复杂环境下的多车辆检测与跟踪

论文摘要

随着社会的发展,城市不断扩张,人口和车辆的数量的增多,交通系统的压力不断增大。因此基于视频图像的智能交通监控系统的重要性日益突出,其核心是基于视频的车辆检测与跟踪系统。其主要研究目标是基于机器视觉技术、数字图像处理技术和人工智能技术,对道路上行驶的车辆进行检测、识别、跟踪和行为分析。本文致力于复杂环境下的车辆检测与跟踪方法的研究,主要完成了以下几个方面的研究工作。首先本文将图像分割问题看成是一个目标函数下的离散整体最优化问题,提出了一种基于能量最小的方法,并运用模拟退火算法求取最优阈值,进而对车辆视频进行分割。分割过程中选择性背景更新方法的运用,减少了后续算法的计算量。特别是在背景更新过程中提出了根据相似程度确定背景更新速度的思想,增强了背景更新的有效性,减少了背景噪声的干扰。基于条件随机域标号法的运用,为车辆分割提供了一个框架,它将复杂的图像分割过程抽象为一个易于解决的标号分配问题。其次本文基于颜色信息提出了多点对参考模型的方法进行运动阴影的消除。该方法的基本思想是,运用点对之间颜色差异最小的准则,在图像全局域中寻找到与目标点形成稳定关系的参考点,然后运用这些参考点集及车辆、背景与阴影的颜色关系进行阴影消除。该方法最大的优点是,运用了图像的全局域信息,而不仅仅是局部领域信息,克服了背景像素值更新的不准确。多点对参考模型能够有效的抑制运动背景,或晃动镜头对于前景分割的影响,能够满足复杂室外环境下车辆阴影消除的要求。最后车辆跟踪问题可以作为一个非线性的全局最优化问题。本文在车辆跟踪过程中把具体的车辆对象以标号抽象,将标号之间的连线作为车辆的运动轨迹。在考虑车辆运行过程中可能出现的6种状态后,将车辆的全局最优跟踪问题转化为标号的全局最优连接问题。基于贝叶斯理论运用Gibbs分布建立多车辆运行轨迹的后验概率分布,通过求取最大后验概率而得到车辆全局最优运动状态解。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 智能交通系统
• 1.1.1 智能交通系统的国内外发展现状
• 1.1.2 我国公路面临的问题及智能交通发展的意义
• 1.2 机器视觉技术在ITS 中的应用
• 1.2.1 车辆检测
• 1.2.2 车辆跟踪
• 1.3 课题来源
• 1.4 本课题主要研究内容
• 第二章 基于最优阈值和随机标号法的多车辆分割（检测）
• 2.1 引言
• 2.2 车辆分割方法现状
• 2.3 本文提出的车辆分割方法
• 2.3.1 色彩空间变换
• 2.3.2 背景更新及车辆图像的粗分割图
• 2.3.3 最优阈值的求取
• 2.3.4 贝叶斯估计理论[23]
• 2.3.5 相似度的确定及图像的细分割
• 2.3.5.1 确定相似度
• 2.3.5.2 确定先验概率
• 2.6 实验结果
• 2.7 本章小结
• 第三章 基于多点对参考模型的车辆阴影消除
• 3.1 引言
• 3.2 车辆阴影消除方法现状
• 3.3 车辆阴影消除算法
• 3.3.1 点对模型
• 3.3.2 点对模型的属性分析
• 3.3.3 多点对参考模型的建立
• 3.3.4 阴影分割
• 3.4 本文算法的优点及提速
• 3.5 实验结果
• 3.6 本章小结
• 第四章 基于马尔科夫蒙特卡洛方法的多车辆跟踪
• 4.1 引言
• 4.2 多目标车辆跟踪方法研究现状
• 4.3 车辆跟踪算法
• 4.4 马尔科夫链蒙特卡洛方法（Markov Chain Monte Carlo,MCMC）
• 4.4.1 马尔科夫原理
• 4.4.2 常用的MCMC 采样方法
• 4.5 跟踪邻域图
• 4.5.1 图的概念
• 4.5.2 跟踪邻域图
• 4.6 建立车辆跟踪后验概率
• 4.7 车辆运动状态
• 4.7.1 birth/death 运动状态
• 4.7.2 extension/reduction 运动状态
• 4.7.3 merge/split 运动状态
• 4.8 车辆全局最优运动状态的求取
• 4.8.1 模拟退火算法
• 4.8.2 车辆全局最优运动状态的求取
• 4.9 小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢
• 附件