文摘
在道路混合交通,行人和车辆nonmotor产生巨大影响机动车的驾驶。这种影响不仅威胁到道路交通安全,还会导致延迟的增加和减少的交通容量。本文的目的是研究的理论和方法数据采集的混合交通受欢迎的人,nonmotor基于图像处理技术的车辆。针对的问题基本状态空间模型解决了“失败”的现象,如混合对象之间相互干扰,本文提出了KF跟踪模型基于模糊匹配的方法实现混合交通的有效和准确的跟踪对象。后,实验结果表明,提取的形态特征检测到行人和nonmotor车辆图像和使用模式识别的方法进行分类,识别,和计算混合交通对象,通过两条轨迹线的比较,我们可以看出算法的跟踪精度高的相互干扰下行人和nonmotor车辆。不包括检测错误,行人跟踪误差小于10个像素,平均误差为2.366像素,nonmotor车辆跟踪的最大误差是19像素,平均误差是2.5像素。
1。介绍
交通是城市经济发展的动脉,在城市经济的发展起着不可估量的作用,人民生活水平的提高,智能城市的整体建设。随着城市化的发展,集中在城市的人数也越来越多,和各种车辆的数量也在迅速增加,如交通拥堵、交通事故、交通管理、环境污染和能源短缺。城市混合交通问题已经成为最常见的和困难的问题,无论在发达国家强大的经济、技术实力或在发展中国家迅速崛起;他们所有的人都受到这些问题的困扰,没有例外。严重的交通堵塞,堵塞的原因是发生在城市道路和各种车辆的特点有很大的不同,和道路的供应不能满足需求的各种车辆交通。因此,越来越多的智能交通控制系统的开发和应用在实际的交通管理和控制。作为智能交通系统的主要元素,交通信息采集设备发挥着极其关键的作用在许多智能交通系统。
在机动化的时代,一个交通流控制系统是一个必要条件,防止交通事故和照明堵塞。系统应有的功能测量的二维运动每辆车在一个广阔的区域内。桥本,井研究新的交通流量测量系统基于周期性的视频图像处理。系统可以确定每辆车的大小和测量其二维运动(1]。赫尔曼等人主要研究Sobel边缘检测等技术,精明的,普瑞维特和噪声对边缘检测的影响。实验结果表明,PSNR值、均方根误差、相关系数是用来检测原始图像的边缘和注意图像的质量。本文还关注光流法和高斯混合模型的应用在移动物体检测方法,并分析(2]。丹尼尔Mortari系统收集从道路交通拥堵数据并通过openstreet地图提供给用户。监控摄像机安装在路上不断向系统输入信息,然后系统计算车辆在路上的数量在一段时间内确定拥堵在路上。该系统实现背景减法和阈值来检测车辆从图像输入收到的相机(3]。
首先,基于现有nonmotor车辆视频采集系统,结合大型随机波动的特征的行人和nonmotor车辆路径、大型移动对象的相互干涉,和大型交通对象形状的变化,理论框架的视频采集系统四个模块的“对象检测对象跟踪特征提取对象识别”。其次,因为它是很难得到一个更健壮的背景图像实时的交通场景,目标检测的准确性会大大干扰。因此,本文建立了一个基于数学形态学的背景提取方法,可以提高系统的检测精度和保留原始信息在视频序列在最大的程度上。
2。该方法
2.1。交通流的基本理论
交通流理论使用数学和力学定律来描述交通流的特点,并解释了交通现象和机制,这是交通信号控制与交通管理的理论基础(4,5]。通过交通状况的详细描述,人们有进一步深入的了解交通现象,以促进城市交通管理(6]。
交通流可分为:noninterrupted交通流或连续交通流和间歇流量根据交通设施对交通流的影响。十字路口的交通流可分为交叉,融合,分类,和交织流;根据交通流的内部操作条件及其对司机和乘客的感情,它可以分为自由流动,流量稳定,不稳定的流动,并迫使流。
