检测与跟踪车辆论文

检测与跟踪车辆论文（通用10篇）

检测与跟踪车辆论文 篇1

在交通视频监控系统中, 道路视频图像的车辆检测和车流统计是智能交通监控的重要技术。在夜间, 由于道路环境光照较暗, 图像中车辆的纹理、轮廓等特征不明显, 导致白天车辆检测方法并不适用于夜间道路场景。本文提出了一种基于车前灯的形态特征的夜间车辆检测方法, 并能有效的提高车辆检测率。

1 车辆检测

1.1 车前灯检测

首先对图像进行预处理, 包括灰度化和阈值分割。然后采用八连通算法对预处理之后的图像进行连通区域提取。本文通过如下几个判断条件来检测出实际的车灯区域。

(1) 两车灯在图像中处于相似水平线上;

(2) 同一车辆两车灯的宽度与高度相似;

(3) 同一车辆两车灯的面积相近;

当一个连通区域满足上面的三个检测条件, 则这连通区域为车灯。

1.2 车前灯匹配

利用两车灯之间的大小、形状以及高度应该是相近或几乎是相等等先验知识对车前灯进行匹配。利用上节车灯检测中的条件以及两者之间的距离进行判断。车灯匹配成功之后, 将两车灯用一个矩形框来标志出来, 车辆的检测就以矩形框来确定同一辆车。

2 基于邻域的车辆跟踪

本文采用如下的车灯的跟踪方法:

(1) 首先通过公式 (1) 计算各个车灯区域在本帧与上一帧的运动偏移量:

其中, i为帧数。x、y均为两帧的中心点。

(3) 为了判断检测到的车灯是否是不同帧下的同一车灯, 计算两帧之间车灯的相似度。即A2>A1/2, A2<=A1×2。其中, A1A2分别为不同帧的车灯区域面积。如果满足条件, 则跟踪成功, 否则跟踪失败跳转到步骤 (4) 。

(4) 对于在搜索窗口内未搜索到有效车灯区域的, 可以将其判为失帧, 然后跳转到步骤 (2) , 如此循环2次, 如果还是没有搜索到, 则将该车灯从跟踪队列中剔除掉。

3 实验结果

本文将从两段不同场景的视频中分别用车道线和本文的方法进行跟踪检测, 跟踪结果如表1所示。

从以上结果可以看到, 这两种方法在不同的场景下, 车辆的正确检测率相近, 可以说适应性都比较强, 但是车道线的检测方法在错检数上明显比本文方法多, 因此本文的方法比车道线的方法略高一筹。

4 致谢

本文的研究工作受到浙江省重大科技专项 (2014C01044, 2013E60005) 和杭州市科技发展计划项目 (20122231S03) 的资助。

参考文献

[1]王圣男, 郁梅, 蒋刚毅.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综述[J].计算机应用研究, 2005, 22 (9) :9-14.

[2]Zhang W, Wu Q J, Yang X, etal.Multilevel framewor todetectandh ad levehicle occlusion[J].IEEE Transactions on Intelligent Transportation Systems, 2008, 9 (1) :161-174.

[3]刘勃.周荷琴, 魏铭旭.基于颜色和运动信息的夜间车辆检测方法[J].中国图像图形学报, 2005, 10 (2) :187-191.

[4]谭荣伟, 雷蕴奇, 陈柏生.夜间运动车辆检测[J].计算机工程与应用, 2005, 41 (13) :227-228.

[5]Chen Y, Wu B, Huang H, et al.A realtime vision system for nighttime vehicle detection and traffic surveillance[J].IEEE Transactions onni cs, 2011, 58 (5) :2030-2044.

检测与跟踪车辆论文 篇2

共 7 页

课时跟踪检测（二十八）化石燃料与有机化合物

1．(2016·濉溪模拟)下列叙述正确的是（）A．汽油、柴油和植物油都是碳氢化合物 B．石油的分馏和煤的干馏都是物理变化

C．纤维素、淀粉、蛋白质在一定条件下都能发生水解反应 D．苯环内含有碳碳单键和碳碳双键

解析：选C 植物油属于酯类物质，除了含有C、H元素外还有氧元素，A错；煤的干馏是指在强热的条件下隔绝空气使煤分解，是化学变化，B错；纤维素、淀粉水解生成葡萄糖，蛋白质水解生成氨基酸，C对；苯环中的键是介于单键和双键之间的独特的键，既不是碳碳单键也不是碳碳双键，D错。

2．乙烯的产量是衡量一个国家石油化工发展水平的重要标志。下列有关表述正确的是（）

A．乙烯的电子式是

B．乙烯的结构式为CH2=== CH2 C．乙烯中碳原子的原子结构示意图为

D．通常状况下，5.6 L乙烯中含有1 mol C—H键

解析：选C 乙烯的电子式为

，A项错误；CH2=== CH2为乙烯的结构简式，B错误；通常状况下，5.6 L乙烯的物质的量不是0.25 mol，D错误。

3．下列关于有机物性质描述中，正确的是（）A．用溴的四氯化碳溶液可鉴别CH4和C2H4 B．苯与浓硫酸、浓硝酸的混合酸加热发生加成反应 C．聚乙烯能使溴水褪色

D．苯与氢气发生加成反应说明苯分子中含碳碳双键

解析：选A A项，乙烯与溴的四氯化碳溶液发生加成反应而使其褪色，甲烷与溴的四氯化碳溶液不反应；B项，苯与浓硫酸、浓硝酸的混合酸发生的是取代反应；C项，聚乙烯中不存在，不能使溴水褪色；D项，苯分子中不存在。

第 2 页

共 7 页

4．(2016·石家庄模拟)已知在苯分子中，不存在单、双键交替的结构。下列可以作为证据的实验事实是（）①苯不能使酸性KMnO4溶液褪色 ②苯中6个碳碳键完全相同 ③苯能在一定条件下与氢气加成生成环己烷 ④实验室测得邻二甲苯只有一种结构 ⑤苯不能使溴水因反应而褪色

A．②③④⑤

C．①②③④

B．①③④⑤ D．①②④⑤

解析：选D ①苯不能使酸性KMnO4溶液褪色，说明苯分子中不含碳碳双键，正确；②苯中6个碳碳键完全相同，则苯分子中不存在单、双键交替的结构，正确；③苯能在一定条件下与氢气加成生成环己烷，不能说明苯分子是否含有碳碳双键，错误；④实验室测得邻二甲苯只有一种结构，说明苯分子中不存在单、双键交替的结构，正确；⑤苯不能使溴水因反应而褪色，说明苯分子中不含碳碳双键，正确，故答案为D。

5．(2016·南阳模拟)除去乙烷中混有的少量乙烯，应采用的简便方法是（）A．将混合气体通过氢氧化钠溶液 B．将混合气体通过溴水

C．将混合气体在催化剂条件下跟氢气反应 D．使混合气体中的乙烯气体发生加聚反应

解析：选B 乙烯和乙烷与氢氧化钠均不反应，不能除去乙烷中混有的少量乙烯，A错误；乙烯能和溴水发生加成反应，而乙烷不能，可以除去乙烷中混有的少量乙烯，B正确；将混合气体在催化剂条件下跟氢气反应会使乙烯成为乙烷，但操作复杂，C错误；乙烯能发生加聚反应，但条件复杂，实验室中难以实现，D错误。

6．下列现象因发生加成反应而出现的是（）A．乙烯使酸性KMnO4溶液褪色 B．苯加入溴水中，振荡后水层接近无色 C．乙烯使溴的四氯化碳溶液褪色

D．甲烷与氯气混合，光照一段时间后黄绿色消失

解析：选C A项是因为乙烯被酸性KMnO4溶液氧化；B项是因为苯萃取了溴水中的Br2；D项是因为甲烷和Cl2发生取代反应，而生成无色物质；只有C项是因为乙烯和Br2发生了加成反应而使溴的四氯化碳溶液褪色。

7．(2016·广州模拟)下列说法中，不正确的是（）A．乙烯使溴的CCl4溶液褪色的化学方程式是CH2===CH2＋Br2―→CH3CHBr2 B．石油的催化裂化既能提高汽油的产量，又能提高汽油的质量 C．石油的裂解和裂化都是化学变化，但二者的目的不一样 D．异丁烷与正丁烷互为同分异构体

第 3 页

共 7 页

解析：选A A项，生成物应为CH2BrCH2Br，不正确。石油催化裂化既能提高汽油的产量又能提高汽油的质量；裂解是深度裂化，以获取化工原料乙烯、丙烯、丁烯为生产目的，B、C正确。异丁烷与正丁烷互为同分异构体，D正确。

8．(2016·厦门模拟)两种气态烃组成的混合气体0.1 mol，完全燃烧得0.15 mol CO2和3.6 g H2O，下列关于该混合气体的说法正确的是（）A．一定有乙烯

C．一定有乙烷

B．一定没有乙烯 D．一定有甲烷

解析：选D 3.6 g H2O的物质的量是0.2 mol，根据反应前后元素的原子个数不变，可知混合烃的平均化学式是C1.5H4，C元素数小于1.5的只有甲烷，因此一定含有甲烷，甲烷分子中含有4个H原子，平均含有4个H原子，则另外一种烃分子中含有的H原子个数也是4个，所以一定不含有乙烷，可能是乙烯，也可能是丙炔。

