论文部分内容阅读
随着智能交通的发展，利用视频监控等手段可以获取大量的交通视频数据。通过对交通监控视频数据的处理和分析，实现对车辆的识别和跟踪有助于加强对交通车辆的管理。由于交通监控视频的环境复杂多变，特别是对于现有的非高清视频资源，如何提高车辆的识别和跟踪效率是一个迫切需要解决的问题。 为了提高交通视频中车辆类型识别的速度和准确率，本文提出了一种基于空间金字塔视觉词袋模型的车型分类方法。在此基础上，本文开展了对多视频车辆跟踪的研究，将改进的Mean Shift和视觉词袋模型相结合，根据获取的稳定特征对不同视频中的车辆进行匹配，实现了多视频的车辆识别和跟踪。本文开展的主要研究工作有： 1、为了提高视频前景提取的速度和精确度，本文提出了一种基于ViBe的交通监控视频前景提取方法。该方法能快速自动更新背景，将天气、环境干扰对背景影响降到最低。为了解决ViBe前景提取存在的“拖影”问题，结合高斯混合模型，有效地提高了前景提取的准确率。 2、为了提高车型分类的精度，本文提出了一种基于视觉词袋模型的交通视频车型分类算法。该算法首先利用SIFT算子尺度不变的特性提取车辆特征，利用精确欧式位置敏感哈希聚类方法对分散的特征进行聚类，并融合空间金字塔矩阵对视觉词汇进行分割，从而实现车辆类型的快速识别。本文还将基于视觉词袋模型的车辆分类方法与基于局部特征的车型分类方法进行实验结果对比和分析，本文提出的基于视觉词袋模型的车辆分类方法具有更好的精确度。 3、论文针对多视频跨域跟踪存在的目标车辆特征变化大，多视频车辆跟踪效果较差的问题，提出了一种基于视觉词袋模型改进的Mean Shift多视频车辆跟踪方法。该方法通过视频中的车辆速度和空间路网结构等信息快速确定待查视频，并根据车型阈值减少不必要的匹配对象；然后采用Mean Shfit算法根据车辆颜色和轮廓等信息，实现目标车辆的初匹配；最后，再利用识别对象的视觉词袋特征进行匹配，从而实现了多视频的交通车辆识别跟踪，保证了识别和跟踪的速度和精确度。 4、为了验证本文方法的有效性，本文在交通视频车辆识别和跟踪方法研究的基础上，设计并实现了基于视觉词袋模型的交通视频车辆识别和跟踪原型系统，实现目标车辆进行识别和跟踪。