宏观参数包括交通量、流量、速度和交通流密度。微观参数包括进展和进展。交通量,也被称为流,是指汽车的数量通过指定的位置或部分的路(道路或车道)每单位时间。流量是指汽车的数量每小时获得的等效转换的数量车辆通过的指定位置或区域道路(或巷路)的时间内(通常是15分钟)小于1小时。
在概率论中的应用主要是运用概率论的方法来研究交通流的分布规律。交通流量的统计分布是研究交通现象的概率理论的基础,也是直接应用于设计的转弯车道的长度,行人控制信号的设计,道路通行能力的决心,和车辆速度的标准。常用的有三种类型的流量分布在概率论研究:交通计数分布、间隔分布,和车辆的速度分布。排队论是一种数学理论,研究和分析了在服务对象队列堵塞现象。它是运筹学的一个重要组成部分。排队论主要研究等待时间的概率分布和排队长度,以便合理协调关系“服务对象”和“服务体系”,这样不仅可以满足“服务对象”的需求,也将服务系统保存到最大程度的费用。
2.1.1。交通流量的统计分布
虽然在某种程度上车辆的到达是随机的,有一定的统计规律,可描述的两种方法:一种是离散分布的方法,被认为是一个离散分布如果每个路段的车辆数量不能被发现通过观察和统计交通流;另一种是连续分布的方法,学习的时间间隔的统计特征到达交通流;它被认为是一个连续的分布(7,8]。根据不同的交通状况和不同分布模型,我们可以用有限的已知的交通数据预测未来交通条件。因此,掌握流量的统计分布规律的基础上有效地解决交通流预测的问题(9]。
通过大量的实际观测和统计流量,结果表明,车辆的数量到达一定区域的道路在一定观察期间遵守离散分布规律,这主要包括泊松分布、二项分布、负二项分布(10,11]。
2.1.2。混合交通流的特征
在中国的城市,汽车的混合和nonmotor车辆是一个典型的交通状况(12]。近年来,随着中国经济的快速发展,汽车的数量正在迅速增长,而电动自行车的数量也迅速增长,特别是在二、三线城市,这是由经济、方便,和电动自行车的速度13]。在某些路况,机动车辆的数量和nonmotor车辆不断增加,造成严重的交通堵塞在城市交通14]。在这种情况下,为了避免浪费时间在路上,人们会选择电动自行车,这已逐渐成为绿色出行的首选工具。这也决定了在中国城市道路交叉口是电动机和nonmotor交通流特征的混合物(15]。目前,交通拥堵的主要原因之一,在中国城市交叉口的混合驱动汽车和电动自行车16]。
电动自行车具有灵活性的特点,快速启动,集群,swing和占领的高速公路,但是汽车与电动自行车不同的特点。因为他们有自己的特点,他们经常见面时相互影响,尤其是在十字路口交通流量收敛,并产生冲突和干扰(17]。
通过分析混合交通流在交叉口的特点,可以看出,可能会有很多冲突之间的混合交通流在十字路口,十字路口交通堵塞,甚至交通事故。碰撞点是由于车辆在不同的方向到达某一点在同一时间。当机动车和nonmotor车辆相遇时,将会有许多收敛点,交织点,和矛盾点,彼此相互干扰和限制(18,19]。
2.2。图像处理技术
目前,图像处理技术的应用是非常广泛的。它取得了举世瞩目的成就领域的交通、医学、通信、地质、等等。本文主要研究图像处理技术的相关内容在交通运输领域,包括移动物体的识别在交通视频图像,预测移动对象的跟踪,智能交通系统的应用程序(20.,21]。
图像增强的目的是改善图像的视觉效果;这是一个收集的各种技术,尚未形成的一般理论。常用的图像增强技术包括对比处理,直方图修正、噪声处理、边缘增强、转换处理,和假彩色。在多媒体应用中,图像增强处理主要是进行各种类型的图片,和各种图像处理软件通常支持图像增强技术。图像恢复的目的是保持原始图像的外观和纠正图像的退化和变形的过程中形成、传输、存储、记录和显示。图像恢复必须首先建立图像退化模型,然后恢复图像根据其衰落的逆过程。
