【正文】 3) 本文對(duì)于車輛陰影的消除只是一種簡(jiǎn)單的比較算法，而實(shí)際中已經(jīng)有很多車輛陰影消除的算法，未來可以在這方面下一番功夫，找出合適的陰影消除算法，在前景的形態(tài)學(xué)處理中就將陰影消除。本文具體工作完成如下： 1) 分析并解決均值法背景建模過程中累積求和溢出處理的問題，同時(shí)與混合高斯算法背景建模進(jìn)行優(yōu)劣比較，對(duì)比分析他們的適用情況。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 26 (a) (b) 圖 最終優(yōu)化后檢測(cè)結(jié)果 結(jié)果分析 從本章實(shí)驗(yàn)的結(jié)果來看，第四章的算法設(shè)計(jì)結(jié)果能夠比較好的實(shí)現(xiàn)壓雙黃線車輛的識(shí)別。漸近線方程為 ，為了增加數(shù)據(jù)的魯棒性，減少數(shù)據(jù)起伏帶來的誤判，經(jīng)過多次嘗試， 在實(shí)際編程中，本實(shí)驗(yàn)采用的判斷方程是：。具體實(shí)驗(yàn)步驟如下圖 所示： 圖 實(shí)驗(yàn)流程 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 20 實(shí)驗(yàn)結(jié)果 運(yùn)動(dòng)前景提取 按照第四章的設(shè)計(jì)思路，讀取視頻后首先對(duì) 視頻幀進(jìn)行了格式轉(zhuǎn)換，由 8U 轉(zhuǎn)換為 32F型的數(shù)據(jù)，之后利用均值法背景建模的思路，疊加求和并求取平均值，成功地得到了背景圖像。 錄，包括紅色提示框的：上邊線縱坐標(biāo) Y、縱坐標(biāo)高度 △ Y。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 17 利用 “感興趣區(qū)域 ”識(shí)別 自定義 “感興趣區(qū)域 ”是利用圖像運(yùn)算對(duì)溢出現(xiàn)象的處理方法進(jìn)行識(shí)別工作的，具體可以表達(dá)為一個(gè)公式： d=a(ab)。本文利用 “感興趣區(qū)域 ”，把關(guān)注的焦點(diǎn)放在靜止的雙黃線上而不是每一個(gè)車輛上，使得算法的復(fù)雜度大大降低。該方程即為所求紅色提示框面積模型，只有面積大于該計(jì)算結(jié)果的輪廓才會(huì)被加紅色提示框。 ii. 對(duì)查找出的輪廓進(jìn)行繪制，繪制時(shí)填充所繪輪廓。本文對(duì)運(yùn)動(dòng)前景主要有以下三個(gè)處理：樹枝噪聲濾除、車輛分體現(xiàn)象處理和行人噪聲濾除。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 12 第四章 基于視頻分析的車輛跟蹤與行為識(shí)別算法設(shè)計(jì) 同一般車輛跟蹤和行為識(shí)別算法流程一樣，本文算法流程分三個(gè)步驟：運(yùn)動(dòng)前景提取、車輛前景處理、車輛行為識(shí)別。其結(jié)果較為精確，但是能判斷的情況較少。模型匹配次數(shù)的增多，意味著車輛樣本軌跡也在增加，因此模式學(xué)習(xí)時(shí)間越長(zhǎng)，典型模型越能代表該類行為的特征，匹配結(jié)果也會(huì)更加精確。胡宏宇等學(xué)者利用譜聚類的方法對(duì)軌跡進(jìn)行聚類 [28]，能夠做到自動(dòng)獲取聚類數(shù)目。最終優(yōu)化完的典型軌跡并不是一系列的點(diǎn)，而是一個(gè)能反映該類行為特性的曲線，即該類行為的典型模型。軌跡分析最終的處理結(jié)果是完成對(duì)軌跡的聚類 [23]，具體實(shí)現(xiàn)步驟如下： i. 