CN105632170A - 一种基于Mean Shift跟踪算法的交通流检测方法 - Google Patents
一种基于Mean Shift跟踪算法的交通流检测方法 Download PDFInfo
- Publication number
- CN105632170A CN105632170A CN201410688436.4A CN201410688436A CN105632170A CN 105632170 A CN105632170 A CN 105632170A CN 201410688436 A CN201410688436 A CN 201410688436A CN 105632170 A CN105632170 A CN 105632170A
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- background
- image
- color
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于Mean?Shift跟踪算法的交通流检测方法,它涉及智能交通系统技术领域,所述的交通流检测方法包含以下步骤:首先利用一种改进的均值滤波背景提取方法,先对视频图像中的像素点进行筛选,然后对符合筛选条件的像素点进行灰度值求和操作,其他像素点则忽略不计,关键在于筛选规则的制定;先根据目标初始位置和当前位置计算出当前预测矢量,然后由目标当前位置和该预测矢量计算并预测得出目标的下一位置;在大多数的Mean?Shift算法中一般都采用颜色直方图作为目标的特征描述,跟踪算法高效、鲁棒性强。它分析前景图像与背景图像的不同点,对前景和背景加以甄别,尽量筛选出背景图像进行最后的统计处理。
Description
技术领域:
本发明涉及智能交通系统技术领域,具体涉及一种基于MeanShift跟踪算法的交通流检测方法。
背景技术:
当今世界经济发展迅速,人们生活水平逐渐提高,严峻的交通问题也伴随而来。不论在国外还是在国内,交通拥挤、交通阻塞已经成为影响城市居民正常生活的关键因素。为了改善交通环境问题,国家政府投资兴修道路,加快基础交通建设,但收效甚微。近些年来,随着计算机技术的提高智能交通技术逐渐崭露头角,为交通环境的治理带来了曙光。智能交通系统已经在一些发达国家得到了广泛使用,并且收到了良好的效果,已经成为目前解决交通环境问题的最佳方案。
智能交通系统主要通过分析交通流检测系统反馈的实时交通信息,做出合理的交通调度策略,从而优化交通环境。交通流检测系统是智能交通系统中关键的环节,它直接决定了智能交通系统最终的调度策略。
交通流检测系统的主要技术包括背景提取、车辆检测、车辆跟踪等技术,背景提取算法中的统计直方图、中值滤波等方法简单易于实现,但效果不佳,混合高斯方法能获得良好的效果,但计算量较高。同样,车辆检测技术中的背景差法、帧差法等技术简单易用,但不能适应复杂的环境条件,光流法利用运动目标的光流场较容易定位出运动目标,但其花费较大。车辆跟踪技术普片计算量较高,不同的是它们根据运动物体不同的特性来追踪目标,大致可分为基于匹配的车辆跟踪方法和基于运动特性的跟踪方法,它们各有各的优缺点。
传统的均值滤波方法能够很好的适应车流量较小的情况,但对交通高峰期的视频图像处理效果不佳。
发明内容:
本发明的目的是提供一种基于MeanShift跟踪算法的交通流检测方法,它提供了一种改进的均值滤波背景提取方法,该方法分析前景图像与背景图像的不同点,对前景和背景加以甄别,尽量筛选出背景图像进行最后的统计处理。随后针对改进算法文章做了几组实验,从实验中发现改进的均值滤波背景提取方法要明显好于传统算法,它基本克服了传统算法的缺点。
为了解决背景技术所存在的问题,本发明是采用以下技术方案:它的检测系统包含视频采集模块(a)、背景提取模块(b)、车辆检测模块(c)、车辆跟踪模块(d)和参数检测模块(e),视频采集模块(a)与背景提取模块(b)连接,视频采集模块(a)、背景提取模块(b)均与车辆检测模块(c)连接,车辆检测模块(c)与车辆跟踪模块(d)连接,车辆跟踪模块(d)和参数检测模块(e)连接,所述视频采集模块(a)主要由摄像机和图像采集卡构成,摄像机负责拍摄监控区域,图像采集卡把摄像机拍摄到的视频信息保存到内存和本地机器;背景提取模块(b)根据视频采集模块保存的视频流信息,按照一定的背景提取算法更新背景图像,并保存到内存;车辆检测模块(c)则利用已经提取好的背景图像来实现车辆的检测,包括车辆位置、车辆所占区域大小等信息的提取;车辆跟踪模块(d)主要实现对监控区域中车辆的跟踪,因为对通过监控区域的任一车辆的一次经过只能统计一次,所以需要运用某种跟踪算法追踪每一车辆的运行轨迹;参数检测模块(e)根据前面所做的准备实现对车辆数目、车速、道路占用率等交通流信息的提取。