9．(2016·泰安模拟)下列有关有机物及有机反应类型的说法不正确的是（）A．能发生加成反应的烃必含有碳碳双键

B．乙烯能使酸性高锰酸钾溶液和溴水褪色，二者反应原理不同

C．乙醇转变成乙醛和葡萄糖与新制Cu(OH)2悬浊液反应属于同一种有机反应类型 D．酶和纤维素都能发生水解反应

解析：选A 乙炔(CH≡CH)、苯等都属于烃，都能发生加成反应，但其分子中都不含碳碳双键，A错误；乙烯使酸性KMnO4溶液褪色发生氧化反应，使溴水褪色发生加成反应，原理不同，B正确；乙醇转化为乙醛和葡萄糖与新制Cu(OH)2悬浊液反应都发生氧化反应，酶是蛋白质，在一定条件下可水解生成氨基酸，纤维素可水解生成葡萄糖，C、D正确。

10．利用下列反应不能制得括号中纯净物的是（）A．等物质的量的氯气与乙烷在光照条件下反应(氯乙烷)B．乙烯与水加成(乙醇)C．乙烯与氯气加成(1,2-二氯乙烷)D．氯气与苯用氯化铁作催化剂反应(氯苯)解析：选A A项，等物质的量的氯气与乙烷在光照条件下反应，生成多种取代产物，不能得到纯净的氯乙烷；B项，乙烯与水加成只生成乙醇；C项，乙烯与氯气加成只生成1,2-二氯乙烷；D项，氯气与苯用氯化铁作催化剂反应只生成氯苯。

11．(2015·兰州模拟)下列关于有机物的认识正确的是（）A．C2H6与氯气发生取代反应、C2H4与HCl发生加成反应均可得到纯净的C2H5Cl B．将甲烷和乙烯的混合气体通过盛有浓溴水的洗气瓶，即可提纯甲烷

C．乙烯结构中含有碳碳双键，苯中不含有碳碳双键，但两者均可以发生加成反应 D．苯使酸性KMnO4溶液、溴水都能褪色，发生的都是氧化反应

第 4 页

共 7 页

解析：选C 乙烷(C2H6)与Cl2发生取代反应得到各种氯代产物的混合物，A错误；浓溴水具有挥发性，故混合气体通过浓溴水的洗气瓶时，甲烷中又混有溴蒸气，B错误；苯能使溴水褪色是由于苯萃取了溴水中的Br2而不是发生了氧化反应。

12．(2016·银川模拟)某烷烃发生氯代反应后，只能生成三种沸点不同的一氯代产物，此烷烃是（）A．(CH3)2CHCH2CH2CH3 B．(CH3CH2)2CHCH3 C．(CH3)2CHCH(CH3)2 D．(CH3)3CCH2CH3

解析：选D 某烷烃发生氯代反应后，只能生成三种沸点不同的一氯代产物，说明一氯代物的结构有3种。A.(CH3)2CHCH2CH2CH3中H原子位置有5种，则一氯代物的结构有5种，错误；B.(CH3CH2)2CHCH3中H原子位置有4种，则一氯代物的结构有4种，错误；C.(CH3)2CHCH(CH3)2中H原子位置有2种，则一氯代物的结构有2种，错误；D.(CH3)3CCH2CH3中H原子位置有3种，则一氯代物的结构有3种，正确。

13．(2016·长治模拟)并六苯是一种多环芳香烃，并六苯及其衍生物作为有机半导体材料具有潜在应用价值。并六苯的某衍生物结构简式为

，其苯环上的氢原子再被1个Cl原子取代的产物有（）A．3种

C．7种

B．6种 D．8种

解析：选C 题述有机物结构对称，有7种化学环境的氢原子：，因此其苯环上的氢原子再被1个Cl原子取代的产物有7种，C正确。

14．(2016·长春模拟)单烯烃甲氢化后得到的饱和烃为，下列单烯烃甲的结构简式正确，且其一氯代

第 5 页

共 7 页

物有5种的是（）A．

B．

C．

D．

解析：选D 选项A，一氯代物为7种，A项错误；选项B，只有3种一氯代物，B项错误；选项C的加成产物不是已知的饱和烃，C项错误；选项D，有5种一氯代物，D项正确。

15．下列说法中错误的是（）A．无论乙烯的加成，还是乙烯使酸性KMnO4溶液褪色，都与分子内含有的碳碳双键有关

B．无论使用溴的四氯化碳溶液或酸性KMnO4溶液都可以鉴别乙烯和乙烷 C．相同质量的乙烯和甲烷完全燃烧后产生的水的质量相同 D．乙烯的化学性质比乙烷的化学性质活泼

解析：选C 乙烯和甲烷的碳、氢含量不相等，故相同质量的乙烯和甲烷生成的水质量不相同。

16．(2016·孝感模拟)C5H12有3种不同结构：甲：CH3(CH2)3CH3，乙：CH3CH(CH3)CH2CH3，丙：C(CH3)4，下列相关叙述正确的是（）A．甲、乙、丙属于同系物，均可与氯气、溴蒸气发生取代反应 B．C5H12表示一种纯净物 C．甲、乙、丙中，丙的沸点最低 D．丙有3种不同沸点的二氯取代物

解析：选C 甲、乙、丙的分子式相同，互为同分异构体，A错误；C5H12可表示甲、乙、丙任一种或其混合物，B错误；C(CH3)4的二氯代物有两种：、，D错误。

第 6 页

共 7 页

17．下列实验能获得成功的是（）A．用溴水可鉴别苯、CCl4、己烯

B．加浓溴水，然后过滤可除去苯中少量己烯 C．苯、溴水、铁粉混合制成溴苯 D．可用分液漏斗分离乙醇和乙酸乙酯

解析：选A 溴水分别与苯、CCl4混合，不发生反应，静置后分层，苯在上层，呈橙红色，CCl4在下层，呈橙红色，溴水与己烯发生反应而褪色，A项正确；溴水和己烯发生加成反应生成二溴己烷可溶于苯中，无法过滤分离且过滤分离的是液体和不溶性固体，B项错误；制溴苯需用苯和液溴反应，C项错误；乙酸乙酯溶于乙醇，不能用分液法分离，D项错误。

18．由乙烯推测丙烯的结构或性质，正确的是（）A．分子中三个碳原子在同一直线上 B．分子中所有原子都在同一平面上 C．与HCl加成只生成一种产物 D．由丙烯之间的相互加成可得聚丙烯

解析：选D 已知乙烯是平面形分子，四个氢原子和两个碳原子都在同一平面上，丙烯可看作是—CH3取代乙烯分子中的一个氢原子的产物，因而三个碳原子不在同一直线上。甲基(—CH3)中所有原子不在同一平面上，故丙烯所有原子一定不在同一平面上，丙烯与HCl加成产物应有两种即CH3CH2CH2—Cl和。

19．(2016·滨州模拟)某有机物其结构简式如图，关于该有机物，下列叙述不正确的是()

A．能使酸性KMnO4溶液、溴水褪色，原理相同 B．1 mol该有机物能与H2发生反应，消耗H2 4 mol C．一定条件下，能发生加聚反应

D．该有机物苯环上的一个H被取代，有3种同分异构体

解析：选A 该有机物含有碳碳双键，能使酸性高锰酸钾溶液褪色，发生的是氧化反应，能使溴水褪色，发生的是加成反应，反应原理不同，A项错误；该有机物含有一个碳碳双键和一个苯环，1 mol该有机物能与H2发生反应，消耗H2 4 mol，B项正确；该有机物分子含有一个碳碳双键，能发生加聚反应，C项正确；苯环上有邻、间、对三种位置，所以该有机物苯环上的一个H被取代，有3种同分异构体，D项正确。

第 7 页

共 7 页

20．正己烷是优良的有机溶剂，其球棍模型为，X是它的一种同分异构体，且X分子的主链上含有4个碳原子，下列有关说法中正确的是（）A．X分子中可能含有三个甲基 B．X的一氯代物一定有三种

C．在催化剂存在下加热正己烷可得到丁烷、丙烷、乙烯、丙烯等物质 D．X能使溴的四氯化碳溶液褪色

检测与跟踪车辆论文 篇3

【摘 要】机车、车辆跟踪定位系统是邯钢大物流优化战略的重要组成部分。为铁路物流管控及调度作业系统提供基础设施，可以随时掌握全厂运输机车运用状态、货物位移状态、铁路信号状态、进路开放、作业回放等情况，优化物流调度和行车调度作业，安排协调各站区的机车作业，实现站区机车运能的互补，提高机车作业效率，减少机车运用台数，减少事故的发生，保证运输安全生产，降低运输成本。

【关键词】物流跟踪；GPS；铁路调度作业系统

0.前言

铁路物流机车实时跟踪定位系统建立与实施过程。

通过建立全厂准确坐标位置数据的地理信息系统，以及建立各机车坐标位置、速度、方向的数据库，结合物流跟踪系统和调度监督系统的相关数据形成一套完整的数据处理系统。以各种方式查询、分析、回放等处理，最后以图形化的方式显示在大屏幕上，以及各使用人员的终端电脑上。这样就可以方便的建立最优的调度方案，实现对全厂机车、车辆的实时监控和可视化调度，实现对运输部整个物流信息进行有效的管理。

1.具体实施的方案

（1）通过选择合适的地点建立卫星定位基准站，对各站场、轨道、道岔、信号及各生产车间、中心库、翻车机、计量秤、编组站，原料站，计量点进行测绘，绘制邯钢铁路GIS地图，建立铁路地理数据库，并且加以地图分层，将上述信息，按实际位置显示在大屏幕上和管理调度人员电脑终端上，即点即看，也可分层重点显示（如：仅显示铁路、计量点等）。

（2）采用高精度GPS接收天线以及移动设备、控制设备，组成机车定位系统，并考虑机车在厂房、库房时的定位计算，将机车的位置、时间、运行方向和速度，以及机车、车辆数量，货物数据（需要与铁路调度作业系统交换数据）发至控制中心、并送往一切需要的地方。

