【正文】 輛標(biāo)記結(jié)果 行人噪聲濾除結(jié)果： 本實(shí)驗(yàn)根據(jù) 小節(jié)中所述步驟，對(duì)一最普通的小型轎車進(jìn)行了跟蹤抽樣，得到該目標(biāo)車輛的位置信息：上邊線縱坐標(biāo) Y、縱坐標(biāo)高度 △ Y、橫坐標(biāo)長度 △ X、面積 S=△ X*△ Y，并記錄在了表格 中，具體數(shù)據(jù)參見表 。本實(shí)驗(yàn)的運(yùn)行的環(huán)境為 下的 VS20xx 及。為了避免漏判的現(xiàn)象，本文選擇最小型車輛進(jìn)行采樣跟蹤，得出高度比較模型。而道路上的監(jiān)控?cái)z像頭一般 都是固定的，因此視頻中雙黃線的位置也是固定的。然而，運(yùn)動(dòng)中的車輛各項(xiàng)特征總是在不斷變化，需要用復(fù)雜的特征匹配才能實(shí)現(xiàn)連續(xù)跟蹤。 ，包括紅色提示框的：上邊線縱坐標(biāo) Y、縱坐標(biāo)高度 △ Y、橫坐標(biāo)長度 △ X、面積 S=△ X*△ Y。 雖然開、閉運(yùn)算對(duì)車輛分體現(xiàn)象有一定的修補(bǔ)效果，但如果車體縫隙過大，即使進(jìn)行多次開、閉運(yùn)算，也不能很好地解決該問題，反而會(huì)產(chǎn)生巨大的失真。本文采用均值法背景建模，將得出的背景同視頻幀進(jìn)行背景差法提取前景，該方法簡單常用，效果主要取決于背景建模的好壞。簡要論述了個(gè)體車輛異常行為的一般思路，同時(shí)介紹了交通流異常檢測(cè)的幾種方法，并就每種方法的優(yōu)缺點(diǎn)進(jìn)行了評(píng)價(jià)。具體算法可以分為三種：基于模式識(shí)別的算法、基于統(tǒng)計(jì)技術(shù)的算法和基于交通流模型的算法 。 匹配過程的重點(diǎn)是閾值的設(shè)定，需要選取一個(gè)合適的閾值，使匹配結(jié)果既不存在誤判，也沒有漏判。近年來，譜聚類算法作為一種新穎的聚類方法受到廣泛關(guān)注。 典型軌跡主要是通過對(duì)該類軌跡樣本的一個(gè)擬合獲得 [24]。該方法采用傳 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 9 統(tǒng) kmeans 算法進(jìn)行軌跡聚類，不能解決非凸性聚類問題。其利用單個(gè)車輛的特征，這種方法相對(duì)有效，并且部分實(shí)時(shí)。 本章小結(jié) 本章主要介紹了車輛檢測(cè)常用的幾種方法，對(duì)每種方法的原理進(jìn)行了簡要分析，并給出了優(yōu)缺點(diǎn)評(píng)價(jià)。而對(duì)于混合高斯算法，它需要多個(gè)滑動(dòng)平均值，即對(duì)每個(gè)像素進(jìn)行兩個(gè)模型維護(hù)，這樣就能確定背景像素點(diǎn)灰度值的范圍，若某個(gè)像素灰度值不在該范圍內(nèi)，則認(rèn)為它是前景像素。實(shí)驗(yàn) 結(jié)果表明，雖然仍存在著陰影干擾的 問題，但該方法抗 環(huán)境 干擾能力強(qiáng)，檢測(cè)準(zhǔn)確率高，具有實(shí)時(shí)性 好 、魯棒性好的特點(diǎn)，有很大的發(fā)展?jié)摿Α? 自適應(yīng)背景更新的背景提取 目前運(yùn)動(dòng)目標(biāo)檢測(cè)的方法有很多，但大多都存在著受天氣 狀況、視野范圍、目標(biāo)復(fù)雜等因素的 影響 ， 例如 上述均值法和中值法，如果外界條件不穩(wěn)定，那么背景就無法適應(yīng)變化的環(huán)境，產(chǎn)生很強(qiáng)的噪聲干擾。背景差分法的基本思想是將圖像中的像素分為前景和背景，前景就是系統(tǒng)想要檢測(cè)的目標(biāo)，其他部分就是背景，只要將背景有效的提取出來，就可以通過求圖片與背景的差值來獲得所需的目標(biāo)信息。小波模歷史圖像法是為了提高檢測(cè)精確度和穩(wěn)定性而提出來的，它將圖像小波分解后對(duì)低頻和高頻進(jìn)行不同的處理，投影變換后利用 EM 算法原理，將投影曲線邊緣與原始目標(biāo)通過迭代結(jié)合，從而達(dá)到檢測(cè)的效果。 