本发明中所述的交通流检测方法包含以下步骤:
步骤1:首先利用一种改进的均值滤波背景提取方法,先对视频图像中的像素点进行筛选,然后对符合筛选条件的像素点进行灰度值求和操作,其他像素点则忽略不计,关键在于筛选规则的制定。在实际交通环境中,车辆一直是在运动着的,或快速运动或缓慢运动,偶尔才有短暂的停止,这就造成了存在运动车辆的相邻多帧图像的像素点灰度值是不同的,所以可以把相邻多帧图像中那些灰度值都相同的像素点看作是背景,其他看成运动车辆,在使用均值滤波提取背景时只对那些被认定为背景的像素点灰度进行求和求均值,降低运动车辆的影响。具体的实现如下式:
Background(x,y)=SUMF(x,y)/SUMN(x,y)(3.5)
其中,Framei表示第i帧视频图像,(x,y)是图像中像素点的坐标,SUMF记录视频图像各个位置上被认定为背景的像素点灰度值的总和,SUMN表示被认定为背景的像素点的数目,Background代表背景图像,k是一个整数,表示图像帧的间隔。
式3.3和式3.4中选择对相邻区域中的三帧图像进行比较,如果它们在(x,y)位置的像素点灰度值都相同则认为其为背景像素,否则判定为前景像素。在实际使用中也可以选取四帧、五帧或者其他数量的图像进行比较鉴定,同时选取图像的间隔k也是可以根据需要改变的,而且多帧图像之间像素不一定非要是严格意义上的相同,只要它们的差值小于一定的阈值即可。
步骤2:从物理运动学角度上讲,物体的运动可以看作是由许多短时匀速直线运动构成的,也就是说当前时刻物体的运动速度、方向在很大概率上是和前一时刻相同的。由于在对目标进行跟踪时,两帧之间的间隔是十分短暂的,这时就可以认为当前帧目标运行的速度、方向与前一帧相同,因此可以利用前几帧中目标的位置来线性预测当前帧目标的位置。
特别地,在交通流检测中,摄像系统所监控的路段基本都是直线路段,而且是交通拥塞最可能发生的重要路段,所以在监控之中的车辆大部分时间都处于直线低速运动状态。在这种情况下,就可以把目标车辆看成是短时线性匀速运动的,然后根据这种特性线性预测目标车辆的下一个位置,并从预测的位置开始搜索,最终实现对目标的追踪。
在这里提出一个概念:预测矢量,它代表目标的瞬时运动速度与方向,亦即目标当前位置与下一位置的坐标偏移差。线性预测方法的具体实现就是,先根据目标初始位置和当前位置计算出当前预测矢量,然后由目标当前位置和该预测矢量计算并预测得出目标的下一位置。计算过程如下,假设目标在上一帧中的中心位置是(xi-1,yi-1),并且在当前帧的中心位置为(xi,yi),可以简单的计算出预测矢量v=(s,t)=(xi-xi-1,yi-yi-1)。由于两帧之间目标的短时运动可以看成是线性匀速运动,所以根据运动学公式可以得到目标在下一帧的期望位置,(xi+1,yi+1)=(xi+s,yi+t)。
步骤3:在大多数的MeanShift算法中一般都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。尤其在交通流检测系统中,目标车辆的色彩比较单一,运动背景变化不是太大,在这种情形下,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(扩大或者缩小)。
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。在式4.5中令k[]=1,式4.5就退化为不加权时的目标模板直方图色彩分布情况,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<qu0;因此比较q′u0和qu0的大小就可以判断目标尺寸的变化情况。在跟踪结束后考察灰度u的色彩比例来判断目标状态的转变,然后根据判断结果更新核带宽大小。
本发明利用一种改进的均值滤波背景提取方法,该方法分析前景图像与背景图像的不同点,对前景和背景加以甄别,尽量筛选出背景图像进行最后的统计处理,利用基于线性预测的MeanShift自适应跟踪算法,把算法的运行效率提高了一倍,并根据灰度信息的变化实现了核带宽的实时更新。利用本发明方法,能够有效改进交通高峰期的视频图像处理,实现多目标的实时、精确跟踪。
附图说明:
图1为本发明的系统结构示意图,
图2为本发明中背景提取模块的实现流程图,
图3为本发明中车辆检测模块的实现流程图,
图4为本发明中车速计算的流程图,
图5为本发明中车流量统计的流程图。
具体实施方式:
下面结合附图,对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施方式,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅用以解释本发明,并不用于限定本发明。
参照图1,本具体实施方式采用以下技术方案:它的检测系统包含视频采集模块(a)、背景提取模块(b)、车辆检测模块(c)、车辆跟踪模块(d)和参数检测模块(e),视频采集模块(a)与背景提取模块(b)连接,视频采集模块(a)、背景提取模块(b)均与车辆检测模块(c)连接,车辆检测模块(c)与车辆跟踪模块(d)连接,车辆跟踪模块(d)和参数检测模块(e)连接,所述视频采集模块(a)主要由摄像机和图像采集卡构成,摄像机负责拍摄监控区域,图像采集卡把摄像机拍摄到的视频信息保存到内存和本地机器;背景提取模块(b)根据视频采集模块保存的视频流信息,按照一定的背景提取算法更新背景图像,并保存到内存;车辆检测模块(c)则利用已经提取好的背景图像来实现车辆的检测,包括车辆位置、车辆所占区域大小等信息的提取;车辆跟踪模块(d)主要实现对监控区域中车辆的跟踪,因为对通过监控区域的任一车辆的一次经过只能统计一次,所以需要运用某种跟踪算法追踪每一车辆的运行轨迹;参数检测模块(e)根据前面所做的准备实现对车辆数目、车速、道路占用率等交通流信息的提取。
(1)视频采集模块:视频采集模块相对简单,不需要复杂的软件技术支持,仅提供摄像设备和图像采集卡即可。目前摄像机技术发展很快,高清视频设备也渐渐流行了起来,使用高清视频设备采集的视频清晰,图像信息丰富、便于提取,所以现在的视频监控系统都在向着高清监控的方向发展。基于视频的交通流检测系统中所有的信息都在视频图像序列中检测提取,所以高质量的视频信息非常重要,因而在交通流检测系统的视频采集模块要采用高清摄像设备,提高参数的可信度。
(2)背景提取模块:背景提取模块中最重要的是背景提取算法的选择和实现在交通流检测领域,目前运用的比较多的背景提取方法就是基于均值滤波的背景提取方法,也被称为基于多帧平均算法的背景提取。基于均值滤波的背景提取方法简单实用,而且受光照、天气变化的影响较小,所以在背景提取技术领域很受欢迎。然而基于均值滤波方法的背景提取技术也有其缺点,即不适应交通流量大的情形,针对这个缺点提出了一种改进的均值滤波背景提取方法,它继承了传统方法的优点,而且能够适应多变的环境。并提出了基于均值滤波的背景提取算法的改进算法,实验结果证明该算法克服了传统均值滤波背景提取算法的缺点,背景提取效果比较理想,所以在背景提取模块将采用该改进算法实现。具体实现如图2。
(3)车辆检测模块:在车辆检测模块中本系统设计采用基于背景差的车辆检测技术,背景差车辆检测方法简单,易于实现,算法计算量小,可以满足实时检测的需求,它最大的缺点就是该算法使用时需要提供背景图像。在上一模块中已经利用改进的均值滤波方法提取出了背景图像,所以基于背景差的车辆检测方法很方便实现。其详细实现流程如图3。
(4)车辆跟踪模块:在本交通流检测系统设计中采用基于MeanShift的车辆跟踪算法作为车辆跟踪模块的主要方法。基于MeanShift的跟踪方法追踪比较精确,而且有一定的鲁棒性。
(5)参数检测模块:参数检测模块主要实现对交通流基本参数的加工提取,这些参数包括车速、车流量、道路占用率、车辆密度等。车速的计算主要是观察同一车辆在连续的几帧图像中的位置偏移,然后根据视频图像与真实环境的比例来获取车速,具体流程如图4。
车流量参数则记录了驶入监控区域的车辆数目,因为每一车辆只允许记录一次,所以车流量参数的检测需要车辆跟踪算法的配合,实现流程如图5。道路占用率、车辆密度等参数信息都是通过计算统计车辆像素灰度信息得到。
本具体实施方式中所述的交通流检测方法包含以下步骤:
步骤1:首先利用一种改进的均值滤波背景提取方法,先对视频图像中的像素点进行筛选,然后对符合筛选条件的像素点进行灰度值求和操作,其他像素点则忽略不计,关键在于筛选规则的制定。在实际交通环境中,车辆一直是在运动着的,或快速运动或缓慢运动,偶尔才有短暂的停止,这就造成了存在运动车辆的相邻多帧图像的像素点灰度值是不同的,所以可以把相邻多帧图像中那些灰度值都相同的像素点看作是背景,其他看成运动车辆,在使用均值滤波提取背景时只对那些被认定为背景的像素点灰度进行求和求均值,降低运动车辆的影响。具体的实现如下式:
Background(x,y)=SUMF(x,y)/SUMN(x,y)
(3.5)
其中,Framei表示第i帧视频图像,(x,y)是图像中像素点的坐标,SUMF记录视频图像各个位置上被认定为背景的像素点灰度值的总和,SUMN表示被认定为背景的像素点的数目,Background代表背景图像,k是一个整数,表示图像帧的间隔。