對(duì)檢測(cè)出的車輛進(jìn)行跟蹤并描繪其質(zhì)心，得到目標(biāo)車輛的一系列運(yùn)動(dòng)軌跡點(diǎn)，這些軌跡點(diǎn)中包含車輛的運(yùn)動(dòng)信息和位置信息； ii. 對(duì)軌跡的一些特征進(jìn)行統(tǒng)計(jì)分析，如方向角等方向特征； iii. 根據(jù)軌跡的特征計(jì)算出軌跡的相似性度量； iv. 最后由軌跡的相似性度量對(duì)軌跡進(jìn)行聚類； 但是初步聚類效果往往不佳，故需要根據(jù)軌跡自身進(jìn)行差值處理或冗余度去除，甚至是二次聚類處理。 Micheloni等學(xué)者將任意異常事件描述為一組事件單元的時(shí)空關(guān)系組合圖 [19]，每個(gè)事件單元可通過一個(gè)神 經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類，事件分類器是由若干簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)集成的復(fù)合分類器，如果簡(jiǎn)單分類器過擬合將對(duì)整個(gè)分類效果產(chǎn)生較大影響。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 8 第三章 行為識(shí)別技術(shù) 類似于車輛的檢測(cè)技術(shù)的分類，車輛的行為識(shí)別大致可以分為：個(gè)體車輛異常行為識(shí)別和交通流異常檢測(cè)兩個(gè)方面。混合高斯算法還有一個(gè)很重要的特點(diǎn)，就是對(duì)上述高斯模型的更新。因?yàn)樵趹?yīng)對(duì)復(fù)雜多變的環(huán)境時(shí)會(huì)產(chǎn)生多峰分布，而單 高斯算法 只能處理單峰分布，故此時(shí)需要一種其他方法來替代單 高斯算法 模型。其第一步是用均值法得到一個(gè)初始背景，通過設(shè)定閾值來驗(yàn)證每一像素點(diǎn)是否是背景像素點(diǎn)，通過學(xué)習(xí)和自適應(yīng)不 斷 改變背景模板，使之適應(yīng)多變的環(huán)境帶來的背景變換問題。下面主要介紹 4 種常見的背景差分法。 基于形態(tài)學(xué)的場(chǎng)景變換法主要有基于不變矩圖像 匹配檢測(cè)法 [10]和基于運(yùn)動(dòng)矢量場(chǎng)時(shí)空濾波檢測(cè)法 [11]等。但是光流法的算法都比較發(fā)雜，且抗噪性能低，所以一般很難運(yùn)用于實(shí)時(shí)監(jiān)測(cè)。 本文主要研究工作 利用數(shù)字圖像處理技術(shù)，對(duì)監(jiān)控視頻進(jìn)行幀處理，建模得出背景模型并分割出運(yùn)動(dòng)前景，再利用形態(tài)學(xué)處理技術(shù)方法對(duì)所得前景結(jié)果進(jìn)行優(yōu)化，結(jié)合運(yùn)動(dòng)目標(biāo)的形態(tài)特征去除行人、樹枝和陰影等噪聲，最后聯(lián)系實(shí)際情況設(shè)定“感興趣區(qū)域”，對(duì)目標(biāo)進(jìn)行預(yù)初設(shè)定的行為識(shí)別。 以美國(guó)為代表的各個(gè)發(fā)達(dá)國(guó)家和組織都致力于現(xiàn)代交通管理所需 技術(shù) 的研發(fā)，極大地推動(dòng)了智能交通管理系統(tǒng)的發(fā)展和應(yīng)用。 研究意義 顯然，對(duì)車輛檢測(cè)和 異常 行為識(shí)別的研究 與應(yīng)用不僅 能緩解交通壓力，提高道路運(yùn)行效率 ，而且可以 有效避免交通事故產(chǎn)生，對(duì)于促進(jìn)安全社會(huì) 、 和諧社會(huì)的建設(shè)有著 積極 的推動(dòng)作用。 