论文部分内容阅读
随着联网监控、全程监控的日益发展,监控图像数量的急剧增加,导致传统的采用人力进行观看处理的方式难以对路况信息进行实时处理,并容易遗漏重要的路况信息。为此,项目组进一步承担了江苏省交通厅项目《基于图像处理技术的高速公路交通流异常情况告警系统研究》,旨在研究利用计算机图像识别技术其速度快、成本低、全天候工作等优点,对路况图像进行模式识别,检测诸如停车、低速、逆行、拥塞,天气恶劣等路况异常。
文中在视频监控总体考虑上,给出了预警系统整体设计方案,包括模块划分、算法流程、系统结构和软件开发等内容。源于场景和目标的复杂性,对系统实现的主要难点做了分析。目标运动时由于噪声和遮挡等原因,不同的目标有可能运动到一起,合并成一个目标,而同一目标又可能分裂成多个新的目标,同时在目标运动过程中,目标的外表特征也可能发生改变,如光照变化或阴影的影响造成的色彩上的变化等,从中引出对关键算法的研究。
论文解析了图像匹配跟踪技术的一般过程、步骤及当前多种匹配方法的优点和不足。图像匹配的方法一般分为基于灰度的匹配方法和基于特征的匹配方法两大类。前者直观、容易实现、匹配速度快,但对图像变化及遮挡比较敏感;后者特征提取困难,速度慢,但更为准确,鲁棒性好。
文中的重点在于如何确定有效的匹配方法,根据参考图像和实时图像选定合适的特征、相似度准则及搜索策略进行相关运算,以确定匹配的最佳空间对应点,即准确地得到车辆跟踪,尤其是在车辆间存在相互遮挡时提高匹配的准确度和速度。主要内容包括:采用背景剪除法提取运动区域,计算相邻帧运动区域的位置变化实现区域跟踪;建立车辆的二维矩形框模型,分析“区域—车辆”关系,结合区域跟踪的结果判定车辆之间是否存在遮挡。实现了基于图像中心矩的车辆匹配跟踪算法,提高了车辆无遮挡情况下的匹配速度;提出了基于图像运动区域的车辆跟踪算法,根据车辆行为来初始化车辆模型轮廓及速度;采用Kalman滤波器预测车辆在当前帧的位置,并以此预测位置作为车辆模型的初始位置进行模型轮廓的自适应调整,得到模型新的矩形轮廓;将新轮廓所确定的几何中心位置作为测量值反馈回Kalman滤波器,修正Kalman系数,进行自回归运算和计算最佳匹配位置,从而实现车辆跟踪。
实验视频来源于江苏省通启高速公路视频监控录像,结果表明,这两种方法匹配效果良好,相比于传统的图像匹配算法,计算速度快、匹配概率高、匹配误差小、有效解决遮挡问题,并具有较好的鲁棒性。
最后,总结了文章主要涉及的研究工作和创新点,对进一步的研究进行了展望:通过先判别后匹配,图像中心矩和区域跟踪的联合方法实现车辆跟踪,提高了匹配速度和精度,实时性高,误差小;对灰度变化、图形形变以及遮挡都有较好的适应能力;在恶劣的天气和噪声环境下算法具有较好的鲁棒性、匹配概率高、可满足实际工程应用的要求。