用于交通治安卡口的全天候视频车辆检测方法

文章针对交通治安卡口应用,提出了一种基于视频的全天候智能车辆检测方法。该方法主要特点是不考虑车辆跟踪,提高了计算速度并避免了跟踪误差,适于嵌入到监控摄像机中;而且自动区分白天/夜间场景。对于白天场景,通过背景剪除、阴影抑制、形态学计算等手段获得运动信息,然后根据车辆的尺寸、对比度与纹理特征实现车辆检测;对于夜间场景,利用车灯的高亮度与对称性特征得到车辆检测结果。该方法快速有效,在现场采集的实际路况视频数据上,白天与夜间车辆检测准确率分别为96.42%和95.96%。     

基于Canny算子和Hough变换的夜间车道线检测

针对夜间只有车灯照射路面图像整体较暗、光照不均匀、车道线不易检测的问题,提出了一种夜间车道线识别方法。首先,对预处理后的图像采用Laplacian算子进行边缘增强;然后,结合Otsu算法进行Canny边缘检测,再在边缘图像底部1/3区域中利用Hough变换进行直线拟合;最后,在斜率约束的基础上提出了一种内侧车道线提取算法,实现了车辆所在车道内侧车道线的检测。针对多种夜间车道线图像进行实验,结果表明,该算法准确提取出了内侧车道线。提出的方法能克服图像较暗和光照不均的影响,排除旁侧车道线、护栏等的干扰,有助于夜间车辆各行其道。     

基于自适应特征选择的夜间运动车辆检测算法

针对夜间交通环境的特点,提出了基于自适应特征选择的夜间运动车辆检测算法.首先,利用SIFT算法提取夜间运动车辆的形状特征,并融合颜色和纹理特征,得到夜间运动车辆的特征向量;其次,利用Boosting算法和遗传算法以迭代形式获取模糊规则及其权值;然后,采用Boosting算法以加权投票方式自适应选取对检测最有利的特征,从而实现自适应特征选择;最后,对夜间交通场景下3种不同道路情况进行实验.实验结果表明,在遮挡、光照及背景干扰等复杂情况下,该方法可以根据背景信息的不同自适应地选择特征,实现夜间车辆的实时检测,鲁棒性较好,可以满足智能交通系统的实时性和准确性的要求.     

自动检测违章车辆的方法

为了自动检测违章车辆，提出一种利用统计模型和目标灰度场结构信息的算法。该算法是从视频图像中自动检测和动态跟踪违章车辆，它包括3个处理步骤：第一，利用车辆违章时的统计特征，发现视频图像中包含违章车辆的第一帧；第二，利用第一帧图像对违章车辆进行定位，即动态跟踪的起点；第三，对违章车辆进行动态跟踪。给出和研究了3种检测跟踪方案。仿真试验结果表明，用统计模型检测违章车辆具有一定的柔性，并具有较强的抗噪性和稳定性。     

视频图像中的运动车辆检测算法研究及仿真

对于运动车辆跟踪和检测是实现准确采集和检测交通信息的难题和关键,人们非常关注通过对跟踪车辆的视频图像来分析车辆的运动规律。对比分析背景差分法和帧差法来检测运动车辆的效果,帧差法的算法要比背景差分法简单,但是效果不如背景差分法明显。     

基于视觉检测的交通信号模糊控制系统研究

通过视觉检测技术,应用改进的三帧帧差算法,获取车辆信息,得到十字路口车流量.并通用模糊控制方法,根据实时车流量动态调整绿灯通行时间.通过数据仿真,与传统固定时长交通灯进行对比,方法能有效提高路口车辆通行状况.     

基于跟踪轨迹的车辆异常行为检测

为提高ITS(Intelligent Traffic System)交通事件管理的智能性, 提出基于跟踪轨迹的车辆异常行为检测,分为目标检测跟踪、轨迹分析处理和车辆行为分析3 个步骤。首先利用三帧差法对目标进行初始定位, 采用基于Kalman 预测器的改进跟踪算法对车辆进行跟踪; 然后提出采用最小二乘法自适应分段直线拟合算法对目标跟踪获得的运动轨迹进行快速拟合; 最后结合运动方向变化率和速度变化率两个参数建立车辆异常行为检测模型。实验结果表明, 在道路监控视频中, 该算法能快速准确检测急刹车、急转弯和急转弯刹车等车辆异常行为。     

基于对比度失真参数的车流量统计算法

文章提出一种基于对比度失真参数的车流量统计算法。在道路上开辟检测窗,使用对比度失真参数作为车辆检测的依据,分析车辆进入和离开观测窗产生的图像渐变过程,从而实现车流量统计。为了提高算法的鲁棒性和精度,该文利用块特征和自适应阈值进行背景提取与更新,并采用符合人类视觉习惯的YUV彩色空间对阴影进行检测和抑制,消除阴影对车流量统计的干扰。     

基于地磁传感器的车辆检测算法*

地磁传感器是一种利用地磁变化来检测车辆的新型设备。通过分析大量地磁数据,提出一种基于波形峰谷值特征的车辆检测算法。该算法可以自动跟踪基线值并提取车辆信号特征。实际道路检测试验数据表明该算法简单有效,准确率可达98.5%以上。该系统可以应用于道路车流量检测,平均车速统计等,将在智能交通领域发挥重要作用。     

基于Adaboost首帧检测的时空上下文人脸跟踪算法

针对时空上下文算法首帧需进行手动框选及选择偏差带来后续跟踪干扰的不足, 提出利用Adaboost算法进行首帧检测, 引入Kalman预测机制辅助时空上下文算法进行跟踪.当出现遮挡、 抖动等问题时, 保证跟踪稳定地进行, 提高算法鲁棒性. 在Shelter1等3组公共数据集上进行对比实验的结果表明, 该算法能实现首帧自动检测功能, 后续跟踪算法的鲁棒性及跟踪效果也得到明显提升.     