式3.3和式3.4中选择对相邻区域中的三帧图像进行比较,如果它们在(x,y)位置的像素点灰度值都相同则认为其为背景像素,否则判定为前景像素。在实际使用中也可以选取四帧、五帧或者其他数量的图像进行比较鉴定,同时选取图像的间隔k也是可以根据需要改变的,而且多帧图像之间像素不一定非要是严格意义上的相同,只要它们的差值小于一定的阈值即可。
步骤2:从物理运动学角度上讲,物体的运动可以看作是由许多短时匀速直线运动构成的,也就是说当前时刻物体的运动速度、方向在很大概率上是和前一时刻相同的。由于在对目标进行跟踪时,两帧之间的间隔是十分短暂的,这时就可以认为当前帧目标运行的速度、方向与前一帧相同,因此可以利用前几帧中目标的位置来线性预测当前帧目标的位置。
特别地,在交通流检测中,摄像系统所监控的路段基本都是直线路段,而且是交通拥塞最可能发生的重要路段,所以在监控之中的车辆大部分时间都处于直线低速运动状态。在这种情况下,就可以把目标车辆看成是短时线性匀速运动的,然后根据这种特性线性预测目标车辆的下一个位置,并从预测的位置开始搜索,最终实现对目标的追踪。
在这里提出一个概念:预测矢量,它代表目标的瞬时运动速度与方向,亦即目标当前位置与下一位置的坐标偏移差。线性预测方法的具体实现就是,先根据目标初始位置和当前位置计算出当前预测矢量,然后由目标当前位置和该预测矢量计算并预测得出目标的下一位置。计算过程如下,假设目标在上一帧中的中心位置是(xi-1,yi-1),并且在当前帧的中心位置为(xi,yi),可以简单的计算出预测矢量v=(s,t)=(xi-xi-1,yi-yi-1)。由于两帧之间目标的短时运动可以看成是线性匀速运动,所以根据运动学公式可以得到目标在下一帧的期望位置,(xi+1,yi+1)=(xi+s,yi+t)。
步骤3:在大多数的MeanShift算法中一般都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。尤其在交通流检测系统中,目标车辆的色彩比较单一,运动背景变化不是太大,在这种情形下,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(扩大或者缩小)。
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。在式4.5中令k[]=1,式4.5就退化为不加权时的目标模板直方图色彩分布情况,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<qu0;因此比较q′u0和qu0的大小就可以判断目标尺寸的变化情况。在跟踪结束后考察灰度u的色彩比例来判断目标状态的转变,然后根据判断结果更新核带宽大小。
本具体实施方式提供了一种改进的均值滤波背景提取方法,该方法分析前景图像与背景图像的不同点,对前景和背景加以甄别,尽量筛选出背景图像进行最后的统计处理。随后针对改进算法文章做了几组实验,从实验中发现改进的均值滤波背景提取方法要明显好于传统算法,它基本克服了传统算法的缺点。基于线性预测的MeanShift自适应跟踪算法,利于线性预测技术把算法的运行效率提高了一倍,并根据灰度信息的变化实现了核带宽的实时更新,实验结果证明该算法效果良好。
以上所述仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于MeanShift跟踪算法的交通流检测方法,其特征在于它的检测系统包含视频采集模块(a)、背景提取模块(b)、车辆检测模块(c)、车辆跟踪模块(d)和参数检测模块(e),视频采集模块(a)与背景提取模块(b)连接,视频采集模块(a)、背景提取模块(b)均与车辆检测模块(c)连接,车辆检测模块(c)与车辆跟踪模块(d)连接,车辆跟踪模块(d)和参数检测模块(e)连接,所述视频采集模块(a)主要由摄像机和图像采集卡构成,摄像机负责拍摄监控区域,图像采集卡把摄像机拍摄到的视频信息保存到内存和本地机器;背景提取模块(b)根据视频采集模块保存的视频流信息,按照一定的背景提取算法更新背景图像,并保存到内存;车辆检测模块(c)则利用已经提取好的背景图像来实现车辆的检测,包括车辆位置、车辆所占区域大小等信息的提取;车辆跟踪模块(d)主要实现对监控区域中车辆的跟踪,因为对通过监控区域的任一车辆的一次经过只能统计一次,所以需要运用某种跟踪算法追踪每一车辆的运行轨迹;参数检测模块(e)根据前面所做的准备实现对车辆数目、车速、道路占用率等交通流信息的提取。
2.一种基于MeanShift跟踪算法的交通流检测方法,其特征在于所述的交通流检测方法包含以下步骤:
步骤(1):首先利用一种改进的均值滤波背景提取方法,先对视频图像中的像素点进行筛选,然后对符合筛选条件的像素点进行灰度值求和操作,其他像素点则忽略不计,关键在于筛选规则的制定;在实际交通环境中,车辆一直是在运动着的,或快速运动或缓慢运动,偶尔才有短暂的停止,这就造成了存在运动车辆的相邻多帧图像的像素点灰度值是不同的,所以可以把相邻多帧图像中那些灰度值都相同的像素点看作是背景,其他看成运动车辆,在使用均值滤波提取背景时只对那些被认定为背景的像素点灰度进行求和求均值,降低运动车辆的影响;
步骤(2):从物理运动学角度上讲,物体的运动可以看作是由许多短时匀速直线运动构成的,也就是说当前时刻物体的运动速度、方向在很大概率上是和前一时刻相同的,由于在对目标进行跟踪时,两帧之间的间隔是十分短暂的,这时就可以认为当前帧目标运行的速度、方向与前一帧相同,因此可以利用前几帧中目标的位置来线性预测当前帧目标的位置;
特别地,在交通流检测中,摄像系统所监控的路段基本都是直线路段,而且是交通拥塞最可能发生的重要路段,所以在监控之中的车辆大部分时间都处于直线低速运动状态;在这种情况下,就可以把目标车辆看成是短时线性匀速运动的,然后根据这种特性线性预测目标车辆的下一个位置,并从预测的位置开始搜索,最终实现对目标的追踪;
在这里提出一个概念:预测矢量,它代表目标的瞬时运动速度与方向,亦即目标当前位置与下一位置的坐标偏移差;线性预测方法的具体实现就是,先根据目标初始位置和当前位置计算出当前预测矢量,然后由目标当前位置和该预测矢量计算并预测得出目标的下一位置;
步骤(3):在大多数的MeanShift算法中一般都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;尤其在交通流检测系统中,目标车辆的色彩比较单一,运动背景变化不是太大,在这种情形下,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。
3.根据权利要求2所述的一种基于MeanShift跟踪算法的交通流检测方法,其特征在于步骤(1)中背景提取方法具体的实现如下式:
Background(x,y)=SUMF(x,y)/SUMN(x,y)
(3.5)
其中,Framei表示第i帧视频图像,(x,y)是图像中像素点的坐标,SUMF记录视频图像各个位置上被认定为背景的像素点灰度值的总和,SUMN表示被认定为背景的像素点的数目,Background代表背景图像,k是一个整数,表示图像帧的间隔;
式3.3和式3.4中选择对相邻区域中的三帧图像进行比较,如果它们在(x,y)位置的像素点灰度值都相同则认为其为背景像素,否则判定为前景像素;在实际使用中也可以选取四帧、五帧或者其他数量的图像进行比较鉴定,同时选取图像的间隔k也是可以根据需要改变的,而且多帧图像之间像素不一定非要是严格意义上的相同,只要它们的差值小于一定的阈值即可。
4.根据权利要求2所述的一种基于MeanShift跟踪算法的交通流检测方法,其特征在于步骤(2)的计算过程如下,假设目标在上一帧中的中心位置是(xi-1,yi-1),并且在当前帧的中心位置为(xi,yi),可以简单的计算出预测矢量v=(s,t)=(xi-xi-1,yi-yi-1);由于两帧之间目标的短时运动可以看成是线性匀速运动,所以根据运动学公式可以得到目标在下一帧的期望位置,(xi+1,yi+1)=(xi+s,yi+t)。
5.根据权利要求2所述的一种基于MeanShift跟踪算法的交通流检测方法,其特征在于步骤(3)中目标的颜色分布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;在式4.5中令k[]=1,式4.5就退化为不加权时的目标模板直方图色彩分布情况,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<qu0;因此比较q′u0和qu0的大小就可以判断目标尺寸的变化情况,在跟踪结束后考察灰度u的色彩比例来判断目标状态的转变,然后根据判断结果更新核带宽大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410688436.4A CN105632170A (zh) | 2014-11-26 | 2014-11-26 | 一种基于Mean Shift跟踪算法的交通流检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410688436.4A CN105632170A (zh) | 2014-11-26 | 2014-11-26 | 一种基于Mean Shift跟踪算法的交通流检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105632170A true CN105632170A (zh) | 2016-06-01 |