（3）通过数据处理计算和可视化显示操作进行必要的计算、接收、存储、转发、数据查询、维护、存档及显示。

（4）通过与铁路物流管控系统、铁路调度作业系统、微机联锁系统、无线传输系统之间进行数据交换，实现物流信息流的统一，直观看到机车货物状态，空重状态，挂接的车辆数，铁路信号状态，进路开放情况。

（5）结合无线数传技术和机车实时清沟，当清沟指令发出后，机车和车辆脱离，车辆定位，当车辆离开机车后，车辆在站场的现车位置和摆放仍然能够在电子地图上显示。这样各级调度和生产指挥人员可以掌握车辆的动态信息。

（6）对全部机车作业过程进行回放并对每台作业机车的作业数据进行统计和分析，从中可发现机车作业过程中不合理的部分，从而改进各台机车作业方案，实现优化行车组织的目的。

（7）结合铁路信号系统将铁路信号灯状态、道岔转向和进路开放情况，在电子的图上显示。使调度人员除了掌握机车车辆的运行情况外，还可以全面掌握轨道进路和信号状态，对防止安全事故，合理调度轨道线路资源，提高整体运输效率。

2.系统的主要构成

系统主要由差分基准站、串口服务器、中心定位服务器、数传中心、机车车载单元构成如下图。

3.开发解决的主要技术问题

（1）铁路物流机车、车辆实时跟踪定位系统与汽车卫星定位系统在定位精度上要求不同。汽车卫星定位系统定位精度一般在5～50米范围，普通的卫星定位接收设备即可满足要求。铁路机车因为铁路股道之间的并行，最近距离不超过2米，同时股道转折，信号灯密集，机车挂有许多车辆，要想分辨出股道，定位必须在1米以内，对定位速度也有要求，为了满足实时性要求必须在1秒内迅速定位。采用高精度接收机，满足精度和速度的要求，同时在技术上我们采用伪距差分或相位差分的方法来实现精确快速定位，这在冶金铁路系统应用是一个创新。

（2）解决在机车车辆定位系统中，在库区、厂房和有遮挡区域因为收不到卫星而无法定位的问题。实现在任何区域都能够连续定位。以便及时掌控机车、车辆、货物在厂内的动态分布。提高调度管理水平和作业效率，把无效行车减至最小。在机车、车辆跟踪定位系统中，在无遮挡区域利用GPS卫星定位可以很好的解决定位的问题。但在库区、厂房和有遮挡区域因为收不到卫星，这时GPS没有定位信号，所以无法实现定位。

利用惯导技术和机车速度脉冲电路信号采样，结合组合定位算法，解决连续定位的问题。实现机车、车辆货物的动态定位及站场分布功能。

（3）不但有机车的位置定位和跟踪，同时还要有车辆的位置定位和跟踪，当机车移动时车辆跟着机车在电子地图上一同移动。实现车辆定位和跟踪必须结合物流跟踪管理信息系统完成车辆的位置定位，在电子地图上，当鼠标点机车时整列机车的信息（机车型号、车辆数辆、车号等）全部显示，当鼠标点车辆时该车辆的信息（包括：车型、车号、货物品名、装卸状态等）全部显示。这样调度人员除了可以看到各机车的位置、速度等信息，同时还可以直观的了解机车车辆装载的货物、空重状态、挂接的车辆数等。

（4）与铁路物流信息系统、铁路信号调度监督系统、无线数据传输系统进行数据接口，整合系统资源，将所有有效数据进行信息流和物流的整合。这在整个冶金系统物流管理中同样是一项关键技术和创新点。

4.系统实施后的效果

4.1加大了作业机车的监控力度

铁路物流机车、车辆实时跟踪定位系统投入使用后，给各站行车调度（区调）提供了全时域，全天候，连续的所管辖区域内机车的位置，速度等数据，使行车调度随时掌握了各台机车的作业进度，能够及时、准确地监控每台机车的作业，从而提高了铁路运输保产的能力。

4.2提高了铁路限制咽喉的通过能力

铁路物流机车、车辆实时跟踪定位系统提供了每台作业机车的准确位置，运行速度等信息，使行车调度随时了解到每台机车的作业进度，这样行车调度就可以有条不紊地安排每台机车通过限制咽喉，从而大大降低了作业机车排队等待通过限制咽喉的可能，提高了限制咽喉的通过能力。

4.3提高机车的作业效率，减少机车使用台数，降低运输成本

铁路物流机车、车辆实时跟踪定位系统，给我们提供了一种崭新的工作平台，通过此平台，铁路行车总调拓宽了监控范围，可俯视作业机车全局，站在全局的角度，指挥各站行车调度，这样就使全部运输机车都有效地运转起来，达到对全部应用机车的作业实施监控的目的，打破了各站区保护和本位主义的束缚。另外调度中心与机车实现了调度指令的无线数传，两者结合大幅度提高了机车的作业效率。

5.结束语

检测与跟踪车辆论文 篇4

城市交通监控系统具有监控道路安全、车辆追踪以及优化交通拥堵等重要作用。而车辆识别是交通监控的关键技术,尤其,城市交通监控的背景变化剧烈,普通车辆识别技术对于城市车辆识别性能较为一般。目前已有一些针对城市或高速交通视频监控的研究[1,2,3,4,5,6],其利用前景遮挡等方案来降低变化剧烈的背景对识别性能的影响。其中文献[1,2,3]利用稀疏编码与片段采样的方案获得了较好的车辆检测效果,文献[4,5,6]使用纹理分析等方案对车辆进行了分类处理,获得了较好的效果。

本文针对城市变化剧烈的道路交通视频监控系统,提出了复杂背景的车辆检测与追踪算法,首先基于高斯混合模型将权重与标准偏差比例较高的部分选为背景,由此实现了前景区域的提取,同时,使用二值遮挡技术对提取的前景边缘进行优化处理。然后提取前景区域的部分粒子,对粒子进行聚类处理,结合粒子的空间位置与移动向量来提高粒子的聚类准确率。最终,由于同一粒子簇可能为两个运动形式接近的多辆车组成,针对粒子簇的轴线等参数设置了限制条件,从而判断是否为同一车辆。对车辆的追踪则基于连续帧之间和相同粒子簇的相似率比较获得。对比试验可看出,本算法对城市交通剧烈变换背景下的车辆识别正确率较高,优于已有的一些同类型算法,同时本算法由于仅选取目标的部分粒子进行计算处理,因此计算效率也较高。

1 本文算法

1.1 本算法总体流程

如图1所示为本算法的流程框图。

1.2 监控视频的前景分割

为帧像素建立高斯混合模型(GMM),假设前景代表移动目标,且前景与背景区域的颜色不同。GMM自适应地更新并处理非静态背景的光照与位置变化。

将帧的像素颜色表示为一个依赖时间的向量,时间t时,将像素i(x0,y0)的颜色概率建模为k个独立的混合高斯分布,则时间间隔[1,t-1]中,像素颜色出现概率可表示为:,其中表示视频序列。在时间t时,像素i出现给定颜色的概率为:

式中,分别表示第k个混合高斯分布各分量的权重、均值向量与协方差矩阵,即:

若将协方差矩阵简化为∑i,t,k=σ2I,则协方差可表示为,其中,分别表示时间t时、第k个GMM的RGB三色方差。

背景建模:将GMM分量按其权重与标准偏差的比例进行降序排列:。因此,按照式(2),将排名最前的ktop个GMM分量选为背景模型。

将像素与上述ktop个CMM分量进行颜色匹配,选择“匹配”的像素作为背景。“匹配”则定义为:对于像素三个颜色分量,其与GMM分量均值的标准偏差小于阈值τRGB(τRGB=2.5)。若像素的三色与ktop个CMM分量不匹配,则将其分为前景像素[7],如下:

式中,Tbackground表示从ktop个CMM分量中选择少量分量代表背景的阈值[8]。

若像素的RGB三色与k个分量匹配,则匹配分量的权重、均值与方差按如下两步进行更新:

(1)时间t-1时的匹配分量权重ωi,t-1,k更新如下:

式中,α表示学习速度,其均值向量与方差矩阵更新方法如下:

式中,参数ρ表示学习速度,定义为:

(2)保留未匹配分布的参数,因此,其权重更新如下:

若k个分量中无一分量与当前像素RGB三色匹配,则用Xi,t颜色分量的均值代替可能性最低的GMM分量的均值,并为其设置起始高方差与低权重值。

本文采用二值移动能量图像(MEI)产生前景的时间信息。MEI通过前景像素的开关来实现像素的二值遮挡,该MEI二值遮挡有助于描述移动目标的形状与轨迹。设Ig(x,y,t)表示一个灰度帧序列,D(x,y,t)表示前景区域的二值帧序列,表示为:

式中:x与y表示时间t与t+1时帧中像素坐标;Tb表示阈值(本文设为Tb=35)。二值MEI遮挡Eτ(x,y,t)则定义为在时间间隔[t,t+τ]中的二值D(x,y,t)序列联合体:

式中,τ表示二值MEI遮挡Eτ(x,y,t)的序列长度。

如图2(a)、图2(b)所示为使用GMM像素分类与二值MEI算法所得结果图,同时使用形态学操作对FM(x,y,t)遮挡的区域进行优化处理,如图2(c)所示,可看出图2(c)比图2(a)的检测更准确。

上述前景遮挡方法具有一个重要优点,其产生的粒子的计算效率较高,计算复杂度较低。本文使用最小特征方法检测出的粒子结果图如图3所示。

对每个粒子区域,计算帧与之间的移动向量。将以粒子为中心的窗口与以粒子为中心的窗口进行比较,该移动向量表示了像素在x与y方向的移动距离。在最小化成本函数下,获得每个粒子的移动向量:

