基于高斯背景模型的视频车辆跟踪方法
基于背景建模的视频目标追踪技术研究
基于背景建模的视频目标追踪技术研究近年来，随着计算机技术的不断进步，视频监控这种技术应用的范畴也越来越广泛。
其中，视频目标追踪技术作为一种基础性技术，被广泛应用于智能交通、城市安防等领域，具有重要的实践意义。
背景建模是目标追踪技术中的一个重要环节，它能够将背景和目标区分开来，并将目标与背景进行有效的分离，从而实现视频图像中的目标跟踪。
在背景建模中，需要将视频序列分为背景和前景两部分，这样才能更好地实现目标的检测和跟踪。
下面，本文将从背景建模的原理、方法和优缺点等方面进行探讨。
一、背景建模的原理背景建模的基本原理是通过对视频中背景的建模，检测视频中的前景目标，实现目标的跟踪。
具体来说，背景建模技术是将一个视频序列分解成为背景和前景两部分，背景一般由静态背景和移动背景两个方面组成。
静态背景是指视频中相对静止的背景元素，如建筑物、固定物体等；移动背景则是指相对移动的背景元素，如车流、行人等。
对于静态背景的建模可以通过像素的平均值或中位数等方式进行，而对于移动背景则需要采用其他匹配算法，例如光流算法、级联匹配算法等。
在背景建模的过程中，还需要关注一些重要的参数，如背景更新率、背景噪声的大小等。
背景更新率是指在相同的时间间隔内，背景模型所修改的比例。
在实际应用中，应该根据实际的场景和对目标跟踪的要求确定合适的背景更新率。
另外，针对背景减除算法会产生噪声的特点，还需要采取一些噪声消除技术，例如小连通区域删除等方式，来确保跟踪效果的稳定性和准确性。
二、背景建模的方法目前，常用的背景建模方法主要包括传统的基于统计学的算法和基于深度学习的算法。
1. 基于统计学的方法基于统计学的方法是利用背景图像的统计特征来对背景进行建模，常用的算法有帧差法，基于高斯混合模型的背景建模和自适应背景建模算法等。
帧差法是一种简单有效的背景建模方法，它将当前帧与历史帧进行像素级的比较，并将像素差分结果进行二值化处理，从而得到前景目标。
但是在实际应用中容易受到光照变化、遮挡等因素的干扰，从而影响目标的检测和跟踪。
基于视频图像和深度学习的车辆轨迹检测与跟踪
基于视频图像和深度学习的车辆轨迹检测与跟踪摘要：随着城市交通的不断发展和车辆数量的急剧增加，车辆轨迹检测与跟踪成为了一个重要的研究课题。
本文提出了一种方法。
该方法能够实时地检测和跟踪车辆，并生成车辆的轨迹信息。
实验结果表明，该方法在车辆轨迹检测和跟踪方面取得了较好的效果。
关键词：车辆轨迹检测；车辆轨迹跟踪；视频图像；深度学习1. 引言随着城市交通的快速发展，车辆保有量不断增加。
汽车成为了人们出行的主要方式之一，对于城市交通管理和交通安全具有重要意义。
车辆轨迹检测与跟踪作为交通领域的一个重要研究方向，能够帮助城市交通管理部门更好地了解车辆行驶的路径，提供决策支持和交通管理指导，为交通管理和交通安全提供重要的参考依据。
2. 相关工作在过去的几十年中，许多学者和研究机构都对车辆轨迹检测与跟踪进行了深入研究。
传统的方法主要是基于计算机视觉技术，利用视频图像中的特征进行车辆的目标检测和跟踪。
然而，由于车辆数量的增加和道路环境的复杂性，传统方法在实际应用中往往存在一定的局限性。
近年来，深度学习的快速发展为车辆轨迹检测与跟踪提供了新的思路和方法。
深度学习网络能够从大量的数据中学习和提取特征，能够更准确地进行目标检测和跟踪。
3. 方法框架本文提出的方法主要包括三个步骤：预处理、车辆轨迹检测和车辆轨迹跟踪。
3.1 预处理预处理主要是对输入视频图像进行预处理，以提高检测和跟踪的效果。
预处理包括图像去噪、图像增强和图像分割等步骤。
首先，采用去噪算法对输入图像进行去噪处理，以减少图像中的噪声对车辆检测和跟踪的影响。
然后，采用增强算法对图像进行增强，以提高图像的对比度和清晰度。
最后，采用图像分割算法将图像分割成多个区域，以便更好地进行车辆的检测和跟踪。
3.2 车辆轨迹检测车辆轨迹检测是指在给定的视频图像中检测和识别车辆的位置和边界框。
本文采用了一个基于深度学习的目标检测算法，通过训练深度学习网络，能够在视频图像中准确地检测和识别车辆。
基于高斯混合模型的视频目标检测技术研究
录
