基于计算机视觉的道路车辆运动目标检测与跟踪系统

资 源 简 介

该项目旨在利用MATLAB平台开发一套高效的道路动态车辆检测系统。系统核心功能包括背景鲁棒建模、运动目标精准提取、环境噪声抑制、阴影干扰剔除以及多目标连续跟踪。通过采用改进的混合高斯模型（GMM）进行背景建模，系统可以自动适应各种复杂的室外光照变化，能够动态更新背景并从复杂的交通场景中精准分离出运动中的汽车目标。在图像预处理环节，系统集成中值滤波与自适应阈值分割技术以消除环境噪声，并利用膨胀、腐蚀等形态学操作优化车辆轮廓，确保目标检测的完整性。针对车辆底部及侧面阴影导致的检测畸变，系统引入HSV色彩空间变

详 情 说 明

基于计算机视觉的道路车辆运动目标检测与跟踪系统

项目介绍

本项目是一款基于MATLAB平台开发的智能交通监控软件系统。该系统利用计算机视觉技术，通过改进的背景建模算法与多目标跟踪机制，实现了对道路动态车辆的实时检测、身份识别及轨迹模拟。系统设计充分考虑了室外复杂环境下光照变化、物体阴影以及车辆间短时遮挡的影响，能够输出高精度的运动目标数据。

功能特性

• 鲁棒的背景建模：采用混合高斯模型（GMM）动态构建背景，有效应对环境中的微小波动与光照切换。
• 自适应阴影剔除：通过HSV色彩空间转换，利用亮度与饱和度特征，精确剥离车辆底部的动态阴影。
• 高效噪声抑制：集成中值滤波与形态学开闭运算，显著降低路面噪声并增强目标轮廓的完整性。
• 多目标连续跟踪：结合卡尔曼滤波（Kalman Filter）的预测能力与匈牙利算法（Hungarian Algorithm）的最优指派能力，维持目标的长期身份一致性。
• 自动演示与数据导出：系统具备内置合成视频生成功能，并可自动导出包含车辆位置与状态的CSV检测报告。

系统要求

• 软件环境：MATLAB R2018b 或更高版本。
• 所需工具箱：

* Computer Vision Toolbox（计算机视觉工具箱） * Image Processing Toolbox（图像处理工具箱） * Statistics and Machine Learning Toolbox（统计与机器学习工具箱）

算法实现流程与逻辑描述

#### 1. 系统初始化与资源准备 程序启动后首先清除当前工作空间，并检查运行目录。若检测到视频源文件缺失，系统将调用内置的辅助功能生成一段包含路面背景和多辆运动色块车辆的模拟视频，用于展示检测效果。随后，系统配置GMM学习速率、目标最小面积、匹配阈值等关键超参数。

#### 2. 背景减除与初级检测 系统调用混合高斯建模器对视频流进行训练。通过分析每一帧像素的概率分布，将显著偏离背景分布的像素标记为前景目标。这一阶段生成的掩码能够初步捕捉到移动的车辆实体。

#### 3. HSV阴影检测与轮廓优化 针对GMM检测出的前景区域，系统将其转换至HSV色彩模型。基于阴影区域亮度（V分量）较低且色调饱和度（S分量）保持相对稳定的物理特性，通过设定阈值判定并抹除属于阴影的像素。随后，实施中值滤波去除颗粒噪声，并顺次执行闭操作（填补空洞）、开操作（移除细小毛刺）以及膨胀操作，最终通过连通域分析提取各车辆的边界框（BBox）和质心。

#### 4. 卡尔曼滤波预测 针对当前已记录的每一个跟踪轨迹，系统使用常速度模型进行预测。卡尔曼滤波器会对车辆在下一帧可能出现的位置进行先验估计，并根据预测值更新当前轨迹的边界框。

#### 5. 匈牙利指派与轨迹关联 系统根据现有轨迹预测位置与当前帧实际检测到目标质心之间的欧氏距离，构建代价矩阵。利用匈牙利算法寻找代价最小的匹配方案：

• 已匹配轨迹：利用实际观测值对卡尔曼滤波器进行修正，重置丢失帧数计数。
• 未匹配检测：视为新进入视野的目标，为其初始化新的轨迹、权重及卡尔曼滤波器，分配独立ID。
• 未匹配轨迹：增加丢失帧数，若超过设定阈值（如连续10帧消失），则从系统中剔除。

#### 6. 可视化输出与数据记录 系统在GUI窗口实时渲染处理结果：

• 黄色框标记已确认的目标车辆。
• 青色实线绘制车辆的历史运动轨迹。
• 文本信息实时显示累计车辆计数及当前活跃目标数。

在视频处理结束后，系统将所有检测到的车辆ID、坐标、尺寸及质心轨迹信息结构化处理，自动生成CSV格式的统计报表。

关键技术解析

• 混合高斯模型 (GMM)：本项目通过对每个像素点建立多个高斯分布，使其能够适应背景中如树叶晃动或水汽波动的动态变化。
• 形态学处理逻辑：采用了 [15, 15] 矩形算子的闭运算，是为了防止由于车辆本身颜色不均或遮挡导致的检测区域断裂，从而确保一个车辆被识别为一个单一对象。
• 轨迹生命周期管理：引入了“可见阈值”与“丢失阈值”双重机制。只有持续出现的物体才会被赋予正式ID并显示，有效避免了将偶然出现的噪声误判为车辆。
• 状态空间模型：卡尔曼滤波器的状态量定义为 [x, vx, y, vy]，这使得系统即使在目标发生短时重叠（如两车并排或穿过遮挡物）时，仍能依靠物理运动规律保持轨迹的连贯。