1、視頻運動汽車檢測作為智能交通系統(tǒng)中最基礎的部分,其結果直接關系著下一步車輛跟蹤、識別及行為分析等語義信息理解的優(yōu)劣。運動汽車的檢測可以實現(xiàn)交通參數(shù)的提取并能進一步自動檢測交通事件。但在一個室外的車輛檢測系統(tǒng)中,經(jīng)常會有一些外界的因素比如攝像頭的抖動、光線的變化、樹葉的搖擺等影響到檢測的精確度。如何在室外復雜環(huán)境中實現(xiàn)對運動汽車實時、準確的檢測與提取是本文要研究的重點。
　　 本文針對背景差分法易受外界復雜環(huán)境影響的不足,提出改進

2、的K-均值聚類算法來對復雜環(huán)境下的背景進行建模,將室外場景中的噪聲、攝像機的抖動等多模態(tài)分別用K個子類來描述,通過比較任意樣本與該像素位置處的子類中心之間的距離,對各個像素的觀察值進行聚類,并在聚類過程中逐步確定其類別數(shù)。一段時間的學習之后,樣本數(shù)最多的子類就構成了背景模型。即使在運動車輛一直存在的場景中也能很好地提取出理想的背景。對于場景背景中的車輛突然開始運動或者車輛突然駛入當前場景并作為背景停留的情況,本文首先采用背景差分法檢測出

3、運動變化的區(qū)域,再采用canny算子檢測出當前場景中運動車輛的邊緣輪廓,將兩種方法結合起來增強了檢測系統(tǒng)的魯棒性,抑制了虛假運動目標的出現(xiàn),提高了檢測的準確性?？紤]到室外環(huán)境中陽光會使車輛產(chǎn)生陰影,本文采用HSV空間來對陰影進行檢測與去除,取得了很好的效果,進一步提高了運動車輛檢測的精確性。針對傳統(tǒng)snake算法對初始輪廓要求較高的問題,本文將之前改進算法粗分割得到的前景車輛邊界作為改進snake算法的初始邊緣輪廓,使得在應用snake