自适应背景更新的视频车辆检测
- 格式：pdf
- 大小：200.62 KB
- 文档页数：4
文档推荐
-
自适应背景更新的视频车辆检测页数:4
-
自适应背景混合模型页数:13
-
一种自适应背景差分运动目标检测算法页数:5
下载文档原格式
合集下载
车辆视频检测原理
车辆视频检测原理
车辆视频检测是指利用视频处理技术对道路上行驶的车辆进行实时监测和识别的技术方法。
其原理可以概括为以下几个步骤：
1. 视频采集：通过摄像机或监控摄像头对道路上的车辆进行实时录制。
视频采集需要具备较高的分辨率和帧率，以获取清晰且连续的图像。
2. 图像预处理：对视频图像进行预处理，包括去噪、图像增强、图像对比度调整等。
预处理可以提高图像质量，减少噪声干扰，使后续处理更加准确和稳定。
3. 目标检测：利用计算机视觉算法对预处理后的图像进行目标检测。
目标检测算法通常使用特征提取和分类器训练的方法，通过提取图像中的边界、纹理、颜色等特征，并使用分类器判断是否为车辆。
4. 目标跟踪：对检测到的车辆进行跟踪，以实现对其运动轨迹的实时追踪和分析。
跟踪算法一般基于目标的位置、速度和运动方向等信息，通过连续帧之间的匹配和预测，实现目标的跟踪。
5. 车辆识别：对跟踪到的车辆进行识别和分类，通常使用机器学习工具和模型来进行车辆特征提取和识别。
识别可以根据车辆的品牌、车型、颜色等特征进行分类和识别，并获取更详细的车辆信息。
6. 数据分析和应用：对检测到的车辆信息进行分析和处理，可以用于实时车流监测、拥堵预警、交通态势分析等应用。
同时，也可以将车辆信息与其他数据进行关联，如车牌识别、人脸识别等，用于实现更全面的交通安全管理和智能交通系统。
利用改进的背景模型实现车辆检测
摘 要 ：为 解 决 基 于 背 景 差 分 的 车 辆 检 测 办 法 易 受 交 通 状 况 影 响 的 问 题 ， 先 建 立 基 于 区 间 分 布 首
的 自适 应 背 景 模 型 ， 后 利 用 改 进 的 背 景 更 新 算 法 对 建 立 的 背 景 模 型 选 择 性 更 新 ， 后 结 合 阈值 分 割 然 最
Байду номын сангаас
随 着 智 能 交 通 技 术 的 发 展 ， 能 交 通 系 统 中交 通 检 智 测 已经 成 为 计 算 机 视 觉 技 术 应 用 的 一 项 重 要 课 题 。 列 序 图 像 中 车 辆 检 测 与 跟 踪 在 智 能 交 通 领 域 中 起 着 关 键 作 用 。 车 辆 检 测 常 用 的 方 法 有 基 于 帧 间 的 差 分 办 法 、 流 光
提高。
关 键 词 ：车 辆 检 测 ； 自适 应 背 景 模 型 ； 择 性 更 新 ； 值 分 割 选 阈
中 图分 类 号 ：Ｔ ３ １４ Ｐ ９ ．１ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１７ — ７ ０ ２ １ ） ６ ０ ５ — ４ ６ ４ ７ ２ （０ ０ １ — ０ ０ ０
ｎｓ ａｄ ｅｃｌ ｎ ｒａ－ｉ ｅ ｏｍ ｎ ｅｉ ｒ ｆ ｃｎｓ ｓｅｉｌ ，ｔ ｐｅｅ ｔｔｅ ｂｃ ｇｏｎ ｏ ｅ ｆ ｍ ｉｃｒｏａ ｎ ｂｅｔ ｅｓ ｎ ｘｅ ｅｔｅ ｌ ｔ ｌ ｍｅ ｐｒ ｒ ａｃ ｎ ｔ ｆｃ ｓｅｅ ．Ｅｐ ｃ ｌ ｏ ｒｖｎ ｈ ａｋ ｕ ｄ ｍ ｄｌ ｒ ｎｏｐｒｔ ｇ ｏｊ ｓ ｆ ａ ｉ ａｙ ｒ ｏ ｉ ｃ
Ｖｅ ｉｌ ｅｅ ｔｏ ｓｎ ｍｐ ｏ ｅ ａ ｋ ｒ ｕ ｄ ｅ ｔ ｔ ｎ ｈ ｃｅ ｄ ｔｃｉｎ ｕ ｉ ｇ ｉ ｒｖ ｄ ｂ ｃ ｇｏ ｎ ｓｉ ｉ ｍａ ｏ
的 自适 应 背 景 模 型 ， 后 利 用 改 进 的 背 景 更 新 算 法 对 建 立 的 背 景 模 型 选 择 性 更 新 ， 后 结 合 阈值 分 割 然 最
Байду номын сангаас
随 着 智 能 交 通 技 术 的 发 展 ， 能 交 通 系 统 中交 通 检 智 测 已经 成 为 计 算 机 视 觉 技 术 应 用 的 一 项 重 要 课 题 。 列 序 图 像 中 车 辆 检 测 与 跟 踪 在 智 能 交 通 领 域 中 起 着 关 键 作 用 。 车 辆 检 测 常 用 的 方 法 有 基 于 帧 间 的 差 分 办 法 、 流 光
提高。
关 键 词 ：车 辆 检 测 ； 自适 应 背 景 模 型 ； 择 性 更 新 ； 值 分 割 选 阈
中 图分 类 号 ：Ｔ ３ １４ Ｐ ９ ．１ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１７ — ７ ０ ２ １ ） ６ ０ ５ — ４ ６ ４ ７ ２ （０ ０ １ — ０ ０ ０
