英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
车辆检测和跟踪技术：简要叙述
作者：Raad Ahmed Hadi, Ghazali Sulong 和 Loay Edwar George
摘要：正如在公路交通监控、管理和城市交通规划所扮演的角色那样，车辆检测与跟踪应用在民用和军用领域中，都有着重要应用价值。道路上的车辆检测过程用于车辆跟踪、计数、辆车均速计算、交通分析和车辆分类，同时可以在不同的环境实现其功能。在这篇叙述中，我们简要介绍了用于构建上述所涉及的交通监控系统的图像处理方法和分析工具。为了更准确地解释交通系统，我们将处理方法分类为三个类别，并与其他叙述进行了对比。
关键词：车辆检测，跟踪，交通监控，环境光遮蔽，阴影分类
1. 引言
交通监控是视频监控系统的重要应用之一。因此，多年来的研究调查建立了智能交通系统（ITS）、交通规划和交通工程应用，以提取有用的、精确的交通信息，用于交通图像分析和交通流控制，如：车辆计数、车辆轨迹、车辆跟踪、车辆流动,车辆分类、交通密度、车辆速度、车辆车道变化,车牌识别等[1-4]。过去，车辆检测、分割和跟踪系统用于确定各种车辆自动收费系统的收费[5]。近年来，车辆识别系统被用于检测(车辆)或检测交通车道[6-10]，或对公路上的汽车、摩托车、货车、重型货车(HGVs)、公交车等车辆类别进行分类[5,7,11-15]。
然而，由于车辆被其他车辆或背景障碍物（如道路信号、树木、天气状况等）所遮挡，传统的车辆检测系统识别率可能会下降，不能很好地识别；这些系统的性能依赖于良好的交通图像分析方法，用于检测、跟踪和分类车辆。
本文叙述交通图像分析的三个部分：（1）运动车辆检测和分割方法；（2）像机标定方法；（3）车辆跟踪方法。
本文的结构如下：第2章，讨论运动车辆检测和分割方法；第3章，阐述摄像机标定方法；第4章，介绍所采用的车辆跟踪方法；第5章，总结其他方法；第6章，结论。
2. 车辆检车与分割方法
检测运动目标在同一图像序列（视频中在不同的时间间隔被捕获的图像）中的变化区域是计算机视觉研究的热点之一。变化检测在视频监控、医学诊疗、遥感、水下传感、民用基础设施等多个学科中有大量且重要的应用[16]。视频监控的一个分支是交通图像分析，包括运动/运动车辆的检测和分割方法。虽然已经有很多关于运动车辆检测的研究论文（背景消减法，帧差分和基于运动的方法[17-22])，但是在动态场景中对车辆进行检测和分割仍然是一项艰巨的任务。它包括如下所述的三种用来检测和分割车辆的主要方法：
- 背景消减法
- 基于特征的方法。
- 基于帧差分和运动的方法。
2.1.背景消减法
从存储的背景图像（静态图像）或生成的背景帧图像序列（视频）中提取运动前景对象（输入图像）的过程称为背景消减法，然后提取的信息（运动对象）作为图像差分的阈值。该方法是汽车区域检测中广泛应用的变化检测方法之一。不匹配是由于照明和气候条件的变化而产生的一个缺点[23]。因此，一些研究人员通过在这一领域提出的方法来解决该缺点。
一项重要贡献提出了用于背景消减法的统计和参数化技术；其中一些方法使用了图像中每个像素的高斯概率分布模型。之后，用高斯概率分布模型更新像素值，这些像素值由新图像序列中的新图像更新而来。然后，利用下面的方程（1），根据从上述模型中积累的足够知识量，将图像中的每个像素（x，y）分类为前景（移动物体或称为斑点）或背景的一部分：
方程 1： I(x, y) – Mean(x, y) lt; (C x Std (x, y))
其中I(x, y)为像素强度，C为常数，Mean(x, y)为均值，Std (x, y)为标准差。
这是一种先进的背景消减技术，用于检测和提取交通监控中复杂道路场景中的车辆特征。这种创新的技术使用了一种基于直方图的过滤方法，它从散射背景的帧序列中收集信息。该背景消减算法在不同视角、过度拥挤和光照条件下均能较好地描述背景减影算法的性能[29]。
[30]的另一项研究提出里一种基于实例的车辆检测算法，用于检测交通监控视频流中标注车辆的实例过程。首先采用自适应背景近似法，将图像分割成小的非重叠块，从这些小块中寻找候选车辆部件。然后，将主成分分析（PCA）作为一种低维统计方法，对每个候选对象的两个直方图进行测量，并将支持向量机（SVM）应用于实际的汽车零部件分类。最后，将所有分类后的零件成形并连接成一个平行四边形，表示零件形状，进行匹配处理。
