论文部分内容阅读
智能交通系统(Intelligent Transportation System:ITS)良好的发展前景和日益提升的应用需求推动着其核心技术——车辆目标检测和跟踪的不断发展。传统的检测方法使得基于视频图像处理技术的车辆检测应用得以推广,但算法的固有缺陷成为系统性能提升的瓶颈。近年来,基于目标本身所特有的一些显著的视觉特征的车辆检测方法在智能交通领域备受研究者瞩目。本文就基于特征提取的车辆跟踪方法的设计和实现进行了深入的研究。在照明度较好的白天,车辆图像的结构信息突出、充分,本文推荐使用角点作为特征,可以实现高效的目标检测。而针对跟踪子任务,采用基于图像金字塔光流的特征跟踪方法,能获得目前针对目标的大尺度运动预测的最好结果。作为对系统性能的改进和完善,傍晚检测基于场景下相对清晰、充分的边缘信息进行;夜间检测则依赖唯一明显、稳定的特征——车头灯的识别来实现。实验表明,上述方法在不同光照条件的卡口监测环境下都具有较高的检测精度和实时的处理速度,同时对图像旋转、噪声和阴影干扰具有很好的鲁棒性。局部二元模式(Local Binary Pattern:LBP)是一种有效的纹理描述算子,但采用LBP对车辆进行特征描述的研究尚属空白。本文的贡献集中体现于首次将LBP纹理描述器应用到交通视频中的车辆特征的提取上,并基于Niblack-LBP (N-LBP)算法实现了一个全新的对光线变化自适应的车辆跟踪方法,弥补了前述方法中系统对局部光线骤变敏感、昼夜算法不统一的重大缺陷。本论文提出的方法由三个部分组成:通过对交通视频图像兴趣区域(Region Of Interest)中N-LBP特征成分分布的统计直方图变化规律的分析,获得能有效表征车辆的通用的主要特征成分(General Critical Ingredients:GCI);在新输入图像的ROI中进行主成分提取,并从满足一定数量标准的结果中选取部分具有代表性的特征点以实现目标的检测和标识;采用线性卡尔曼(Kalman)滤波对已标识的目标进行基于特征的运动估计、确认,并依据统计标准进行抓拍以提高系统的正确率。对比实验结果证明,N-LBP特征明显优于基本LBP特征。新系统的正确率得到进一步提升的同时,虚警率得以有效降低,并且,具有更为稳定、可靠的性能。