论文部分内容阅读
随着全球经济的高速发展，近年来汽车保有量呈持续增长的趋势，使得智能交通的应用和发展也得到越来越多的关注。感兴趣目标的检测与识别技术，作为智能视频监控系统的基础，在智能交通系统中具有十分广阔的应用前景。虽然已经有大量相关方面颇有成效的算法被提出，但是在实际操作中，由于天气、光照、阴影、遮挡等情况的影响，使得人们不懈努力于提出鲁棒性更强的算法。 本文重点研究了固定场景下的目标检测与识别相关技术，在现有的经典算法基础上，致力于改善算法的鲁棒性和实时性，所做主要工作如下: (1)在背景建模方面，由于传统的建模方式计算量大，计算速度得不到保障，而随着摄像机像素值的提高，会更大的影响运算速度，破坏系统实时性。研究发现，在连续的视频帧中，主要的运动目标出现的区域只占图像的一部分，没有必要对整幅图像的所有像素点进行计算。在此基础上，为提高运算速度，提出了一种基于CSLBP和GMM的局部层次化二次建模的方法，即首先利用CSLBP直方图对背景进行快速运动区域初步提取，再利用混合高斯建模在之前提取的运动区域的基础上进行二次精确建模，实验证明，这种方法能够在保证准确度的前提下，较好的提高计算速度。 (2)在感兴趣目标的检测定位方面，文章提出了一种改进的HOG算子，将图像的梯度信息和曲率信息相结合来进行特征描述。算法首先计算图像的梯度和曲率，然后以图像梯度为约束来统计曲率分布，之后将曲率直方图特征和梯度直方图特征相连接作为特征来描述图像。实验证明本文提出的算法相对于传统的HOG特征在感兴趣目标的检测和定位方面具有更好的效果。