ｎｓ ａｄ ｅｃｌ ｎ ｒａ－ｉ ｅ ｏｍ ｎ ｅｉ ｒ ｆ ｃｎｓ ｓｅｉｌ ，ｔ ｐｅｅ ｔｔｅ ｂｃ ｇｏｎ ｏ ｅ ｆ ｍ ｉｃｒｏａ ｎ ｂｅｔ ｅｓ ｎ ｘｅ ｅｔｅ ｌ ｔ ｌ ｍｅ ｐｒ ｒ ａｃ ｎ ｔ ｆｃ ｓｅｅ ．Ｅｐ ｃ ｌ ｏ ｒｖｎ ｈ ａｋ ｕ ｄ ｍ ｄｌ ｒ ｎｏｐｒｔ ｇ ｏｊ ｓ ｆ ａ ｉ ａｙ ｒ ｏ ｉ ｃ
Ｖｅ ｉｌ ｅｅ ｔｏ ｓｎ ｍｐ ｏ ｅ ａ ｋ ｒ ｕ ｄ ｅ ｔ ｔ ｎ ｈ ｃｅ ｄ ｔｃｉｎ ｕ ｉ ｇ ｉ ｒｖ ｄ ｂ ｃ ｇｏ ｎ ｓｉ ｉ ｍａ ｏ
一种基于视频的车辆检测新方法
Ａｂ ｔａ ｔ ｓ ｒ ｃ ：Ｔｈ ｓ ｐａ ｅ ｉ ｃ ｓ ｅ ｔ ｅ ｉ ｒ ｖ ｍｅ ｆ ｆ ａ － ｉｆ ｒ ｎ ｅ ｉ ｐ ｒ ｄ ｓ ｕ ｓ ｓ ｈ ｍｐ ｏ ｅ ｎｔ ｏ ｒ ｍｅ ｄ ｆｅ ｅ ｃ ｍｅ ｈ ｄ ｎ ｅ ｅ ｔ ａ ｎ ｗ ｔ ｏ ａ ｄ ｐｒ ｓ ｎ ｓ ｅ
ＺＨ ＡＮＧ ｎｇ， ＹＩＷ ｅ —ｍ ｉ ｇ， ＨＥ ｅ ， ＣＨＥＮ － ｉ Ｌｉ ｉ ｎ Ｗ ｉ Ｌｉ ｍ ｎ （ ｏｌｇ ｆ ｏ Ｃ ｌ ｅｏ ｍｍｕ ｉａｉｎＥｎ ｉｅ ｒ ｇ Ｃ ｏ ｇ ｉｇＵｎｖ ｒｉ ， Ｃ ｏ ｇ ｉｇ４ ０ ４ ｅ Ｃ ｎｃ ｔ ｇｎ ｅｉ ， ｈ ｎ ｑｎ ｉｅｓｔ ｏ ｎ ｙ ｈ ｎｑｎ ０ ０ ４， Ｃ ｉａ ｈｎ ）
张 玲 ，易 卫 明 ，何 伟 ，郭 磊 民 ，陈丽 敏
（ 庆 大学 通 信 工 程 学 院 ，重 庆 ４ ０ ４ ） 重 ０ ０ ４
摘 要 ：基 于 对 传 统 帧 差 法 的 改 进 ， 并 结 合 边 缘 检 测 法 ， 提 出 一 种 环 境 自适 应 能 力 强 、 计 算 量 小 、 适 合于运 动和静 止车 辆 同时检测 的车辆 检测 新方 法。该 方 法可正 确判 断有无车 辆 ，完成 车辆 的计数 ， 实 现 车 流 量 计 算 和 车 速 估 计 。 在 计 数 算 法 中 采 用 预 估 校 正 、 相 关 性 修 正 等 措 施 ，提 高 了检 测 精 度 ， 大 大 改 善 了车 辆 检 测 效 果 ， 可 为 交通 监 控 系统 提 供 实 时 有 效 的 交 通 参 数 。 关 键 词 ：车 流 量 ： 邻域 比较 ：边 缘 检 测 ； 数 据 流 ； 相 关 性
中 图 分 类 号 ：Ｔ ９ １ ３ Ｎ １． ７ 文 献 标 识 码 ：Ａ 文 章 编 号 ： １ ７ — ８ ２ｆ０ ６０ — ２ ４ ０ ６ ２ ２ ９ ２ ０ ）４ ０ ６ — ５
ＺＨ ＡＮＧ ｎｇ， ＹＩＷ ｅ —ｍ ｉ ｇ， ＨＥ ｅ ， ＣＨＥＮ － ｉ Ｌｉ ｉ ｎ Ｗ ｉ Ｌｉ ｍ ｎ （ ｏｌｇ ｆ ｏ Ｃ ｌ ｅｏ ｍｍｕ ｉａｉｎＥｎ ｉｅ ｒ ｇ Ｃ ｏ ｇ ｉｇＵｎｖ ｒｉ ， Ｃ ｏ ｇ ｉｇ４ ０ ４ ｅ Ｃ ｎｃ ｔ ｇｎ ｅｉ ， ｈ ｎ ｑｎ ｉｅｓｔ ｏ ｎ ｙ ｈ ｎｑｎ ０ ０ ４， Ｃ ｉａ ｈｎ ）
张 玲 ，易 卫 明 ，何 伟 ，郭 磊 民 ，陈丽 敏
（ 庆 大学 通 信 工 程 学 院 ，重 庆 ４ ０ ４ ） 重 ０ ０ ４
摘 要 ：基 于 对 传 统 帧 差 法 的 改 进 ， 并 结 合 边 缘 检 测 法 ， 提 出 一 种 环 境 自适 应 能 力 强 、 计 算 量 小 、 适 合于运 动和静 止车 辆 同时检测 的车辆 检测 新方 法。该 方 法可正 确判 断有无车 辆 ，完成 车辆 的计数 ， 实 现 车 流 量 计 算 和 车 速 估 计 。 在 计 数 算 法 中 采 用 预 估 校 正 、 相 关 性 修 正 等 措 施 ，提 高 了检 测 精 度 ， 大 大 改 善 了车 辆 检 测 效 果 ， 可 为 交通 监 控 系统 提 供 实 时 有 效 的 交 通 参 数 。 关 键 词 ：车 流 量 ： 邻域 比较 ：边 缘 检 测 ； 数 据 流 ； 相 关 性
中 图 分 类 号 ：Ｔ ９ １ ３ Ｎ １． ７ 文 献 标 识 码 ：Ａ 文 章 编 号 ： １ ７ — ８ ２ｆ０ ６０ — ２ ４ ０ ６ ２ ２ ９ ２ ０ ）４ ０ ６ — ５
交通视频监控中的车辆检测与分割方法研究
基于深度学习的方法通过深度神经网络的学习来进行目标识别。该方法具有较 高的准确性和自适应性，能够处理各种复杂场景和未知目标的识别。然而，基 于深度学习的方法需要大量的训练数据和计算资源，对于实时性要求较高的监 控系统来说，需要优化算法以提高效率。实验结果显示，基于深度学习的方法 在运动目标识别方面具有较好的效果，但需要进一步完善和优化。
基于深度学习的方法是一种通过深度神经网络来学习目标特征进行跟踪的方法。 该方法具有较高的准确性和自适应性，能够处理各种复杂场景和未知目标的跟 踪。然而，基于深度学习的方法需要大量的训练数据和计算资源，对于实时性 要求较高的监控系统来说，需要优化算法以提高效率。实验结果显示，基于深 度学习的方法在运动目标跟踪方面具有较好的效果，但需要进一步完善和优化。