式中:(p,q)=-N,-N+1,⋯,N-1,N表示当前方块C的偏移(N×N);R表示帧中的搜索方块;x,y表示方块C的像素坐标。矩阵E包含平均绝对差,将p与q的平均绝对差最小化,从而计算方块C与R之间的移动向量。

1.3 粒子分簇与车辆识别

1.3.1 粒子簇聚类

本文使用K⁃means算法对粒子集进行分簇,同时考虑粒子的空间位置与移动向量来提高其分类准确率。

设Nmin为与前景区域(车辆)相关的粒子集最小个数,本文对于320×240大小的视频帧,将其设为Nmin=8。

将视频帧中检测粒子的总数量设为Nparticles,该帧的最大分簇数量定义为clustermax=Nparticles/Nmin。然后,使用K⁃means算法迭代地更新分簇数量(1~clustermax)获得粒子的分簇,每轮迭代中,计算每个粒子与其对应质心距离的总和,若两次迭代“粒子⁃质心”距离的总和差异小于阈值TDiff(本文设TDiff=0.1),则结束迭代过程。因为本文试验中,使用余弦度量获得了最准确的粒子集分类结果,所以本文使用余弦度量来测量“粒子⁃质心”距离:

式中,代表粒子,粒子包含4个分量:其空间位置(x与y)、移动向量(Δx,Δy),移动向量表示粒子沿x,y轴方向移动的像素数量;表示粒子集的质心。每轮迭代的距离之和计算如下:

式中:clusterk表示每轮迭代的簇数量;n表示簇Qi中粒子数量。两轮连续迭代的总距离差值定义为:

使用轮廓法来检查每个粒子分簇的合理性:

式中:表示粒子的剪影值;表示粒子与其他同簇粒子的平均距离;表示从至其最近邻簇的最小距离。若,则表示与其他同簇粒子空间上距离较远,且必须从改簇删除。

1.3.2 粒子簇分割

由于同簇的粒子并非一定为同一车辆,可能是两辆位置与速度均接近的车辆,因此,需考虑两种情况:

(1)使用前景遮挡(FM)来判断两个不同的粒子簇Qi与Qj是否同一车辆;

(2)粒子簇Qi基于前景遮挡信息是否可分割为两个车辆。如图4所示为粒子簇分割过程实例图。

离子簇分割过程解释为:对于粒子簇,若Qi应该被分割,则i={1,2,⋯,nc},其中代表簇Qi的粒子,nc表示簇的总数量。设粒子簇Qi的凸包为Chull=convex_hull(Qi),背景区域为BA=Chull-(Chull⋂FM)且BA⊆Chull,并且前景遮挡(FM)中不含该凸包Chull。若#{BA}#{Chull}>Tsplit(本文设Tsplit=0.15),则Qjt+1=(Qit)′,Qjt++11=Qit-(Qit)′=(Qit)″,j={1,2,…,nc′},其中nc′>nc,#{BA}与#{Chull}分别是BA与Chull中的像素数量。对Qit中粒子进行K⁃means聚类将其分为(Qit)′与(Qit)″两部分。因此,若Chull中大于15%的区域未被检测为FM中的前景目标,则使用K⁃means聚类将簇Qi分割为两部分(如图4(b)所示)。

1.3.3 粒子簇修改

粒子簇修改与粒子簇分割过程相似,如图5所示为粒子簇修改过程实例。

对簇Qi与Qj进行成对测试来判断是否需对其进行修改,其中i={1,2,⋯,nc-1},j={i+1,2,⋯,nc},i≠j。首先,检查Qit与Qjt质心的欧氏距离是否小于其粒子与本簇质心距离的最大值,有:

式中:DE(Qit,Qjt)表示两个质心的欧式距离;表示质心;表示粒子与其质心的最大距离,与其同理;表示簇Q中的粒子集。

若Qit与Qjt满足式(14),则需第二个条件来判断簇是否需修改。设Chull=convex_hull(Qit⋃Qjt)为包含所有粒子Qit⋃Qjt的最低凸包,如图5(b)中灰色部分,且FA=Chull⋂FM,FA⊆Chull为前景遮挡(FM)的前景目标(如图5(c)中白色部分,中间的灰色部分为背景)。

若#{FA}#{Chull}>Tmerge(本文设Tmerge=0.85),则,其中max(i,j)与min(i,j)分别表示i与j之间的最大与最小序号。#{FA}表示前景区域像素的数量,#{Chull}表示Chull区域像素数量。上述内容解释为:若FA占Chull区域85%,则将Qit,Qjt修改为单簇(如图5(d)所示)。

1.4 车辆检测

设粒子簇为Qi,i={1,2,⋯,nc},nc为粒子簇总数量,为了判断簇Qi是否为一辆车,进行如下检查:设Chull=convex_hull(Qi)表示包含所有Qi粒子的最小凸包,如图6(b)所示,Cdilated=NEIG(uij)⊕B表示粒子集uij(j={1,2,…,n})的邻居,将簇Qi扩展为圆形结构元素B(本文将B的半径设为5,如图7(e)所示,Amajor=major_axis(Chull)与Aminor=minor_axis(Chull)分别为Chull区域的最大与最小轴线长度(如图7(f)所示)。FAint=Chull⋂FM表示Chull与FM的交叉区域,如图7(c)所示。FAext=FM-Chull表示Chull区域外部的前景部分,如图7(d)所示。对上述条件检查结果进行计分统计:若满足其中一个条件,则将分数加1;若不满足,则减1。将判断粒子集是否为一个车辆的条件总结如下:

(1)Tarea min<#{Chull}<Tarea max;2

(2)#{CDhull}/#{Cdilated}>Toccupation;

(3)Amajor/Amin or<Taxis;

(4)#{FAint}/#{Chull}>Tint;

(5)#{FAext}/#{Chull}<Text。

最终,若条件判断的总积分高于0,则Qi表示车辆,并将Qi表示为Vi。

1.5 车辆跟踪

上文已成功识别车辆(Vi),以每个粒子为中心建立大小(9×9)的窗口,并为该窗口像素计算其颜色直方图,然后比较该粒子时间t与t-1两个直方图的相似性。本文将静止车辆与移动车辆区别处理:

静止车辆跟踪:通过分析Vi的粒子移动向量判断其是否静止,若为静止车辆,则直接将当前帧的前景区域复制至下一帧,从而无需再次检查静止车辆的前景部分,提高了计算效率。移动车辆跟踪:设是与Vi对应的上一帧(时间t-1)粒子集,表示当前帧(时间t)的粒子集,式中i={1,2,…,nv},其中nv为检测车辆的数量,npp与npc分别表示Vt-1i与Vti的粒子个数。获得时间t-1帧的9×9窗口,表示为:,时间t的窗口表示为:,其中p={1,2,…,npp}且c={1,2,…,npc}。

将上述图像窗口的8 b RGB三色分量重新量化为3 b三色分量,共可组成512种颜色。然后可获得上一帧中每个窗口的归一化颜色直方图,表示为:Hi,p=hist(Wi,p),当前帧的对应窗口则表示为Hi,c=hist(Wi,c)。然后将Hi,p与Hi,c使用巴氏系数[9]进行比较,如式(17)所示:理实与述

式中:Hi,p与Hi,c分别表示上一帧与当前帧图像窗口的直方图;L表示直方图中bin的数量。本文定义若相似度高于0.8,则认为两帧的粒子保持不变。

本文将相似度shist(Hi,p,Hi,c)<Tsim(本文设Tsim=0.8)的粒子淘汰,获得新的Vi粒子集Ti。该新粒子集为上一帧(t-1)检测车辆的粒子集,且与当前帧(t)中相同车辆粒子匹配。由于两帧之间的粒子集变化过程为移动向量形式,因此Vi与Vj间可能产生重叠,即两车辆可能包含相同粒子。本文使用马氏距离将重叠区域分配给与重叠区域距离最近一个车辆,马氏距离如下:

式中代表重叠区域的粒子;是粒子集T中所有粒子的算术平均值;S是粒子集T的协方差矩阵。

2 实验结果与分析

本文目标是对城市监控中的车辆进行计数与跟踪,同类型的研究包括文献[1,5,10,11]。使用智行南京软件公司提供的6段城市不同路段的监控视频,视频帧大小均为320×240,25 f/s。如图8所示为车辆跟踪过程实例。

使用上述几个方案对相同的监控视频进行计数处理,文献[10]算法结合背景消除、粒子跟踪以及聚类算法实现了车辆检测,与本文方案接近;文献[1,3,5,11]算法与本算法相差较大,但均获得了较好的检测准确率。上述算法与本算法的目标一致,且均为近期提出,因此,将其与本算法进行比较。使用上述不同算法分别对6个城市交通监控视频进行处理,对视频中经过的车辆进行跟踪与计数,统计结果如表1所示。将检测的车辆数量按照经过视频监控中总车辆形式进行结果统计。将未被成功检测的车辆数量用FN表示,将被重复计数的车辆用FP表示(表示了一个车辆被识别为多个目标,对每个目标均进行计数)。

本算法的FN+FP数量为95,实际经过车辆个数为1 081辆,而其他算法的技术结果FN+FP值明显大于本算法。可看出文献[5]的FN与FP数量接近,说明其性能比较均衡,但同时其两种错误数量均高于其他算法。文献[1]的FP数量略低于本算法,但其FN则为本算法的两倍以上,其总错误为151,高于本算法。而其他几种算法的错误均高出本算法较多,从中可看出,本算法的优势。

3 结语

本文针对城市变化剧烈的道路交通视频监控系统提出了车辆识别正确率较高的算法,并获得了较好的车辆追踪效果。使用二值遮挡技术对提取的前景边缘进行优化处理。提取前景区域的部分粒子,对粒子进行聚类处理,结合粒子的空间位置与移动向量来提高粒子的聚类准确率。同时由于仅计算前景部分的部分粒子,因此计算效率较高。

参考文献

[1]NIETO M,UNZUETA L,BARANDIARAN J,et al.Vehicletracking and classification in challenging scenarios via slicesampling[J].EURASIP journal on advances in signal pro-cessing,2011(1):1-17.

