一、基于遗传算法的交通监控图像模糊恢复（论文文献综述）
张驰[1]（2019）在《基于机器视觉的调车机车辅助驾驶的研究》文中研究说明近年来,轨道交通行业发展迅速,而调车机车的作业场景开放复杂,司机控制工作量大,存在诸多安全隐患,有着辅助驾驶的需求。本文从调车机车驾驶的实际需求出发,针对作业过程中存在的侵限安全和驾驶控制两大关键问题,基于机器视觉技术展开研究,主要内容如下:（1）提出调车机车监控视频预处理算法,实现了雾天、夜晚和雨天多种恶劣环境的图像增强。雾天中,先将Retinex算法的中心环绕高斯滤波修改为双边滤波,去除噪声的同时,保证边缘信息完整性,以此获得对数域的增强结果;再采用Sigmoid函数对其进行处理,降低运算量,还原真实颜色。夜晚中,基于HSV颜色空间,获取光源位置,保留颜色信息,并减小光源区域对周边的干扰;所得到的图像反色后采用暗通道先验算法进行类雾天增强;再结合白天对应图像的Lab直方图信息改善偏色现象。雨天中,采用分数阶傅里叶变换处理图像,得到方向频谱能量曲线,提取雨痕方向,以此旋转图像将高频信息中非雨痕边缘滤除,并提高横向周边像素权重,得到雨天增强图像。文中不同环境下增强图像的视觉效果和客观评价指标表明,新提出的算法提高了图像对比度,更好的还原了色彩信息,为司机和后续计算提供了清晰图像。（2）提出一种基于最亮点区域增长的铁轨区域提取算法,结合铁轨历史方向趋势曲线,得到调车机车行人侵限的危险区域。基于坐标系转换建立图像中像素高度与距离间的关系模型;再将图像消失点以下的部分按比例划分为近距离和远距离区域;近距离区域中采用渐进概率Hough变换来检测直线铁轨,远距离区域中使用最亮点区域生长算法提取直线或者曲线铁轨;最终使用历史方向曲线提高远距离区域铁轨和道岔检测精度。采用新算法对不同条件下实际采集的铁轨区域视频图像进行处理,与现有技术相比,该算法能更为准确、快速、有效地检测铁轨区域。（3）提出了可见光和红外融合的行人侵限检测算法。可见光图像中,针对远距离缺失信息问题,提出基于改进卷积神经网络的行人侵限检测算法。该算法以浅层的边缘特征结合灰度图像作为卷积神经网络的输入,并将交叉熵与学习率结合,提高训练速度。红外图像中,使用改进的图像显着性检测算法提取出红外的关键区域;应用质心重定位的滑窗算法快速定位高亮区域;再采用Zernike矩判断图像的对称性和与行人特征的相似性;最终使用可见光卷积神经网络模型做最终的判定。基于消失点、轨道线和Harris角点的位置对可见光图像和红外图像进行配准。文中采用通用行人数据集和铁轨区域行人数据集验证了提出的算法,该算法能够有效提升铁轨区域远距离行人侵限检测的准确率。（4）提出了一套基于双目视觉的优化装货控制方案,采用分数阶PIλDμ跟随速度曲线,提升调车机车作业效率。在分析调车机车低恒速装货作业系统特点基础上,提出使用光流法判断低恒速作业状态,以双目视觉三维重建算法分析堆料分布,得到优化速度指导曲线;再参考内燃机车牵引特性建立简化调车机车的运动模型;最后使用遗传算法整定分数阶PIλDμ控制器参数,并使用该控制器跟随速度。新方案将司机从频繁的档位控制中解放出来,基于双目视觉调控调车机车速度的方法节省了装货中的平料操作,提升了调车机车作业效率和准确性;所采用的分数阶PIλDμ优于传统算法,实现了更优的速度跟随和稳定性。
饶云波[2]（2012）在《夜间视频增强的关键技术研究》文中研究说明视频信息越来越多的被人们用来识别和判断事物，解决实际的问题。夜间监控视频由于天气条件、亮度条件、捕获设备等因素，导致视频不清晰甚至异常模糊，不利于监控，不能满足应用的需要。针对上述问题，本文从基于视频自身的增强技术（Video-based self-enhancement）和基于帧融合的增强技术（Frame-basedfusion enhancement）两个层面及融合过程中的相关技术问题对夜间监控视频进行研究。首先分析目前视频增强（Video enhancement）的相关技术，提出了视频增强算法的统一框架；然后提出多种夜间视频增强算法；最后解决了视频增强过程中存在的相机运动问题。本文的主要创新点如下：（1）对视频增强处理的相关技术进行研究并且分析目前的视频增强算法，提出视频增强算法的分类：①基于夜间视频自身的增强，②基于帧融合的视频增强；分析视频增强算法的优点和缺点基础上，提出视频增强算法的评估方式；基于视频融合增强算法的分析，提出一种夜间视频融合增强的统一模型，并提出模型的基本算法。