论文部分内容阅读
城市道路交通场景中的目标检测及目标计数是城市智能交通监控系统的重要研究内容之一,准确及实时获取城市道路交叉口场景中的车辆及车辆数量是缓解城市拥堵、实现智能交通管理和建设智慧城市的前提,因此,研究基于视频的城市道路交叉口场景中车辆的检测方法对于城市智能交通系统建设具有重要的意义。本论文围绕复杂城市道路交通场景中车辆检测和计数的准确性要求,重点研究了基于视频的城市道路交叉口场景中车辆缓慢行驶或短时停留条件下车辆检测背景模型的建模方法、光照突变情形下车辆检测背景模型的建模方法和基于前景时间空间图像的车辆准确计数的方法,本文主要的研究内容和创新点如下:(1)为了解决基于背景模型的车辆检测方法容易受到城市道路交叉路口场景中缓慢行驶或短时停留的车辆"污染"问题,基于传统混合高斯模型GMM(Gaussian Mixture Model)和像素点的场景状态,提出了一种基于置信度的改进高斯模型GMMCM(Gaussian Mixture Model with Confidence Measurement),该模型为每个像素点设置一个置信度,且置信度基于当前像素点的交通状态和稳定性自适应更新;同时背景模型的学习率也根据当前的交通场景状态自适应更新。基于城市道路交叉口场景视频数据和CDnet2014公用视频数据集进行了对比实验,定性对比实验结果表明基于置信度的改进高斯模型GMMCM在阻止背景模型不被缓慢行驶或短时停留车辆"污染"方面的性能优于传统混合高斯模型GMM、自适应混合高斯模型SAGMM(Self-Adaptive Gaussian Mixture Model)和局部参数学习率高斯模型 LPLGMM(Local Parameter Learning Gaussian Mixture Model),同时定量对比实验结果表明基于置信度的改进高斯模型GMMCM在处理车辆缓慢行驶和短时停留问题的性能优于SDC(Sigma-Delta with Confidence)、ViBe(Visual Background extractor)、GMM、SAGMM 和LPLGMM。(2)为了解决城市道路交叉路口场景中基于背景模型的车辆检测方法处理缓慢行驶或短时停留车辆的实时性问题,基于像素点的自适应分割算法PBAS(Pixel-Based Adaptive Segmenter)和像素点的场景状态,提出了一种基于置信度的改进自适应分割算法 PBASCM(Pixel-Based Adaptive Segmenter with Confidence Measurement),该算法为每个像素点设置一个置信度,且置信度基于当前像素点的交通状态和稳定性自适应更新,同时前景检测阈值和背景模型的学习率也根据当前的交通场景状态自适应更新;基于城市道路交叉口场景视频数据集进行了对比实验,定性及定量对比实验结果表明基于置信度的改进自适应分割算法PBASCM的性能优于CB(Codebook)、GMM、ALW(Adaptive Light-Weight)、SDC、ViBe 和 PBAS。(3)为了解决基于背景模型的前景检测方法容易受到城市道路交叉路口场景中光照缓慢变化或突变影响的问题,基于韦伯定理提出了一种基于像素点的自适应局部均值二值模式ALMP(Adaptive Local Mean binary Pattern)纹理特征,并采用样本一致性原则建立了一种自适应纹理特征背景模型ALMPBM(Adaptive Local Mean binary Pattern Background Model);基于城市道路交叉口场景视频数据集进行了对比实验,定性及定量对比实验结果表明由ALMP特征构建的ALMPBM的性能优于GMM、ViBe、LBPBS(Local Binary Pattern Background Subtraction)、LTPBS(Local Ternary Pattern Background Subtraction)、SLPBS(Scale invariant Local Patterns Background Subtraction)和 LBSPBS(Local Binary Similarity Patterns Background Subtraction)。(4)为了解决城市道路交叉口场景中基于虚拟线圈的车辆重复计数及车辆跟踪算法计算复杂度高的问题,提出了一种基于前景时间空间图像的城市道路交叉口场景中车辆计数的方法,该方法在视频序列中设置虚拟直线VDL(Virtual Detection Line),通过在VDL上建立处理车辆缓慢行驶或短时停留和光照缓慢变化或突变的自适应随机样本点模型来检测车辆,从而构成前景虚拟直线FVDL(Foreground Virtual Detection Line),由 FVDL 累计构成前景时间空间图像 FTSI(Foreground Time-Spatial Images),并通过处理FTSI获得车辆的数量;基于城市道路交叉口场景视频数据集进行了对比实验,定性及定量对比实验结果表明基于前景时间空间图像的城市道路交叉口场景中车辆计数方法的性能优于 TSI(Time-Spatial Images)、ETSI(Edge Time-Spatial Images)、ACC(Area Change Counting)和 TVA(Tracking Vehicle Area)。