车辆检测是智能交通系统中的基础任务之一，其主要目的是从视频图像中识别 和提取车辆。传统的方法通常基于图像处理技术，如滤波、边缘检测、形态学 处理等。这些方法在处理复杂交通场景时，由于车辆形状、大小、光照条件等 因素的影响，往往效果不佳。近年来，深度学习技术的发展为车辆检测提供了 新的解决方案。深度学习技术可以通过学习大量的标注数据，自动提取特征， 从而实现更示对智能交通系统中基于视频图像处理的车辆检测与跟踪方法进 行了全面的综述。虽然现有的方法已经取得了一定的成果，但仍存在许多不足 之处，需要未来的研究进行深入探索。未来的研究应以下几个方面：1）如何 进一步提高车辆检测与跟踪的准确性；2）如何处理复杂的交通场景和应对不 同的挑战；3）如何将视频图像处理技术与其他技术相结合，推动智能交通系 统的技术创新和应用推广；4）如何解决隐私保护和数据安全问题。
运动目标识别
在视频监控中，运动目标识别的方法主要有传统图像识别方法和基于深度学习 的方法等。
智能交通系统中视频背景实时更新技术的改进研究
摘要 ：车辆 检测是 智能 交通 系统 （Ｔ ） ＩＳ 的核 心。探 讨采 用 自适应 算 法对 背景进 行 实时更 新的 方法 ， 能有效 削弱恶劣 天 气和 环境 变化在 画 面上产 生的各 种噪 声 。 实验 表 明此 方 法
具有很好的实时性， 能满足视频车辆检测的要求。还探讨 了一种在堵车的复杂环境下背
图 ２所示 ：
须设法 去除 阴影除结果如 图 ３所示 。
■ ■ ■
（ ）车辆提取图 ａ （） ｂ 提取车辆去 （ ） ｃ 去除阴影后
除阴影 图
进行补偿图
图 ３ 车辆 目标阴影消 除结果
■ ＿ｌ
（ ）第 １０帧 图像 （ ） ａ ｎ法提取 ａ ０ ｂＫ ｌ ｍａ （ ）Ｋ ｌ ａ ｃ ａｍ ｎ法得 到
一
１ 背景的提取及更新
１ １ 背景 的提取 ．
要获取背景初始图像 ， 最理想的状态 ， 是在场景 没有运动物体的情况下进行 ， 实际应用 中这种要求 几乎无法满足 ， 往往需要在场景 中存在运动 目标 的 情况下获得背景初始图像 ， 即要从摄像机拍录的连 续视频序列中提取背景图像。提取背景图像的方法 有 以下 几种 ： １１１ 统计法 ．． 统计法可分为两种 ： 统计直方 图法和统计 中值 法。前种方法考虑到路面上同一点被相同亮度的车 辆 长时 间覆盖 的可能性 很小 ， 度处 在不 断变化 中 ， 亮 统计出一段时 间内某像素点上不 同亮度 出现的次 数， 其中出现次数最多的， 即直方图中最大值 ， 就是
景的 实时更新 算法 ， 用前景静 止物体 表 面灰 度值 的 变化量 ， 来估 算 背景 的 改 变量 ， 理 论 从 上 解 决停 车及 车辆缓行 条件 下的 背景更新 问题 ， 到扩展 背景差 法通 用性 的 问题 。 达 关 键词 ： 背景 差法 ； 车辆检 测 ；ａ ｎ滤波 ； ｋｌ ｍａ 自适 应背景 更新 中图分 类号 ： ４７５ Ｕ ６． 文献标 识码 ：Ａ
复杂环境下基于图和条件随机域的运动车辆检测
ｇ ａ ｎ ｏ ｉｉ ｎａ ａ ｏ ｅｄ ｒ ｐｈ ａ ｄ ｃ ｎｄ ｔｏ ｌｒ ｎｄ ｍ ｆ ｌ ｉ
Ｆ Ｓｅ— ｎ Ｕ ｈ ｎ ｗｅ （ ｅａｔｅ ｔｆＭｅｈ ｎｃ ａｄ Ｅｅｔ ｎｃ ｕ ｎｄ ｎ Ｉ ｏｙｅｈ ｉ Ｃ ｌｇ ，Ｇ ａ ｇｈ ｕＧ ａ ｇ ｏｇ５ ０ ，Ｃ ｉａ Ｄｐ ｒ ｎ ｃａ ｉ ｎ ｌ ｒ ｉ ，Ｇ ａ ｇ ｏｇＡＢ Ｐ ｌｔ ｎｃ ｏｌ ｅ ａ ｎ ｚｏ ｕ ｎ ｄｎ ５ ７ ｈｎ ） ｍ ｏ ｓ ｃｏ ｓ ｃ ｅ １ ０
ｉ ａ ｅ ｌｃ ｌｄｅａ ｌ ｃ ｏ ｄ ｎ ｏｔ ｅ ｓｚ ｆｔ ｅ ｍｅ ａ ｉｎ ａ ｅ ， ａ ｏ ｅ ｍｅ ａｉ ｎ ｏ ｅ ｌ ｃ ｌｃ ａ ａ ｔｒｓｉ ｓｗｅｅ ｍ ｏ ｅ ｍ ｇ ｏ ａ ｔｉｓａ ｃ ｒ ｉ ｇ ｔ ｈ ｉｅｏ ｈｅ ｓ ｇ ｎｔｔｏ ｒ ａ ｎｄ ｇ ｔｓ ｇ ｎｔｔｏ ｓｗｈ ｓ ｏ ａ ｈ ｒ ｃｅ ｉｔｃ ｒ ｒ ｕ ｆ ｍ ． Ｆ ｎ ｌｙ， ｂａ ｅ ｏ ｈ Ｍ ａ ｋ ｖ ｎｉ ｏｒ ｉａｌ ｓ ｄ ｎ ｔｅ ｒ ｏ ｐｒ ｐ ｒｙ ｏ ｅ ｔ ｄｕ ｎｇ ｖ ｄ ｏ ｍ ａ ｅ ｅ ｍｅ ａ ｉｎ， ｔ ｅ ｅ ｍ ｅ ａ ｉｎ ｏ ｔ ｒｏ ｐ ｏ ｂｉｉ ｉ ｒ ｉ ｅ ｉ ｇ ｓ ｇ ｎｔｔｏ ｈ ｓ ｇ ｎｔｔｏ ｐ ｓｅ ｒ ｒ ｂａ ｌｔ ｉ ｙ