ITS 起源于美國(guó)， 早在上世紀(jì) 80 年代美國(guó)就開始了相關(guān)技術(shù)的開發(fā)和利用 。誠(chéng)然， 汽車 給很多人帶來了便捷，但隨之而來的是 日益 嚴(yán)重的交通 擁堵和交通事故 問題。 本文提出的算法簡(jiǎn)單可行，且成功實(shí)現(xiàn)對(duì)違規(guī)車輛的識(shí)別，具有重要的實(shí)際意義，對(duì)交通管理事業(yè)也有一定的參考價(jià)值。 編號(hào) 畢業(yè)設(shè)計(jì) 題 目 基于 視頻分析的車輛跟蹤與 行為識(shí)別研究 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 本科畢業(yè)設(shè)計(jì)（論文）誠(chéng)信承諾書 本人鄭重聲明：所呈交的畢業(yè)設(shè)計(jì)（論文）（題目： 基于 視頻分析的車輛跟蹤與行為識(shí)別研究 ）是本人在導(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究所取得的成果。 關(guān)鍵詞： 視頻分析 ， 車輛跟蹤 ， 行為識(shí)別 ，背景建模 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 ii Research on vehicle tracking and behavior recognition based on video analysis Abstract With the development of the world39。城市的道路規(guī)劃有限，而汽車的數(shù)量卻在逐年猛增，用有限的道路去容納不斷增長(zhǎng)的車輛， 這就給 城市規(guī)劃和交通管理 帶來了巨大的壓力 。歐洲、日本等發(fā)達(dá)國(guó)家 也 緊隨其后，相繼投入了大量的資金 和 人力進(jìn)行研發(fā)，目前全球正在形成新的 ITS 研究熱潮， ITS 產(chǎn)業(yè)也得到迅速發(fā)展 。 同時(shí)，對(duì)于與之相關(guān)的技術(shù)也有一定的促進(jìn)作用，尤其是對(duì)計(jì)算機(jī)視覺技術(shù)的其他研究領(lǐng)域，因?yàn)槠渲饕夹g(shù)相關(guān) 性大 ，所以對(duì)車輛跟蹤技術(shù)的研究可以為其他技術(shù)的發(fā)展方向 提供 引導(dǎo)，同時(shí)也為其他技術(shù)提供了基礎(chǔ)技術(shù)上的保障 ，使得 各種技術(shù) 在 相互推動(dòng)中共同發(fā)展。 目前國(guó)際 上知名 的交通系統(tǒng)有：美國(guó) ISS 公司的 AUTOSCOPE 系統(tǒng) 、 比利時(shí)路暢公司的TRAFICON 系統(tǒng) 、 澳大利亞的最優(yōu)自動(dòng)適應(yīng)交通控制系統(tǒng)（ SCATS） 以及 新加坡的高速公路監(jiān)控和信息誘導(dǎo)系統(tǒng)（ EMAS）等 [5]。 章節(jié)安排 本文將按照算法操作的流程依次在后面的章節(jié)進(jìn)行論述。 幀間差分法通過將相鄰連續(xù)的三幀圖像兩兩差分，可以 實(shí)現(xiàn) 從中檢測(cè)出運(yùn)動(dòng)物體。前者主要是針對(duì)工廠流水線上的工件進(jìn)行判別，對(duì)工件進(jìn)行一系列變換處理后，利用目標(biāo)不變矩陣和模板不變 矩陣 的相似程度進(jìn)行判別歸類。 