基于背景差分的視頻車輛檢測(cè)大摘要.pdf

1、基于視頻的車輛檢測(cè)是智能交通系統(tǒng)的基礎(chǔ)和關(guān)鍵，也是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)。隨著研究的深入，近年來提出了許多新的車輛檢測(cè)算法，逐步解決了檢測(cè)過程中出現(xiàn)車輛陰影與背景擾動(dòng)的問題，然而這些算法仍然存在著一些缺點(diǎn)和不足，如沒有考慮雨雪霧霾等惡劣天氣環(huán)境下視頻圖像的噪聲和干擾問題，以及車輛檢測(cè)算法的復(fù)雜度高所帶來的實(shí)時(shí)性問題等。因此，本文針對(duì)當(dāng)前基于視頻的車輛檢測(cè)算法中存在的噪聲干擾和實(shí)時(shí)性問題，提出了具體的提高檢測(cè)率和實(shí)時(shí)性的方法。主要的研究

2、工作有以下兩個(gè)方面：
　?。?）針對(duì)視頻中噪聲影響車輛檢測(cè)率的問題，深入研究了中值濾波、維納濾波和小波濾波這三種常用的去噪算法，分析它們?cè)趯?shí)際應(yīng)用中的不足，提出了一種基于稀疏表示的視頻去噪方法。利用K-奇異值分解( K-Singular Value Decomposition，K-SVD)算法訓(xùn)練過完備字典，將噪聲圖像在過完備字典上稀疏分解，根據(jù)圖像信號(hào)能夠在過完備字典上稀疏分解而噪聲不能稀疏分解的原理，去除噪聲，恢復(fù)圖像。與上述

3、三種去噪方法相比，本文提出的去噪方法能夠明顯提高惡劣天氣或環(huán)境下視頻圖像的信噪比，改善圖像質(zhì)量，有助于提高車輛的檢測(cè)率。
　?。?）圍繞背景差分方法中如何建立高魯棒性的背景模型問題，在深入分析和研究均值法、單高斯背景模型和混合高斯背景模型三種經(jīng)典的建模算法的基礎(chǔ)上，提出了一種基于混合高斯的多模態(tài)模型的優(yōu)化方案。由于建模過程中所得到的所有模型都有可能是背景模型，模型權(quán)值較小的像素中有可能也包含了真實(shí)背景像素。因此，舍棄建模過程中模型