道路交通環(huán)境下車輛前景提取算法研究.pdf

1、智能交通系統(tǒng)（IntelligentTransportationSystems,ITS）涵蓋了交通領域的方方面面，基于視頻圖像的交通流數(shù)據(jù)采集與交通行為自動分析順應了ITS的發(fā)展，成為ITS的熱點研究領域?；趫D像處理的車輛前景提取作為這一研究中基礎而又重要的步驟之一，在ITS發(fā)展中，有著重要的理論研究意義和潛在的應用價值。
　　本文將車輛前景提取分為車輛運動檢測和車輛陰影消除兩個步驟，以車輛前景提取為目的，對車輛運動檢測和車輛陰

2、影消除進行分析與研究。首先，詳細分析混合高斯模型（GaussianMixtureModel,GMM）原理并闡述GMM缺陷及其原因。針對GMM背景建模簡單，易受初始時刻車輛前景干擾的問題，本文引入格拉布斯異常值判別準則，提出了基于時域約束平均的GMM背景建模方法；依據(jù)改進的幀間差分法和GMM背景更新原理，提出了基于四分區(qū)自適應GMM的車輛運動檢測算法，以此解決傳統(tǒng)GMM存在的車輛空洞問題、ghost問題和車輛停車誤檢測問題。然后，在對陰影

3、分析的基礎上，指出本文車輛陰影消除是指對行駛車輛投射陰影的消除。針對單一采用顏色特征進行陰影消除的不足，本文通過Log域差分，弱化陰影，得到肯定是車輛前景的區(qū)域，以此對基于HSV顏色空間特征的陰影消除方法進行約束，提出了基于Log域差分和HSV顏色空間特征的車輛陰影消除方法。最后，對所提算法進行仿真實驗分析，并依據(jù)基本的數(shù)學知識，定義了空洞填補率，以此對車輛空洞問題的解決程度進行量化分析。
　　實驗結果表明，所提出的改進GMM算法