基于视频的车辆检测文献综述
2.基于视频的车辆检测方法
作为智能交通监控系统的基础,车辆检测系统十分关键。一个实用的车辆检测系统应满足如下要求:
a) 正确判断当前时刻有无车辆;
b) 完成车辆计数,提供车流量、车速等交通参数;
c) 算法简单,计算量小,环境自适应能力强,能够实时有效地进行车辆信息处理。
车辆检测的目的判断是否有车经过检测区,并建立一个与之对应的跟踪对象,主要提供车流量等信息。减少车辆检测算法的计算量和提高实时性是一对矛盾,解决这对矛盾是提高系统检测准确度和稳定度的关键,然而实际中光照的变化、背景混乱运动的千扰、运动目标的影子、摄像机的抖动以及运动目标的自遮挡和互遮挡现象的存在,这些都会影响车辆检测和分割的精度,必须在算法中考虑这些因素的影响及其去除的方法。
2.1 检测方法
随着车辆检测的研究不断深入,产生很多基于视频的检测方法。这些方法大致分为如下几类: 一、基于模型的方法;二、基于光流的方法;三、基于特征的方法。
基于模型的方法:
2.1.1 基于背景差的方法
背景差法[7]首先选取背景中的一幅或几幅图像的平均作为背景图像,然后把以后的序列图像当前帧和背景图像相减,进行背景消去。若所得到的像素数大于某一阈值,则判定被监视场景中有运动物体,从而得到运动目标。
这种差分法对于复杂背景下的运动物体检测效果较好,一般能够提供最完整的特征数据,计算量小,实用价值大。缺点是受光线、天气等外界条件的影响较大。
背景差分法是目前运动分割中最常用的一种方法,在实际应用中,需要采用一定的算法进行背景模型的动态更新。目前人们大都致力于研究如何实现背景图像的建模和自适应更新,使背景能够不断接近理想状态,以期减少场景变化对视频图像检测分割的影响。
背景建模,即通过视频序列的帧间信息估计和恢复背景。对于背景的建模问题,常用的方法主要有:基于统计的背景模型、基于卡尔曼滤波的背景模型、基于高斯分布的背景模型等。
基于统计的背景模型最简便和直观的方法就是选择均值函数作为更新函数,称为“序列均值法”[8],这种方法适用于背景大部分时间可见、运动目标数量少的情况。“序列众数法”[9]是统计学模型算法中最精确的一种,但是它要对元素进行排序,计算量和所消耗的存储空间都很大,而且需要很大的值才能得到统计意义上的概率分布,因此更新图像的时间也比较慢。
基于卡尔曼滤波的背景模型,对运动物体的跟踪有很好的效果,但其最大的缺点就是计算量大,处理速度慢。
基于高斯分布的背景模型可以很好的适应光线的变化,同时可以处理多模型分布,对于缓慢移动的目标(如树枝的摇摆等)有很好的鲁棒性。但对每个点都用一个模型来描述,需要大量的计算时间,而且存储的参数多,因此还需要不断改进。
当然,还有其它的背景建模方法,如基于特征的点匹配方法[10],利用图像能量、高阶累积理论及块处理技术进行背景建模的方法[11]等,对于背景的重构都建立在确定性建模的基础上。
基于光流的方法:
2.1.2 基于帧间差分的方法
帧间差分法[4]是基于运动图像序列中,相邻两帧图像间具有强相关性而提出的检测方法。
这种检测方法对光照变化不敏感,非常适合于动态变化的环境,而且运算简单,检测速度快,车辆定位准确,适用于实时性要求较高的应用环境。它存在以下几个缺点:首先,它不能检测出静止或运动速度过慢的物体,对于高速运动的物体又会使得分割区域远远大于真实目标,其分割区域与目标运动速度相关;其次,如果物体内部的灰度比较均匀,相邻帧差可能在目标重叠部分形成较大空洞,严重时造成分割结果不连通,不利于进一步的物体分析与识别。
在实际应用中,帧间差分法往往是许多复杂检测算法的基础,通过对算法的改进可以将它与其它算法结合来提高整体的检测效果。一种改进的方法是利用多帧差分代替两帧差分,如文献[5]中提出了一种自适应背景减除与三帧差分相结合的混合算法,它能够快速有效地从背景中检测出运动着的目标。
2.1.3 基于光流场的方法