ｄ ｆ ｃ ｌ ｏ ｅｆ ｃｉｅ ｙ ｅｉ ｎ ｔ ｈ ｄ ｗｓ ｉｔ ｒ ｒ ｎ ｅ ｉ ｈ ｕ ｒ ｎ ｅ ｉｌ ｅｅ ｔ ｎ ｍｅｈ ｄ ．Ｆ ｒ ｔ ， ｔｉ ｔ ｏ ｂ ａ ｎ ｄ ｉ ｕ ｔ ｔ ｆ ｔ ｌ ｌ ｉ ｙ ｅ ｖ ｍｉ ａｅ ｓ ａ ｏ ｎ ｅｆ ｅ ｃ ｎ ｔ ｅ ｃ ｒｅ ｔｖ ｈｃ ｅ ｄ ｔ ｃｉ ｔ ｏ ｓ ｉｓ ｙ ｈ ｓ ｍｅ ｈ ｄ ｏ ｔ ｉｅ ｅ ｏ ｌ ｔ ｅ ｉ ｔｒ ｓｅ ｒ ａ ｂ ａ ｋ ｒ ｕ ｄ ｓ ｂ ｒ ｃｉ ｎ ｕ ｉ ｇ ｓ ｌｃ ｉｅ ｂ ｃ ｇ ｏ ｎ ｐ ａｅ ｔ ｏ ．Ｔ ｅ ，ｒ —ｅ ｍｅ ｔｔ ｎ ｗａ ｏ ｅｆ ｒ ｈ ｎｅ ｅ ｔ ｄ ａ ｅ ｙ ｂ ｃ ｇｏ ｎ ｕ ｔ ｔ ｓｎ ｅｅ ｔ ａ ｋ ｒ ｕ ｄ ｕ ｄ ｔ ｓｍｅｈ ｄ ａ ｏ ｖ ｈ ｎ ｅ ｓ ｇ ｎａ ｉ ｓｄ ｎ ｏ ｏ ｔ ｅ ｉ ｔｒ ｓｅ ｒ ａ ｖａ ｔ ｅ ｐ ｏ ｏ ｅ ｅ ｉ ｎ ｌｓ ｇ ｎ ａｉｎ ａｇ ｒ ｈ ｂ ｓ ｄ ｏ ｒ ｐ ．Ｇｌｂ ａ ｄ ｌｃ ｌ ｐ ｃ ｎ ｏ ｍａ ｉｎ ｏ ｅ ｈ ｎ ｅ ｅ ｔｄ ａ ｅ ｉ ｈ ｒｐ ｓ ｄ ｒ ｇ ｏ ａ ｅ ｍｅ ｔ ｔ ｌｏ ｉ ｍ ａ ｅ ｎ ｇ ａ ｈ ｏ ｔ ｏ Ｍ ｎ ｏ ａ ａ ｅ ｉｆ ｒ ｔ ｆｔ ｓ ｏ ｈ
基于DM6446的视频车辆检测跟踪系统设计和实现
系统设计和实现
吴忻 生 ， 一 何银 强 戚 其丰 ， 凯春 ， ＇徐
（ 南理 工 大 学 ，． 华 ａ 自动 化 科 学 与 工程 学 院 ；． 密 电子 制 造装 备 教 育 部 工程 研 究 中心 ， 东 广 州 ５０ ４ ） ｂ精 广 １６ ０
【 ｂｔ ｃ】 ｎｏ ｅ ｔｍ ｋ ｉｒ ｕ ｄｎｅｉ ｎ ｖ ｅ ｒ ｉａｃ ｓ ｍｍ ｅｔ ｔｌｅｃ ａｓｏｔｉ ’ ｎｅｓ ｖ ｅ ｈ ｌｄｔ ｔｎ ｔ ｃ— Ａ ｓ ａｔ Ｉ ｒ ｒｏ ａｅ ｓｉ ｔ ｔｌ ｅｔ ｉ ｏ ｕｖ ｌｎｅ ｙｔ ｅｔｈ ｉｅｉ ｎｅ ｒ ｐｒｔｎ ｓ ｅｄ ，ｉ ｏｖ ｉｅ ｅ ｃｏ—ｒ ｋ ｒ ｄ ｄ ｔｂ ｅ ｉ ｌｇ ｄ ｓ ｅｌ ｓ ｅ ｅ ｎ ｌｇ ｔ ｎ ａｏ ｄ ｅ ｃ ｅｉ ａ
ＷＵ Ｘｎｈｎ ＨＥＹ ｎｉｎ Ｉ ｉ ｎ ， Ｕ Ｋ ｉｈｎ ｉｓｅ ｇ ｉｑａｇ ，Ｑ ｆ ｇ Ｑｅ Ｘ ａ ｕ ｃ
（ ．Ｃｌｇ Ａ ｔ ａｉ ｃ ｎｅ ｎ ｎｉ ｅ ｎ ； ． ｎ ｉ ｅ ｎ ｅ ａｃ Ｃｎ ｒ ａ ｏ ｅ Ｄ ｕ ｍ ｔ ｎ ｉ ｃ ａｄＥ ｇｎ ｒ ｇ ｂ Ｅ ｇｎ ｒ ｇＲ ｓ ｒ ｅｔ ｌｅ 厂 ｏ ｏ Ｓ ｅ ｅｉ ｅｉ ｅ ｈ ｅ Ｐ ｅ ｓ ｎ ｌ ｔ ｎ ａ ｕ ｃ ｒ ｇＥ ｕ ｍ ｎ ， ｏｔ Ｃ ｉ ｎ ｅ ｉ ｃ ｏ ， ｕ ｎｚｏ １ ４ ， ｈ ａ ｒ ｉ ｅ ｒ ｉ Ｍ ｎ ａｔ ｉ ｑｉ ｅ ｓ Ｓｕ ｈ ａＵ ｉ ｒｔ ｏ ＾ ｚ ｃｉ Ｅ ｃ ｏ ｃ ｏ ｆ ｕｎ ｐ ｔ ｈ ｎ ｖ ｓｙ 厂 ｎ ０ Ｇ ａ ｇ ｕ ０ ０ Ｃ ｉ ） ｈ ５ ６ ｎ
【 摘 要 】针 对智 能 交通对分 布 式智 能视 频监控 的 需求 ， 计 了基于 Ｄ ４ ６嵌 入 式 系统 的视 频车 辆检 测 跟 踪 系统。 提 出一 设 Ｍ６ ４ 套简 单有 效 的车辆 检测 跟踪 算法 ， 括 自适应 背景 更新 算法 、 于边 缘检 测 和 最优 双 阈值 分 割 融合 的运 动 区域检 测 、 包 基 改进 的 快速连 通 区域 判 断方法 以及 基 于多特征 的跟踪 算法 。 同时， Ｄ ４ ６平 台软硬 件及其 开发方法进 行介绍 ， 对 Ｍ６４ 并针 对该 平 台介 绍 了如何 移植和代 码优 化。最终 通过在 Ｄ ４ ６平 台实际运行 表 明， 系统能 实 时有 效地 检测 和跟 踪 车辆 ， 有较 高准 确 率和 稳 Ｍ６４ 该 具
吴忻 生 ， 一 何银 强 戚 其丰 ， 凯春 ， ＇徐
（ 南理 工 大 学 ，． 华 ａ 自动 化 科 学 与 工程 学 院 ；． 密 电子 制 造装 备 教 育 部 工程 研 究 中心 ， 东 广 州 ５０ ４ ） ｂ精 广 １６ ０
【 ｂｔ ｃ】 ｎｏ ｅ ｔｍ ｋ ｉｒ ｕ ｄｎｅｉ ｎ ｖ ｅ ｒ ｉａｃ ｓ ｍｍ ｅｔ ｔｌｅｃ ａｓｏｔｉ ’ ｎｅｓ ｖ ｅ ｈ ｌｄｔ ｔｎ ｔ ｃ— Ａ ｓ ａｔ Ｉ ｒ ｒｏ ａｅ ｓｉ ｔ ｔｌ ｅｔ ｉ ｏ ｕｖ ｌｎｅ ｙｔ ｅｔｈ ｉｅｉ ｎｅ ｒ ｐｒｔｎ ｓ ｅｄ ，ｉ ｏｖ ｉｅ ｅ ｃｏ—ｒ ｋ ｒ ｄ ｄ ｔｂ ｅ ｉ ｌｇ ｄ ｓ ｅｌ ｓ ｅ ｅ ｎ ｌｇ ｔ ｎ ａｏ ｄ ｅ ｃ ｅｉ ａ
ＷＵ Ｘｎｈｎ ＨＥＹ ｎｉｎ Ｉ ｉ ｎ ， Ｕ Ｋ ｉｈｎ ｉｓｅ ｇ ｉｑａｇ ，Ｑ ｆ ｇ Ｑｅ Ｘ ａ ｕ ｃ
（ ．Ｃｌｇ Ａ ｔ ａｉ ｃ ｎｅ ｎ ｎｉ ｅ ｎ ； ． ｎ ｉ ｅ ｎ ｅ ａｃ Ｃｎ ｒ ａ ｏ ｅ Ｄ ｕ ｍ ｔ ｎ ｉ ｃ ａｄＥ ｇｎ ｒ ｇ ｂ Ｅ ｇｎ ｒ ｇＲ ｓ ｒ ｅｔ ｌｅ 厂 ｏ ｏ Ｓ ｅ ｅｉ ｅｉ ｅ ｈ ｅ Ｐ ｅ ｓ ｎ ｌ ｔ ｎ ａ ｕ ｃ ｒ ｇＥ ｕ ｍ ｎ ， ｏｔ Ｃ ｉ ｎ ｅ ｉ ｃ ｏ ， ｕ ｎｚｏ １ ４ ， ｈ ａ ｒ ｉ ｅ ｒ ｉ Ｍ ｎ ａｔ ｉ ｑｉ ｅ ｓ Ｓｕ ｈ ａＵ ｉ ｒｔ ｏ ＾ ｚ ｃｉ Ｅ ｃ ｏ ｃ ｏ ｆ ｕｎ ｐ ｔ ｈ ｎ ｖ ｓｙ 厂 ｎ ０ Ｇ ａ ｇ ｕ ０ ０ Ｃ ｉ ） ｈ ５ ６ ｎ