常用方法分類 常用的 運(yùn)動(dòng) 車輛 檢測(cè)方法可以分為 ：幀差法 ，光流法，背景差分法，拓展的 EM 算法，基于形態(tài)學(xué)的場景變化檢測(cè)法和能量運(yùn)動(dòng)檢測(cè)法等。這些方法有其優(yōu)越的地方，也有 一些 不足 之處 需要研究人員去解決。 國內(nèi)外研究現(xiàn)狀 上世紀(jì) 90 年代初，隨著車輛的逐漸普及，以及車輛普及所帶來的交通堵塞和交通事故問題的加劇，交通管理技術(shù)得到越來越多的重視。通過對(duì)視頻中車輛進(jìn)行 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 2 目標(biāo)檢測(cè)與識(shí)別 [3]，進(jìn)而分析其行為，判 斷出交通異常情況，從而對(duì)潛在交通事故發(fā)出預(yù)警，最后利用 適當(dāng)?shù)慕煌刂品绞剑梢?有效 減少和避免交通事故的發(fā)生。 車輛 異常行為危害極大，必須有效 地 制止這一問題。 behavior recognition。本文利用數(shù)字圖像處理技術(shù)，就車輛壓雙黃線行為的檢測(cè)和識(shí)別工作，按步驟進(jìn)行了詳細(xì)論述。 作者簽名： 年 月 日 （學(xué)號(hào)）： 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 i 基于視頻分析的車輛跟蹤與行為識(shí)別研究 摘 要 隨著世界科技水平與科學(xué)生產(chǎn)力的普遍提高，汽車已經(jīng)成為最常見的交通工具，道路交通安全的形勢(shì)也愈加嚴(yán)峻。 secondly, present the viewpoint of the custom region of interest and mark the double amber lines area as the region of interest。據(jù)交通局發(fā)布 的消息 ，截至 20xx 年 6 月底，我國機(jī)動(dòng)車保有量已超過兩億輛 [1]。傳統(tǒng)的交通監(jiān)控手段主要是通過在道路上安裝攝像頭，將 拍攝的 視頻訊號(hào)傳至監(jiān)控中心，利用人工方式進(jìn)行分析， 顯然這種方式 工作量大，耗時(shí)費(fèi)力。當(dāng)車輛跟蹤和行為識(shí)別技術(shù)成長到一定階段后，不僅交通局的管理會(huì)變得簡單，自動(dòng)駕駛也將成為可能，人們的生活質(zhì)量將得到極大的提高。 至于國內(nèi)，雖然交通 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 3 狀況急劇惡化，但是 國內(nèi) 自主研制 的智能交通管理系統(tǒng)并沒有完善起來，因此主要還是引進(jìn)國外的產(chǎn)品，引進(jìn)最多的是澳大利亞的 SCATS 系統(tǒng) [5]。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 4 第二章 車輛檢測(cè)技術(shù) 車輛 檢測(cè)是整個(gè)智能交通管理系統(tǒng)實(shí)現(xiàn) 的 基礎(chǔ)和 核心 。 運(yùn)動(dòng)能量法能消除背景中抖動(dòng)的像素，如樹枝和水紋，還能凸顯特定方向的運(yùn)動(dòng)目標(biāo)。后者結(jié)合了光流場和 幀差法 的特點(diǎn)，提出在檢測(cè)過程中引入輔助信息的新思維，這種方法利用運(yùn)動(dòng)模式分類和運(yùn)動(dòng)適量場 的 信息，只需簡單的運(yùn)算就可以得到運(yùn)動(dòng) 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 5 目標(biāo)的一個(gè)大概信息，只要再結(jié)合實(shí)際地點(diǎn)的先驗(yàn)知識(shí)和輔助設(shè)置，就能很好實(shí)現(xiàn)運(yùn)動(dòng)物體的檢測(cè)。中值法是用中值來代替均值，同樣能達(dá)到濾除運(yùn)動(dòng)物體的目的。