光流场法的基本思想:在空间中,运动可以用运动场描述,而在一个图像平面上,物体的运动往往是通过图像序列中不同图像灰度分布的不同体现的,从而,空间中的运动场转移到图像上就表示为光流场(Optical Flow Field)。光流场反映了图像上每一点灰度的变化趋势,可看成是带有灰度的像素点在图像平面上运动而产生的瞬时速度场,也是一种对真实运动场的近似估计[6]。
在比较理想的情况下,它能够检测独立运动的对象,不需要预先知道场景的任何信息,可以很精确地计算出运动物体的速度,并且可用于摄像机运动的情况。但光流法存在下面的缺点:有时即使没有发生运动,在外部照明发生变化时,也可以观测到光流;另外,在缺乏足够的灰度等级变化的区域,实际运动也往往观测不到。三维物体的运动投影到二维图像的亮度变化,本身由于部分信息的丢失而使光流法存在孔径问题和遮挡问题,用光流法估算二维运动场是不确定的,需要附加的假设模型来模拟二维运动场的结构;在准确分割时,光流法还需要利用颜色、灰度、边缘等空域特征来提高分割精度;同时由于光流法采用迭代的方法,计算复杂耗时,如果没有特殊的硬件支持,很难应用于视频序列的实时检测。
基于特征的方法:
利用车辆的某些显著的特征如阴影、边缘、对称性等把车辆从背景中分割出来。其缺点是当光照及其周围环境的噪音影响较大时,单一特征信息容易弱化,应该采用多特征融合来提高识别的准确性与健壮性,这也是基于特征方法的发展方向。
2.2 实现处理方法
实现方法的一般步骤:
视频输入 视频图像预处理并提取关键特征 对关键特征进行分析处理 根据特征值进行综合判断分类 标注出车辆的位置
2.2.1车辆阴影的分割技术
通过前面的检测方法,在检测出的图像中多多少少存在阴影的干扰,当阴影面积较大时还会覆盖邻近的车辆,致使算法误将多个车辆检测为一个车辆,对后期识别造成困难,所以在图像检测中必须考虑阴影的消除方法。
现有的文献中,存在很多关于阴影检测的文章和著作。根据检测算法使用的特征,可将其大致分为五类:颜色恒常性的方法[12]、统计参数法[13]、统计非参数法[14]、确定性模型法[15]和确定性非模型法[16]等。
以上这些方法各有利弊,要针对不同的应用环境选择不同的方法来满足不同的要求。如基于颜色恒常性的方法的假设适合于全局阴影的分割,基于颜色空间模型的方法对噪声具有较好的鲁棒性,它和统计非参数方法都可以很好的处理不同大小和强度的阴影,但统计非参数方法的处理速度相对较快,颜色空间模型的处理效果较好;确定性模型方法可以应用于特殊的环境,更多的假设可以产生更好的结果;统计方法较适合于室内环境,因为场景是恒定的并且统计描述非常有效。
2.2.3图像的后处理
基于车辆检测和阴影分割,己经能大致显示出车辆的轮廓图,但这种分割后的图像仍然残留许多噪声点,区域边缘也不太平滑,需要图像进行后续处理。
经过运动车辆检测分割后,图像中的噪声大多是一些孤立的像素点或线,出现连续大面积噪声的可能性不大,偶尔出现的树叶扰动等干扰,其面积和要检测的车辆面积相比要小得多,可以通过设置一定的阈值除去噪声。
对于这些噪声的去除可使用的是滤波处理的方法。现有的滤波算法很多,常用的有下几种:均值滤波、中值滤波、高斯滤波、带通(包括低通、高通、带通和带阻)滤波、数学形态学滤波等,其对不同的噪声有不同的滤除效果,如高斯滤波对高斯噪声的处理效果最好,中值滤波可有效的滤除脉冲型噪声,而且对图像的边缘有较好的保护,带通滤波对图像有平滑和锐化的作用,形态学滤波对随机噪声有很好的滤除效果,而且可以分割或连接相邻区域。
3. 基于对称性的白天车辆检测
本文是在对各种检测方法综合学习之后,参照文献[17]对基于对称性的检测进行深入研究并将其用opencv将其实现,总结出处理同类问题的一般过程,整理了一个实现框架。
图像预处理统计边缘梯度 矩形窗口扫描并产生ROI ROI对称性评估 车辆标注
1. 对图像进行预处理,提取统计图像梯度