【 摘 要 】针 对智 能 交通对分 布 式智 能视 频监控 的 需求 ， 计 了基于 Ｄ ４ ６嵌 入 式 系统 的视 频车 辆检 测 跟 踪 系统。 提 出一 设 Ｍ６ ４ 套简 单有 效 的车辆 检测 跟踪 算法 ， 括 自适应 背景 更新 算法 、 于边 缘检 测 和 最优 双 阈值 分 割 融合 的运 动 区域检 测 、 包 基 改进 的 快速连 通 区域 判 断方法 以及 基 于多特征 的跟踪 算法 。 同时， Ｄ ４ ６平 台软硬 件及其 开发方法进 行介绍 ， 对 Ｍ６４ 并针 对该 平 台介 绍 了如何 移植和代 码优 化。最终 通过在 Ｄ ４ ６平 台实际运行 表 明， 系统能 实 时有 效地 检测 和跟 踪 车辆 ， 有较 高准 确 率和 稳 Ｍ６４ 该 具
智能交通系统中基于视频的车辆检测方法
智能交通系统中基于视频的车辆检测方法智能交通系统的快速发展和应用，改变了我们对城市交通的认识和管理方式。
在这个系统中，车辆检测是一个关键的环节，它对实现智能交通管理、提高交通效率和安全性起着至关重要的作用。
视频技术作为智能交通系统中最常用的一种检测方法之一，以其高效、准确和实时性成为了车辆检测的首选方法之一。
基于视频的车辆检测方法可以分为两个主要步骤：前景提取和车辆检测与跟踪。
前景提取通过对视频图像的对比度、颜色、运动等特征进行分析，将前景目标与背景进行区分。
常见的前景提取算法包括帧差法、背景减除法和光流法等。
其中，背景减除法是最常用的一种方法，它通过建立背景模型来动态地更新背景图像，从而准确地提取前景目标。
在前景提取的基础上，车辆检测与跟踪是接下来的关键步骤。
车辆检测与跟踪的目标是在前景目标中准确地识别和跟踪车辆，并将其与其他非车辆目标进行区分。
传统的车辆检测方法主要依赖于图像处理技术，如边缘检测、灰度变换和形态学处理等。
然而，由于车辆的形状和外观的多样性，传统方法往往存在一定的局限性和缺陷。
为了克服传统方法的局限性，近年来，基于深度学习的车辆检测与跟踪方法得到了广泛的应用。
深度学习技术以其强大的特征学习能力和自适应性在图像处理领域取得了巨大的成功。
基于深度学习的车辆检测方法主要包括两个关键步骤：特征学习和目标检测。
特征学习利用深度神经网络自动地学习和提取图像中的有用特征，将其转化为高级语义特征。
目标检测利用训练好的深度神经网络对特征图进行目标识别和位置定位，实现对车辆的准确检测与跟踪。
除了基于深度学习的方法，基于视频的车辆检测还可以结合其他传感器和技术，如雷达、红外传感器和激光雷达等。
这些传感器可以提供关于车辆位置、速度、方向等更详细和全面的信息，从而提高车辆检测的准确性和鲁棒性。
例如，激光雷达可以通过测量反射激光束的时间和强度来准确地检测车辆及其周围环境，同时还可以避免遮挡和光照条件的影响。
基于自适应背景更新的运动车辆检测技术
波动 ， 需要进 一步 观察 ， 景模 型不 更新 ， 常情 况 背 通
采用 统计 模 型对静 态背 景 中每个 像 素的每 个 颜 色 ｋ∈｛ Ｇ， 都进 行 建模 。由于 摄像 头 存 在 Ｒ， Ｂ｝
下， 运动车辆停 留的时间 比较 短 ， 态持续 时间不 该状
收 稿 日期 ：０７— ６— ２ ２０ ０ ０ ． 作者简介 ： 朱芬芳（ ９ ２一）， ， １８ 女 湖北天 门人 ， 武汉理工大学信息工程学院硕士研究生
中 图 法 分 类 号 ：Ｎ １． ３ Ｔ ９ １７ 文献标志码 ： Ａ
交通 场景 中车 辆对 象 的实 时检测 是基 于视 频
的交 通检 测 系统 中最 重 要也 是 最 基 本 的步骤 ， 检
均 值为 ０的高斯 白 噪 声 ， 因此 可 以用 高 斯 分 布模
型表示 静态 背景 中每 个像 素在 一段 时 间 内的颜色
１ ２ 基 于动 态信 息窗 口的背景 更新 ． 背景 模 型更 新 的方 法 有很 多 ， 如 用 带 有 预 例 测 的 Ｋ ｌａ ａｍ ｎ滤波 器来 适应 变化 ， 线性 迭代 的方 用
１ 动态信息 窗口的背景 更新模 型
１ １ 背 景建 模 ．
法 对背 景 区域 的像 素进行 更新 。笔 者采 用 的是一
种 新 的基 于概率 的 自适 应 模 型 进 行背 景更 新 ， 即
背景模 型 的准确 与否 直接 关 系到最 终检 测结
果 的正 确性 。利 用 固定摄像 机 采集 的背 景 图像是
对于 每 个 像 素 点 ， 护 一 个 动 态 信 息 窗 口 维
随时 间渐变 的 ， 而在 一定 时间 内 ， 背景 中的 每一个 像 素 的颜色 值则 稳定 分 布在某 一 个确定 值 的领域 内 。视频 图像 序 列 中某 像 素 ｔ的取 值 Ｘ ＝（ ，
采用 统计 模 型对静 态背 景 中每个 像 素的每 个 颜 色 ｋ∈｛ Ｇ， 都进 行 建模 。由于 摄像 头 存 在 Ｒ， Ｂ｝
下， 运动车辆停 留的时间 比较 短 ， 态持续 时间不 该状
收 稿 日期 ：０７— ６— ２ ２０ ０ ０ ． 作者简介 ： 朱芬芳（ ９ ２一）， ， １８ 女 湖北天 门人 ， 武汉理工大学信息工程学院硕士研究生
中 图 法 分 类 号 ：Ｎ １． ３ Ｔ ９ １７ 文献标志码 ： Ａ
交通 场景 中车 辆对 象 的实 时检测 是基 于视 频
的交 通检 测 系统 中最 重 要也 是 最 基 本 的步骤 ， 检
均 值为 ０的高斯 白 噪 声 ， 因此 可 以用 高 斯 分 布模
型表示 静态 背景 中每 个像 素在 一段 时 间 内的颜色
１ ２ 基 于动 态信 息窗 口的背景 更新 ． 背景 模 型更 新 的方 法 有很 多 ， 如 用 带 有 预 例 测 的 Ｋ ｌａ ａｍ ｎ滤波 器来 适应 变化 ， 线性 迭代 的方 用
１ 动态信息 窗口的背景 更新模 型
１ １ 背 景建 模 ．
法 对背 景 区域 的像 素进行 更新 。笔 者采 用 的是一
种 新 的基 于概率 的 自适 应 模 型 进 行背 景更 新 ， 即
背景模 型 的准确 与否 直接 关 系到最 终检 测结
果 的正 确性 。利 用 固定摄像 机 采集 的背 景 图像是
对于 每 个 像 素 点 ， 护 一 个 动 态 信 息 窗 口 维
随时 间渐变 的 ， 而在 一定 时间 内 ， 背景 中的 每一个 像 素 的颜色 值则 稳定 分 布在某 一 个确定 值 的领域 内 。视频 图像 序 列 中某 像 素 ｔ的取 值 Ｘ ＝（ ，
视频检测系统中的背景更新算法研究
ｒ ｆ ｃｉ ｎ ．Ｉ ｅ ｅ ｃ ｎ ｉ ｏ ｓ ｉ ｎ ｅ ｓ ｒ ａ － ｉ ａ ｋ ｒ ｕ ｄ ｕ ｄ ｔ ｇ ｈ ｓ ｐ ｐ ｒ ｐ ｅ ｅ ｔ ｔ ｏ ｆ ｅ ｅ ｔ ｓ ｎ ｔ ｓ ｏ ｄｔ ｎ ｔ ｅ ｄ ｅ ｌ ｔ ｌ ｏ ｈ ｉ ｍｅ ｂ ｃ ｇ ｏ ｎ ｐ ａ ｉ ．Ｔ ｉ ａ ｅ ｒ ｓ ｎｓ ａ ｍｅ ｄ ｏ ｎ ｈ
智能化。 车辆视频 检测 技术是 当前 智能交通 领 域 最活跃、 最有 效 的交通 管理 技 术 ， 于 解 决 交通 对
１ 车 辆视 频 检 测 系统
基 于 视频 的交 通 事件 和交 通 参 数 检测 系 统 能够对视 频图像 中的 目标进行 识别 、 跟踪 ， 并描 述 其运动轨迹 ，根据车辆 的运动 轨迹得 出车辆 的运 动 状态 ， 实现对 道路交通 突发事 件的实时检测 ， 并
ｃｎｉｕｕ ｔ ｌ ｓ ｔ，ａｄ ｄｃｄ ｈｔｅ ｅ ｂｏｋ ｎｅ ｐａｉｇ ｒｕｈ ａ ｌｔｏ ｘｅｉｅｔ ｏｔ ｏｓｓ ｂｅ ｔｅ ｎ ｅｉｅ ｗ ｅ ｒｔ ｌ ｅｄ ｕ ｔ ， ｏｇ ｏ ｆｅｐｒ ｎｓ ｎ ａ ａ ｈ ｈ ｃ ｄ ｎｔ ｈ ｍ ， ｉｃ ｄｎ ｅｃｎｉｏ ｅｔｎ ｅ，ｈ ｇｔ ｈｎｅ ｅｔｎｅ ｎ ｅｓａｏ ｏｉｏ ｈｎｅ， ｔ． ｎｌ ｉｇｔ ｏｄ ｉ ｉ ｔ ｎｌｔｅｌ ａｇｓｎｔ ｎｌ ｄｔ ｈｄｗｐｓｉ ｃａｇｓｅｃ ｕ ｈ ｔｎ ｎｈ ｕ ｉ ｃ ｈ ｉ ｈ ｕ ａ ｈ ｔｎ
ｈ ｅ ｕｔ ｉ ｉａｅｔ ｔ ｃ ｇｏ ｎ ｐ ａｉ ａ ｅｂ ｔ ｆ ｃ． Ｔ ｅｒｓ ｌ ｄｃ ｔ ａ ａ ｋ ｒ ｕ ｄ ｕ ｄ ｔ ｇｈ ｖ ｅｔｒｅ ｅ ｔ ｓｎ ｈ ｂ ｎ ｅ
Ｋｅ ｏ ｄ ： Ｈｇｎ ａ ｓｏｔｔ ｎｓｓ ｍ；ｍ ｇ ｒｃ ｓ ｎ ； ｌ ｋ ｂ ｃ ｇｏ ｎ ｐ ａｉｇ ｙｗ ｒｓ ｉ ｅ ｉｅ ｔｒｎｐ ｒ ｉ ｙｔ ｉ ａｅｐｏｅｓ ｇ ｂｏ ；ａｋ ｕ ｄｕ ｔ ｎ ｔ ａｏ ｅ ｉ ｃ ｒ ｄ ｎ
智能化。 车辆视频 检测 技术是 当前 智能交通 领 域 最活跃、 最有 效 的交通 管理 技 术 ， 于 解 决 交通 对
１ 车 辆视 频 检 测 系统
基 于 视频 的交 通 事件 和交 通 参 数 检测 系 统 能够对视 频图像 中的 目标进行 识别 、 跟踪 ， 并描 述 其运动轨迹 ，根据车辆 的运动 轨迹得 出车辆 的运 动 状态 ， 实现对 道路交通 突发事 件的实时检测 ， 并
ｃｎｉｕｕ ｔ ｌ ｓ ｔ，ａｄ ｄｃｄ ｈｔｅ ｅ ｂｏｋ ｎｅ ｐａｉｇ ｒｕｈ ａ ｌｔｏ ｘｅｉｅｔ ｏｔ ｏｓｓ ｂｅ ｔｅ ｎ ｅｉｅ ｗ ｅ ｒｔ ｌ ｅｄ ｕ ｔ ， ｏｇ ｏ ｆｅｐｒ ｎｓ ｎ ａ ａ ｈ ｈ ｃ ｄ ｎｔ ｈ ｍ ， ｉｃ ｄｎ ｅｃｎｉｏ ｅｔｎ ｅ，ｈ ｇｔ ｈｎｅ ｅｔｎｅ ｎ ｅｓａｏ ｏｉｏ ｈｎｅ， ｔ． ｎｌ ｉｇｔ ｏｄ ｉ ｉ ｔ ｎｌｔｅｌ ａｇｓｎｔ ｎｌ ｄｔ ｈｄｗｐｓｉ ｃａｇｓｅｃ ｕ ｈ ｔｎ ｎｈ ｕ ｉ ｃ ｈ ｉ ｈ ｕ ａ ｈ ｔｎ
ｈ ｅ ｕｔ ｉ ｉａｅｔ ｔ ｃ ｇｏ ｎ ｐ ａｉ ａ ｅｂ ｔ ｆ ｃ． Ｔ ｅｒｓ ｌ ｄｃ ｔ ａ ａ ｋ ｒ ｕ ｄ ｕ ｄ ｔ ｇｈ ｖ ｅｔｒｅ ｅ ｔ ｓｎ ｈ ｂ ｎ ｅ
