摘要: |
在智能交通系统中,车辆的有效检测与实时跟踪是车辆的行为分析和行为判断的前提,能够实时准确地提供监测道路的交通动态信息,为后续特定处理做准备,例如整理运算车流状况相关数据、预警突发事故、整体规划交通系统,从而改善交通环境、减轻交通堵塞、提高道路利用率、提高排障效率。
如何提高车辆检测与跟踪算法的精度、响应速度及抗干扰能力是智能交通系统下车辆检测与跟踪的主要研究任务。本文对智能交通系统中车辆检测与跟踪技术进行研究,在分析和总结现有算法的基础上,提出一种实时车辆检测与跟踪算法。该算法在建立交通视场背景模型的基础上,利用背景差分法将运动车辆分割出来,根据卡尔曼滤波对目标车辆进行跟踪。
本文提出了一种快速估计及自适应更新的背景模型。其基本思想是:首先利用统计学方法,快速建立初始背景图像。然后通过分析交通视场中背景像素和前景像素的像素值特性,利用差分图像直方图法来动态获取阈值,建立当前帧瞬时背景图像。最后在此基础上使用当前帧瞬时背景图像和前一帧背景图像加权平均的更新算法估计当前帧背景图像。
本文确定了基于卡尔曼滤波车辆跟踪模型的参数设定。首先分析车辆运动系统,建立系统状态方程和测量方程。然后在假设过程噪声向量和测量噪声向量均为高斯白噪声的前提下,计算并确定系统噪声阵、观测噪声阵和滤波误差协方差矩阵初始值的具体表达式。最后使用学习统计获得的参数值对系统进行仿真,并给出卡尔曼预测数据。
仿真结果证明,本文算法具有数学模型简单、运算速度快、实时响应,抗噪性好,精度较高等特点,能够满足智能交通系统中车辆检测与跟踪的需求。
|