常見背景差分法 基于均值法 和 中值法的背景提取 均值法和中值法 [12]是背景差分法的最基本的方法，是一種基于時(shí)間軸的濾波方法。而背景自適應(yīng)的 條件 是有光照的改變或者有交通堵塞的情況?；旌?高斯算法 是在單 高斯算法 模型的基礎(chǔ)上發(fā)展而來的，它使用 多 個(gè)高斯模型來 表達(dá)圖像中的像素點(diǎn)。當(dāng)模型被匹配不夠頻繁，算法會(huì)釋放該背景模型；反之，若某前景像素匹配生成的高斯模型之后被頻繁匹配，該模型會(huì)被判定為背景模型 [15]。個(gè)體車輛異常行為識(shí)別一般運(yùn)用軌跡模型的方法，而交通流異常檢測(cè)通常是通過對(duì)交通流參數(shù)進(jìn)行監(jiān)督，設(shè)定閾值判斷異常發(fā)生與否。 Piciarelli 等學(xué)者采用支持向量機(jī)檢測(cè)交通異常 [20]，但是算法的時(shí)間復(fù)雜性較高，難以實(shí)現(xiàn)實(shí)時(shí)操作，并且需要確定最佳核變換函數(shù)及其相應(yīng)的參數(shù)。值得注意的是，聚類方法同樣有很多：劃分聚類、層次聚類、基于密度聚類、基于網(wǎng)格聚類等。 而在軌跡模式學(xué)習(xí)方法的設(shè)計(jì)上，目前使用的機(jī)器學(xué)習(xí)算法主要有三類：基于神經(jīng)網(wǎng)絡(luò)的方法、基于支持向量機(jī)的方法和基于無監(jiān)督聚類的方法。這兩種方法不能充分利用樣本點(diǎn)分布所隱含的先驗(yàn)信息，從而不能構(gòu)造很好的相似矩陣。 其他方法 ——基于實(shí)際場(chǎng)景信息的異常檢測(cè) 基于實(shí)際場(chǎng)景信息的異常檢測(cè)，適用于對(duì)轉(zhuǎn)向、變向、變道等涉及道路標(biāo)線的行為的識(shí)別。 基于統(tǒng)計(jì)技術(shù)的算法主要適用于對(duì)突發(fā)狀況的檢測(cè)，因?yàn)橹挥薪煌靼l(fā)生較大的突變，才會(huì)引起統(tǒng)計(jì)算法值的顯著波動(dòng) [29]。運(yùn)動(dòng)前景提取是為了得到初始運(yùn)動(dòng)前景，而車輛前景處理 則是為了濾除行人、樹枝等噪聲，降低算法復(fù)雜度并使后期車輛行為識(shí)別結(jié)果更加準(zhǔn)確。 樹枝噪聲濾除 如圖 所示，其中 (a)圖為二值化處理后的運(yùn)動(dòng)前景，可以看出其中有很多樹枝噪聲，這些噪聲在需要注意的區(qū)域之外，但卻增加了圖像運(yùn)算量，降低了處理速度。 聯(lián)系之前的開運(yùn)算，雖然開運(yùn)算不一定能將縫隙完全填補(bǔ)完整，但卻有很大的幾率將縫隙兩邊連接起來，成為一個(gè)整體連通區(qū)域，再經(jīng)過上述兩個(gè)步驟后，就能很好地填補(bǔ)連通區(qū)域內(nèi)部的空隙，從而達(dá)到解決車 輛分體現(xiàn)象的目的。但是為了防止實(shí)際面積的起伏帶來的漏判，通常需要在方程后面減去一定的量以增加魯棒性。 本文將雙黃線定義為 “感興趣區(qū)域 ”，算法只對(duì) “感興趣區(qū)域 ”內(nèi)的變化起作用，不考慮其他區(qū)域的變化。如圖 所示，假設(shè) (a)圖是“感興趣區(qū)域”雙黃線， (b)圖是要分析的運(yùn)動(dòng)前景， (c)圖則是 ab 的結(jié)果， (d)圖即為最終識(shí)別結(jié)果。 iii. 作出高度 △ Y 關(guān)于縱坐標(biāo) Y 的擬合曲線，并算出其近似趨勢(shì)線方程，亦即是所求縱向高度比較模型。如圖 所示，為對(duì)前兩分鐘視頻幀背景建模后得到的結(jié)果。 