交通视频监控中的车辆检测技术研究.doc

交通视频监控中的车辆检测技术研究 目录 引言 5 第一章 绪论 6 1.1研究背景 6 1.2 研究目的和意义 6 1.3 国内外研究现状 7 1.3.1帧差法 7 1.3.2背景消减法 8 第二章 自适应Kalman滤波的车辆检测 10 2.1图像的预处理 10 2.1.1 图像滤波 10 2.1.2 图像锐化 11 2.1.3 图像增强 12 2.1.4 边缘检测 12 第三章 基于高斯混合模型的运动检测 14 3.1 基于高斯混合模型的运动车辆检测 15 3.1.1 高斯混合模型方法简介 16 3.1.2 估计当前状态 17 3.1.3 背景模型估计 18 第四章 图像检测算法分析与设计 20 4.1 算法思想与分析 20 4.2算法设计 22 4.3实验与分析 24 4.4 实验结果分析 26 第五章 系统功能的原理及实现 27 5.1 运动目标的检测 27 5.1.1 基本思想 27 5.1.2 程序流程图 28 5.1.3 图像处理后的结果 28 5.2运动目标跟踪 29 5.2.1基本思想 29 5.2.2 程序流程图 30 5.2.3 图像处理后的结果 31 5.3运动目标的检索 31 5.3.1基本思想 31 5.3.2程序流程图 32 5.3.4 图像处理后的结果 32 第六章 交互界面GUI设计 34 6.1 GUI控件设计 34 6.2 交互界面程序编写 34 第七章 结论 38 参考文献 39 摘 要 视频车辆的检测是智能交通系统的核心技术之一，也是智能交通系统中其他技术的基础。由于运动车辆检测技术的复杂性，多变性，该技术仍处于起步阶段，需要不断的研究并加以改进。本论文针对车辆检测中的一些关键问题进行了探索和研究，提出了新的方法，并通过实验证明了新方法的有效性。 本文首先介绍了车辆检测的常用方法(帧间差法，光流法，边缘检测法，背景差分法)。提出了基于自适应的Kalman滤波的方法来进行背景提取和更新。通过大津阈值来获得西个自适应的参数。通过实验对比，本文所提出的方法，对于相对简单的背景，能够很好地提取出运动车辆，而且能够较好地适应光线突变情况。并且对高斯混合模型进行了改进，由于更新参数设为固定值后，背景模型建立会比较慢，对初始化背景做出了改进。提出不同学习率的方法来使得模型更加快速的收敛。提出了新的目标决策模型，使得检测结果更加准确和稳定。通过实验，给出了高斯混合模型参数的经验设定值。我们可以看到本文所采用的高斯混合模型能够较好地描述背景，而采用了新的目标决策模型，对于行驶比较缓慢的大型车辆，同样具有较好的检测效果。 关键词：车辆检测，高斯混合模型，Kalman滤波，背景更新，归一化互相关系数 Abstract Vehicle detection in video surveillance is one of the core technologies．Awell as the base of other technologies in the Intelligent Transportation System．Because of the complexity and variability, the technology remains premature．and the technology nds for continuous studies and improvements．New solutions for some key issues of vehicle detection are explored，and experiments show their efficiency． The commonly used detection methods(frame-difference，optical flow, edge detection and background-difference)are introduced．Based on adaptive Kalman filter, the background is extracted and updated．Two adaptive parameters are obtained by Otsu threshold．For relatively simple background，the new method is able to extract moving vehicles well，and is able t adapt to sudden change in light．As the updating parameters are set to a fixed value，the slower backgrou