预处理:灰度化 高斯平滑过滤噪声 产生图像垂直、水平方向边缘梯度 二值化
2. 对整幅图像进行扫描,得到自己感兴趣ROI区域
以一个小矩形窗口的范围并以从下往上,从左往右的顺序来对图像扫描,并统计小窗口中的梯度像素值。以一定的阈值进行判断该矩形范围是否是感兴趣范围。
3. 对ROI区域中的像素进行对称性分析,从而确定是否存在车辆。如有则把车标注出来。
E(u,xs)=(g(xs+u)+g(xs-u))/2 - w /2 ≤ u ≤w /2
En(u,xs) = E(u,xs)-∫E(u,xs)du/w
S(xs)=(∫En(u,xs)^2du-∫O(u,xs)^2du)/ (∫En(u,xs)^2du+∫O(u,xs)^2du)
1. 通过把道路区域精确划分出来,同时要把道路上的直线剔除从而尽量的排除干扰。
2. 对ROI区域的选择上可以进一步用车辆阴影等方法进一步精确车辆所在区域。
4. 在小窗口中对对称性检测时,可以优化更好类似的方法,从其他方面来考虑车辆上的对称性质。
如图1所示,本夜间车辆检测与跟踪算法分为4部分,车灯提取、车灯跟踪、车灯配对以及车辆跟踪和计数。
算法首先对帧图进行二值化获取车灯前景信息,然后对每个车灯目标在本帧图像中找到其后续目标并进行更新,完成在本帧的车灯跟踪。然后根据颜色和形状等信息对车灯进行匹配,完成对车辆的跟踪和计数。
(1) 对图2(c)进行区域增长,得到每一个前景块的外接矩形信息以及每一前景块的像素个数信息。我们定义一个结构体
Y_H = rect.max_h - rect.min_h + 1 (1)
X_W = rect.max_w - rect.min_w + 1 (2)
flag是一个标志,若是此前景块的大小和宽高比满足车灯则flag置1,若是大块反光flag置0,若是两个车灯连在一起则置-2。具体判决如下:
if ( End_h >40 &&End_h<400 &&X_W <25&& Y_H <25&&
(FLOAT)Y_H /(FLOAT)X_W>0.4&&(FLOAT)Y_H /(FLOAT)X_W<3)
else if (End_h<800 && (FLOAT)X_W /(FLOAT)Y_H<6&&(FLOAT)X_W /(FLOAT)Y_H>2)
(2) 对于本前景块,如果它是两个车灯左右粘连就把它分成两个区域,如果它是路面或者车体的大面积反光则把它的每一像素点亮度置0。
(1)计算当前帧中两两车灯之间的横坐标之差distance_X[i*NUM+j]和纵坐标之差distance_Y[i*NUM+j]。其中NUM为本帧车灯的数量。
(2)若两个车灯i和j之间的距离满足式(4)和(5),则他们可能属于同一辆车。
(3)若与本车灯可能同属一辆车的车灯数为1,那么匹配成功。否则根据距离和车灯大小在其中选取最佳匹配车灯。
(4)对于落单的车灯,进行单独标定。车灯匹配之后,我们就知道哪几个车灯是属于同一辆车,就可以对车辆进行准确计数。
运动车辆会遇到遮挡的问题,若是车灯被遮挡则不能进行后续的处理。在车辆较为拥挤的时候,并排车辆的车灯匹配可能会出现误差,这是我们以后应该改进的地方。
基于视频的车辆检测文献综述相关推荐
- 计算机车辆识别检测毕业设计,计算机毕业设计(论文)-基于视频的车辆检测系统【全套设计】.doc...
该设计论文已经通过各大高校老师审核认可并通过答辩,欢迎大家下载学习交流.如有疑问可随时联系店主,竭诚为您解答!! 编号 太湖学院 毕业设计(论文) 题目: 信机 系 专业 学 号: 学生姓名: 指导教 ...
- MATLAB基于视频的车辆检测方法
摘要 改革开放以后,随着经济的高速发展,交通问题越来越开始影响着人们的生产和生活,由于汽车拥有量的急剧增加,城市交通问题日益严重,因此交通问题开始成为人们关心的社会热点.在我国,近年来,交通事故频繁发 ...
