基于视频的交通监控技术研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于视频的交通监控技术研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：提出了一种基于视频的实时交通监控系统。系统包括背景建模和更新，运动目标分割，特征提取，以及车辆的跟踪、分类和统计。以改进的高斯混合模型算法估算并实时更新背景图像，以背景差分法检测运动车辆并作后处理，以卡尔曼滤波算法进行车辆跟踪。通过分析车辆轮廓及其外接盒获得车辆的明显特征，最后使用提取到的特征和虚拟检测线方法对车辆进行分类和统计。实验结果表明所提出的方法用于交通监控是可行的。

关键词：车辆检测；背景差分；车辆跟踪；特征提取；车辆计数；车辆分类

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）32-0194-03

Research of Vision-Based Traffic Surveillance Technology

ZHU Min

（ Nantong Shipping College， Management and Information Department， Nantong 226010， China）

Abstract： A vision-based realtime traffic surveillance system is proposed . The system includes background modeling and updating， moving object segmentation， feature extraction， and vehicle tracking， classification and counting. The background image is estimated and updated in realtime by improved Gaussian Mixture Model. Vehicles are detected by background subtraction followed by post-processing steps，and tracked by Kalman filtering algorithm. By analyzing the contours of vehicles and their corresponding bounding box， salient discriminative features of vehicles are obtained.The vehicle classification and counting can be achieved by extracted features and virtual detecting line.Experimental results show the proposed method is feasible for traffic surveillance.

Key words： Vehicle detection；Background subtraction；vehicle tracking； Feature extraction；Vehicle counting；vehicle classification

S着计算机视觉技术的快速发展，基于视频的道路交通监控技术越来越多地受到重视。与其他技术相比，基于视频的交通监控技术有很多的优点，如安装与维护的方便与低成本，可以获取多方面的交通相关信息等等。

本文的目的在于研究基于视频的道路交通监控系统，通过对视频的分析，对运动车辆进行检测，收集多方面的交通相关信息。交通监控一般由车辆检测、车辆跟踪和信息分析等几部分组成。车辆检测是将运动的前景物体从背景中分割出来；车辆跟踪是将从检测模块中获得的二值化前景对象在一系列的图像帧中进行匹配；信息分析则对视频中包含的各种交通相关信息进行分析处理。

1 车辆检测

在运动目标检测方面，背景差分法、帧差法和光流法是3种常用的方法。其中背景差分法由于计算复杂度低、获取的特征数据完整等特点，得到尤其广泛的运用[1]。

本文采用背景差分法检测运动物体。在背景差分法中，稳定而精确的背景的提取十分重要，这取决于建立一个良好的背景模型。

1.1 背景模型

采用了P. Kaewtrakulpong在[2]中提出的改进的混合高斯模型。与其他各种模型相比，该模型综合性能表现好，运算复杂度低，适合用于实时的应用中。

在混合高斯模型中，图像中的第一个像素由 K 个 Gaussian 分布组成，每个 Gaussian分布称为一个成分，这些成分加在一起就组成了概率密度函数：

其中是第k个高斯分布成员的权重，是它的分布。

当存在B满足下式时，前B个分布就用来作为该场景下的背景。

P. Kaewtrakulpong针对经典混合高斯模型在初始化阶段学习慢的缺点进行了改进，把参数估计的EM算法分成两个阶段。前L帧样本使用期望充分统计公式，L帧样本以后则切换到用L-最近窗口更新公式进行参数估计。前一种方式不仅提高了估计的精度，也更加快速地收敛到稳定的背景模型。而后一种方式则更多关注最近数据，因而能将环境的变化对背景模型作及时的更新。