基于车前灯的夜间车辆视频检测研究

doi:10.3778/j.issn.1002-8331.1710-0001

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (2): 253-258.DOI: 10.3778/j.issn.1002-8331.1710-0001

基于车前灯的夜间车辆视频检测研究

柳长源1，2，陈兰萍1，Ersoy2

1.哈尔滨理工大学电气与电子工程学院，哈尔滨 150080
2.普渡大学电气与计算机工程学院，美国印第安纳州

出版日期:2019-01-15 发布日期:2019-01-15

Research on Night Vehicle Video Detection Based on Headlight

LIU Changyuan1，2, CHEN Lanping1, Ersoy2

1.School of Electrical and Electronic Engineering, Harbin University of Science and Technology, Harbin 150080, China
2.School of Electrical and Computer Engineering, Purdue University, Indiana, USA

Online:2019-01-15 Published:2019-01-15

摘要/Abstract

摘要： 针对夜间车辆视频检测和车流量统计的难题，提出了一种改进的基于视频图像处理提取车前灯的算法。通过分析夜间车辆视频的特点，利用梯度滤波法消除地面反射光对车灯的干扰，实现图像增强，并将分水岭分割算法和直方图双峰法相结合提取车前灯的信息。利用车灯配对匹配原则设计了一种新的匹配算法和跟踪算法实现车灯的配对与跟踪，最终准确地实现了车辆检测和车流量的统计功能。

关键词: 车辆检测, 梯度滤波, 分水岭分割, 车灯配对, 车灯跟踪

Abstract: Aiming at the problem of night vehicle video detection and vehicle traffic statistics, an improved algorithm based on video image processing to extract headlights is proposed. By analyzing the characteristics of night vehicle video, the gradient filtering method is used to eliminate the interference of the ground reflected light to the lamp, and the image enhancement is realized. The watershed segmentation algorithm and the histogram double peak method are combined to extract the information of the car headlights. By using the matching principle, a new matching algorithm and tracking algorithm are designed to realize the matching and tracking of the lights. Finally, the statistical functions of vehicle detection and traffic flow are realized.

Key words: vehicle detection, gradient filtering, watershed segmentation, lamp pairing, headlight tracking

柳长源1，2，陈兰萍1，Ersoy2. 基于车前灯的夜间车辆视频检测研究[J]. 计算机工程与应用, 2019, 55(2): 253-258.

LIU Changyuan1，2, CHEN Lanping1, Ersoy2. Research on Night Vehicle Video Detection Based on Headlight[J]. Computer Engineering and Applications, 2019, 55(2): 253-258.

[1]	李松江，吴宁，王鹏，李海兰. 基于改进Cascade RCNN的车辆目标检测方法[J]. 计算机工程与应用, 2021, 57(5): 123-130.
[2]	金旺，易国洪，洪汉玉，陈思媛. 基于卷积神经网络的实时车辆检测[J]. 计算机工程与应用, 2021, 57(5): 222-228.
[3]	王殿伟，赵梦影，刘颖，宋海军，谢永军. 改进的R-SSD全景视频图像车辆检测算法[J]. 计算机工程与应用, 2021, 57(3): 189-195.
[4]	马庆禄，唐小垚. 融合时域和分水岭信息的车辆检测算法[J]. 计算机工程与应用, 2021, 57(24): 227-233.
[5]	杨露，宋焕生，张朝阳. 基于轨迹稀疏聚类的高速公路车辆检测[J]. 计算机工程与应用, 2020, 56(15): 251-258.
[6]	杜金航，何宁. 基于改进的YOLOv3道路车辆实时检测[J]. 计算机工程与应用, 2020, 56(11): 26-32.
[7]	李明熹，林正奎，曲毅. 计算机视觉下的车辆目标检测算法综述[J]. 计算机工程与应用, 2019, 55(24): 20-28.
[8]	张富凯，杨峰，李策. 基于改进YOLOv3的快速车辆检测方法[J]. 计算机工程与应用, 2019, 55(2): 12-20.
[9]	宋欢欢，惠飞，景首才，郭兰英，马峻岩. 改进的RetinaNet模型的车辆目标检测[J]. 计算机工程与应用, 2019, 55(13): 225-230.
[10]	李浩1，2，连捷3，王辛岩4. 基于级联微型神经网络的多角度车辆检测方法[J]. 计算机工程与应用, 2018, 54(22): 233-238.
[11]	李浩1，2，连捷3，张俊3. 基于形状特征及边缘候选区域的车辆检索技术[J]. 计算机工程与应用, 2017, 53(19): 147-151.
[12]	康珮珮，于凤芹，陈莹. 车辆检测中可变形部件模型的改进与应用[J]. 计算机工程与应用, 2016, 52(20): 209-213.
[13]	汪国强，曲晶莹. 改进分水岭医学图像分割方法的研究[J]. 计算机工程与应用, 2013, 49(8): 185-187.
[14]	娄路. 基于概率算法自适应更新背景的运动车辆检测[J]. 计算机工程与应用, 2012, 48(25): 243-248.
[15]	张建明¹，张玲增¹，刘志强². 一种结合多特征的前方车辆检测与跟踪方法[J]. 计算机工程与应用, 2011, 47(5): 220-223.

基于车前灯的夜间车辆视频检测研究

Research on Night Vehicle Video Detection Based on Headlight

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics