车辆检测与实时跟踪算法研究

随着社会的进步以及城市化进程的加快,人们日常生活的流动性提高,同时,汽车技术的不断发展带来的汽车普及化使得城市交通容量必须不断扩大以满足符合人们日益增长的交通和生活需求,这使得智能交通系统ITS的产生成为了一种必然,同时,它的出现和发展也引起了越来越多的关注。视频监控系统是ITS中最重要的组成部分之一,而视频监控的本质就是对场景内的目标进行检测和跟踪。本文提出了一种基于视频图像的车辆的检测和实时跟踪算法,实验证明,在背景较为复杂、抖动较大的情况下,该算法能准确有效的检测和跟踪运动车辆,同时排除摄像头抖动、光照变化以及行人的干扰,具有一定的鲁棒性和实时性。 本文采用的车辆检测算法利用了车辆的边缘特性并结合背景差分的思想。算法的第一步是要建立背景模型。本文采用的背景建模方法是基于区间分布的思想,它不同于常规的背景建模,既具有概率统计模型的准确性,又兼备了均值、中值滤波的简单直观性,能够在未知背景先验知识的情况下将背景提取出来,并进行及时更新。其次,本文利用了车辆的边缘特性进行检测,这是因为边缘对光照变化不敏感,并且边缘本身含有丰富的信息,能够作为跟踪和识别的重要特征。而在边缘检测步骤中,不同于传统边缘检测算子,本文采用了一种利用多结构算子的形态学边缘检测算法。该算法能够较好的保护边缘的完整性,并且有效的去处噪声。在背景差分部分,本文并未采用传统的直接背景差分法,取而代之的是一种基于对称差分的方法。利用对称差分可以做到对噪声“正负抵消”,而同时对边缘进行了加强。 在车辆跟踪部分,本文采用了卡尔曼滤波跟踪模型,选取的车辆特征值是矩形框的质心和面积。对卡尔曼滤波器进行建模时,本文选取了车辆的坐标、位移、速度和加速度,通过当前帧的实际参数值来估计下一帧的参数值,其根本目的是为了减小搜索区域,提高实时性。同时,选取质心作为特征值可以很好的弥补车辆检测过程中出现的车辆像素丢失,具有一定的鲁棒性。 实验证明,本文提出的这种检测和跟踪算法能够在背景抖动较大、场景相对复杂的情况下较为精确的检测和跟踪车辆,能够消除树叶、行人等非车辆目标的干扰,具有一定的实用价值。