一、绪论.....................................................................................................1 （一）课题研究背景及意义 ..............................................................1 （二）国内外研究现状 ......................................................................3 （三）基础知识介绍 ..........................................................................4 1.目标检测技术简述 .....................................................................4 2.运动目标检测的基本方法 .........................................................5 3.背景差分算法 .............................................................................7 （四）本文研究内容及文章组织结构 ..............................................9 二、开发环境配置及工具介绍 ..............................................................10 （一）OpenCv 的介绍 ......................................................................10 （二）Visual Studio 2008 介绍 .........................................................13 （三）OpenCv 在 Visual Studio 2008 下的配置 .............................14 1.编译 OpenCv .............................................................................14 2.配置 Windows 环境变量 Path ..................................................16 3.为 Visual Studio 2008 配置 OpenCv 环境 ..............................16 4.使用 OpenCv 2.0 编程 .............................................................16 三、基于高斯混合模型的视频目标检测 ..............................................17 （一）背景建模算法的背景知识 ....................................................17 （二）高斯混合模型背景建模的原理 ............................................18 1.模型的建立 ...............................................................................19 2.模型的更新 ...............................................................................20 3.基于高斯混合模型的前景检测 ...............................................22 （三）高斯背景建模的算法流程 ....................................................23 （四）后期形态学处理 ....................................................................23 （五）实验结果与分析 ....................................................................26 1.模型参数的探讨 .......................................................................26 2.