- 团队项目(2.4) -- 《基于瞳孔检测的注意力检测研究》文献综述
在本项目的最后,给大家带来的是本项目的文献综述,重申一下本项目拟题在开题时就被怼过,确实不妥,但是在此依旧沿用此名称.下面是直接引用: 一.研究背景 1.1 人脸检测的应用背景 在生物 ...
- 基于多传感器数据融合的全自动泊车系统研究与应用(文献综述)
附:文献综述 基于多传感器数据融合的全自动泊车系统研究与应用 摘要: 随着科技的进步与城市车位空间的减小,汽车逐渐向智能化发展,如何安全快速地泊车成为驾驶员面临的难题.关于自动泊车辅助系统的研究,国内 ...
- 计算机应用深圳职业大三毕业设计,毕业设计(论文)文献综述-基于Web的家庭理财系统.docx...
)4事欷夭2噹母院 本科生毕业设计(论文)文献综述 设计(论文)题目 基于Web的家庭理财系统 设计与实现 作者所在院系 作者所在专业 作者所在班级 计算机与遥感信息技术学院 软件工程 作者姓名 作者 ...
- php博客系统答辩ppt,基于PHP实现的WEB图片共享系统-php(开题报告+源程序+论文+答辩PPT+文献综述)...
基于PHP实现的WEB图片共享系统-php(开题报告+源程序+论文+答辩PPT+文献综述) 如有需要请联系 QQ:958035640 摘 要 本系统主要从现代社会电脑化观念出发,通过对现有资料的分析. ...
- 基于python的学生信息管理系统文献综述_学生信息管理系统的文献综述
基于 B/S 模式的成绩管理系统文献综述 1 .本课题研究的重要性和意义 目前,在学校里,随着高校规模的不断扩大和招生人数的不断增加,需要处理大量的 学生数据信息,越来越多的学校都需要自己的学生信息管 ...
- 文献综述 android,《基于android的手机天气预报系统》的文献综述-文献综述
<基于android的手机天气预报系统>的文献综述-文献综述 1基于文献综述摘要本文通过对安卓的发展历史和安卓应用在智能手机中的广泛性分析,以及对天气预报系统的在人们生活中的重要性的讨论, ...
- java web聊天室论文_基于Java网页版聊天室的设计与实现毕业论文含开题报告及文献综述(样例3)...
<基于Java网页版聊天室的设计与实现毕业论文含开题报告及文献综述.doc>由会员分享,可免费在线阅读全文,更多与<基于Java网页版聊天室的设计与实现毕业论文含开题报告及文献综述& ...
最新文章
- 多线程之失败自动重试机制
- Javascript 面向对象全新理练之数据的封装
- C++中成员函数和成员变量的隶属问题
- maven中去掉单元测试的配置
- PyCairo 中的变换
- 深夜学算法之SkipList:让链表飞
- Buildroot 龙芯1C支持指南
- docker -v -it -p 详细说明
- linux java amr转mp3_本工具用于将微信语音 amr 格式转换为 mp3 格式以便在 html5 的 audio 标签中进行播放...
- Softmax 函数
- 16-pymysql模块的使用
- mysql类似bulkcopy_mysql中有没有同MSSql中的sqlbulkcopy 类似的类
- JavaParser使用指南
- IntelliJ IDEA For Mac 快捷键大全
- Matlab:Matlab 软件学习之GUI图像用户界面简介(工具栏/菜单栏/对话框)、GUI界面设计案例应用(设计二级菜单栏)之详细攻略
- 基因组选择技术在农业动物育种中的应用
- linux静态ip解析花生壳域名
- 苹果 Apple Beta 版软件计划 相关软件地址
- mysql账号认证_浅谈MySQL用户账号认证方式
- 小麦苗数据库巡检脚本,支持Oracle、MySQL、SQL Server和PG等数据库
热门文章
- 七牛云绑定解析阿里域名
- php 数字 字母组合,php随机生成数字字母组合的方法_php技巧
- 高速ad指标分析 matlab,高速ADC的动态性能参数和基于DSP技术的测试方法研究
- 国外有什么好的网站推荐?
- CSDN-Markdown LateX 数学公式
- oracle报12560protocol,sqlplus连接时报:ORA-12560: TNS:protocol adapter error解决方案
- 监管总局严打虚假检测报告
- 【JS】1162- 90% 的前端都会使用 ES6 来简化代码,你都用过哪些?
- 将请求返回的图片转为Base64形式显示在页面上
- 怎么把安卓手机便签小工具添加到手机桌面显示呢?