基于改进Canny边缘检测算法的车辆排队长度检测方法

提出了一种新的车辆队列检测方法,主要通过一种改进Canny边缘检测方法来检测交通路口的车辆排队长度.实验表明,与传统的基于图像处理的方法相比,该方法的耗时有显著降低,利用该方法可提高道路资源利用率,缓解交通堵塞情况,提高车辆通行率.     

头肩视频图像的运动物体自动提取

介绍、比较区域分割、运动分割和物体分割的概念及其在视频序列图像分割中的应用。分析说明各种运动状态下帧差图像与相应帧灰度图像的关系。提出了基于帧差图像边缘与灰度图像边缘之间强相关性的运动物体边界自动跟踪、提取算法。利用运动物体边界的闭包分割、提取运动物体。提出了多层次运动物体描述的思想。     

高速运动物体的视长度

本文从闵可夫斯基空间－时间图导出高速运动物体的视长度与固有长度的关系式，方法直观严密，结果具有普遍意义，并讨论了视长度的概念。     

视频检测技术检测交通流参数的原理与方法

本文对运用频检测技术检测交通流参数的原理和方法进行了详细的介绍,给出了各种交通 检测和处理方法及具体的数据处理关系。     

智能交通中的车辆检测技术及其发展

文章概述了发展车辆检测技术的必要性及车辆检测器的分类,分析和比较了磁频车辆检测器中的感应线圈、磁性、地磁、微型线圈、磁成像及波频车辆检测器中的雷达微波、红外线、超声波等车辆检测器的原理和特点,并对视频检测技术做了简要论述,最后介绍了未来车辆检测技术的三个发展方向。     

视频车辆检测技术及发展趋势

视频车辆检测技术正朝着智能化、网络化、集成化、实时性、视觉检测立体化等方向发展。视频车辆检测技术分为非模型交通信息检测技术和基于模型跟踪的交通信息检测技术两大类。对视频车辆检测技术在实际使用中存在的问题进行分析研究,提出相应的解决方法和改进措施。需进一步加强对视频检测算法的优化和改进研究,以提高检测算法的速度、准确度、自适应性,保证图像处理的实时性和有效性。     

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．     

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%。     

交通车辆视频图像传输实时优化检测仿真

随着社会经济的快速发展,人们生活水平的大幅度提升,私家车的数量大幅度增加.受此影响,交通事故发生率也呈现出上升趋势.在对交通事故处理时,交通车辆视频图像传输技术的应用,为交通事故的有效处理提供了参考和依据,提升了交通事故处理的效率.在对交通车辆视频图像进行处理时,需要对视频图像中的高频分量进行清除,从而对信息进行实时获...     

车辆视频检测算法的研究

车辆视频检测是近年来逐步发展起来的一种新型车辆检测方法,是智能交通系统研究中的一个重要方向。本文阐述了车辆视频检测相关算法,主要包括车辆存在检测、车速测量与车型识别的算法的设计,以及各个算法的影响因素分析与对策。     

基于视频图像处理技术的道路交通参数检测

介绍了图像处理和分析方法在实时交通参数检测中的应用,提出了通过对交通画面现场采集的图像处理分析而得到交通参数的方法,并在微机上实现。     

复杂背景中视频图像目标的检测

研究带有运动景物的复杂背景中视频图像运动目标的检测。用图像差分法提取运动目标信息;针对运动景物在差分图像中产生强脉冲干扰的特点,提出K领域自适应滤波算法;采用二维熵准则选择最佳二值化阈值;最后用图像形态学运算处理目标的分割碎块。中给出了实验结果。     

基于Flash的物体运动编程方法

用Flash编程实现物体的运动，绘制运动轨迹、运动曲线和函数图形，制作交互式多媒体课件，极大地方便了物理、数学的教学，结合实例详尽地说明使用Flash电影剪辑对物体运动进行编程的方法。     

视频检测技术：在象素中的图象处理——对视频检测技术演变的看法

仅仅在七十五年内,交通检测已经由警察直接观察交通现象、手动控制交通信号转化为以“视频”检测为主的交通检测,从而能够完全实现利用视频自动追踪车辆的手段自动检测以交通流量为主的变通参数,自动地控制交通信号并对危险事件进行报警。     

再论高速运动物体的视觉图像

研究了自左至右高速运动物体，左侧图象的极限位置及左侧图像的规律。     

大背景噪声下动目标实时检测方法研究

提出用帧间方块编码差值法和领域综合法提取运动目标。第一种方法是把当前帧方块的二值图像像素编码值与前帧对应的二值图像像素编码值求差值，由差值检测运动目标；第二种方法是检测２×２方块内各像素的帧差值符合位和帧差绝对值，由二判别是否运动像素。与普通帧差法相比，提高了抗噪度，改善了运动目标的边缘特性，减少了硬件量。检测算法可以以视频速率工作。实验结果表明，所提出的检测方法是有效的。     

具有抗噪性能的运动检测的硬件实现

设计了用硬件实现的两种检测算法的原理框图。可实时对２５６×２５６的图像进行运动目标检测处理。用硬件实现了噪声的实时检测与计算，为门限值的确定提供了依据。按照所提出的算法建立的实时系统具有较强的抗噪能力和一定的自适应能力，它具有简单、实时的特点，其结构可以扩展到处理５１２×５１２的图像，适合于ＶＬＳＩ的实施。     

基于视频图像的运动目标检测与跟踪研究

实际生活中,每时每刻都有千万种物体在进行运动,而这些不同的运动物体对不同的群体传达着不一样的视觉信息,对于群体来说,这些视觉信息给他们带来了重要的现实意义。然而在人们用视觉捕捉到的信息里,往往只对对自己有存在价值的运动目标或物体感兴趣,研究基于视频图像的运动目标的检测与跟踪,有很大的现实意义和实际价值。目前在实验室环境中已实现了对运动目标的检测和跟踪。在运动目标检测方面,参考理论,用帧间差分法得到基本完整可靠的运动目标;在运动目标跟踪方面,利用一种低复杂度的分块搜索算法,能对其进行仿真实验与编程实现。     

针对视频运动向量隐写的深度神经网络检测方法

现有的深度神经网络隐写检测技术主要针对数字图像隐写,但视频隐写与图像隐写存在很大差异,因此无法将用于图像隐写分析的深度神经网络直接用于视频隐写分析。为此,文中以修改运动向量的视频隐写为检测对象,在新型图像隐写分析网络SRNet基础上,设计了一种用于视频隐写检测的深度神经网络,构造了能准确反映运动向量隐写修改的输入矩阵。实验结果表明,文中提出的方法对中低码率的视频检测准确率明显高于两种传统的视频隐写分析方法,且对不同码率的视频检测性能平稳。