形态学处理 ...............................................................................37 （六）课题前景展望 ........................................................................39 四、收获与体会.......................................................................................39 参考文献...................................................................................................40 谢 辞.................................................................................................... - 41 I
对象追踪的技巧
对象追踪的技巧对象追踪是指在图像或视频中识别和跟踪特定对象的过程。
它在计算机视觉和机器视觉中具有重要的应用，例如视频监控、自动驾驶、人机交互等领域。
在本文中，我将介绍一些常用的对象追踪技巧及其原理。
1. 基于背景分割的对象追踪基于背景分割的对象追踪是一种常见的方法，它通过将背景和前景（目标对象）分离来实现追踪。
常用的背景分割算法包括帧差法、高斯混合模型（GMM）和基于统计学的像素级分类等。
帧差法通过比较相邻帧之间的像素差异来提取动态移动的前景区域，然后进行对象追踪。
GMM模型将每个像素看作是由多个高斯分布组成的，通过计算像素与背景模型之间的匹配度来进行背景分割，并实现对象追踪。
基于统计学的像素级分类方法将每个像素根据颜色、纹理等特征进行分类，来实现对象追踪。
2. 相关滤波器跟踪相关滤波器跟踪是另一种常见的对象追踪技巧，它基于模板匹配的思想。
首先，在第一帧图像中手动选择目标对象的位置和大小，作为初始模板。
然后，通过计算当前帧图像中与模板的相关程度，来确定目标对象的位置和大小。
在相关滤波器跟踪中，常用的相关滤波器包括最基础的互相关滤波器和更加复杂的粒子滤波器。
互相关滤波器通过计算输入图像上的每个位置与模板的互相关分数来进行对象追踪，得分最高的位置即为目标的位置。
粒子滤波器是一种基于蒙特卡洛采样的滤波器，通过随机生成一系列粒子来估计目标在图像上的位置。
3. 基于深度学习的对象追踪近年来，基于深度学习的对象追踪取得了显著的进展。
深度学习模型可以从大量数据中学习到特征表示和空间规律，能够更好地捕捉目标对象的语义信息和上下文关系。
基于深度学习的对象追踪方法可以分为两大类：单目标追踪和多目标追踪。
单目标追踪方法通过训练深度卷积神经网络来学习目标对象的特征表示，并结合目标模板和候选区域的得分来进行追踪。
多目标追踪方法则通过将目标追踪问题转化为目标检测问题，先检测图像中的目标，然后通过关联算法将目标在不同帧之间进行追踪。
智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述
智能交通系统中基于视频图像处理的车辆检测与跟踪方法综述一、概述随着科技的快速发展和城市化进程的推进，智能交通系统（ITS）已经成为现代交通领域的重要研究方向。
基于视频图像处理的车辆检测与跟踪方法是智能交通系统的重要组成部分，对于提高道路安全、优化交通流量、实现智能交通管理具有重要意义。
基于视频图像处理的车辆检测与跟踪方法主要利用计算机视觉和图像处理技术，对视频序列中的车辆进行自动检测、跟踪和识别。
这种方法可以实时获取道路交通信息，为交通管理和规划提供数据支持。
同时，通过车辆检测与跟踪，还可以实现车辆行为分析、交通事件检测等功能，为智能交通系统的进一步发展提供有力支持。
近年来，随着深度学习、机器学习等人工智能技术的快速发展，基于视频图像处理的车辆检测与跟踪方法也取得了显著的进步。
通过构建深度学习模型，可以实现对车辆目标的准确、快速检测，同时利用多目标跟踪算法，实现对多辆车辆的连续跟踪。
这些技术的发展为智能交通系统的车辆检测与跟踪提供了新的解决方案，也为未来的智能交通发展奠定了坚实的基础。
基于视频图像处理的车辆检测与跟踪方法仍然面临一些挑战，如复杂交通场景下的车辆遮挡、光照变化、动态背景干扰等问题。
未来研究需要不断探索新的算法和技术，提高车辆检测与跟踪的准确性和鲁棒性，以适应智能交通系统的发展需求。
本文将对基于视频图像处理的车辆检测与跟踪方法进行综述，介绍其基本原理、发展历程、现状以及未来的发展趋势。
通过总结现有方法的优点和不足，为未来的研究提供参考和借鉴。
同时，本文还将探讨当前面临的挑战和未来的研究方向，为智能交通系统的进一步发展提供有益的探索和启示。