Family
ID=56047043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410688436.4A Pending CN105632170A (zh) | 2014-11-26 | 2014-11-26 | 一种基于Mean Shift跟踪算法的交通流检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105632170A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931467A (zh) * | 2016-06-06 | 2016-09-07 | 广东中星电子有限公司 | 一种跟踪目标的方法及装置 |
CN106355602A (zh) * | 2016-08-26 | 2017-01-25 | 杨百川 | 一种多目标定位跟踪视频监控方法 |
CN107368789A (zh) * | 2017-06-20 | 2017-11-21 | 华南理工大学 | 一种基于Halcon视觉算法的人流量统计装置及方法 |
CN107403439A (zh) * | 2017-06-06 | 2017-11-28 | 沈阳工业大学 | 基于Cam‑shift的预测跟踪方法 |
CN108229247A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种移动车辆检测方法 |
CN108389399A (zh) * | 2018-04-23 | 2018-08-10 | 白冰 | 一种智能交通车流量数据统计方法 |
CN108769688A (zh) * | 2018-05-24 | 2018-11-06 | 安徽质在智能科技有限公司 | 视频编解码方法 |
CN109840919A (zh) * | 2019-01-21 | 2019-06-04 | 长安大学 | 一种基于tld改进的跟踪方法 |
CN111010590A (zh) * | 2018-10-08 | 2020-04-14 | 传线网络科技(上海)有限公司 | 一种视频裁剪方法及装置 |
CN112435470A (zh) * | 2020-11-11 | 2021-03-02 | 宁波职业技术学院 | 一种交通事件视频检测系统 |
CN114241773A (zh) * | 2021-12-28 | 2022-03-25 | 福州大学 | 一种新型高速公路中分带开口旋转桶式智慧活动护栏 |
-
2014
- 2014-11-26 CN CN201410688436.4A patent/CN105632170A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931467B (zh) * | 2016-06-06 | 2019-06-21 | 广东中星电子有限公司 | 一种跟踪目标的方法及装置 |
CN105931467A (zh) * | 2016-06-06 | 2016-09-07 | 广东中星电子有限公司 | 一种跟踪目标的方法及装置 |
CN106355602A (zh) * | 2016-08-26 | 2017-01-25 | 杨百川 | 一种多目标定位跟踪视频监控方法 |
CN106355602B (zh) * | 2016-08-26 | 2018-10-19 | 杨百川 | 一种多目标定位跟踪视频监控方法 |
CN108229247A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种移动车辆检测方法 |
CN107403439A (zh) * | 2017-06-06 | 2017-11-28 | 沈阳工业大学 | 基于Cam‑shift的预测跟踪方法 |
CN107403439B (zh) * | 2017-06-06 | 2020-07-24 | 沈阳工业大学 | 基于Cam-shift的预测跟踪方法 |
CN107368789B (zh) * | 2017-06-20 | 2021-01-19 | 华南理工大学 | 一种基于Halcon视觉算法的人流量统计装置及方法 |
CN107368789A (zh) * | 2017-06-20 | 2017-11-21 | 华南理工大学 | 一种基于Halcon视觉算法的人流量统计装置及方法 |
