基于特征光流的多运动目标检测跟踪算法与评价

光流车辆检测算法其光流不仅携带了运动物体的运动信息,还包含丰富的三维结构信息,能够在未知场景信息的情况下对运动目标进行准确检测;但传统光流法计算方法复杂、抗噪性能差、处理速度缓慢,无法满足多目标实时检测的实际需求。为提高光流法实时检测效率,同时保持较好的检测精度,提出了一种基于Harris特征点光流及卡尔曼滤波模型的多运动目标跟踪算法;并提出新的视频目标检测算法性能评价指标。通过对不同实验场景下多个运动目标的检测与跟踪实验统计结果表明,对比主流Meanshift车辆跟踪算法,检测精度平均提高4.61%;且跟踪持续性提升41.5%,具有更好的鲁棒性及准确性。在时间效率上较比传统光流法平均提升42.9%,能够更好地满足目标跟踪实时性要求。     

基于DBSCAN算法的城市车辆出行次数建模及应用

车辆出行次数是城市车辆出行的基本特征之一,一般采用抽样调查获得。利用城市车辆RFID(radio frequency identification)出行数据,提出了一种基于DBSCAN(density-based spatial clustering of application with noise)算法的车辆出行次数计算方法。首先,利用k-差值法计算出DBSCAN算法中ε-邻域半径;然后,利用车辆一周(月、季度、年)的RFID轨迹链数据进行DBSCAN密度聚类,获取车辆出行时间特征和出行次数。实验表明,该方法具有较高的准确性,实现简单。