1. 智能交通系统概述智能交通系统（Intelligent Traffic Systems，ITS）是信息技术、数据通信技术、传感器技术、电子控制技术以及计算机技术的综合应用，旨在构建一种大范围内、全方位发挥作用的实时、准确、高效的综合运输和管理系统。
一种视频序列中运动目标的检测与跟踪方法
关 键 词 ： 景 模 型 灰 度 质 心 目标 检 测 和 目标 跟 踪 背 中 图分 类号 ： Ｐ ９ ． Ｔ ３ １４ 文 献标 识码 ： Ａ
文 章编 号 ： ７ —３ １ ２ １ ） ２ｃ一Ｏ ２ －０ １ ２ ７ （ ０ ０ ０ （） ０ ５ １ ６ ９
＝
一
根 据 （ ）／ 的取 值 设 置检
ｔ 图像 采 集 时 间 间 隔 ， （ ） ｉ ， … 是 ｆｔ （ ＝ｌ ２ ｋ 是 函数 ｆ（ 在 Ｋ个 顺 序 时 刻 的 测 量 值 ， ） ｔ ）
目标 并 对 其 进 行 识 别 跟 踪 ， 广 泛 的 应 测 闽 值 ， 下 式 ： 有 如
就 可 以 与 外 界 环 境 变 化 相 一 致 。 们 基 本 我
４ 结语
本 文 提 出 的 是 一 种 静 止 摄 像 机 条 件 下
基 于 统 计 灰 度 质 心 模 型 和 背 景 模 型 的 运 动
述模 型 ， 景 建模 是 计 算 机视 觉 领 域 中 背 基本 问题 ， 内外 有 多 种数 学 模 型 应 用 国 于 描 述 背 景 ， 如 高 斯 分 布 ＿。 们 利 用 例 ３ 我 １
工 程 技
Ｓ ＩＣ Ｃ ＮＥ＆ＴＣＮＬ０ Ｅ ＥＨ００Ｙ
匪圆
种 视 频 序 列 中运 动 目标 的检 测 与 跟踪 方 法 ①
申 良 李 中
（ 西安航 空技术 高等专 科学校 电气 工程 系
陕西西 安 ７ ０ ７ １ ） ０ ７
摘 要 ： 动 目标的监控 与测量在 汽车导航 和智 能监控 行业 中得到 大量应 用。 运 本文提 出了基 于统计 背景模型和 灰度 质心模型 的运 动 目标 检 测和跟 踪算法 。 在此 方法 中先建立 背景 的 高斯模 型， 后检 测 出场景 中的运 动 目标 ， 后根 据 目标检 测 的结论 ， 到运 动 目标灰 度质 心 然 最 得 的计算 结果 ， 在坐标 系中记 录位置 ， 并 采用最 小二秉 法拟 合 实现 了对运 动 目标的跟踪 。 相应 的实验 结果表 明这种 方法 能有效检 测和跟 踪
基于混合高斯模型与camshift跟踪的智能视频监控技术研究的开题报告
基于混合高斯模型与camshift跟踪的智能视频监控技术研究的开题报告摘要：本文提出了一种基于混合高斯模型（GMM）与camshift跟踪的智能视频监控技术。
该技术的主要目的是通过对视频流进行实时分析，实现对监控场景中目标的自动识别、跟踪和报警等应用。
首先，利用GMM模型对视频流进行背景建模，得到前景区域，并对前景进行分割、过滤和匹配，得到目标的位置和大小。
然后，利用camshift跟踪算法对目标进行连续跟踪，并不断更新目标的位置和大小信息。
最后，结合本地特征和全局特征，对目标进行识别分类和报警处理。
实验结果表明，该技术具有较高的准确度和鲁棒性，可以广泛应用于智能视频监控领域。
关键词：混合高斯模型；camshift跟踪；智能视频监控；目标识别；报警处理一、研究背景和意义随着现代科技的不断发展和视频技术的不断成熟，视频监控技术已经成为了现代社会中必不可少的一部分。
然而，传统的视频监控技术存在着很多局限性，比如需要人工干预、存在漏报、误报等问题。
因此，如何实现视频监控的智能化、自动化已经成为了当前研究的热点和难点之一。
目前，基于深度学习的视频监控技术已经获得了很大的发展，但是其需要大量的数据训练和较高的算力，对硬件设备和计算资源的要求较高。
因此，如何在保证性能的前提下，降低成本和复杂度，成为了当前研究的另一个重要方向。
本文提出的基于GMM模型与camshift跟踪的智能视频监控技术，不仅能够高效地实现视频监控的自动化和智能化，还能够降低硬件和软件设备的要求，具有很好的应用前景和研究价值。
二、相关技术研究在视频监控领域，目标检测、跟踪和识别是三个基本问题。
目前，常用的目标检测算法包括背景建模法、前景检测法和离散小波变换法等。
其中，基于背景建模的方法比较常见，主要是通过对背景模型的学习，提取出视频流中的前景对象。
而对于需要连续跟踪的目标，主要采用跟踪算法实现目标的实时检测和定位。
常用的跟踪算法包括卡尔曼滤波、粒子滤波和CAMSHIFT跟踪等。
基于视频图像的运动车辆检测和跟踪算法研究的开题报告
基于视频图像的运动车辆检测和跟踪算法研究的开题报告一、研究背景及意义近年来，随着智能交通系统的不断发展，对于车辆检测和跟踪的技术需求越来越高。
