基于实时交通状况和自适应像素分割的运动车辆检测

孙 敏, 李 免, 赵玉舟, 孙 伟,2*, 张小瑞

(1. 南京信息工程大学 自动化学院, 江苏 南京 210044;2. 江苏省大气环境与装备技术协同创新中心， 江苏 南京 210044;3. 南京信息工程大学 无锡研究院， 江苏 无锡 214100)

1 引 言

在智能交通系统中，车辆检测是车辆跟踪、车辆识别的重要前提，良好的车辆检测会使后续的跟踪、识别更加准确、可靠，且对缓解日益严重的交通拥堵和方便大众出行具有重要的经济和社会意义。

目前常用的基于计算机视觉的车辆检测方法大致分为两类：(1)基于视频序列的车辆检测方法；(2)基于特征学习的车辆检测方法。

基于视频序列的车辆检测方法包括光流法[1]、帧间差分法[2]、背景减除法[3]、Blob分析[4]等。光流法利用像素点矢量特性，根据运动速度建立光流场来分析运动目标，该方法计算复杂，对设备运算能力要求高，难以实现快速检测。帧间差分法是指在相邻帧图像之间做差分运算，将超过设定阈值的像素点作为运动目标，该方法速度快，但容易出现“空洞”现象，准确性较差。背景减除法需要建立合理的背景模型，但只适用于摄像头固定且初始场景相对稳定的场景，当目标在场景中缓慢移动时，容易出现“鬼影”，不能保证算法的准确性。

基于特征学习的车辆检测方法可分为基于人工特征的方法和基于自动特征的方法。在基于人工特征检测方面，陈华清[5]等人提出基于Hog特征的检测模型，利用Hog特征的全局不变性对车辆进行全局特征提取。在基于自动特征检测方面，刘志成等人提出基于深度学习的多层卷积网络对车辆进行检测，如DCNN[6]、Yolo[7]。……