[2]李明之,马志强,单勇,等.交通监控中运动目标轨迹的距离计算和聚类[J].计算机工程与设计,2012,33(6):2417-2422.

[3]MEI X,LING H B.Robust visual tracking and vehicle classifica-tion via sparse representation[J].IEEE transactions on patternanalysis and machine intelligence,2011,33(11):2259-2272.

[4]LEONE A,DISTANTE C.Shadow detection for moving objectsbased on texture analysis[J].Pattern recognition,2007,40(4):1222-1233.

[5]CHEN Z,ELLIS T,VELASTIN S A.Vehicle detection,trackingand classification in urban traffic[C]//2012 15th IEEE Interna-tional Conference on Intelligent Transportation Systems.An-chorage:IEEE,2012:951-956.

[6]JAZAYERI A,CAI H,ZHENG J Y,et al.Vehicle detectionand tracking in car video based on motion model[J].IEEEtransactions on intelligent transportation systems,2011,12(2):583-595.

[7]KAEWTRAKULPONG P,BOWDEN R.An improved adaptivebackground mixture model for real-time tracking with shadowdetection[M]//Anon.Video-based surveillance systems.US:Springer,2002:135-144.

[8]STAUFFER C,GRIMSON W E L.Adaptive background mix-ture models for real-time tracking[C]//Proceedings of 1999IEEE Computer Society Conference on Computer Vision andPattern Recognition.Colorado:IEEE,1999:2246-2250.

[9]COMANICIU D,RAMESH V,MEER P.Real-time tracking ofnon-rigid objects using mean shift[C]//Proceedings of 2000IEEE Conference on Computer Vision and Pattern Recognition.Hilton Head Island:IEEE,2000:142-149.

[10]BOUVIE C,SCHARCANSKI J,BARCELLOS P,et al.Trackingand counting vehicles in traffic video sequences using particlefiltering[C]//Proceedings of 2013 IEEE International Confer-ence on Instrumentation and Measurement Technology.Minne-apolis:IEEE,2013:812-815.

检测与跟踪车辆论文 篇5

社会的发展进步必然带动城市交通的繁荣,运营在这城市经济的运输军和发展动脉交通线上的车辆显得尤为重要.中小城市营运车辆是中小城市经济发展的`纽带,但是车辆在运行中受到各种原因的损坏甚至报废,不注重的车主为了一时之利没有去检修导致悲剧事件不断发生.维修与检测是对生命负责的必要措施.

作 者：王文奇 朱明伟  作者单位：王文奇(黑龙江省农垦总局佳抚路收费所,黑龙江,建三江,156300)

朱明伟(黑龙江省农垦建三江分局交通局,黑龙江,建三江,156300)

刊 名：黑龙江科技信息 英文刊名：HEILONGJIANG SCIENCE AND TECHNOLOGY INFORMATION 年，卷(期)：2010 “”(13) 分类号：U4 关键词：营运车辆   车辆维修   车辆检测  

★ 浅谈基层植物检疫工作的特点、现状与对策

★ 选煤厂班组长工作现状的调查与思考

★ 三明市化肥使用现状与对策

★ 光泽县竹产业现状与发展对策

★ 中职数学教学现状与对策论文

★ 教师继续教育工作现状与发展对策

★ 对我国目前房地产经济管理现状的思考与分析论文

★ 对自读课本使用现状的调查与思考论文

★ 作文教学的现状分析与增效对策

检测与跟踪车辆论文 篇6

关键词：Mean-Shift算法,车辆跟踪,目标检测

目标跟踪是交通流检测的一个重要环节,它直接关系到交通流参数获取的准确性。在交通流检测系统中,目标跟踪技术越来越被重视。在目标跟踪领域有很多不同的跟踪算法,如基于区域的跟踪算法、基于动态轮廓的跟踪算法、基于特征的跟踪算法等,它们各有各的优势和缺陷。在这些算法中,Mean Shift跟踪算法[1]因为其无参性和效率相对较高的特点越来越被广大研究人员所关注。

Comaniciu[1]等人提出了基于目标直方图的Mean Shift跟踪算法。该算法利用了目标直方图特征稳定、便于计算等优点,采用目标颜色直方图作为搜索特征,通过不断迭代Mean Shift向量使算法收敛于目标的真实位置,从而达到跟踪的目的。基于直方图的Mean Shift算法不但能精确追踪到目标位置,而且在一定程度上也解决了部分遮挡造成的跟踪丢失的问题,具有良好的鲁棒性。P Li[2]等进一步对算法进行了优化,使得Mean Shift算法在目标跟踪领域的应用更加广泛。

针对传统算法计算量大的问题,本文根据实际交通中车辆的运动特性,本文给出了最基本的Mean Shift跟踪算法,采用颜色直方图作为目标的特征描述,同时采用Mean-shift算法搜索目标位置,从而实现对目标的跟踪。该算法充分利用交通流中车辆的运动特性,从而能较好的实现交通检测中的目标实时追踪。

1 Mean Shift跟踪算法

由于直方图的简单性和稳定性,所以在Mean Shift算法中一般采用颜色直方图作为

目标的特征描述。目标模板[3]的颜色分布qu可表示为下式:

其中,qu表示目标的颜色分布情况,C为qu的归一化常数,n是模板中像素的数量,k()为核函数,x是模板的中心位置,而xi表示不同像素在模板中的不同位置,h为核函数带宽,δ(y)是Delta函数,当y等于0时其结果为1,其他结果均为0,b(xi)表示模板中xi位置处的像素颜色。上面(1)式可以看作是原始目标的特征模型,相应地,候选目标特征模型可以定义为:

其中,y是候选目标模板的中心位置,xi表示像素在候选目标模板中的相应位置。

这时实现跟踪也就是要找出y在图像的哪个位置才能使得候选目标特征与目标本身特征最匹配,也就是y在何处使得qu与pu最匹配。而二者的匹配度一般用Bhattacharyya系数来度量,其计算公式如下:

ρ越大,qu与pu就越匹配。将(3)式在y0处进行泰勒展开,就可以得到算法下次迭代的中心位置y:

在运用算法进行跟踪时,先把y初始化为y0,然后用公式(4)迭代,用迭代出的值代替原来的y值,直至y不再变化或者变化小于一定的限度,这时就认为已经实现了目标跟踪的目的。

2 目标模型描述

Mean Shift算法中一般采用颜色直方图作为目标的特征描述,直方图简单、稳定的特点使得跟踪算法高效、鲁棒性强。尤其在交通视频检测系统中,目标车辆的色彩比较单一,运动背景变化不是太大,所以一般情况下,目标的色彩分布就很直观的反应出了目标本身的状态变化目标的颜色分布qu可表示为下式:

其中,u代表颜色的级数,例如灰度图像中颜色有256级,即u可取值0-255;qu则表示级数为u的颜色经过加权后在目标模板中的概率,qu越大就说明级数为u的颜色在搜索跟踪的过程中所起到的作用越大。

在目标模板中,假设当u=u0时,qu取最大值,这说明级数为u0的颜色在描述目标特征中处于决定性作用;所以这时我们可以重点研究级数为u0的颜色在模板中的比例变化,用以判断跟踪目标的尺寸变化情况。在(5)式中令k=1,(5)式就退化为不加权时的目标模板直方图色彩分布[4]情况,如下式:

设目标模板中级数为u0的颜色概率为qu0,候选模板中为q′u0。如果当前帧中目标是放大的,则q′u0≥qu0;如果当前帧中目标是缩小的,则q′u0

3 目标定位

Mean Shift跟踪算法在实现时以上一帧中目标位置为中心开始搜索,此时搜索区域与目标当前区域有较少的重叠区域,算法从此位置开始必须要经过多次的迭代才能收敛于目标的真实位置,Mean Shift算法中计算量最大的部分。所以要实现对目标的实时跟踪就必须降低算法的迭代次数以降低计算的复杂度。

采用Mean-shift算法搜索目标位置,定义样本均值[5]为:

上式子中,g(x)=-k'(x)为核密度估计;ωi为数据点xi的权值。

定义样本均值与实际数据点之差为Mean-shift矢量Mh,g(x)即:

我们知道,均值飘移的过程就是计算Mean-shift矢量Mh,g(x),并根据Mean-shift矢量)来反复迭代更新核函数窗口[6]的中心位置。设核函数窗口的初始位置为y0,yj+1是在位置计算出的加权均值,则当前yj帧中的目标位置yj+1为

4 实验及结果分析

本实验是在Windows环境下利用VC6.0和OpenCV来进行的。为了检测本文方法的稳定性,实验使用一个道路车辆的视频进行了实验,实验结果如图所示:

上图中显示了运用本文算法实现的跟踪结果,图中同时对三辆轿车分别进行了实时跟踪;可以看出算法基本准确追踪到了目标车辆,直至其离开监控区域。

5 结束语

交通系统是指将先进的信息技术、数据通讯传输技术、电子传感技术、电子控制技术及计算机处理技术等有效的集成、运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的,实时、准确、高效的综合交通运输管理系统。

本文采用mean-shift目标跟踪算法,分析研究了交通系统中运动车辆的检测与跟踪技术,在实验过程中取得了良好的效果。

本文给出了最基本的Mean Shift跟踪算法,采用颜色直方图作为目标的特征描述,同时采用Mean-shift算法搜索目标位置,定义样本均值,实验结果表明算法的有效性。

参考文献

[1]Comaniciu D,Ramesh V,Meer P.Kernel-based object tracking[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25(5):564-575.