Ｋｅ ｏ ｄ ： Ｈｇｎ ａ ｓｏｔｔ ｎｓｓ ｍ；ｍ ｇ ｒｃ ｓ ｎ ； ｌ ｋ ｂ ｃ ｇｏ ｎ ｐ ａｉｇ ｙｗ ｒｓ ｉ ｅ ｉｅ ｔｒｎｐ ｒ ｉ ｙｔ ｉ ａｅｐｏｅｓ ｇ ｂｏ ；ａｋ ｕ ｄｕ ｔ ｎ ｔ ａｏ ｅ ｉ ｃ ｒ ｄ ｎ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｄｔｃ ｏ ．Ｔ ｄ ｒｓ ｈ ｒｂｅ ｓ ａ ｖｈ ｌ ｏｊｃ ｄｔｃｏ ｅ ｏ ａｅ ｎ ｓｌａａｔ ｅ ｂｃｇｏｎ ｐａｅ ｉ ｅ ｔ ｎ ｏ ａｄｅｓ ｔｅｐｏ ｌ ， ｅｉ ｅ ｂｅｔ ｅｅｔｎ ｍ ｔ ｄ ｂｓｄ ｏ ｅ －ｄｐｉ ａｋｒｕｄ ｕｄ ｔ ｓ ｅｉ ｍ ｃ ｉ ｈ ｆ ｖ
ｅ ｖｒｎ ｅ ｔ ｈ ｎ ｅ ，ｓ ｃ ｌ ｔ ｃ ａ ｇ ，ｐ ｒｃ ｌ ｌ ｕ ｄ ｒｔｅ ｃ ｎ ｉｏ ｆｌ ｇ — ａ ， ｍ ｌ－ｂｅｔｄ ｎ ｍ ｃ ｎ ｉ ｍ ｎ ｌ ａ ｇ ｓ ｕ ｈ ａ ｃ ｍａ ｈ ｎ ｅ ａｔ ｕ ｒ ｎ ｅ ｈ ｏ ｄｔ ｎ ｏ ｅｓｌ ｏ ａｃ ｓ ｉ ｅ ｉ ａｙ ｉ ｒ ａ ｃ ｅ ｕｔ ｏ ｊｃ ｙ ａ ｉ ｉ
９ｏ ０ １Ｏ ｏ ０ ｌ２ ｏ ０ １５ ｏ ０
４ ６ ４ ９ ４ １ ９
主要 应对 不 同光 照条 件变 化下 对背 景更 新算 法 的研究 ， 景更新 算 法能够 自适 应地 获取 背景 图像 ， 背 该 算 法 用 当前 帧更新 已有 的背景 ， 当前 帧与 背景 差值 大 ， 则认 为有 运动 物体 ， 时该位 置不 应有较 大 的更新 ； 此 当前 帧 与背 景差值 小 ， 则判 断为 有光 线变 化 的影 响 ， 需 要更 新 ． 于更 新 的速 度 则 用 当前 帧 与背 景 差值 则 对
ａ ｄｐｏｅｓ ｈ ａ ｆ ｅｉ ｅｆｗ ｉ ｅ ｔ ｒｃ ｅｙｄｔ ｔ ｇｖｈｃ ｂ ｃｓ ｎ ｒ ｓ ｅｄ ｔ ｏ ｈｃ ｏ ，ａ ｄａ ｐｅｉ ｌ ｅ ｃｉ ｅ ｉｅｏｊ ｔ ｃ ｔ ａ ｖ ｌｌ ｍ ｓ ｅ ｎ ｌ ｅ ． Ｋｅ ｏｄ ：ｖ ｅ ａｅ ｅｉｅｏｊｃ ｄｔ ｔ ｎ ａｋ ｒ ｎ ｐ ａ ；ｏｅＣ Ｂ ｙｗ ｒｓ ｉ ｏｉ ｇ；ｖｈｃ ｂｅｔ ｅｅ ｉ ；ｂｃ ｇ ｕ ｄｕｄ ｔ ｐｎ Ｖ Ｄ ｄ ｍ ｌ ｃｏ ｏ ｅ
当前 帧 与 初 始 背 景 进 行 差 分 运 算
选 取 系数
更 新 背 景
对 上述 过程 做 循 环 操 作
达 到 不 断 实 时更 新 背 景
图 ２ 更新 背景 的算 法流程 图
３ 统 计 车 辆 并 计 数
根 据设 置 的虚 拟线 圈统 计 与计数 车辆 ． ３ １ 选 择 虚拟 线 圈区 ．
２１ ０ ２年 ６月
Ｄ（ ） ｆ，ｄ ｘ ：ｄ ≥
ｔ ０． ｄ ＜ Ｔ
（） ２
式中 ： 为背景帧差 图； Ｂ 为第 ｋ 帧时的背景灰度图； 为阈值．
阈 值
背 景 图
，） Ｙ
图 １ 背景差 分流程 图
背 景差 分法 检测 速度快 ， 操作 简单 ， 动和静 止 的车辆 均可测 到 ， 运 可将 摄像机 固定 某位 置拍摄 ． 存在 但
的倒数 来更 新 ．
背景 的 实时更 新算 法 可 以分 成 以下 步 骤 ： ）初 始 背 景 是 前 １０帧 图像 统 计 的均 值 ； ）选 取 系数 ； １ ５ ２ ３ ）将 当前 帧 与初始 背 景差 分得 到差 分 图 ；）更新 背景 ． 背景 更新 算法 流程 见 图 ２所示 ． ４ 其
第１ ０卷
第 ２期
南 京 工 程 学 院学 报 （自然 科 学 版 ）
Ｊｕｎｌｏ ｎｉｇＩｓｉ ｔ ｆＴ ｃｎｌｇ （ ａｕａ ｃｅ ｃ ｉｏ ） ｏｒａ ｆ ｊ ｎｔｕｅｏ ｅｈｏｏｙ Ｎ ｔｒ Ｓ ｉ ｅＥｄｔ ｎ Ｎａ ａ ｔ ｌ ｎ ｉ
Ｖｏ． ０． ｏ ２ １１ Ｎ ．
２１ ０ ２年 ６月
Ａｂ ｔ ａ ｔ Ｐ ｏ ｌｍｓ ａ ｓ ｃａｅ ｔ ｈ ｆ ｃｓ ｏ ｍａ ｅ ｓ ｇ ｎ ａｉ ｎ ａ ｄ ｄ ｔ ｃｉｎ ｏ ｅ ｉｌ ｖ ｍｅ ｔ ｒ ｓ ｌ ｆ ｍ ｓ ｒ ｃ ： ｒ ｂｅ ｓ ｏ ｉ ｔｄ ｗｉ ｔｅ ｅ ｅ ｔ ｆ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ ｅ ｅ ｔ ｆ ｖ ｈ ｃ ｅ ｍｏ ｅ ｎ ｅ ｕ ｔ ｒ ｈ ｏ ｏ ｏ
对需要检测的区域设置为感兴趣 区域 ， 用虚拟线圈区表示 ， 采集该 区域的车流量信息．
１ ）虚 拟 线 圈位置 的设 定 ： 定 位置 必须 根据 摄像 头 架 设 的角 度 与 高度 以及 景深 因素确 定 ， 多选 取 设 大 图像 下部 的位 置 ， 这里 车辆 的 间距较 大 ．
』’
（） ３
式 中 ： 为 图像 更新 的背 景 ；ｒ Ｊ是新 建立 的一 系 列 图像 的 帧 数 为 第 ｋ帧 图像． ７ 、 背景 图像 的每 个像 素点
』帧 图像灰度 的累加平均值是该像素点的值． 、 ，
测试 结 果表 明 ， 值法 既可 快速 完成 背景 图像提 取 ， 均 又可使计 算 量减少 ， 测路 面车辆 时 ， 检 可更 实时地
