表不同物体的连通区域的技术， 因而也可以运用到基于视频的车辆检测中。!% #% %“*- 7.1， 其基本思想是假设已知待分割图像中物体的类别 （这在交通检测中是可行的， 一般交通场景中包含车辆和道路两种类别） ， 用给定模型描述类别， 在给定光流数据的条件下， 迭代搜索分割标记的最大后验概率， 使得当前分割与期望分割符合的程度最大， 得到最优的分割结果。在 67879 法中， 一个给定的类别描述决定了一种分割情况。类似

8、的， 一个给定的分割也产生一个类别描述， 所以分割和类别参数必须同步估计。67879 法中第一帧图像的初始划分是随机的， 然后迭代寻找最大后验概率来进行分割。由于视频图像序列的连续性， 可以利用前一帧分割的结果作为当前帧图像的初始分割来减少计算量。为了进一步减少计算的开销，文献 -+“;.$A%.-# 6B*.C 先找出一个阈值平面 （?DG 提出了用于背景差图像二值化的考虑形状分解的局部阈值法。这种方法可以分解出重叠的车辆。图 是这种方法的一个实例， 图中横坐标是递减的多重阈值， 纵坐标为比值， 对应致密度! 和区域变化率 “。在不同的阈值层次下首先显示出来的是 种子区域， 即有可能是车辆的

9、区域。令 #!表示第 ! 个可能是车辆的种子区域， $!%表示以 #!为种子在第 % 个阈值时的区域，一系列的阈值层次的区域变化率定义为 “!%H $! （% I 所示， 它先在整幅图中寻找左上角模式 （图 ; （%） ） ， 对每一个检测到的左上角寻找与之相匹配的左下角 （图 ; （?- 变换来提取车辆轮廓线， 并用形态学方法来恢复轻微断裂的轮廓。!“$# 时域运动估计法这种车辆检测方法的核心思想是通过时域的运动估计跟踪图像序列中的运动物体来提高分割的准确性， 将车辆跟踪过程和图像分割过程结合起来， 进而减少计算复杂度， 提高系统的实时处理能力。它综合考虑了空域和时域信息。在匹配不同图像帧中

10、表示同一车辆的运动块的过程中， 可以得到被跟踪车辆在 中， 车辆检测是将摄像头实时拍摄到的视频图像传输到交通管理中心进行处理分析， 直接传输数据量巨大的视频图像是不经济也不现实的， 所以如何有效地压缩交通视频图像有着非常重要的意义。当前交通检测系统中检测到的车流量数据并没有与数据库相关联， 现有的检测系统无法为 9:; 提供有组织的、 非监督的、 可方便存取的多媒体数据信息， 而利用多媒体数据挖掘技术2.， $“就可以从车流量数据中发现一些重要且之前未知的知识， 这些知识可以帮助 9:; 更好地进行决策。参考文献：. (? A(B,7BC+ G)BC7)： A8 98BC66=DC8B :H8

11、)I,HB* B=,8 ;G)BC7 -,H BEC JCKB LC8B(HG M 9NNN 98BCH8B=,86 ;G7I,)=(7 ,8 98+()BH=6 N6COBH,8=O)， .#1，（.） ： .*$ 2 ?，（） ： ?A;?B( C ?(CM;MJ( M 郁梅， 蒋刚毅( 智能交通系统中的计算机视觉技术应用 ， NB （A） ： A;AN( B “ :$O$40)4+2( P+K0 5031)1( :$O$40)4+2 “$)%1（=K） ?， J! （J） ： MA;MC( Q34R+$34 SG$34， T+G34 U34， !“ #$(“E+34 VWR0,12,01

12、1+E0 P+K0 -)$701 I ( :),00K+341 * 93 3$ !A( A王春波，张卫东( 智能交通系统运动车辆的视觉检测 ， JA （J） ： ;M( ， NA （M） ： JN;JJ!( JZ :$)$4+1，L X0)+,G0( U0K01+, F, 1+34： #G0 F2J?( !#$%$W$ 5，!“ #$( F #)$*+, -./ “0$12)+34 561 K3，8Y， ?!(!C;CM( CQ10 Z( 9“:FI#：F3 97$40 F3$.61+1 #. *) “ !B( MYNJ( B蒋刚毅， 郁梅， 叶锡恩( 一种基于视觉的车辆跟踪及交通流量参数 估

13、计新方法 ， M （!） ： M?;BN( ?B(CAJ;CA?( ?， N! （） ： MM;MBA( JA5 :00J!( J5G2;IG+34 IG03， “0+;+34 5G62( “2.BB( JJFW2.0E0. :+,K+7031+3$. =3NJ( JNT$3/+?C( J!T :$)%( 5G$O0;)01.E+34 ,$. #G)01G.K+34 *) VWR0,?A( JC?， ! （） ： JBB;J?M( JMZ Q10， U +.27103( F2JN( JB# FW)$7,2%( F “+,),7O2!B(J郁梅，蒋刚毅，贺赛龙( 基于路面标记的车辆检测和计数 (

14、 J? Y$1O)$%( F3 9,3+, I.$11+*+,$W$10K #)$*+, 5031) #$1%1 I ( 5%$)W0%( IF9: JAA， 5O)+340)， D0).+3， JAA( BJC;BNJ( NA“ -$ OG.4+,$. =K40 X0NNA( ND L11( F :)$, 3$CN( NJ） ： CJ;B( NN“ D0)NJC( N!_ +，S; +2，Y;“ 0234(X0!( NM= I X+ “$2)，# - INMJ( NBU X 52.+E$3， Y X D$%0)( “K0.;W$10K P0G+,.0 X0 *+,$MC!( N5 “$3W$

15、,%O)O$4$ )$. Z0B!( N?“ : X2W2+113，5 $%1G7$3$3，F Y ?M， （N） ： J?N;NA( !A?C( JB;NM( !X : Q2MN( !J?!( ;B( !X D0670)，: “,$2,G.$3，!“ #$( F L0$.; CA( !CL X0)+,G0，V -$240)$1( #)$,%+34 +30 504703JBA( !MS SG$34，V X -$240)$1( #G)00;K+7031+3$. “J!( !BD I+*7$3，X D0670)，!“ #$( F L0$.;J( !5G2;,G+34 IG03，“0+;.+34 5G62，IG034;,2+ SG$34( F3 93J?(作者简介：王圣男 （?A;） ， 男， 安徽合肥人， 硕士生， 研究方向为图像处理与计算 机视觉及其应用； 郁梅 （?M;） ， 女， 江苏无锡人， 教授， 博士， 研究方向 为多媒体信号处理、 编码与通信、 计算机视觉及其应用； 蒋刚毅 （?M;） ， 男， 浙江沼兴人， 教授，