[2]Li P.An adaptive binning color model for mean shift tracking.IEEE Transactions on Circuits and Systems for Video Technology,2008,18(9):1293-1299.

[3]邸男,朱明,一种复杂背景下的实时目标跟踪算法[J].中国图象图形学报,2008,13(9):1758-1765.

[4]COMANICIU D,RAMESH V,MEER P.Real-time tracking of non-rigid objects using Mean-Shift[C].IEEE Computer Vision and Pat-tern Recognition.Hilton Head Island.Washington,DC:IEEE Press,2000(2):142-149.

[5]COLLINS R T.Mean-Shift blob tracking through scale space[C].IEEE Computer Society Conference on Computer Vision and PatternRecognition.Vancouver,Canada:IEEE Press,2003,2:234~240.

改进的光流法用于车辆识别与跟踪 篇7

图像序列中检测运动目标, 主要有图像差分法 (帧间差分和背景差分) 、光流场的方法、统计模型的方法、运动能量的方法、小波变换的方法、神经网络的方法[1]等。运动可以分为四种模式:摄像机和目标都静止, 摄像机静止但目标运动, 摄像机运动且目标也运动, 摄像机运动但目标静止。其中, 摄像机静止物体运动是一类非常重要的场景分析, 包括运动目标检测、目标运动特性估计;主要用于预警、监视、统计、目标跟踪与估计。本文主要研究摄像机静止目标运动的情况。通过基于特征点改进的光流算法实现运动目标的检测估计与跟踪。

1 光流算法原理

光流是指图像中模式运动的速度, 它是一种二维瞬时速度场, 其二维速度矢量是可见的三维速度矢量在成像平面上的投影。给图像中的每一个像素点赋予一个速度矢量, 这就形成了一个图像运动场。在运动的一个特定时刻, 图像上的点与三维物体上的点一一对应, 这种对应关系可由投影关系得到。根据各个像素点的速度矢量特征, 可以对图像进行动态分析。如果图像中没有运动目标, 则光流矢量在整个图像区域是连续变化的, 当物体和图像背景存在相对运动时, 运动物体所形成的速度矢量其大小和方向必然和邻域背景速度矢量不同, 从而检测出运动物体的位置和形状, 对于背景与目标均运动的情形, 可以利用光流很好地区分前进的目标和后退的背景, 得到它们各自的三维运动信息。光流计算基于物体移动的光学特性的两个假设[2]:运动物体的灰度在很短的间隔时间内保持不变;给定邻域内的速度向量场变化是缓慢的。对在同一个运动目标上, 可以认为它有刚体特性, 同一物体每个像素任意时刻其运动速度的大小和方向是一致的, 根据这个特性可以检测出目标的形状。光流最初由Horn和Schunck提出[5], 假定时刻t处于图像坐标 (x, y) 位置的点由于物体的运动在t+dt时刻出现在图像坐标的 (x+dx, y+dy) , 在t时刻该像素的灰度值为I (x, y, t) , 在t+dt时刻的灰度值为I (x+dx, y+dy, t+dt) , dt很小, 根据假设认为此点在移动过程中像素灰度值不变。即I (x+dx, y+dy, t+dt) =I (x, y, t) 左边用泰勒公式展开可得:其中是ydttdtxytdtdtdt (x, y) 出该像素点在t时刻沿横纵坐标的移动速度, 所有像素的速度矢量 (u, v) 构成了运动物体的光流场, 令得光流方程v) +It=0, 光流场U= (u, v) T有两个变量, 约束方程只有一个, 只能求出光流沿梯度方向的值, 加入不同的附加约束条件就构成了不同的光流算法。Lucas-Kanade非迭代光流算法计算两帧在时间t到dt之间每个像素点位置的移动, 光流估计误差为 (x, y) ∑∈RW 2 (x) (Ixu+Iyv+It) 2, W 2 (x) 为窗口权重函数, 突出窗口中心点的坐标, 可有高斯函数得到, 由最小二乘解得U= (ATW 2A) -1ATW 2B, 其中A=[I (X1) , ..., I (Xn) ]T, W=diag[W (X1) , .., W (Xn) ], B=-[It (X1) , .., It (Xn) ]T[3]

其中光流的可靠值由矩阵的特征值来估计, 若特征值都大于给定阈值, 这计算的光流是可靠的。

2 基于帧间差分与特征点的光流

本文获取的图像序列是背景静止目标运动的图像, 首先利用连续帧间差方法发现运动目标和定位区域, 由帧间差分阈值法获取差值图像, 然后计算差值图像中特征点处的光流。针对差值图像中不为0特征点出光流场分布比计算整个运动物体的光流畅要可靠得多, 它们对应于梯度较大的点, 使得计算出的光流长分布更为可靠和精确, 同时减少计算量 (计算的是局部特征点光流) 。而且对已经检测到的目标存在的区域再运用光流法进行运动估计, 得到目标的运动信息, 可以缩小运动目标检测时的感兴趣检测区域, 减少运动目标的检测时间。文中选取的特征点是图像角点, 角点[4]是灰度变化突出边缘曲率较大的点, 能反映物体的形状信息, 角点信息是目标特征的不变性表述, 是特征光流跟踪的基础。本文对变化程度和运动区域变化比较接近的地方采用连通和聚类的方法, 能够较好地提取运动区域, 计算出特征点光流后利用聚类来实现目标与背景的分离, 通过目标特征点在相邻两帧或多帧间的匹配来实现目标的跟踪。梯度阈值的选取:在复杂场景运动目标驾车中, 由于场景和运动目标的灰度梯度可能相差不大, 使得运动目标轮廓处于模糊状态, 计算的轮廓处光流不准确, 再次引入梯度的约束条件, 设定灰度梯度阈值, 在灰度梯度大于阈值的像素点计算光流。

本文算法流程如图1。

其中帧间差分原理如图2。

原始序列某帧图像如图3, 由帧间差分得到的运动目标二值图像如图4。

在光流计算部分, 寻找前一帧的特征点在后一帧中的匹配点位置坐标。为了得到光流矢量图, 采用匹配特征点间划线的方法, 为便于直观检测光流及克服某些特征点运动位移比较小的缺点, 用两段颜色不一的线段来代替箭头, 其中颜色交界处点的坐标取两匹配点的中点。

图5为初始计算的光流, 由图可知, 有些光流矢量箭头比较短, 不能很好的表示特征点位移的大小, 用上述改动后的方法能够很好地标注出相对移动比较小的光流, 如图6所示。对于由于外部环境的干扰如阴影、风动、树叶动等[3]造成的背景也有光流矢量的干扰, 通过光流矢量的大小和方向来判断, 根据经验设定阈值对于光流矢量小于一定长度或不在某一方向的不标注, 可以得到比较好的光流矢量。

3 实验结果

图7为在设定的感兴趣区域内目标车辆的跟踪与标号 (可用于车流量检测) , 图8为利用特征点匹配坐标的移动算出运动车辆的相对速度。

4 结论

本文基于opencv的光流算法能够很好地提取运动目标, 实现目标跟踪定位, 在差分及梯度阈值处理后, 再用基于特征的方法不断地对目标主要特征进行定位和跟踪, 对大目标的运动和亮度变化具有鲁棒性, 计算量相对较小, 对大车辆能够实时跟踪更新, 相邻目标能够很好分割开来。它也有一些不足, 光流通有些稀疏, 特征提取和精确匹配也存在难度, 需要近一步改进。

摘要：利用帧间差分获取运动区域, 采用梯度阈值获取二值图像, 再提取运动区域目标特征点的光流, 对光流矢量采取分段标注, 设置感兴趣区域。利用光流特性实现目标的识别, 定位与跟踪, 对于运动目标的跟踪具有实时性和鲁棒性, 能够用于车流量统计, 对车辆辅助行驶研究起到一定的铺垫作用, 实验结果证明该算法的有效性和实用性。

关键词：差分,光流矢量,目标跟踪,辅助驾驶

参考文献

[1]杨国亮, 王志良, 牟世堂.一种改进的光流算法.人工智能及识别技术, 2006;32 (15) :187—189

[2]段先华.基于光流和水平集模型的运动目标自动跟踪方法.江苏科技大学学报, 2007;21 (5) :59—63

[3]李宏, 杨廷梧, 任朴舟.基于光流场技术的复杂背景下的运动目标跟踪.光电工程, 2006;33 (10) :13—17

[4]万文静.基于光流的图像目标跟踪方法研究.西安:西北工业大学, 2006

检测与跟踪车辆论文 篇8

车型识别的方式多样, 包括传统的磁感应线圈检测、红外、微波、超声波、激光等车辆检测与分类技术等。本文将讨论以视觉为基础的技术应用在网络摄影机上的车辆路径追踪, 使车辆路径追踪系统的用户能快速找到想要搜寻到的车辆种类, 本系统包含车辆侦测、车种识别、车辆颜色辨识以及网络资料库上的应用。首先会在网络摄影机拍摄出来的影像画面中找出移动的车辆, 找出车辆后, 在这些车辆中开始分辨车种, 利用车辆的大小长、高、宽以及密度比当作是分辨车辆的特征, 利用这些特征分辨出车辆之后, 再利用车辆主体颜色采样来找出车辆颜色做更进一步的辨别, 锁定特殊车辆后, 使用路口摄影机的位置来做时间和锁定车辆颜色的比对, 找出锁定车辆的可能行经路线图, 进而使用在网络资料库上来达成实时快速的车辆路径追踪系统。