检测 到对象． 经实验得列初始背景 图．
２ ２ 阈值选 取 方法 ．
背景差分的重要之处是选取阈值． ｐｎ Ｖ中有图像二值化的函数． Ｏ ｅＣ 常见 阈值 的求取算法有整体均值
法和 Ｏ Ｔ Ｓ Ｕ阈值． 系 统 的检 测 ， 同帧序列 下所 求得 的 阈值 见表 １ ］ 经 不 ¨． 从表 １可看 出 ， 过 Ｏ Ｔ 通 Ｓ Ｕ算 法选 取 出来 的 阈值 ， 运 动对象 提取 较完 整 ， 其 多个 情 况 下效 果 都较 好 ， 具
对运 动对 象检 测 ］ ． ２ １ 初 始 背景 的建 立 ．
利用 多帧 图像 统计计 数求 均值 的方 法 ， 可避免 背景 失真． 提高 了 防止 因第 １ 帧有 运 动物体 而使 背景 检
测出现错误的问题． 现提取前 ５ ０帧的图像求像素平均值． 其公式为
１
＝
亩（一 。 一２ … ＋ Ⅳ ＋ Ⅳ ＋ ） ＋ ＋
智 能交 通 系统 的重要 研 究 内容 之 一就 是依 据视 频 图像准 确检 测 出车辆 信息量 ． 目标 分类 、 目标 跟踪 和
行为解析等后期信息处理 的前提是运动区域 的有效分割 ， 需要考虑图像 中运动区域的像素． ． 由于气候 、 光
照、 影子 等 因素影 响 着背 景 图像 的动态 变化 ， 致运 动 目标检 测难 度增 大 ． 常 的算法 有背 景差 分法 、 导 通 帧差
１ 背 景 差 分 法
首先选定拍摄背景中的若干幅图像的平均作为背景图像 ， 再将后序图像当前帧与背景图像相减 ， 可去
除背景 ． 所得 到 的像 素数 大 于某一 阈值 ， 判定 被监 视场 景 中有运 动物体 ， 而得 到运 动对象 ． 若 则 从 用公 式表
示 为
ｄ＝ 『 ｙ （ ，） Ｆ （ ）一 ｙ Ｉ ，
此 法对 背景 提取 与背景 更新 很重要 ． 态场 景 的变化 引起 的干扰很 明显 ， 动 可靠 的背景模 型有 利于 提取
和更新 背景 ¨ ． ］
２ 视 频 前 景 检 测 模块 的 建 立
首先用 均值 的方 法得 到背 景模 型 ， 中值滤 波 帧 图像 ， 再 然后 执行 减去 背景操 作 与 自适 应 阈值分 割算 法
收 稿 日期 ： ０ ２—０ ２１ ５—０ ； 回 日期 ： ０ ２一ｏ ５修 ２１ ５—２ ８
（） １
作者简介 ： 顾
洋， 学士 ， 研究方 向为机械车辆工程
Ｅ－ ｒ：ｇ ｙ ｎ ３ ９ １ ３． ｏ ｉ ｍａ ｌ ｕ ａ ｇ ２ ＠ ６ ｔ ｎ
万方数据
６ ０
南京工程学 院学报 （ 自然科学版 ）
７ ０
８ ５
２ ８
２７
２５ ０
２２ ０
２ ８
３ ６
３０ ４
３ ５５
２ ４
２４
６０ １
６５ ０
４ ６
２９
１０ ０ １５ ｌ
１０ ３
２ ８ ３ Ｏ
３１
２５ ３ ２０ ５
２ ６５
４ ６ ４ ３
３ ９
３５ ８ ４５ １
４５ ４
３ ４ ２ ３
有较稳定的分割质量． 但若 Ｔ ｒ ｈｌ低 于 ２ ， ｈｅ ｏ ｓ ｄ ０ 可令 Ｔ ｒ ｈ ２ ， ｈ ｓ ＝ ０ 这样所得帧中就无错误信息 白点． ｅ
２ ３ 背景 更新 ． 背景 更新 应用 于两 种情况 ：）同一 地点 ， １ 减少 不 同光 照条 件 变化 对 流 量检 测 带来 的误 差 ； ）堵 塞 情 ２
ｄ ｓｇ ｅ ｙ ｕ ｉｇ ｏ ｅ Ｃ ＤＢ ｆ ｒｄｓｔ ｍａ ｅ ｐ ｏ ｅ ｓｎ ｎ ｏ ｕ ｅ ｉｉｎ ｅ ｉ ｎ ｄ ｂ ｓｎ ｐ ｎ Ｖ ｏ ｉ ａ ｉ ｇ ｒ ｃ ｓ ｉ ｇａ ｄ ｃ ｍｐ ｔｒｖ ｓ ．Ｔ ｉ ｍｅｈ ｄ ｃ ｎ ｂ ｓ ｄ ｔ ｅ ｅ ｔｖｄ ｏ ｌ ｏ ｈ ｓ ｔ ｏ ａ ｅ ｕ ｅ ｄ ｔｃ ｉｅ ｓ ｏ
况下 ， 需要 对背 景适 时更 新．
万方数据
第 ｌ Ｏ卷第 ２期
顾 洋 ： 自适应背景更新 的视频 车辆检测
６ １
表 １ 不 同 帧下计 算 出的 阈值
帧序列号 Ｏ Ｔ Ｓ Ｕ阈值 帧序列号 Ｏ Ｔ Ｓ Ｕ阈值 帧序列 号 Ｏ Ｔ Ｓ Ｕ阈值 帧序列 号 Ｏ Ｔ Ｓ Ｕ阈值
法、 光流场法三种． 目前的方法存在因气象 因素 、 范围有限 、 目标不多等问题 ， 移动车辆 图像的分割和检测
效 果不 够 理想 ， 采用 一种 用 于数 字 图像 处 理和计 算 机 视 觉 的 函数 库 ｏｅＣ ｐｎ Ｖ… ， 设计 出一 种 基 于背 景更 新 的 自适 应 车辆对 象 检测 法—— 基 于背 景差 法 的 自适 应方 法 ， 于视频 检测 和统计 车流 量 ． 用
像的分割和检 测的效果存在 问题 ， 用一种用于数 字 图像处理和 计算机视 觉的 函数库 ｏｅＣ 设 计 出一种基 于背 采 ｐｎ Ｖ， 景更新的 自适应 车辆对象检 测法 ， 用于视 频检 测和统计车流量 ， 比较准确地测量 出车辆对 象． 关键词 ： 频 图像 ； 视 车辆 对象检 测 ； 更新 背景 ；ｐｎ Ｖ库 ｏｅ Ｃ 中图分类号 ： ４ ７ Ｕ ６