基于视频的车辆检测算法综述

首先回顾了各种车辆检测方法,指出视频检测技术日益成为最具优势、最有发展潜力的检测方法.在此基础上,对各种基于视频的车辆检测算法分别进行了详细介绍,并给出了它们的性能比较.最后,本文提出了基于视频的车辆检测算法研究的难点及未来发展趋势.     

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.     

基于差分均值背景提取和矩阵分区目标检测算法的研究

为提高对车辆图像的检测程度和实时性,针对智能交通系统,通过对实时路况的信息采集和视频图像的处理,提出了一种基于差分均值的背景提取计算方法和矩阵分区域的阴影检测方法,最终得到一个视频车辆的检测原型,从而实现对运动车辆的检测.实验结果表明,此种方法简单、计算量小、鲁棒性高,能快速地提取出背景图像,检测出比较完整的车辆阴影,可满足多运动目标的实时检测要求.     

基于独立成分分析的运动车辆检测算法

根据独立成分分析原理,提出了一种基于固定点算法的运动车辆检测方法,并使用光谱冗余方法解决了独立成分分析检测结果通道不确定的问题。该方法将交通图像序列看作是由背景图像和运动车辆图像混合而成的观测信号,采用独立成分分析方法分离背景图像和前景运动车辆图像。独立成分分析方法能够分离出大量的背景信息如道路2边的树木和建筑物等,但分离出的前景图像仍包含有少量的路面信息,又一次结合光谱冗余方法去除了少量的路面信息,最终实现了运动车辆的检测。通过实验证明基于固定点算法的运动车辆检测方法有较强的抵抗图像背景灰度变化的能力,即使在外界天气、光照明显变化的情况下,依然可以准确、清晰地检测出运动的车辆,是一种具有较好鲁棒性的运动车辆检测方法。     

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.     

基于背景更新的运动车辆检测算法研究

在基于视觉的智能交通系统中,运动车辆的检测是最基础也是最关键的步骤。目前运动车辆检测中最常用的方法是背景差分法。该算法的关键在于背景图像的获取,由于背景图像的动态变化,为了有效的对车辆进行检测,需要对背景进行实时更新。因此,提出了一种新的基于像素点灰度值变化的自适应更新背景的算法,该算法在背景变化的情况下,能实时地修正或更新当前背景图像,再结合差分法与阈值化分割出完整的运动目标。通过实验证明了算法的有效性和实时性。     

基于空间信息高斯混合模型的运动车辆检测

针对传统的高斯混合模型运动目标检测法仅仅在像素域的时间尺度上对像素进行分类,而忽视空间位置信息,导致在背景图像和场景的动态变化情况下造成误判等问题,提出了一种基于空间邻域加权的高斯混合模型的运动车辆检测方法.该方法首先根据像素的空间尺度上特征信息,定义了一个具有抑制噪声能力的空间信息函数;然后设计了具有空间约束的当前像...     

基于背景差分的高速公路运动目标检测算法

针对背景差分法难以适应光照变化频繁且对实时性要求较高的高速公路监控环境的问题,提出一种差分图像自适应阈值确定算法,利用统计学方法对差分图像中目标的灰度值进行快速有效的分类,并将分类界限作为自适应阈值,再利用差分图像的梯度分布辅助判断运动目标的区域.试验结果表明,该算法可以适应不同的监控环境,能准确识别交通目标,且具有较好的稳定性.     

融合聚类法的改进三帧差分车辆检测算法

针对三帧差分法在车辆检测任务中出现的前景点误检和漏检问题,提出了一种融合K-means聚类的改进三帧差分车辆检测算法。首先,综合当前图像分别与改进算法所选两帧的差分结果,初步判定像素点类别并定义待分类点;其次,结合待分类点在三帧内的灰度特征对其进行K-means聚类,并依据点的坐标信息修正聚类结果,得到待分类点类别;最后,设计车辆形状修正方法,填补空洞并修正目标边界,完成检测。实验结果显示,改进算法在2种不同场景视频上的检测效果达到了81.72%的平均精确率、93.85%的平均召回率以及87.34的平均F₁值,各指标值相比于原三帧差分法平均有11.86%提升,较好解决了检测中前景点误检和漏检的问题。     

基于SLIC-DPC算法的车辆检测研究

针对密度峰值聚类算法存在对噪声敏感,在图像较大时检测时间较长等问题,以停车场车位为检测研究对象提出一种简单线性迭代聚类-密度峰值聚类算法.首先对线性迭代聚类算法中颜色与空间距离值进行分析;接着运用主成分分析算法对图像的特征矩閜进行降维;其次改进线性迭代算法的距离函数以处理像素边界和形状;最后将算法运用于停车场车辆检测,...     

