论文部分内容阅读
近年来,随着计算机视觉技术的快速发展,智能视频处理技术被更多地应用到实际生活中。基于视频监控的智能交通系统是当前计算机视觉技术的热门研究领域。它可以分析视频图像数据获取有关道路车流状况的实时信息。本文针对智能交通监控系统中车辆目标检测和车辆目标跟踪算法进行了深入的研究,提出了基于AdaBoost分类器判别的视频车辆自动检测方法和基于Lucas-Kanade金字塔光流算法的车辆跟踪方法。道路交通监控系统为了能对车辆进行管制和约束,摄像头的安装视角都能清楚地看到行驶车辆的车牌区域。不同车辆在车型、颜色上有较大的差异,但是车牌区域的局部特征具有相似性。本文利用这一特点,提出了基于车牌信息的车辆检测方法,通过离线学习训练了检测车牌区域的AdaBoost分类器。监控视频车辆自动检测方法首先进行运动建模提取运动的感兴趣区域,再使用AdaBoost分类器在感兴趣区域内进行滑动检测出车牌区域目标,最后用聚类的方法将车牌区域信息合并成为车辆目标位置信息。车辆在行驶过程中是刚性运动,这一特征符合光流特征匹配算法的约束条件。基于Lucas-Kanade金字塔光流算法的车辆跟踪方法首先在车辆目标区域内选取一组特征点,使用金字塔光流算法求取这一组特征点在前后两帧间的光流量,再使用匹配误差判别条件和正方向错误检测法排除了误差大的特征点,从而得到了目标的运动矢量。对连续的视频序列进行跟踪处理获得车辆目标的运动轨迹。本文对车辆检测跟踪算法得到的车辆运动轨迹进行了分析,利用车辆的运动特性进行误差校正,并提出一种算法使系统适应长时间停车情况。最后通过分析获取监控视频序列中的车辆目标行驶轨迹,进行计数,实现了车流量统计功能。为了验证本文提出算法的性能,对大量监控视频进行了实验,实验结果表明本文提出的算法系统是一种精确度高、适应性强、高效的车流量统计系统。