对每一帧原始图像的视频,有或多或少的问题,如不清楚目标,模糊的环境背景,和噪声点,导致图像质量退化。通过图像处理技术的研究,可以为接下来的实验提供更高质量的图片链接,使实验结果更准确。
二维矩阵由多个像素区域形成一个数字图像。数字图像处理技术包括图像增强、图像恢复、图像编码、图像分割、图像描述和识别,和其他技术22]。本文对视频图像的处理,主要包括图像增强技术,图像分割技术,等等23]。
图像处理技术包括点处理,组织处理、几何处理、帧处理。
图像处理的最基本的方法是点处理方法,而得名,因为对象由这种方法处理像素。处理方法是简单而有效的,主要用于图像亮度调整、图像对比度调整,和图像亮度反演处理。图像组处理的范围大于点的处理,和处理对象是一组像素,所以它也被称为“区域处理或块处理。“组图像处理方法的应用主要体现在图像边缘检测和边缘增强,图像软化和锐化,并增加和减少图像随机噪声。
图像增强技术是为了更好地突出图像中的关键信息根据一些需求和减少不重要信息的影响尽可能多的图片,所以图片更能满足要求。常用的图像增强技术包括灰度直方图均衡化,空间滤波和频率过滤。图像分割技术可以用于将图像分成许多区域,提取目标所在区域,并应用图像增强技术和分割技术全面,使技术准备下一个目标检测和特征提取。常用的图像分割技术包括边缘检测、轮廓跟踪和阈值分割。
2.2.1。空间滤波
(1)中值滤波。作为一个非线性邻域平均滤波法,中值滤波可以有效地处理脉冲噪声,还可以更好地保留图像的细节,和克服线性滤波引起的图像模糊。中值滤波使用的原则排序统计数据找出模板覆盖范围的中间值,然后替换模板的中间位置,并分配一个值。
中值滤波器主要流程通过模板匹配图像处理,灰度值阅读,灰度值排序,中间灰度值选择和重新分配匹配。
(2)高斯滤波器。线性平滑滤波法,高斯滤波选择重量通过高斯函数。高斯滤波可以有效地处理服从高斯分布的噪声点。广义高斯分布包括一维、二维高斯分布。在视频图像处理中,二维卷积算子的二维高斯分布往往是选择。
高斯滤波器主要计算相邻像素的加权灰色的意思是通过模板匹配模板覆盖区域,然后替换模板和抽调的中间位置。
图像处理技术一般分为两类:模拟图像处理和数字图像处理。
模拟图像处理包括光学处理(使用镜头)和电子处理,如摄影、遥感图像处理、和电视信号处理。模拟图像处理的特点是快,一般实时处理;从理论上讲,它可以达到光速,可同时并行处理。模拟信号处理的一个典型的例子是电视画面,这一过程将以每秒25帧的图像。模拟图像处理的缺点是准确性差,灵活性差,难以判断和非线性处理。
2.3。混合交通流数据采集系统的设计框架
基于传统的视频采集系统包括移动物体检测和对象跟踪模块,该系统增加了特征提取模块和对象识别模块识别行人和nonmotor车辆,提高目标检测的自适应背景提取和更新,闭塞,和干涉混合交通对象跟踪和其他功能。混合交通数据采集系统基于视频图像的处理,建立了包括四部分:对象检测、物体跟踪、特征提取和目标识别。(1)对象检测:模块处理视频流,根据实时检测运动目标的背景图像。(2)对象跟踪:该模块用于检测相同的对象在连续图像,避免了重复相同的输出对象输出或失踪。(3)特征提取:该模块用于处理图像块输出跟踪模块,得到的图像块的物理参数和形态学参数确定,并使用这些功能来表示不同的交通对象的特点。(4)对象识别:人工智能和模式识别的理论和方法模块的分析和识别上述参数和输出检测结果。