同时，[9]也提出了一种基于车辆信息下阴影的车辆检测新方法。该方法从车辆阴影下前后轮胎端部距离的信息中提取车辆的尺寸特征，以区分车道上车辆的存在。该文章以路边、人行道等较低位置上的摄像机获取的交通运动图像为代表，并利用该方法生成和改善背景图像的功能，对车辆进行了准确的检测，同时对背景图像的值进行了近似和现代化处理。背景消减法图像自动二值化的阈值（图1）。
图1 阴影下(a)测量区域和最低水平线(b)车辆及其阴影区域
此外，[31]提出了良好的想法，该方法使用建议过滤器，用于移动车辆检测。在该研究中，分别使用两个滤波器来消除来自前沿实体的摇摆树和雨滴，并使用摇摆树滤波器来减少后续车辆追踪的计算难度。此外，将阴影去除方法与多功能背景删除方法相结合，将移动车辆从背景图像中去除。
[32]的作者提出了一种新的跟踪车辆的方法，将体积、位置、颜色传播、一组前沿实体的速度和基于高斯混合的背景形式等特征结合起来。在这种方法中，图像视图中的每一个像素都会被显示出来，并被分类为噪声或前沿实体的背景。此外，作者还采用了一个投影楼层转换，来增强对速度持久性和实体体积的期望。
2.2.基于特征的方法
研究人员对车辆的边角等子特征进行了进一步的研究和激发，通过收集和分析后续帧间的运动特征集合，将运动对象从背景图像中分割出来。此外，基于特征的方法支持重叠车辆之间的遮挡处理，从计算难度的角度来看，与背景消减法相比，该方法的遮挡处理水平较低[33]。
[34]提出了一种可训练的目标检测方法。该方法采用Haar小波技术作为特征提取方法，并采用支持向量机分类器进行分类处理。此外，人脸、人和汽车的静态图像数据集也在这种方法上进行了测试。
子区域是用于定位用于识别非阻塞和部分阻塞的车辆的局部特征的技术。利用主成分分析(PCA)权重向量对低频分量进行建模，利用独立分量分析(ICA)系数向量对高频分量进行建模，这两个向量由子区域生成。该方法基于3个子区域的局部特征，提取出一种新的自动检测车辆的统计方法[35]。
另外，多尺度变换利用图像的帧元素，通过位置、测度和方向准则进行索引，具有小波的时频局部化特性，具有很高的方向性和各向异性，这种方法称为曲线变换。[15]提出了一种利用曲线变换作为特征提取方法的新型车辆识别算法。作者提出，有三种不同类型的分类器在该文章中用于车辆识别：k近邻,支持向量机(一对一)和支持向量机(一对所有)。最后，通过实验结果表明，该方法具有较高的识别性能。
[36]介绍了一种利用计算机图形（CG）模型图像进行车辆分类的局部特征点配置方法。在这项工作中，特征窗口法被使用，因为它有几个优点，如检测车辆，即使它改变了它的路径，由于转向的车道，以及如果车辆的一部分被遮挡。此外，CG模型图像对车辆识别过程中的真实图像也取得了很好的效果。此外，CG模型有助于收集所有目标车辆的真实图像，因为这是一项耗时且困难的任务（图2）。
图2 特征窗口法
另外，[37]还提出了一种基于EPI极平面图像（EPI）的交通标准检测方法。该方法克服了传统SOBEL算法的缺点，开发了一种新的SOBEL算子，并利用Gabor算子的纹理边缘检测技术来提取特征，解决了边缘检测中粗糙边缘的噪声敏感性和存在性问题。实验验证了该方法的准确性和抗鼻部边缘检测能力。
[38]提出了一种低分辨率航空图像作为检测车辆系统的数据集，该系统以车身边缘、前挡风玻璃边缘和阴影为特征进行相似性处理。所收集到的特征提取知识形成贝叶斯网络结构，贝叶斯网络用于对所有特征进行集成。在该研究中，即使测试图像比较复杂，实验结果也很好。
2.3.基于帧差分和运动的方法
帧差分是将图像序列中的两个后续帧相减，以从背景帧图像分割出前景对象（移动对象）的过程。此外，运动分割过程是图像序列中检测车辆的另一个基本步骤，该步骤是通过分析运动对象（blobs）并将像素集分配给基于运动场景图像序列背景的运动方向和速度的不同类别的对象来实现的。[16,23,39,40]。
[2]提出了一种识别和操纵闭塞车辆的帧内、帧间和跟踪级框架。那篇文章通过定量评价表明，帧间可以直接对大部分局部遮挡图像进行管理和操作，跟踪水平可有效地管理和操纵全闭塞图像。
[41]提出了一种用于实时车辆检测和重建的多模时间全景（MTP）方法。该方法利用一个远程多模态（音频/视频）监控系统对实时运动场景中的车辆进行提取和重构。在车辆重建过程中，除了检测和运动估计之外，多模方法也有助于消除遮挡、运动模糊和透视图差异。