（2）针对目前基于帧融合的视频增强技术存在的缺陷，提出一种基于帧融合的夜间视频增强算法，该算法利用白天背景亮度融合到夜间视频帧亮度。主要贡献是：使用增强Term方式有效地增强夜间背景和运动物体，弥补了目前算法存在的缺陷；设计一种高斯低通滤波器解决了视频增强后运动物体区域与边界不协调的问题。（3）针对夜间视频增强过程存在的图像混淆和运动物体区域内的比例不一致问题，提出一种基于帧亮度补偿的夜间视频增强算法。主要贡献是：按照白天的亮度背景和夜间视频帧亮度的比例方式，提出了一种高亮度背景补偿到夜间亮度的算法来增强夜间视频；为了消除夜间运动物体区域内比例不均匀的问题，提出了一种运动物体内区域比例平均（Motion region ratio average）的方法。（4）传统的增强是基于灰度图像处理，如果直接将灰度图像增强算法推广到彩色视频图像增强中，会造成色彩的不协调，从而破坏自然的彩色平衡，使得增强后的图像色调不自然。针对这一问题，本文提出一种基于遗传算法（GeneticAlgorithm, GA）的夜间视频的对比增强算法，提出的算法基于视频帧的亮度层进行处理，很好地解决了色彩不协调问题。（5）针对非抽样Contourlet变换（NonsubSampled Contourlet Transform, NSCT）具有平移不变性、抑制图像噪声等特点，提出一种基于NSCT融合的夜间视频增强算法。利用白天亮度背景融合到夜间视频帧亮度中，集中解决了两个关键的问题：①为了增强夜间视频，本文提出了一种基于非抽样Contourlet变换融合相同场景的白天亮度背景与夜间视频帧的算法。②为了提高运动物体在夜间增强视频中的清晰度，本文提出一种夜间视频增强算法，该算法能有效地恢复夜间视频帧的颜色，使得增强的夜间运动物体更清晰。（6）为了有效地增强黑暗的夜间视频，带有相同场景的高质量白天背景信息经常用来增强夜间视频帧，然而由于相机运动问题，白天的背景场景与夜间的视频场景经常不完全相同，导致增强的结果中运动物体与背景场景不一致。针对这一问题，提出全局运动估计（Global Motion Estimation，GME）解决白天与夜间场景不一致的问题，即相机运动的问题。同时为了改进传统夜间视频增强算法存在的缺陷，提出一种夜间视频增强算法，该算法能有效地恢复在不同场景下运动物体与背景场景不一致的情况，且增强后的运动物体更清晰。
二、基于遗传算法的交通监控图像模糊恢复（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于遗传算法的交通监控图像模糊恢复（论文提纲范文）
（1）基于机器视觉的调车机车辅助驾驶的研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 现实意义 |
| 1.3 国内外研究现状 |
| 1.3.1 图像增强研究现状 |
| 1.3.1.1 雾天图像增强现状 |
| 1.3.1.2 夜晚图像增强现状 |
| 1.3.1.3 雨天图像增强现状 |
| 1.3.2 铁轨检测研究现状 |
| 1.3.3 行人侵限检测现状 |
| 1.3.4 驾驶控制研究现状 |
| 1.4 调车机车作业特点及辅助驾驶需求 |
| 1.5 本文的研究思路 |
| 1.6 论文研究内容及组织结构 |
| 2 调车机车监控图像预处理增强技术研究 |
| 2.1 调车机车雾天监控图像增强技术 |
| 2.1.1 铁路站场和工矿路段雾天图像特点 |
| 2.1.2 Retinex算法基本理论 |
| 2.1.3 改进型Retinex算法 |
| 2.1.3.1 Retinex中心滤波算法改进 |
| 2.1.3.2 颜色恢复算法改进 |
| 2.1.4 实验结果及分析 |
| 2.2 调车机车夜晚监控图像增强技术 |
| 2.2.1 铁路站场和工矿路段夜晚图像特点 |
| 2.2.2 基于暗通道先验算法和多颜色空间信息的增强算法 |
| 2.2.2.1 暗通道先验算法基本理论 |
| 2.2.2.2 光源区域局部处理 |
| 2.2.2.3 基于对应白天图像指导偏色消除 |
| 2.2.3 实验结果及分析 |