CN108389399A (zh) * | 2018-04-23 | 2018-08-10 | 白冰 | 一种智能交通车流量数据统计方法 |
CN108769688A (zh) * | 2018-05-24 | 2018-11-06 | 安徽质在智能科技有限公司 | 视频编解码方法 |
CN108769688B (zh) * | 2018-05-24 | 2021-09-03 | 西华师范大学 | 视频编解码方法 |
CN111010590A (zh) * | 2018-10-08 | 2020-04-14 | 传线网络科技(上海)有限公司 | 一种视频裁剪方法及装置 |
CN109840919A (zh) * | 2019-01-21 | 2019-06-04 | 长安大学 | 一种基于tld改进的跟踪方法 |
CN112435470A (zh) * | 2020-11-11 | 2021-03-02 | 宁波职业技术学院 | 一种交通事件视频检测系统 |
CN114241773A (zh) * | 2021-12-28 | 2022-03-25 | 福州大学 | 一种新型高速公路中分带开口旋转桶式智慧活动护栏 |
CN114241773B (zh) * | 2021-12-28 | 2024-03-12 | 福州大学 | 一种新型高速公路中分带开口旋转桶式智慧活动护栏 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105632170A (zh) | 一种基于Mean Shift跟踪算法的交通流检测方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN102819952B (zh) | 一种基于视频检测技术的车辆违法变道检测方法 | |
CN105427626B (zh) | 一种基于视频分析的车流量统计方法 | |
CN109559302A (zh) | 基于卷积神经网络的管道视频缺陷检测方法 | |
CN103578119A (zh) | 基于超像素的Codebook动态场景中目标检测方法 | |
CN102289948A (zh) | 高速公路场景下一种多特征融合的多车辆视频跟踪方法 | |
CN110688922A (zh) | 基于深度学习的交通拥堵检测系统及检测方法 | |
CN110633678B (zh) | 一种基于视频图像的快速高效的车流量计算方法 | |
CN106203513A (zh) | 一种基于行人头肩多目标检测及跟踪的统计方法 | |
CN106846813A (zh) | 构建城市道路车辆图像数据库的方法 | |
CN103617410A (zh) | 基于视频检测技术的高速公路隧道停车检测方法 | |
CN107644528A (zh) | 一种基于车辆跟踪的车辆排队长度检测方法 | |
CN103473534B (zh) | 一种基于视频的车辆检测方法 | |
CN111582029A (zh) | 一种基于密集连接与注意力机制的交通标志识别方法 | |
CN102768802B (zh) | 基于有限状态机的道路车辆拥堵判别方法 | |
CN103489012A (zh) | 一种基于支持向量机的人群密集度检测方法及系统 | |
CN105023231A (zh) | 基于视频识别和手机gps的公交数据获取方法 | |
CN107871315A (zh) | 一种视频图像运动检测方法和装置 | |
CN105740814B (zh) | 一种使用视频分析确定固废危废存放状态的方法 | |
Wu et al. | Vehicle Classification and Counting System Using YOLO Object Detection Technology. | |
CN110443142A (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
CN104835142A (zh) | 一种基于纹理特征的车辆排队长度检测方法 | |
CN104318760A (zh) | 一种基于似物性模型的路口违章行为智能检测方法及系统 | |
CN112329515B (zh) | 一种高点视频监控拥堵事件检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160601 |
|
WD01 | Invention patent application deemed withdrawn after publication |