基于视觉的维数近似是一种从交通图像序列中提取运动车辆并用一个简单的变形车辆模式对其进行调整的方法。在这种方法中，使用了阴影消除技术，除此之外，实验测试表明，在上述方法中对交通车辆运动图像进行一般车辆类型分类具有有效的性能和足够的准确性[5]。
[40]提出了一种基于多用途运动直方图技术的运动车辆检测新方法。在该方法中，涉及两个程序来分割和检测车辆的视频序列。第一步，采用一种新颖的背景变换方法对视频场景进行亮度变换。第二步，基于自适应运动直方图的车辆检测，在动态视图中与运动直方图相对应，支持和现代化。
夜间交通监控是交通监控系统发展的新趋势。[42]提出了一种基于夜间交通视图中运动车辆的实时多车检测与跟踪方法，该方法利用图像分割和模式分析方法对车辆的头灯和尾灯进行检测和识别。采用多层次直方图阈值技术，从夜间道路场景中提取出明亮的感兴趣对象。最后，该方法在不同夜间情况下对交通监控车辆的识别和识别进行试验，取得了有效、可靠和可行的结果。
3. 摄像机校准方法
测量车辆速度和车辆跟踪方法的精度依赖于良好的摄像机标定性能，摄像机标定的设置可以半自动进行，也可以手工进行。摄像机标定是完成优秀视频监控系统的一个重要环节[4]。
[3]提出一种新的自动分割和跟踪车辆的方法，应用于摄像机在相对公路地面较低角度水平拍摄的视频。这篇论文通过区域分组法的结合、背景消减法、投影变换和铅垂线投影（PLP）的应用，计算了对高特征的期望值。
[6]提出了一种利用二维时空图像的新型自动交通系统。该系统使用一台电视摄像机在每一条车道的两个平面窗口内跟踪公路交通车辆。该系统的目的是通过使用这些三维测量（高度、宽度和长度）对超车车辆进行分类，并对车辆进行计数和速度评估。此外，该系统在不同光照条件下进行测试时表现出了强劲的性能，包括夜间车辆的灯光和白天的阴影（图3）。
图3 摄像头设置
4. 车辆跟踪方法
视频处理中的目标跟踪是视频监控系统中跟踪运动目标的重要步骤，也是研究人员面临的一项挑战[43]。为了跟踪移动物体（如车辆）的物理外观并在动态场景中识别，它必须定位位置，估计这些斑点的运动，并在视频场景中的两个连续帧之间跟踪这些运动[44]。几位研究人员针对不同问题阐述并提出了几种车辆跟踪方法，包括：
1.基于区域的跟踪方法
2.轮廓跟踪方法
3.基于三维模型的跟踪方法
4.基于特征的跟踪方法
5.基于颜色和图案的方法
4.1.基于区域的跟踪方法
在这些方法中，移动物体的区域被跟踪并用于跟踪车辆。这些区域是从输入帧图像和先前存储的背景图像之间的相减过程中分割出来的。
[17]提出了一种基于模型的汽车识别、跟踪和分类方法，该方法在大多数情况下都能有效地工作。该模型提供了每辆车在可见范围内的位置和速度知识，并对稳定的汽车单眼图像摄像机拍摄的一系列交通场景进行了研究。该模型的处理算法分为三个层次：原始图像、区域层次和车辆层次。
[45]提出了交通标准评估，如涉及建议交通观测方案的车辆编号和分类。所提出的方案在其工作中证明了车辆分类的特征比和密度，并利用几何特征来消除假区域，为了更精确的分割过程，采用了阴影消除算法（图4）。最后，该方案在三种不同的光照视频流下进行了实验。
图4 运动区域的检测和跟踪
4.2.轮廓跟踪方法
这些方法取决于跟踪车辆过程中车辆的轮廓（车辆边界）。[46]的作者提出了一种新的实时交通监控方法，该方法利用光学运动和未校准的摄像机参数知识来检测三维世界中的车辆姿态。该方法采用了基于颜色轮廓匹配和基于梯度匹配两种新技术，在跟踪、前景目标检测、车辆识别和车速评估等方面都取得了良好的效果。
[8]提供了一种实时的公路车辆跟踪和分类技术。利用该技术提取了几种交通标准（车道变换识别、车辆编号和车辆分类）。此外，该技术还支持拥挤情况下由多个车辆姿态引起的闭塞检测和跟踪。该文章采用卡尔曼滤波、背景差分法和形态学运算对车辆轮廓进行提取和识别。
4.3.基于三维模型的跟踪方法
[47]的作者提出了一种基于广义变形模型的闭塞检测方法。该文章中，车辆遮挡检测过程使用了一个具有多达六个顶点的三维立体长方体形式，并且该长方体通过改变顶点以获得最佳匹配来适应任何不同类型和尺寸的车辆图像。因此，考虑到以前的图像，由于区域比例、原型宽度和高度的变化，可以有效地实现车辆的检测、分割和跟踪。
根据[48]的建议，针对各种类型的车辆，如摩托车、汽车、轻型卡车和公路上的重型卡车以及大风路视频序
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[439549]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