1 基于图像处理技术的车辆识别

透过网络将计算机与摄影机结合, 将取得的画面一张张的采集下来, 利用背景相减原理, 把预先储存无物体移动环境的影像做为背景与取得的各张影像做相减侦测出的差异部份即为前景。将得到的前景影像做二值化, 使其影像转为非黑即白两种颜色的影像, 但在二值化的过程中会产生部份噪声, 所以在二值化后需要对其影像去噪声, 经由去噪声的步骤来增加日后影像分析的正确率。

通常所处理的照片常常会因车辆与背景颜色太过相近, 而导致在前处理后还残有声, 因此为了要减少这类噪声所造成的误判, 使用直方图等化来增强数码影像的对比程度。一幅影像中的灰阶可以看成区间[0, 1]上的随机变数。一个随机变数的最基本描述子是它的机率密度函数 (probability density function) , 令pr (r) 和ps (s) 表示随机变数r和s的机率密度函数, 假如pr (r) 和T-1 (r) 已知, 且T-1 (s) 满足T (r) 在0≤r≤1区间上是单值且单调递增的, 则转换后的变数s的机率密度函数可以用相当简单的方法获得:

因此转换后变数s的机率密度函数可以由输入影像的灰阶机率密度函数和经选取的转换函数所决定。一个在影像处理上特别重要的转换函数有这样的型式:

其中w是虚设的积分变数。 (2) 式的右边是随机变数r的累积分布函数 (cumulative distribution function) 。由于机率密度函数永远是正的, 而且函数的积分就是函数的面积, 所以其结果是此转换函数是单值且单调递增的。同理变数在范围[0, 1]内的机率密度函数的积分也同样在范围[0, 1]内。

已知一个转移函数T (r) , 应用 (2) 式可求得ps (s) 。从基本的微积分学的莱布尼兹 (Leibniz) 法则可得知, 对一个定积分上限微分就是被积分式在该极限的值。也就是说:

以此ds/dr的结果代入 (3) 式中, 并且所有的机率值都为正数, 可得:

因为ps (s) 是一个机率密度函数, 所以在此情况下它在区间[0, 1]外必须是0, 因为对所有s值的积分一定要等于1。可以得出 (4) 式之ps (s) 的形式是一个均匀的机率密度函数, 产生一个特性为均匀机率密度函数的随机变数s。由 (4) 式可看出, 不论pr (r) 的形式为何, 所得的ps (s) 永远是均匀的。由于数码影像为离散值, 所以针对离散值, 讨论的是机率总和而不是机率密度函数与积分。在一幅影像中的灰阶rk发生的机率可近似为:

其中n是影像中的像素总数, nk是有灰阶rk之像素的数目, L是影像中可能灰阶的总数。 (5) 式所给之转换函数的离散形式为:

因此经由 (6) 式将输入影像中灰阶rk的每一像素映像至输出影像中灰阶sk的对应像素中获得一个处理过的影像, pr (r) 对rk的图称为直方图, 经过 (6) 式的转换后, 输出便为直方图等化。

噪声去除后, 画面有可能同时存在多个前景物, 将各个区块做标记, 其目的是为了让计算机辨别影像内的各别区块, 以达到多物体侦测之成效。由于画面上半部的移动物体过于细小, 为了避免造成误判, 并得到良好的辨识结果, 只将画面中下半部的范围做车辆识别, 系统将判断区域内所有经过的车辆, 将中型车、大型车以及所属的车辆颜色, 随着系统时间记录起来, 再将记录起来的信息一一送到网络资料库, 资料就能由监控者来浏览, 并且时间与地点等信息记录起来后, 也一并储存到资料库内, 以后要做锁定车辆行经路线查询时, 也能迅速找到想要的结果。

2 结语

为了增加影像分析的正确率, 本系统更增加了门坎值设定以及背景更新的功能, 设立门坎值的目的是为了将差异较小的前景排除不考虑, 只对差异较大的前景做侦测, 使其背景更新系统不会受到小噪声的干扰, 如光影变化等。本系统充分利用图像处理技术的各自优势, 能大大提高自主车辆跟踪和识别系统的实时性和鲁棒性。本系统还可自动执行背景影像更新, 当采集影像与背景相减数秒内判断皆无前景物时, 系统将自动更新背景影像, 藉此提升影像分析的正确率。

参考文献

[1]Q.F.Liu, J.G.Lou, W.M.Hu, T.N.Tan.Model Based Pose DeterminationUsing Bayesian Classification Error[A].The 2nd Chinese Conference on In-telligent Visual Surveillance[C].2003.

运动目标检测与跟踪算法研究 篇9

1. 1目标检测方法

目标检测是目标识别的基础, 将视频目标从图像序列当中进行准确提取是检测的关键步骤。运动目标在静态背景中的检测和提取可使用图像分割或者目标模板等方法, 而动态背景下则可使用神经网络、帧间差分、背景估计、光流场等方法。

1) 基于帧间差分法: 该方法是用视频序列中相连续的图像帧做减法, 获得差分图像。在差分图像中, 像素的值较小时, 认定为没变化的背景点, 而像素值较大的点则作为运动目标点。该方法实现简单, 存在的缺点是易受光照影响。

2) 基于背景估计方法: 该方法则是为了解决图像差分法无法完整获取目标的缺点。背景估计法将视频序列中的一个图像帧作背景, 然后把后续帧的像素值和背景模板的像素值做相减, 得到差分图像, 并对差分图像做二值化和数学形态法处理。

1. 2目标跟踪方法

视频目标跟踪是监控领域的热点问题, 其目的则是为了得到目标图像帧和帧之间的联系和变化。它常采用的方法主要有以下三种算法: 滤波、浓缩以及动态贝叶斯网络算法等。现有的这些方法可根据具体的方法和视觉信息的层次进行分类, 分为基于底层视觉信息和基于高层理解信息这两种跟踪方法。底层视觉信息的跟踪是指利用一些易获取的直接信息, 例如轮廓信息、区域信息等特征。高层理解信息则是通过采集大量样本做训练学习, 生成可分析的结果。因为目标跟踪本身是随着目标的运动动态变化的, 所以其本身存在非常大的挑战性。根据其具体方法可以分为四种: 点跟踪、核跟踪、轮廓跟踪以及基于检测的跟踪。目标识别方法主要有Generative Model和Discriminative Model两种方法。其中Generative Model主要通过使用大量数据训练, 从而获得目标类别的概率分布。而Discriminative Model则在现有模型中找到划分类别的函数。最常用的Generative Model是高斯混合模型GMM。该模型能够对同一类图像进行不同形式的表现。而另一种则是概率隐含语义分析模型 ( Probabilistic Latent Semantic Analysis, PLSA) , Quelhas、Sivic等人使用特征计算来隐含进行分类, 然后通过贝叶斯概率计算获得目标类别概率。常用的Discriminative Model则有K近邻分类方法、支持向量机方法、PMK ( Pyramid Match Kernel, 金字塔匹配) 以及Boosting分类方法。K近邻分类方法的缺点在于其计算复杂度大, 不适合大图像数据。

1. 3运动目标检测与跟踪的难点

运动目标检测与跟踪需要有效、可靠以及智能的检测和识别技术。但由于以下具体问题, 运动目标检测与跟踪仍然是开放性问题。

1. 3. 1目标检测和分割的准确性

运动目标的检测过程中, 会受到场景当中的各种干扰, 例如: 场景光照变化, 场景的背景抖动和干扰, 目标运动速度过快或者视频摄影人的操作瑕疵等。当光源发生变化, 目标物体的颜色会呈现出特征的变化; 摄影人的操作瑕疵例如抖动可能会导致摄影的目标和背景区域的变化; 目标运动速度过快可能会导致目标跟踪的丢失等等。

1. 3. 2目标形态变化

在视频采集的过程当中, 摄像机和运动以及目标物体的运动都会使得目标的尺度发生改变, 目标发生的旋转和平移改变都会使得目标图像带来变化, 给图像的检测和识别带来困难。

1. 3. 3 算法的复杂度和准确性

运动目标的检测和跟踪需要对视频图像的像素值进行处理, 像素值需要大量的运算量, 若算法选择不合适, 会导致系统无法满足实时性的需求。另外, 系统需要保证识别的准确性, 多个特征进行联合匹配会让计算复杂度提高, 这样就造成了矛盾, 所以要平衡识别复杂度和准确性之间的矛盾。

2 结语

首先, 波门跟踪算法通过减小跟踪图像处理区域带来系统运算量的降低, 并且可以同时获得目标跟踪算法的抗干扰性能的提升。其次, 介绍了常用的多分辨率处理方法, 在此基础上提出了基于Ada Boost算法的多尺度图像检测方法, 极大地提高了图像跟踪中目标检测的精度。最后, 在结合Ada Boost检测算法、多尺度检测算法、波门跟踪法各自特点的基础上, 提出了一种具备全自动和实时性特点的目标跟踪方法。该方法充分利用Ada Boost检测算法, 多尺度检测算法的特点实现了在波门跟踪算法中自动选择波门, 并同时具备波门跟踪算法运算效率高的优势。

摘要：视频目标的检测和识别是计算机视觉领域研究的一个核心问题, 它的主要任务是对视频图像中的目标进行定位、检测、识别和分析判断。视频目标跟踪的研究目的是让机器获得人类视觉运动感知的能力, 能够辨识序列图像中的运动目标, 从而可以提供重要的数据依据对目标进行理解和分析。

关键词：图像序列,AdaBoost识别算法,波门跟踪,多尺度检测

参考文献

[1]梁鹏.基于内容的目标分类识别关键技术研究[D].广州:华南理工大学, 2011.