街道和城市化两边的公路是认真的。当我还修建了高速公路,一些地方政府做更多的道路穿过街道当地经济利益的考虑,尽管一些道路没有通过城镇和符合要求的“市附近但不进城”,但当地政府。为了发展当地经济,其城市建设仍是越来越接近高速公路,高速公路,甚至用作小镇的街道。streetization和城市化这一现象已经成为一个突出的问题在不同的地方。在这些章节中,大量的农业车辆参与乘客和货物的运输。此外,交通参与者的交通安全意识薄弱,缺乏交通规则的知识,而忽视交通规则,交通严重的横向干扰。各种交通方式聚集在这里,有许多交通冲突点,交通秩序混乱,和交通管理是困难的,这是另一个混合交通存在的客观条件。
在混合交通,各种车辆速度混合在一起以极大的差异,及其横向干扰是伟大的,大大抑制了车辆的运行速度,减少了道路容量。各种混合在同一条公路上驾驶。由于行车速度差异大,超过通常发生在开车。随附下列每个超车,转移、合并,加速和减速。急剧转向、移动速度等,加剧交通噪音,交通振动和汽车废气和其他交通污染,影响交通参与者的身心健康。
道路交通参与者的权利进入十字路口显然是标有清晰和明确的迹象。高速公路路口不可能澄清正确的交通参与者的方式通过城市道路信号控制的应用。高速公路路口应该使用交通语言标记和标记等澄清为道路使用者的权利。标记和标记要求如下:很容易理解,清晰,和高度可识别的,以便减少交通冲突,确保那些可以通过安全的方式,确保交通流有序和可控的。
2.4。混合交通流基于BP人工神经网络的目标识别
2.4.1。BP神经网络
BP神经网络是一种由反向传播算法训练多层前馈网络。负梯度下降算法的核心理论数学。也就是说,为了使网络的实际输出信号接近预期的输出及其误差满足要求,网络中的权重和阈值可以通过误差反馈不断调整。BP网络可以学习和存储大量的映射关系没有揭示了数学方程描述输入和输出之间的映射关系提前模式,可以实现任意非线性映射从输入到输出。人工神经网络的BP神经网络是核心内容。
一个人工神经网络不需要确定输入和输出之间的映射关系的数学方程。只学习一定的规则通过自己的培训,并获得结果最接近期望输出值,当输入值。作为一个智能信息处理系统,人工神经网络来实现其功能的核心是算法。BP神经网络是一种多层前馈网络的训练,误差反向传播(称为误差反向传播)。它的算法称为BP算法。它的基本思想是梯度下降法,采用梯度搜索技术使网络。之间的均方误差实际输出值与期望输出值是最小的。
2.4.2。BP神经网络结构
作为一个多层前馈神经网络,BP神经网络由输入层、输出层和隐层。有一个输入层和一个输出层,而隐藏层有一个或多个,每一层都包含多个神经元。BP神经网络有三个特点:一个是完全连接网络;即在任何层神经元和神经元的相邻层连接;之间的力量在输入层和隐层神经元和神经元之间的隐藏层和输出层的神经元网络的重量;另一种是没有在同一层神经元之间的连接;也就是说,每一层的神经元网络没有任何的联系方式;第三,可以有一个或多个隐藏层网络中,从左到右逐渐信号流。
当所有神经元隐层采用折中观点传递函数和所有神经元的输出层采用线性传递函数,输出值可以达到任何连续函数的精度。但到目前为止,没有统一的方法来确定隐层节点的数目。隐层节点数与输入节点的数量和模式、影响BP网络的性能。一般来说,大量的隐层节点会有更好的性能,但会有过拟合现象,降低了网络的泛化能力。
BP神经网络是相对成熟的网络理论和性能。其突出的优点是其强大的非线性映射能力和灵活的网络结构。中间的层网络的数量和每一层的神经元数量可任意设置根据具体情况,和性能随结构的差异。但是BP神经网络也有一些重大缺陷。学习速度很慢,甚至一个简单的问题通常需要数百甚至数千倍的学习收敛。很容易陷入局部最小值。
2.4.3。BP神经网络的工作过程