特别是在城市交通管理、车辆安全监管等领域，需要对路面上的车辆进行实时监测和追踪。
运动车辆检测和跟踪技术是实现这一目标的核心技术之一。
运动车辆检测和跟踪技术是指从视频图像中自动检测出运动车辆，并跟踪其运动轨迹。
该技术有着广泛的应用场景，如交通流量监测、道路拥堵监测、交通事故监测等。
因此，该技术的研究具有重要的理论和应用意义。
二、研究内容和研究方法本文的研究内容是基于视频图像的运动车辆检测和跟踪算法，主要包括以下几个方面：1. 提出一种基于机器视觉的运动车辆检测算法，采用深度神经网络和图像处理等技术，实现对于运动车辆的自动检测。
2. 提出一种基于运动模型的车辆跟踪算法，通过建立车辆的运动模型，利用卡尔曼滤波等算法，实现对于运动车辆的跟踪。
3. 针对车辆检测和跟踪过程中存在的困难问题，如光照变化、运动模糊等问题，提出相应的解决方案。
本文采用的研究方法主要包括机器视觉算法、深度神经网络技术、图像处理等技术手段。
通过对于大量的视频数据进行训练和测试，验证算法的性能和可行性。
三、研究预期结果本文预期实现一种基于视频图像的运动车辆检测和跟踪算法，并在实际数据集上进行验证。
具体的预期结果包括：1. 实现运动车辆的自动检测算法，并且在多种场景下表现出较好的检测性能。
2. 实现基于运动模型的车辆跟踪算法，并且在多种复杂场景下表现出较好的跟踪性能。
3. 对于车辆检测和跟踪过程中存在的困难问题提出相应的解决方案，并且能够在实际数据集中展现出较好的效果。
四、研究的创新点和贡献本文的主要创新点和贡献在于：1. 在车辆检测方面，采用深度神经网络等技术，实现对于运动车辆的自动检测。
2. 在车辆跟踪方面，采用卡尔曼滤波等算法，实现对于运动车辆的跟踪，并且能够应对存在的困难问题。
3. 在实际应用中，能够为交通管理、车辆安全监管等领域提供一个可行的解决方案。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
邮局订阅号：82-946360元/年技术创新图像处理《PLC 技术应用200例》您的论文得到两院院士关注基于高斯背景模型的视频车辆跟踪方法Video vehicle trajectory based on Gaussian background model杨超1刘建伟1曹泉2万峻甫2YANG Chao LIU Jian-wei CAO Quan WAN Jun-fu摘要:在视频智能交通系统中，获取车辆运动轨迹是至关重要的一步。
本文介绍一种以在线EM 算法进行参数迭代从而建立背景高斯模型为理论的前景运动物体分割的方法，以及在图像特定区域使用动态模板匹配来进行车辆轨迹获取的方法。
实验结果表明，该方法可有效的抑制环境噪声，并具有鲁棒性和准确率高等优点。
关键词:智能交通系统；EM 高斯背景模型；模板匹配;轨迹跟踪中图分类号:TP391文献标识码:AAbstract:Trajectory getting is important in ITS (Intelligent Transport System)to obtain a more accurate vehicle statistic,unusual events detection and real-time tracking.Difficulties,such as large noise interference and the special cars ’trajectory losing,have to be faced for the reason of the complex condition of roads.A method for vehicle trajectory getting based on Gaussian background model and movements estimation is proposed in this paper.The parameters of the Gaussian model are calculated by iterated in EM algorithm,and a dynamic template matching is used for estimation.The experimental results showed this method could suppress the noise interference effectively.And this algorithm also combines the advantages of robust and veracity.Key words:ITS;EM Gaussian background model;matching template ；trajectory tracking文章编号:1008-0570(2009)05-3-0271-03引言在智能交通系统（ITS ）中，视频交通车辆运动轨迹的获取是准确的进行视频交通检测的前提，在车辆轨迹获取过程中，运动物体的分割，是其中关键的步骤。