| 2.3 调车机车雨天监控图像增强技术 |
| 2.3.1 铁路站场和工矿路段雨天图像特点 |
| 2.3.2 基于频域的去雨算法 |
| 2.3.2.1 基于频域的雨痕定位 |
| 2.3.2.2 分数阶傅里叶变换原理 |
| 2.3.2.3 雨痕区域滤波处理 |
| 2.3.3 实验结果及分析 |
| 2.4 本章小结 |
| 3 调车机车铁轨检测研究 |
| 3.1 铁轨区域图像特点分析 |
| 3.1.1 铁轨区域的特点与处理目标 |
| 3.1.2 铁轨检测与公路交通标线检测关系 |
| 3.2 调车机车图像距离定位 |
| 3.2.1 视觉坐标系转换简介 |
| 3.2.2 调车机车监控图像距离信息的量化模型 |
| 3.3 调车机车铁轨检测算法 |
| 3.3.1 近距离区域铁轨检测 |
| 3.3.2 远距离区域铁轨检测 |
| 3.3.2.1 最亮点区域增长算法 |
| 3.3.2.2 远距离铁轨检测效果 |
| 3.3.3 历史信息预测铁轨区域 |
| 3.4 铁轨检测实验结果及分析 |
| 3.5 本章小结 |
| 4 调车机车基于多光谱行人侵限检测算法研究 |
| 4.1 行人侵限检测理论分析 |
| 4.1.1 行人侵限危险区域选定 |
| 4.1.2 调车机车行人侵限检测分析 |
| 4.1.3 检测模型的迁移学习理论 |
| 4.2 调车机车远距离行人侵限检测算法研究 |
| 4.2.1 远距离行人侵限算法基本理论 |
| 4.2.1.1 调车机车远距离行人特征 |
| 4.2.1.2 行人检测算法 |
| 4.2.1.3 卷积神经网络 |
| 4.2.2 结合边缘信息的深度学习算法 |
| 4.2.2.1 深度学习网络设计 |
| 4.2.2.2 调车机车远距离行人侵限检测 |
| 4.2.3 算法验证和实验结果 |
| 4.2.3.1 实验环境与模型评价方法 |
| 4.2.3.2 远距离行人检测结果验证 |
| 4.2.3.3 调车机车远距离行人侵限检测结果 |
| 4.3 调车机车前方红外图像行人侵限检测 |
| 4.3.1 红外图像行人特征 |
| 4.3.2 红外图像行人侵限检测算法 |
| 4.3.2.1 红外显着性算法 |
| 4.3.2.2 Zernike矩在红外行人检测中的应用 |
| 4.3.2.3 多级特征行人检测算法 |
| 4.3.3 调车机车红外与可见光图像配准研究 |
| 4.3.4 算法验证和实验结果 |
| 4.3.4.1 显着性检测结果 |
| 4.3.4.2 行人检测结果 |
| 4.3.4.3 红外和可见光图像配准结果 |
| 4.4 本章小结 |
| 5 基于视觉的调车机车优化驾驶方案研究 |
| 5.1 基于视觉的优化调车机车装货控制方案 |
| 5.1.1 低恒速作业及控制模型 |
| 5.1.2 双目视觉三维重建堆料检测 |
| 5.1.2.1 双目视觉三维重建过程 |
| 5.1.2.2 堆料装货控制方案 |
| 5.1.3 基于光流法的调车机车装货状态判断 |
| 5.2 基于分数阶PID控制器的调车机车优化驾驶研究 |
| 5.2.1 调车机车运动模型 |
| 5.2.2 分数阶PID优化控制算法 |
| 5.2.2.1 分数阶PID算法 |
| 5.2.2.2 分数阶PID控制器实现 |
| 5.3 实验结果及分析 |
| 5.3.1 运动模型及分数阶PID控制算法结果 |
| 5.3.2 调车机车低恒速装货方案控制结果 |
| 5.4 调车机车辅助驾驶系统方案说明 |
| 5.4.1 嵌入式平台介绍 |
| 5.4.2 算法可移植性验证 |
| 5.4.3 调车机车行人侵限响应系统介绍 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文的主要结论 |
| 6.2 论文的创新性 |
| 6.3 待开展工作 |
| 参考文献 |
| 作者简历 |
| 发表论文列表 |
| 学位论文数据集 |
（2）夜间视频增强的关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 视频增强研究现状 |
| 1.2.1 基于硬件技术的视频增强 |
| 1.2.2 基于软件技术的视频增强 |
