论文部分内容阅读
随着我国城市化进程的不断加快,尤其是二十一世纪以来的几年,城市公路交通系统的压力不断加大。因此,基于计算机视觉技术的智能交通系统的重要性日益显著,其核心技术是在静止相机拍摄的图像序列中进行运动车辆检测与运动车辆跟踪。本文主要研究了车辆检测与跟踪问题中的几个关键技术。这些技术可以有效的提高车辆检测与跟踪的性能。本文的主要研究内容概括如下。首先,我们对动态场景中运动车辆检测的问题进行了研究,提出了一种基于贝叶斯框架的高斯运动模型来检测动态场景中的运动车辆。首先,我们在直方图中比较了动态背景的运动向量和运动车辆的运动向量,然后我们用两个高斯运动模型来对运动车辆像素的运动向量和动态背景像素的运动向量分别进行建模。贝叶斯框架被用来将场景中的运动像素分类为运动车辆或者动态背景。根据每个运动像素的分类结果,EM算法被用来更新相应类别的高斯运动模型和贝叶斯框架。为了得到场景中的运动像素,我们使用经典的背景差法,并且提出了利用背景的光照变化来计算背景更新的速度,从而在光照快速变化的时候能提高更新速度,而在光照变化慢的时候降低更新速度。然后,我们系统的介绍了一种基于比值边缘的新方法来检测图像中的运动阴影。我们首先分析了阴影的光照模型,并且证明了像素邻域的比值边缘具有光照不变性。在比值边缘域,我们应用背景差法进行阴影检测。通过结合噪声模型,我们分析了比值边缘域的归一化背景差值的概率分布,并将之近似为一个χ2分布。一个显著度测试被用于自动获取门限来进行阴影检测。通过利用背景图像与采集图像之间的亮度和几何的约束关系,我们进一步的提高了检测性能。同时,我们采用了一种迭代的方法来对图像的阴影强度比进行估计。最后,我们提出了一个多级框架来检测和消除车辆的遮挡。该框架包括三级:帧内级、帧间级和跟踪级。在帧内级我们根据车辆的面积与车辆的凸包面积之比值来检测车辆遮挡,而检测出的遮挡则通过从车辆中去除一个“切割区域”来被消除,该“切割区域”通过对遮挡车辆的形状进行分析而被计算出。在帧间级,我们认为非遮挡车辆的运动向量服从高斯分布。因而,我们通过在检测的车辆的运动向量场上使用Lilliefors测试来检测车辆遮挡,而检测到的车辆遮挡则通过不同运动向量的分类实现消除。在跟踪级,我们构建了一个遮挡层模型,并且对其进行自适应的更新。而检测出的车辆则被同时在采集的图像和构建的遮挡层图像中进行跟踪。我们提出了一种双向的遮挡推理算法来解决遮挡层所出现的遮挡。该遮挡推理算法包括:遮挡后向推理、遮挡层推理、遮挡前向推理和遮挡层图像更新。对于每个检测出的车辆,帧内级和帧间级的遮挡检测和消除算法被依次执行,而跟踪级的遮挡检测与消除算法最后被执行。