本文提出的是一种基于图像背景提取，以及车辆检测和跟踪的视频交通检测系统，通过车辆的跟踪算法，可以有效的提取各种道路交通信息，从而进行交通流以及各种交通事件的检测。
对于车辆运动前景的检测，目前比较成熟的技术是使用视频帧间差分法和统计背景差分法，这几种方法对于系统的资源占用率较低，运行速率高，但它们对阴影及有规律小物体扰动的抑制效果不理想。
本文将使用以建立高斯混合模型为基础，使用EM 迭代算法更新高斯模型参数的运动分割算法；以及使用实时的动态模板匹配方法进行车辆运动的估计；经过运动区域分割和运动状态预测处理后，使用存储团块信息的链表获得最终的车辆轨迹；最后，经过对链表的后处理获取车辆的轨迹信息。
1基于高斯混合模型背景提取1.1高斯混合模型在视频图像序列中，建立高斯混合背景模型的基本思想是通过混合的K 阶的高斯分布为每一个背景像素建立模型，不同阶的高斯分布被假定代表不同的灰度值，混合模型的权重值代表着当前的灰度值在图像帧中的所占的比例。
而背景图象的构成是由假定背景含有B 种高可能性的像素值决定的，可能的背景像素值是那种在对应位置上持续时间长并且静态的值。
背景中的物体趋向于在灰度空间中组成紧凑的部分，而运动的物体由于在图像中同一位置由于运动而带来的颜色变化从而组成了较宽的灰度范围。
为了使这种模型能够快速的更新以及适应于实际背景的变化等，KaewTraKulPong 等人提出了一种基于选择性更新的方案：每一个当前像素在新一帧图像上的灰度值都与已经存在的各阶高斯分布去匹配，最先匹配到的那个模型将会被更新，如果没有相匹配的，会以它在那一个点的平均数，一个大的协方差矩阵以及一个小的权重值建立一个新的高斯结构。
具体的算法如下：图像中的每一个像素都建立一个K 阶的混合高斯模型，这样这个像素1点在第N 帧图像的时候灰度值为的概率为：；其中ωk 是第k 阶高斯结构的权重值，是第k 阶高斯的正态分布，也可以写成如下形式：；其中是灰度的均值，是第k 阶高斯的协方差矩阵。
对于K 阶的高斯分布来说，每一个用于拟和的高斯分布的排序是由来决定的，排序中最前面的B 个分布被认为是图像中背景的模型，。
其中阈值T 是能够被认为是背景模型的各个分布的权值和的最小值。
对于符合了当前像素值的高斯分布，他的结构也会在下一帧发生如下的变化：；；使用这种高斯混合模型会有一定的限制性，它的主要背景模型的更新速度较为缓慢。
如果一个给定像素的第一个值是处于前景物体中，用它来建立起来的模型的权值将给定为1。
这样的话，对于单通道的灰度图象来说，需要帧之后，背景模型中的值才有可能是真实的背景；而需要帧之后，才能使真实的背景模型成为权值高的主要模型。
下面的EM 算法杨超：在读硕士研究生（1．哈尔滨工业大学深圳研究生院智能交通中心；2．深圳市哈工大交通电子技术有限公司）271--技术创新《微计算机信息》(管控一体化)2009年第25卷第5-3期360元/年邮局订阅号：82-946《现场总线技术应用200例》图像处理计算的参数值就是对这种方法的改进。
1.2在线EM更新高斯混合模型的参数EM算法是一种从“不完全数据”中求解模型分布参数的极大似然估计的方法,其所谓“不完全数据”一般指两种情况：一种是由于观测过程本身的限制或者错误,造成观测数据成为有错漏的“不完全”数据；另一种是因为模型参数的似然函数直接优化十分困难,而引入额外的参数(隐含的或丢失的)后就比较容易优化,于是定义原始观测数据加上额外参数组成“完全数据”,原始观测数据自然就成为“不完全数据”。
因此引入“丢失数据”Y,定义Z={X,Y}为“完全数据”,则前述的观测数据X称为“不完全数据”。
定义完全似然函数为：；把X和看作是固定值，并且是以随机变量Y为自变量的函数，那么这个似然函数也是一个随机变量。
随即变量直接求最大化不好计算，但是它的期望是一个确定性的函数，优化比较容易，这就是EM算法的基本思想。
EM的迭代步骤分为：E-Step:及给定观测X和当前参数估计值，计算完全数据对数似然函数关于未知数据Y的期望，定义对数似然函数的期望：；其中为已知的当前的参数估计值。
M-Step:最大化期望值，即找到一个，使其满足：那么对于上述的似然函数来说，其中表示像素的数据集合，设这N个数据是一个不完整的数据，且是独立同分布，设另有一个M维的向量，再设变量表示完整的数据集合，则用来估计k阶高斯的算法参数集：。
