文献综述
题目：基于视觉的车辆识别技术研究
摘要：在复杂的交通场景中准确、鲁棒地跟踪车辆是一个极具挑战性的任务，室外环境复杂多变，车辆跟踪要适应场景的动态变化。本文旨通过MATLAB编写一套程序，对视频中的车辆进行识别，并利用Kalman滤波对视频中的车辆进行跟踪，尝试提高车辆识别的处理速度和准确度。通过视频编辑软件将视频拆帧，利用程序对每一帧中的车辆进行识别，将识别后的每一帧合成为一个新的视频。预计通过这种处理方式可以实现对视频中车辆的识别和跟踪，从而提高识别的速度和准确度。
关键字：Kalman滤波、MATLAB、车辆识别
引言：随着中国人民生活水平的不断提高，汽车逐渐替代其他交通工具成为人们出行的首选。据公安部交管局统计，截至2017年6月底，全国机动车保有量达3.04亿辆，其中汽车2.05亿辆；机动车驾驶人达3.7l亿人，其中汽车驾驶人3.28亿人。随着车辆数量的急剧增加，交通事故也造成了巨大的人员伤亡与经济财产损失。对公路交通事故的原因分析表明，80％以上的事故是由于驾驶员的人为因素导致的，所以如何辅助或替代驾驶员驾驶汽车自然而然成为了研究热点。本课题拟应用机器视觉的方法对路面上的车辆进行实时监测，对监测到的车辆进行目标检测和识别，判断图像中的目标是否是车辆，并在视频中进行跟踪。
国内外的研究现状
国外从20世纪70年代开始视频车辆检测技术的研究,并在理论和实践方面取得很大研究成果,20世纪90年代起进入商业化阶段。研究主要分三个阶段，分别是汽车的检测，识别和跟踪。最近几年国外学者对这三个方面都做了不同的研究。
在汽车的检测识别方面，Sivaraman等将视觉检测置于传感器的道路环绕声分析背景下，以单目视觉进行车辆检测，无法进一步地对车辆检测结果进行验证[1]；Toulminet等以双目视觉在视频图像中进行车辆可能存在区域的搜寻，耗时长，而以对称性、粗糙度等简单的先验信息对车辆进行检测又存在检测率低的不足[2]；王传钦、曹江涛、姬晓飞设计并实现了一种基于视频分析技术的车距测量及预测系统。该系统有效地减少了图像中扫描车辆的时间，实时性比较好,但是有效检测距离比较有限，对于1米以内和15米以外的目标难以检测识别[3]；蔡英凤、王海、陈小波等提出一种单目视觉和双目视觉相融合的车辆精准定位算法，利用单目视觉处理速度快的特点，在道路图像中生成车辆可能存在区域，利用双目视觉可以获得深度信息的优势，进一步在车辆可能存在区域内进行误检去除和准确定位[4]；郭磊、李克强、王建强等提出了一种基于特征的车辆检测方法,该方法通过图像预处理模块、跟踪模块、雷达探测模块以及视觉探测模块的协同工作完成对本车前方车辆的识别工作。该方法具有一定准确度和及时性，但是漏检率较高，尤其是当路边建筑或者树木在路面上投射大片阴影时,会使车辆的阴影及边缘相对背景的对比度降低,给识别带来困难[5]；魏武,龚树锋,龚树超等通过两次特征提取获得兴趣区域,从而为后期的车辆识别减小了搜索范围,提高了实时性。但是对于距离较远的且存在比较严重的遮挡的车辆还有些不能检测出来,对于道路边界不是很明显,且车辆颜色和道路颜色很相近且距离较远也有些没能检测出来[6]；蒋刚毅，郁梅，叶锡恩等提出了采用背景调整的改进背景差法，并在此基础上提出了一种结合背景差和边缘检测为一体的综合车辆检测法，以消除阴影的影响，提高车辆检测的准确性[7]。
在基于视频的车辆跟踪技术方面，Javed等使用背景减除获得场景中的运动区域，将跟踪问题转化成求解运动区域的对应关系的问题，并采用了一种层级框架检测阴影．但是该方法仅使用颜色特征检测阴影，只能检测出大面积的阴影区域，并不鲁棒，也没有考虑遮挡问题[8]；Rad等关注高速公路上的运动车辆跟踪，提出了相应的遮挡处理策略，但是该方法没有考虑场景中的阴影带来的影响，且不能处理多个车辆进入场景时就发生了遮挡的情况[9] ；杨敏、裴明涛、王永杰等针对复杂交通场景中的视觉车辆跟踪遇到的阴影和遮挡问题提出了有效的解决策略，并提出了一种车辆跟踪方法．该方法在运用自适应背景建模方法获取场景中的运动信息的基础上，通过阴影检测和遮挡处理获得准确的运动目标检测结果，从而将车辆跟踪问题转化为求解运动区域之间的对应问题，但是该方法在检测的准确率较低，在实际应用时存在不足[10]；王圣男,郁梅,蒋刚毅等将车辆作为最小单元进行跟踪,而基于特征的方法则是将车辆的特征作为最小跟踪单元。优点在于即使是在车辆间相互遮挡的情况下,车辆的很大一部分特征还是可见的,可以为跟踪过程提供依据。但是这种系统所采用的方法必须对重建3D场景的误差、车辆运动所引起的图像噪声、视频检测器的偏移等干扰有足够的稳健[11]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