圖 加框面積隨縱坐標(biāo)變化曲線 利用上式方程對(duì)提示框的面積進(jìn)行比較判斷，面積大于方程結(jié)果的輪廓均標(biāo)記為感興趣區(qū)域，復(fù)制感興趣區(qū)域到新建的全黑圖像上，最終結(jié)果如圖 所示，成功實(shí)現(xiàn)了行人噪聲的濾除。 本文設(shè)計(jì)的算法思路簡(jiǎn)單，實(shí)現(xiàn)容易，且處理效果良好。 2) 利用背景差法實(shí)現(xiàn)前景的提取，并對(duì)提取出來的運(yùn)動(dòng)前景進(jìn)行一系列的優(yōu)化，包括：“感興趣區(qū)域”去除非關(guān)注區(qū)域樹枝的噪聲、輪廓填充、加框面積濾除行人噪聲等形態(tài)學(xué)處理。 4) 對(duì)于雙黃線的提取工作，本文是通過手動(dòng)強(qiáng)化特征和進(jìn)行提取的，未來也可以研究找到一種移植性比較強(qiáng)的雙黃線檢測(cè)算法，減去手工操作的必要。 2) 對(duì)加框提醒算法的優(yōu)化，可以對(duì)檢測(cè)出來的部分違規(guī)運(yùn)動(dòng)物體進(jìn)行判斷，得出它所在的車輛整體區(qū)域，將提醒框加在整個(gè)車輛上，甚至是將其牌照也進(jìn)行加框提醒處理并記錄。 本文主要工作是對(duì)基于視頻分析的車輛跟蹤和行為識(shí)別的實(shí)現(xiàn)，重點(diǎn)是行為識(shí)別的研究。說明陰影的影響已經(jīng)被大幅度地去除了，也意味著完成了算法的最終優(yōu)化。 表 紅色提示框各參數(shù)信息記錄表 Y/pix △ X/pix △ Y/pix S/pix*pix Y/pix △ X/pix △ Y/pix S/pix*pix 2 55 38 2090 131 82 61 5002 11 55 40 2200 152 85 64 5440 20 60 43 2580 180 92 70 6440 31 60 43 2580 209 97 75 7275 52 63 43 2709 235 104 80 8320 70 69 50 3450 273 122 88 10736 88 73 55 4015 311 138 96 13248 113 77 59 4543 354 162 107 17334 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 23 對(duì)這些數(shù)據(jù)進(jìn)行分析，并作出了面積 S 關(guān)于縱坐標(biāo) Y 的擬合曲線，如圖 所示。 實(shí)驗(yàn)內(nèi)容 實(shí)驗(yàn)主要內(nèi)容正如第四章所述那樣，依照運(yùn)動(dòng)前景提取、車輛前景優(yōu)化、壓雙黃線行為識(shí)別三個(gè)主要步驟進(jìn)行，最終實(shí)現(xiàn)對(duì)壓雙黃線車輛的識(shí)別。具體步驟如下： i. 選擇視頻中最普通最小型的車輛進(jìn)行跟蹤，均勻提取出有該車輛出現(xiàn)的視頻幀。本文假設(shè)攝像頭理想固定，先在背景中標(biāo)記出雙黃線的輪廓，之后再進(jìn)行提取工作。而且在越雙黃線行為分析中，由于該行為是小概率事件，對(duì)個(gè)體車輛進(jìn)行跟蹤分析會(huì)浪費(fèi)大量資源，增加算法的復(fù)雜度。 iii. 作出面積 S 關(guān)于縱坐標(biāo) Y 的擬合曲線，并算出其近似趨勢(shì)線方程。此外還需要解決車體內(nèi)部的空洞所造成的影響，所以在上述開運(yùn)算的基礎(chǔ)上，本文對(duì)運(yùn)動(dòng)前景進(jìn)行了以下兩步操作： i. 通過查找輪廓尋找出運(yùn)動(dòng)前景中的所有輪廓。 畢業(yè)設(shè)計(jì)（論文）報(bào)告