视频序列中目标的检测与跟踪 篇10

目标的检测与跟踪涉及到人工智能、机器视觉、生物医学、自动控制等多个学科,近年来,随着计算机技术的发展,得到了广泛的研究与应用[1]。目前比较流行的目标检测算法包括帧间运动估计和背景差分的方法,帧间运动估的方法是利用图像序列中相邻帧图像之间的差来提取图像的运动区域的。该方法实现简单,但只能检测相对运动的目标,并且检测出目标的位置不够精确。背景差分法首先定义视频图像的特定帧为背景,然后将当前帧和背景进行差分比较,如果同位置的像素特征、像素区域特征或其他特征的差别大于选定的阈值,则当前帧中该位置的像素区域就判定为前景目标区域,反之则为背景。该方法容易受到光线亮度变化的影响[2]。基于上述原因,本文提出了一种基于时间序列的编码建模算法,该算法能够解决像素剧烈变化的问题,可以提高复杂背景下目标检测的稳健性。目标的跟踪是通过算法获得目标在特定时间段上的运动轨迹,包括目标的产生、运动和销毁三个过程。由于算法中涉及到帧间目标空间位置的测量,在传统的跟踪算法中,当目标数目增加的时候,算法的时间复杂度呈指数形式增加。本文在分析上述问题基础上,将KD-Tree方法[3]引入目标跟踪算法之中,降低了算法的时间复杂度,同时降低了算法对目标数目的敏感程度,实现了高精度、高效率的目标检测与跟踪。

1 目标检测

很多场景都包含复杂的运动目标,诸如摇曳在风中的树、转动的风扇、摆动的窗帘等。通常这种场景中还有光线的变化。解决这个问题最好的方法是采用基于时间序列的编码建模算法,对每个像素或者一组像素建立时间序列模型,在每个像素点进行抽样,根据颜色扭曲尺度和亮度边界聚类获得编码本的集合,并不是所有像素点拥有相同数量的编码本数量。通过编码本表示的聚类子不需要对应单个高斯分布或者其他参数的分布,因此该编码方式是以像素为基础的。

归一化颜色算子是用来处理全局和局部亮度变化的方法,该技术在图像的暗色区域效果不理想,因为颜色比率的不确定性与亮度相关,所以灰度级低的像素点相对与灰度级高的像素点不确定性更高。这些不确定性使灰度级低的区域变得不稳定,在可能聚集在低灰度级的区域造成无检测[4]。本文通过建立颜色模型来估计颜色的亮度和扭曲,该模型依赖于编码元素主轴界定在亮度值高低边界的背景像素值。对于输入像素点pixi=(B,G,R)和编码本ci,定义Vi=(Bi,Gi,Ri),可得

$\parallel \mathit{p}\mathit{i}\mathit{x}{}_i\parallel {}^2=B{}^2+R{}^2+G{}^2(1)$

$\parallel \mathit{V}{}_i\parallel {}^2=B{}_i^2+G{}_i^2+R{}_i^2(2)$

由式(1)和式(2)可得

(pixi,Vi)2=(BiB+GiG+RiR)2 (3)

颜色扭曲度为

$colordst(\mathit{p}\mathit{i}\mathit{x}{}_i,\mathit{V}{}_i)=\sqrt{\parallel \mathit{p}\mathit{i}\mathit{x}{}_i\parallel {}^2-u{}^2}(4)$

u2可以由式(5)求解

$u{}^2=\frac{(\mathit{p}\mathit{i}\mathit{x}{}_i,\mathit{V}{}_i){}^2}{\parallel \mathit{V}{}_i\parallel {}^2}(5)$

此外,统计地分配亮度变化的最大和最小值,将其赋给一个编码本,在特定的范围内限制阴影水平和焦点水平,能够有效地适应亮度的变化。为了去除图像中引入的噪声,首先对目标检测完成的图像进行3×3的中值滤波,然后进行形态学处理,使待检测的目标形成一个完整的连通域,并在一定程度上消除中值滤波无法消除的噪声,最终得到比较理想的目标图像。

不同处理阶段目标检测的结果如图1所示。可以看到,在经过上述处理,得到了完整的目标。

2 目标跟踪

目标跟踪是建立在目标检测的基础上的,即确定实时视频帧中检测到的目标的运动轨迹,这种轨迹的建立可以通过目标特征的匹配来实现,通常采用的特征信息有目标的位置、尺度、形状以及颜色等。本文采用目标的位置(即每个目标的质心坐标)建立运动模型,实现目标轨迹的精确匹配。

将每帧图像检测出的多个目标同上一帧图像检测出的目标进行比较并分类,主要有3种情况:1)当前目标是由上一帧中某个目标运动得到的(运动速度大于或等于0);2)当前目标在上一帧中没有出现,是新增加的目标;3)某些目标在上一帧中出现过,但在当前帧消失了。

在跟踪用摄像机完整标定的情况下,视场中的目标的运动速度会保持在某个区间之内,即可以通过实验的方法确定某一类别目标的最大运动速度,因为摄像系统的帧率是一定的,所以可以确定目标在两帧之间的时间间隔内的最大位移,定义为D_max,以此作为阈值条件。然后把上一帧的所有目标的质心坐标放在一个数组中,作为一个待遍历的集合Vec。将当前帧的每一个目标的质心坐标在集合Vec中寻找出与之几何距离最近的对应目标A,然后计算该距离d与D_max的关系:1)如果d≤D_max,当前帧的目标是从上一帧的目标A运动得到的;2)如果d>D_max,当前帧的目标是新增加的目标;3)如果在上一帧的目标中存在没有和当前帧目标相对应的,则说明没有对应的这些目标在当前帧中消失了。

针对上述3种情况,本文采用KD-Tree算法[5]实现目标跟踪。KD-Tree算法是一种由二叉搜索树推广而来的用于多维检索的树的结构形式(K即为空间的维数,此处定义K=2)。与二叉搜索树不同的是,它的每个结点表示k维空间的一个点,并且每一层都根据该层的分辨器对相应对象做出分枝决策。顶层结点按由分辨器决定的一个维度进行划分,第二层则按照该层的分辨器决定的另一个维度进行划分,以此类推在余下各维之间不断地划分。直至一个结点中的点数少于给定的最大点数时,结束划分。

如图2所示,在二维空间内存在点A,B,C,D,E,首先以A点的y维度为起始点,将点集分为2个部分,然后在左右2个子树中以B点和C点的x维度将左右2个子树分为2个部分,以此类推,在B点、C点各自的子树当中,以D点、E点的y维度对其子树划分,遍历集合当中的每一个点,就可以得到1个完整的KD-Tree。目标轨迹建立的过程就是在KD-Tree中搜索最近点的过程,采用KD-Tree进行最近点搜索可以提高系统的工作效率。

算法流程如下:

1)定义目标质心点坐标存储结构体,即

typedef struct Blob2D32f

{

int ID;

float x;

float y;

} kidBlob2D32f;

其中ID为每个目标对应的序号,x和y分别为每个目标质心坐标的横、纵坐标值。

2) 将第i帧的每个目标(定义为Blobi,其中i=1,2,3,…,N)的横纵坐标按照Blob2D32f结构体形式进行存储,ID号从0开始顺次排列,然后存放在起始帧数组ArrayL中。

3) 将第i+1帧的每个目标的横纵坐标按照Blob2D32f结构体形式进行存储,ID号不填充,然后存放在当前帧数组ArrayN中。

4) 对起始帧数组ArrayL建立KD-Tree。

5) 定义D_max。

6) 遍历当前帧数组ArrayN中的每个Blobi,搜索其在KD-Tree中最短距离元素,定义最短距离为d。

7) 如果d>D_max,则该Blobi为新当前帧新增加的目标,将其赋予一个新的ID;如果d≤D_max,则该Blobi为由上一帧的目标运动得到的,将其ID更新为ArrayL数组中与其距离最短的目标的ID,并将其对应元素在ArrayL数组中删除。

8) 遍历结束后,ArrayL数组中余下的Blobi即为上一帧存在但当前帧消失的目标,将其删除。

9) 将当前帧数组ArrayN中的元素更新到ArrayN数组中。

10) 循环执行步骤3)～9)过程,直到程序结束。

随着视频帧数据的不断采集,循环进行上述过程,即实现了目标的检测与跟踪。流程图如图3所示。

3 目标跟踪实验

采用三轴云台固定摄像机进行实验,视频图像分辨力为640×480,背景模型建立过程累积了35帧图像,在普通PC上目标检测与跟踪的速度可以达到25 f/s(帧/秒)。

图4分别为第4,6,26,150帧时目标跟踪的情况,可以看到,目标被完整地检测出来,在目标物像素尺寸相对整个视频帧图像的比例较大的时候,没有出现单一目标被误检测成多个目标的现象,且目标的运动能够被较好地跟踪。

4 结论

本文讨论了几种目标检测中背景建模的方法,并重点说明了背景差分的建模方法,对差分后的图像进行滤波和形态学处理之后,可以得到较完整的目标轮廓,并且通过KD-Tree算法对目标进行跟踪,大幅度提高了跟踪效率。

参考文献

[1]蔡荣太,吴元昊,王明佳,等.视频目标跟踪算法综述[J].电视技术,2010,34(12):125-127.

[2]潘翔鹤,赵曙光,柳宗浦,等.一种基于梯度图像帧间差分和背景差分的运动目标检测新方法[J].光电子技术,2009,29(1):34-36.

[3]SPROULL R F.Refinements to nearest-neighbor searching in K-dimen-sional trees[J].Algorithmica,1991,6(4):579-589.

[4]KIM K,CHALIDABHONGSE T H,HARWOOD D,et al.Real-time fore-ground-background segmentation using codebook model[J].Real-TimeImage,2005,11(3):172-185.