EM算法是一种迭代算法，每一步迭代都能保证似然函数值增加，并且收敛到一个局部极大值，通过使用此迭代方法，我们可以得出：1.3试验结果分析(a)处理前图像(b)传统高斯背景差分图像(c)EM迭代高斯背景差分图像图1运动区域分割方法比较图1为摄像机稍有抖动和路边有旗帜摆动情况下使用不同方法得到的运动区域分割图像，(b)为使用传统方法进行更新的单通道高斯背景模型后进行背景差分得到的结果，(c)为使用EM迭代方法得到高斯混合模型进行背景差分得到的结果。
通过试验对比，可以发现EM迭代算法进行的高斯背景更新可以更快地得到变化较快的背景，这对于背景变化剧烈，需要经常重新建立背景模型的视频具有很大的适应性。
2轨迹获取分析在对前景区域进行运动估计时，本文使用Barnea等人提出的SSDA(Sequential Similarity Detection Algorithm)法进行相邻帧的区域模板匹配。
在理想的情况下，使用此方法，可以找到运动团块位置的准确信息。
但在实际情况中，由于车辆运行中透视变化的影响以及车辆边缘环境的变化，使用模板匹配往往会失效。
本文提出的是一种结合模板匹配和前景团块信息的轨迹跟踪方法，图2为车辆轨迹链表的结构图。
图2轨迹链表结构总的链表结构由若干子链表组成，每个子链表代表着一辆车的轨迹，用不同的Id号码表示。
在图中，Id号为0、1和n的三个子链表在当前帧的团块分别是他们的第a、b和c个团块，在下一帧加入新的团块时，首先使用模板匹配寻找位置信息，再用在前景图中找到的临近团块与匹配的团块进行直方图的比较等，选出于上一帧最为接近的，则为子链表中新加入的团块；如果前景图中出现了新的团块，则以它为第一帧建立一个新的子链表。
图3为使用本文算法最终获得的轨迹，可以看出该算法实现了车辆轨迹的连续跟踪，在实际的使用中，使用此方法进行的车辆跟踪系统提供的信息可以达到进一步进行交通检测处理的要求。
目前，使用此种技术开发的视频车辆检测系统已经被应用在了深圳南平高速车道、陕西秦岭终南山隧道等道路现场进行测试，取得了良好的效果。
图3车辆运动轨迹的获取结束语本文介绍了通过EM迭代算法进行高斯背景提取，得到前景图并提取团块信息，以及通过动态的模版匹配算法估计团块运动信息，并根据两种团块信息得到车辆轨迹跟踪的链表。
由试验分析可以看出，本文介绍的算法对复杂环境下车辆轨迹获取中存在的不利因素做到了较好的克服，对交通信息的获取和分析提供了较为理想的前提条件。
目前，使用此种跟踪算法开发的交通检测系统已经在广东省深圳南平快速路、福建省宁德福宁高速公路等环境进行了测试，拥有较高的准确性和鲁272--邮局订阅号：82-946360元/年技术创新图像处理《PLC技术应用200例》您的论文得到两院院士关注棒性。
本文作者创新点：采用基于EM更新迭代的高斯背景模型，能够有效地抑制环境的突然变化，减小错误前景分割；使用动态SSDA模板匹配和前景团块相结合的方法对前景团块的运动信息进行预估计，在实际使用中，可以根据视频环境来进行匹配准确度的调整。
参考文献[1]STAUFFER C,GRIMSON WEL.Learning patterns of activityusing real-time tracking[J].IEEE Transactions on Pattern Analysis&Machine Intelligence.2000,22(8):747-57.[2]KAEWTRAKULPONG P,BOWEN R.An improved adaptivebackground mixture model for real time tracking with shadow de－tection:Proc.of2nd European workshop on advanced video basedsurveillance systems[C].2001.[3]杨文国,李刚,蔡慧华.一种基于高斯混合模型的MR图像分割[J].微计算机信息，2008，2-3：310-312.[4]CHRISTOPHE B.Initializing EM using the properties of its tra－jectories in Gaussian mixtures module[J].Statistics and Computing,2004,14,3:267-279.[5]钟平,于前洋,金光.基于特征点匹配技术的运动估计及补偿方法[J].光电子激光,2004,15(1):73-77.作者简介：杨超（1985－），男，汉族，内蒙古赤峰市人，在读硕士研究生，主要从事数字图像处理、模式识别方向的研究。