道路交通环境下车辆前景提取算法研究.pdfVIP

Algorithm Study on Vehicle Foreground Extraction Under Road Traffic Environment A Thesis Submitted for the Degree of Master Candidate：Qin Yanyan Supervisor：Prof. Xu Hongke Chang’an University，Xi’an ，China 摘 要 智能交通系统（Intelligent Transportation Systems, ITS ）涵盖了交通领域的方方面 面，基于视频图像的交通流数据采集与交通行为自动分析顺应了ITS 的发展，成为ITS 的热点研究领域。基于图像处理的车辆前景提取作为这一研究中基础而又重要的步骤 之一，在ITS 发展中，有着重要的理论研究意义和潜在的应用价值。 本文将车辆前景提取分为车辆运动检测和车辆阴影消除两个步骤，以车辆前景提 取为目的，对车辆运动检测和车辆阴影消除进行分析与研究。首先，详细分析混合高 斯模型（Gaussian Mixture Model, GMM ）原理并阐述GMM 缺陷及其原因。针对GMM 背景建模简单，易受初始时刻车辆前景干扰的问题，本文引入格拉布斯异常值判别准 则，提出了基于时域约束平均的GMM 背景建模方法；依据改进的帧间差分法和GMM 背景更新原理，提出了基于四分区自适应GMM 的车辆运动检测算法，以此解决传统 GMM 存在的车辆空洞问题、ghost 问题和车辆停车误检测问题。然后，在对阴影分 析的基础上，指出本文车辆阴影消除是指对行驶车辆投射阴影的消除。针对单一采用 颜色特征进行阴影消除的不足，本文通过Log 域差分，弱化阴影，得到肯定是车辆前 景的区域，以此对基于HSV 颜色空间特征的阴影消除方法进行约束，提出了基于Log 域差分和HSV 颜色空间特征的车辆阴影消除方法。最后，对所提算法进行仿真实验 分析，并依据基本的数学知识，定义了空洞填补率，以此对车辆空洞问题的解决程度 进行量化分析。 实验结果表明，所提出的改进GMM 算法可以克服原GMM 缺陷，所提出的车辆 阴影消除方法性能良好。验证了本文通过车辆运动检测和车辆阴影消除来提取车辆前 景的可靠性。 关键词：智能交通，车辆前景提取，车辆运动检测，车辆阴影消除 I Abstract Intelligent transportation systems (ITS) cover all aspects of transportation field. Traffic flow data collection and automatic analysis of traffic behavior based on video images, having been a hot research field, conform to the development of ITS. Vehicle foreground extraction using image processing is considered to be a basic and important step in this hot research field and has important theoretical significance and potential applications in the development of ITS. In this paper, vehicle foreground extraction was divided into two steps: vehicle mot