| 1.2.3 视频增强技术的评价标准 |
| 1.3 课题研究的理论 |
| 1.3.1 Retinex 理论 |
| 1.3.2 遗传算法基础 |
| 1.3.3 非抽样 Contourlet 基础 |
| 1.3.4 GME 基础 |
| 1.4 课题来源及研究内容 |
| 1.4.1 课题来源 |
| 1.4.2 课题研究内容 |
| 1.5 本文组织结构 |
| 第二章 视频增强相关研究综述 |
| 2.1 视频增强算法概述 |
| 2.2 基于夜间视频自身的增强 |
| 2.2.1 对比度增强算法 |
| 2.2.2 基于滤波器的视频增强算法 |
| 2.2.3 基于小波变换的视频增强算法 |
| 2.2.4 其它的视频增强算法 |
| 2.3 基于帧融合的视频增强 |
| 2.3.1 基于帧融合的视频增强算法框架 |
| 2.3.2 基于帧融合的视频增强算法分析 |
| 2.3.3 算法归纳与分析 |
| 2.4 视频增强技术相关问题 |
| 2.4.1 背景估计问题 |
| 2.4.2 颜色漂移问题 |
| 2.5 本章小结 |
| 第三章 基于帧亮度融合的视频增强算法 |
| 3.1 相关研究 |
| 3.2 问题提出 |
| 3.3 提出的帧亮度融合算法 |
| 3.3.1 算法描述 |
| 3.3.2 背景估计 |
| 3.3.3 灰度与颜色的分割 |
| 3.3.4 亮度分割 |
| 3.3.5 运动物体提取 |
| 3.3.6 帧亮度融合算法 |
| 3.3.7 增强视频 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于帧亮度补偿的视频增强算法 |
| 4.1 相关研究 |
| 4.2 提出的亮度补偿的视频增强算法 |
| 4.2.1 算法描述 |
| 4.2.2 颜色空间转换 |
| 4.2.3 亮度分割 |
| 4.2.4 传统的视频增强 |
| 4.2.5 运动物体提取 |
| 4.2.6 亮度补偿和融合 |
| 4.2.7 图像重构 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于 GA 的视频对比增强算法 |
| 5.1 相关研究 |
| 5.1.1 对比增强分析 |
| 5.1.2 问题提出 |
| 5.2 算法描述 |
| 5.3 提出的 GA 视频增强算法 |
| 5.3.1 GA 在灰度层的视频对比增强 |
| 5.3.2 染色体编码 |
| 5.3.3 适应度函数 |
| 5.3.4 遗传操作 |
| 5.3.5 停止规则 |
| 5.4 图像重构 |
| 5.5 实验结果及分析 |
| 5.6 相关问题讨论 |
| 5.7 本章小结 |
| 第六章 基于非抽样 Contourlet 的视频增强算法 |
| 6.1 相关研究 |
| 6.1.1 Contourlet 变换 |
| 6.1.2 非抽样 Contourlet 变换 |
| 6.2 问题提出 |
| 6.3 提出的非抽样 Contourlet 视频增强算法 |
| 6.3.1 算法描述 |
| 6.3.2 夜间视频增强框架 |
| 6.3.3 基于非抽样 Contourlet 的融合和增强 |
| 6.4 实验结果及分析 |
| 6.5 本章小结 |
| 第七章 基于 GME 的视频增强算法 |
| 7.1 相关研究 |
| 7.2 问题提出 |
| 7.3 提出的 GME 视频增强算法 |
| 7.3.1 算法描述 |
| 7.3.2 运动区域融合 |
| 7.3.3 基于 GME 的视频增强算法 |
| 7.3.4 夜间视频增强算法 |
| 7.4 实验结果及分析 |
| 7.4.1 参数评价 |
| 7.4.2 算法验证 |
| 7.5 本章小结 |
| 第八章 全文总结和进一步工作 |
| 8.1 全文总结 |
| 8.2 进一步工作 |
| 致谢 |
| 参考文献 |
| 攻读博士期间取得的成果 |
四、基于遗传算法的交通监控图像模糊恢复（论文参考文献）
- [1]基于机器视觉的调车机车辅助驾驶的研究[D]. 张驰. 北京交通大学, 2019(01)
- [2]夜间视频增强的关键技术研究[D]. 饶云波. 电子科技大学, 2012(12)