BP神经网络的工作过程包括培训过程和测试过程。训练过程是将训练样本输入到神经网络得到合理的权值和阈值;测试过程是输入测试样本训练网络预测输出。训练过程包括两个部分:工作信号正向传播和反向传播错误的信号。向前传播阶段,训练样本输入到神经网络的输入层,和预测输出值是通过连接的重量,阈值和传递函数。通过比较预测输出与期望输出,我们可以判断目标函数。如果不能满足要求,它将输入误差反向传播的阶段;即误差反馈不断调整网络的权值和阈值,然后进入下一个训练新的权重和阈值,这样的预测输出信号网络更接近期望输出到输出满足要求。
2.4.4。BP神经网络混合对象识别
在本文中,一个三层BP神经网络,包括输入层,建立了单隐层和输出层识别行人和车辆nonmotor对象。
网络的输入层由36个神经元和接收特征向量x作为输入向量。其输出层包含两个输出神经元。当输入样本是一个行人,理想的输出结果是[10]T;当输出样例是一个单一nonmotor车辆,理想的输出结果是[01]T。
神经元的输出结果是1,如果输出结果是大于或等于0.90时,输出结果是1;神经元的输出结果是0,如果输出结果是小于或等于0.10,输出结果是0;如果输出层的输出结果是在0.10和0.90之间,输出值不能被判断为行人或自行车。
传递函数的选择,因为BP神经网络的传递函数可微性的要求,乙状结肠函数通常是选为传递函数。此外,本文考虑到神经网络的输出可能大于1,和日志的输出范围乙状结肠函数是[0,1]。因此,线性传递函数选为输出的传递函数节点和日志乙状结肠函数作为隐层节点的传递函数。
2.5。卡尔曼滤波跟踪模型
卡尔曼滤波是一种现代滤波方法开发的最优预测和评估方法。简而言之,卡尔曼滤波是一种自回归优化算法,其重要作用是估计系统的状态。卡尔曼滤波器的突出特征是,它能有效地减少随机干扰和测量噪声的影响。噪声是高斯白噪声时,卡尔曼滤波器可以给系统的最小方差估计状态;当噪声非高斯噪声,过滤器可以给系统的线性最小方差估计的状态。当跟踪系统满足线性随机微分系统,即。,the observation and measurement errors obey the Gaussian distribution, and the solution of Kalman filter is the optimal solution of the tracking problem, which means that in the linear Gaussian environment, the accuracy of Kalman filter is higher than any other algorithm.
考虑到nonlaboratory条件下,混合交通流的跟踪对象将受到大量不确定因素的影响等非刚性的身体运动行人的特征,非线性运动轨道,相互遮挡,人群聚集,和行人集团分裂,线性卡尔曼滤波器不能描述移动物体的跟踪在上述情况。因此,有必要模糊匹配观测向量从视频图像中提取和估计向量估计的传统的卡尔曼滤波模型,当移动视频图像中的对象相互咬合;集团分裂,人群聚集等情况发生。然后匹配卡尔曼滤波跟踪观察。
2.5.1。改进的KF跟踪模型基于模糊匹配
卡尔曼滤波器,系统状态模型可以用来预测目标。预测和跟踪对象的过程中,有必要建立一个适合移动物体跟踪系统状态模型。考虑到行人和nonmotor车辆的移动速度慢和小视频序列相邻帧之间的时间间隔,它可以假定位移相邻帧之间的移动对象是相同的,也就是说,
其中,是移动物体的质心的位置在时间吗 ,和 组件的移动物体的质心在哪里 - - - - - -轴和 - - - - - -分别轴。此外,考虑到行人跟踪属于非刚性的对象的跟踪条件下混合交通,外部矩形的几何特征的行人轮廓外观也有巨大的变化。这种变化不仅体现在移动物体的透视变化也反映在非刚性的身体运动的变化。因此,它也需要预测移动对象的几何特征。类似的预测混合交通对象的运动状态,外部矩形的几何特征的移动物体可以表示如下:
其中,是移动物体的轮廓的大小 ,和 移动物体的轮廓的组件是在X方向和Y方向,分别。因此,本文选择相邻帧的位置替换速度参数在传统的跟踪模型和建立状态模型和观测模型。
系统的状态方程
测量方程
噪音测量的误差协方差矩阵方程
接下来,系统预测误差的协方差矩阵需要首先计算:
获得协方差矩阵后,卡尔曼滤波增益矩阵可以得到系统的
之后,系统的卡尔曼滤波增益矩阵KT计算系统的预报值可以修改。由于交通的不确定性预测对象的运动场景,基于传统的卡尔曼滤波器,本文首先分析了观测值yt和先前的预测是否有新的交通对象从边界进入现场。然后,对观测向量和预测向量不包括新场景,它们分别如下:
也就是说,交通场景中的对象相结合,通常分裂或移动匹配。最后,观测向量结果y是输入系统当前的观测值来提高系统的鲁棒性在处理上述问题。
在获得修正后的系统状态通过上述步骤,可以使用以下公式:
预测误差的协方差矩阵更新状态方程。
3所示。实验
3.1。实验环境
的AMD Athlon(巴顿)250 + @1800MHz是所使用的处理器。内存大小是512米。微软Windows XP SPZ是内操作系统。开发平台如下:微软Visual Studio.Net。有两个环境视频样本集合:没有干扰和自然条件。视频样本收集频率是25帧/秒。的视频样本数量如下:20 nonmotor车辆,行人,混合干扰。
3.2。系统初始化
在实验中,很难得到x0, P0准确的初始状态。由于卡尔曼滤波不断使用新信息修改状态在递归过程中,移动物体的初始位置的影响在整个系统的跟踪效果很小,当过滤时间足够长,影响最初的协方差矩阵的协方差矩阵滤波器估计也将减少到几乎为零。考虑到视频图像采集的测量误差相对较小在实验和误差主要来自于系统误差WT,整个系统的初始值设置如下:
3.3。测试步骤
本文使用模糊推理评估移动物体的匹配程度在一定位置通过移动物体的运动跟踪,移动物体的轮廓的尺寸,和颜色的匹配模板(输入和输出的隶属度函数 ,分别)。的最小操作规则Mamdani采用模糊推理。最后,之间的最佳匹配关系检测获得价值和预测价值通过味噌的推理结果的模糊推理功能明确。
在每个递归操作,这个职位行人和车辆nonmotor预计第一,那么方差旅行者和nonmotor车辆运动误差的计算根据预测值,和卡尔曼增益计算最优的过滤规则。卡尔曼增益,误差补偿后的运动目标位置的最优滤波值,然后计算行人和车辆nonmotor的预测价值的预测方程。
4所示。讨论
4.1。单一Nonmotor车辆样本
使用该算法跟踪效果的一个nonmotor车辆对象在一个视频示例如图1。其中包括nonmotor车辆的跟踪图,预测误差图在实验视频序列,分别。nonmotor车辆的实验结果表明,视频序列,跟踪误差在X方向上的最大价值是-1.5像素,这是来自nonmotor车辆对象的初始状态跟踪。整个序列误差的平均值是0.009像素,方差是0.345像素;跟踪误差在Y方向上的最大价值是14.967像素,在帧生成22日和整个序列的均值误差是1.177像素,方差是5.051像素。
它可以发现错误在Y方向上显著大于在X方向上。这是因为拍摄的视频在这个实验中垂直于nonmotorized车辆车道,nonmotorized车辆的运动视频中主要集中在Y方向上,和X方向上位移变化小,使X方向的位移模型的预测更准确比Y方向上的位移。
4.2。单个行人样本
大约在行人序列,实验模拟了跟踪效果当移动物体阻挡通过删除一些视频帧序列。跟踪一个行人对象的影响视频示例如图2的原理图,它显示了行人视频序列的预测误差。