基于改进Boosting算法的夜间运动车辆检测

针对夜间交通场景中运动车辆目标提取及实时检测困难的问题,引入改进的Boosting模糊分类算法,提出了一种新的基于车头灯的夜间运动车辆检测方法.通过SIFT算法和融合多特征的方法精确提取夜间运动车辆车头灯特征,利用遗传算法优化Boosting模糊分类算法,并以加权投票方式对提取的车头灯特征进行分类判别,最后结合车头灯空间、运动信息及灯光颜色信息进行同车车头灯配对分组,实现夜间运动车辆的实时检测.实验表明,该方法在夜间交通环境中具有良好的实时检测效果和较高鲁棒性.     

基于自适应轮廓匹配的视频运动车辆检测和跟踪

为了对高空拍摄的交通场景进行图像处理，实现对运动车辆的检测和跟踪，以获得车辆的运行轨迹，在固定模板的基础上，利用自适应轮廓匹配算法，结合误检判断和轮廓分解，较好地检测出了车辆轮廓，并能避免由于两辆车靠近带来的误检．将自适应轮廓匹配思想移植到车辆跟踪中，可以实现较为准确的跟踪．计算机检测和人工检测的比对实验表明，在一定的条件下，这种算法有效消除了误检和多检现象，其正确检出率达到95．01％，即使存在一定的漏检，也可以通过插值实现填充．     

Real-time vehicle tracking for traffic monitoring systems

A real-time vehicle tracking method is proposed for traffic monitoring system at road intersec-tions, and the vehicle tracking module consists of an initialization stage and a tracking stage .Li-cense plate location based on edge density and color analysis is used to detect the license plate re -gion for tracking initialization .In the tracking stage , covariance matching is employed to track the license plate .Genetic algorithm is used to reduce the computational cost .Real-time image tracking of multi-lane vehicles is achieved .In the experiment , test videos are recorded in advance by record-ers of actual E-police systems at several different city intersections .In the tracking module , the av-erage false detection rate and missed plates rate are 1.19%, and 1.72%, respectively.     

基于视频的车辆检测与跟踪算法综述

首先介绍了交通检测系统,指出视频交通检测技术日益成为计算机视觉领域中备受关注的前沿方向.在此基础上,分别讨论了常用的车辆检测算法,基于模型的车辆检测算法,车辆跟踪的基本类型,以及基于模板匹配、卡尔曼滤波和粒子滤波的车辆跟踪算法,同时分析比较了各种算法的优缺点.最后,展望了这一领域未来研究的热点.     

基于交通视频的运动车辆检测方法

为解决交通测试系统中车辆实时跟踪和分割的问题, 以数字图像处理方法为手段, 针对采集到的交通路况信息, 重点研究了背景差分算法提取运动车辆, 并提出了一种计算量较小的自适应背景更新算法; 采用一种工作在HSV(Hue, Saturation, Valve)空间非基于模型的车辆阴影检测算法, 并提出设置阈值参数的方法, 在去除车辆阴影的同时也滤除了行人、 自行车及摩托车等干扰; 针对车辆阴影检测后的二值化图像, 采用适合的形态学方法进行后期处理。对实际交通环境下的大量视频和图像进行测试的结果表明, 该方法可以有效地实现运动车辆的检测。     

无人机视角下的特征匹配引导粒子滤波跟踪算法

粒子滤波(particle filter, PF)算法被广泛应用于视觉目标的跟踪,然而,在无人机视角下,摄像机与画面中的目标同时运动,导致了PF对目标运动状态的预测失效.针对此问题,提出一种面向无人机视角下的改进的粒子滤波跟踪算法——特征匹配引导的粒子滤波跟踪算法.首先,利用相邻两帧图像中目标物体尺度不变特征变换(scale invariant feature transform, SIFT)特征匹配的结果作为初次定位;然后,利用空间加权的HOG特征与PF相结合获取二次定位结果;最后,利用chamfer distance修正跟踪结果的SIFT特征点作为下一帧特征匹配的模板,从而循环产生准确的视频跟踪结果.比较试验表明,该算法有效地改善了传统PF跟踪算法在无人机视角下运动状态预测方程失效的问题,能够较准确地对运动目标进行跟踪.     

一种应用于交通环境中的运动车辆跟踪方法

针对利用卡尔曼滤波进行运动车辆跟踪过程复杂的问题,提出了根据相邻两帧车辆的面积重叠率进行运动车辆预测的车辆跟踪方法,该方法提取前后两帧中所有车辆的最小外接矩形框等特征,把与前帧中面积重叠率最大的车辆作为前帧中对应车辆的最佳预测,根据提取的车辆特征进行匹配,从而完成车辆的跟踪。实验结果表明,该车辆跟踪方法的效果较好。