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。     

一种自适应背景差分运动目标检测算法

运动目标检测是运动行为理解的前提,也是安防系统研究的热点、难点问题。在分析现有检测算法的基础上,针对背景更新模型不准确、分割阈值难以选取等问题,提出了一套自适应背景差分运动目标检测算法。算法包括：基于像素相关区域灰度曲率特征的背景更新模型,基于直方图统计的动态阈值,改进型区域生长的运动目标标识。实验表明该算法能较好解决光照变化所引起的背景更新以及不同环境下阈值选取等问题。     

基于图像对称差分运算的运动小目标检测方法

提出了一种基于图像对称差分运算的运动小目标检测新方法．该方法以连续三帧序列图像为一组处理对象,先进行绝对差运算,再作均值滤波,保证了算法能很好地检测出复杂背景中的低信噪比、运动小目标;单帧二值图像处理以及基于运动轨迹连续性的目标检测后处理,可以在保证系统检测概率的前提下减少目标检测的虚警概率．实验表明,该方法性能比图像差分法要好,与累积图像差分法相差无几,且硬件实现容易．     

一种基于运动背景的视频对象分割算法

随着MPEG-4和MPEG-7的研究发展,基于内容编码和面向对象的存取和交互技术日益得到人们的重视,视频分割技术正在成为当前视频研究领域的热点之一,但是,目前的分割研究大部分是在没有全局运动的情况下进行的,对于运动背景下视频对象的分割研究还不多.为此,提出了一种新的基于改进分水岭和光流的视频分割算法,即先将原始图像使用改进的分水岭算法标记成不同的灰度区域,然后以光流法得到的对象运动信息作为评判准则,将这些区域分别归类于前景对象和背景,达到从运动背景中分割出前景对象的目的.仿真实验表明,此算法能够较精确地分割出视频对象.     

一种基于改进帧差法的运动目标检测

针对视频中的运动目标离摄像头较近时由于形状的变化而导致目标边界测定不准确的问题,在帧间差分法的基础上,提出了一个求精运动目标边界的算法。先用得到边界值计算目标中心点,再对视频中的运动目标进行运动距离和速度的检测,并在Matlab中进行仿真。实验结果表明,该算法对帧差法的结果进行求精后,得到的运动目标的状态值更接近于实际情况,改进的算法更适合于视频中运动目标形状变化较大的情况下进行运动目标状态的检测。     

Background Subtraction and Frame Difference Based Moving Object Detection for Real-Time Surveillance

A new real-drie algorithm is proposed in this paperfor detecting moving object in color image sequencestaken from stationary cameras. This algorithmcombines a temporal difference with an adaptivebackground subtraction where the combination isnovel. When changes occur, the background isautomatically adapted to suit the new conditions. Forthe background model, a new model is proposed witheach frame decomposed into regions and the model isbased not only upon single pixel but also on the     

Background Subtraction and Frame Difference Based Moving Obiect Detection for Real-Time Surveillance

A new real-time algorithm is proposed in this paper for detecting moving object in color image sequences taken from stationary cameras. This algorithm combines a temporal difference with an adaptive background subtraction where the combination is novel. When changes occur, the background is automatically adapted to suit the new conditions. For the background model, a new model is proposed with each frame decomposed into regions and the model is based not only upon single pixel but also on the characteristic of a region. The hybrid presentation includes a model for single pixel information and a model for the pixel's neighboring area information.This new model of background can both improve the accuracy of segmentation due to that spatial information is taken into account and saliently speed up the processing procedure because portion of neighboring pixel can be selected into modeling. The algorithm was successfully used in a video surveillance system and the experiment result shows it can obtain a clearer foreground than the single frame difference or background subtraction method.     

运动车辆阴影的快速检测算法

针对室外交通监控系统遇到的环境光性质变化等问题,提出一种运动车辆阴影快速检测算法.算法首先根据局部阴影模型,利用亮度比判据进行阴影初检测,然后根据动态边缘投影估计得到的车体位置剔除伪阴影,最后根据亮度比统计直方图对亮度比判据阈值进行自适应更新.为验证算法的有效性,分别在不同监控场景、不同日照情况下,对车辆阴影检测进行了实验.实验结果表明:该算法检测速度快,精度高,不受光源性质变化造成的颜色漂移现象的影响,能准确剔除阴影,适合室外环境下的车辆动态检测.