行人跟踪误差的最大值在X方向上是9.247像素,也就是在最后一帧图像生成的阻挡。误差是0.430像素的平均值,方差是16.353像素。错误在Y方向上的最大价值是14.321像素,这是在最后一帧图像生成的阻挡。误差是0.530像素的平均值,方差是20.394像素。排除阻塞的影响后,X方向的行人跟踪的最大误差是-5.727像素,这是生成的初始状态的行人跟踪。误差是-0.001像素的平均值,方差是8.286像素。Y方向误差的最大值是1.198像素,在帧生成5。整个序列误差的平均值是0.013像素,方差是3.05像素。
阻挡行人跟踪序列中的对象时,系统将自动预测移动物体的位置通过前几帧的位置,和预测误差小于16个像素,也就是类似于移动物体的形状大小。此外,移动物体重新出现时,系统可以快速适应真正的有效的运动状态和跟踪移动物体。
4.3。混合样品Nonmotor车辆和行人
针对重叠和分离的一些视频序列中的对象,本文运用20视频序列的行人,nonmotor车辆以及大小写混合来验证它。当行人和nonmotor车辆相互干扰,基于该算法的跟踪效果如图3。
该算法可以有效地判断nonmotor车辆的行人阻塞。当两相结合,方法可以估计的运动行人和nonmotor车辆,分别。行人和车辆nonmotor对象的连续动作,该算法可以有效地继续识别和跟踪移动物体时分为两个单独的子个体。
红色矩形代表检测对象边界;当一个对象集合,红色矩形代表对象外部边境发现修正后算法。图中的绿色边界表明该算法可以预测的外边界移动物体在下一帧。场景中的线条代表卡尔曼滤波器的预测轨迹不同的对象和实际运动轨迹检测得到图像。
比较两条轨迹线,我们可以看到算法的跟踪精度相对较高的互相干扰下行人和nonmaneuvering。不包括检测错误,行人跟踪误差小于10个像素,平均误差为2.366像素,nonmotor车辆跟踪的最大误差是19像素,平均误差是2.5像素。
4.4。传统的波斯水烟筒与改进的卡尔曼滤波
与传统的卡尔曼滤波跟踪模型相比,60视频序列样本给出用于模型验证,如表所示1和图4:(1)混合交通条件下,本文提出的改进的卡尔曼滤波模型可以有效地改善传统的卡尔曼滤波跟踪模型的适用性,不能处理交通对象混合交通之间的相互干扰;(2)此外,该模型在处理行人或nonmotor车辆样本和跟踪精度在一定程度上改善;(3)nonmotor车辆样品的跟踪精度优于行人样本。通过分析,可以发现的运动特征nonmotor车辆对象趋向于刚体运动的特点,这是比行人样本的运动稳定性,导致模型具有更高的精度跟踪nonmotor车辆样本。
5。结论
本文对移动物体检测、自适应差分阈值选择方法提出了基于高斯混合模型和图像噪声的原因是进一步分类。根据不同类型的噪声的特点,目前的移动物体检测理论和方法使用图像邻域信息,提高了光的变化信息,和颜色空间信息。
首先,使用卡尔曼滤波跟踪的可行性和局限性复杂交通对象在现实交通场景进行了分析。在此基础上,提出了一种基于模糊匹配卡尔曼跟踪模型,它使用卡尔曼滤波理论模型的跟踪行人和nonmotor车辆。模糊匹配理论用于处理遮挡,合并和分裂不同的交通交通场景中的对象和预测跟踪。
在二维平面上移动目标跟踪模型,位置,观察对象的形状和颜色信息完全用来预测目标的位置在未来的形象。对象跟踪和预测的可行性基于模糊匹配的卡尔曼滤波模型验证了一个例子,它可以更准确地跟踪移动物体的移动轨迹在前景物体阻挡或实验数据时失踪,对象是互相阻挡。未来的研究应该提出建议解决混合交通流的问题。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。
确认
这项工作是由中国铁路主要桥梁勘测设计院有限公司有限公司(2016 yfc0802202-2)。