但是這種方法在實(shí)際操 作中存在透視變形和噪聲污點(diǎn)過大的缺點(diǎn)，仍然需要改進(jìn)?；旌细咚顾惴ㄓ袃蓚€(gè)重要參數(shù)： （滑動(dòng)平均值）和 （滑動(dòng)方差）。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 7 圖 α = 時(shí)混合高斯算法提取出的前景 另外，混合高斯算法是一種實(shí)時(shí)更新背景的算法，當(dāng)有車輛速度較慢或者停止運(yùn)動(dòng)時(shí)，該算法會(huì)丟失目標(biāo)，不能實(shí)現(xiàn)連續(xù)跟蹤?；谲壽E的異常行為識(shí)別方法較多，常用的有決策樹、隱馬爾可夫模型，神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯等。胡宏宇等學(xué)者通過軌跡空間分布學(xué)習(xí)提取運(yùn)動(dòng)目標(biāo)的典型運(yùn)動(dòng)模式，提出了基于 Bayes 分類器的軌跡空間運(yùn)動(dòng)模式匹配方法，進(jìn)而檢測(cè)異常交通行為 [21]。 經(jīng)過上述四個(gè)步驟的處理，能 夠很好地得到聚類軌跡，之后的工作就是運(yùn)動(dòng)模型的建立。 Piciarelli 等學(xué)者將軌跡表示成可變長序列，然后利用支持向量機(jī)的方法進(jìn)行聚類 [26]，此方法需要提供較多的樣本數(shù)據(jù)，且聚類的數(shù)目由樣本數(shù)據(jù)的種類決定，不能真實(shí)地反映交通目標(biāo)的實(shí)際運(yùn) 動(dòng)模式。 模型匹配 利用上述典型模型，對(duì)檢測(cè)到的車輛軌跡進(jìn)行模型匹配，就可以實(shí)現(xiàn)對(duì)該車輛行為的識(shí)別。 交通流異常檢測(cè) 交通流異常的檢測(cè)主要是基于感興趣數(shù)據(jù)監(jiān)控的異常檢測(cè)，實(shí)現(xiàn)對(duì)交通擁擠、道路堵塞等現(xiàn)象的檢測(cè)。 基于交通流模型的算法與軌跡模型類似，利用預(yù)測(cè)的數(shù)據(jù)模型進(jìn)行匹配，從實(shí)現(xiàn)交通流情況的檢測(cè) [30][31]。 均值法背景建模 均值法是幾種背景建模方法中最簡單的一種，它能利用時(shí)間的累積將噪聲的影響無限減小，其算法思想簡單，處理速度快，雖然對(duì)環(huán)境要求比較高，但當(dāng)環(huán)境變化不復(fù)雜時(shí)，均值法背景建模同樣能獲得比較優(yōu)越的結(jié)果。 (a) (b) 圖 樹枝噪聲濾除實(shí)現(xiàn) 車輛分體現(xiàn)象處理 現(xiàn)象描述 ： 車輛分體現(xiàn)象是由于車體外表反光產(chǎn)生倒影以及外界陰影噪聲干擾，使得背景差法獲得的運(yùn)動(dòng)前景并不是連通區(qū)域，這樣在后期進(jìn)行車輛標(biāo)記時(shí)就會(huì)發(fā)生車輛解體現(xiàn)象，如圖 所示。 (a) (b) 圖 查找并填充輪廓后結(jié)果 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 15 行人噪聲干擾處理 現(xiàn)象 分析： 通常在道路上，運(yùn)動(dòng)物體不僅僅只是車輛，還會(huì)夾雜著行人、電動(dòng)車等其他運(yùn)動(dòng)物體，在上一節(jié)所述提取運(yùn)動(dòng)前景時(shí)，不可避免地會(huì)把行人、電動(dòng)車等其他不相關(guān)物體一同提取出來，使行人、電動(dòng)車等成為交通視頻處理分析中的噪聲，如圖 所示： 圖 行人噪聲 解決方法 ： 從圖 中能很直觀地看出來，加在行人身上的紅色提示框與加在車輛上的紅色提示框明顯不一樣大，從實(shí)際物體來分析也是一樣，即使是最小型的車輛也比行人、自行車的體積大很多，在視頻中相同位置所占面積也會(huì)較大一些。 如下圖 中所示： (b)圖為 (a)圖中濾去加框面積小于 4000 的輪廓的結(jié)果。然而雙黃線有彎道，用公式表達(dá)比較困難，本文利用圖像運(yùn)算的溢出處理原理進(jìn)行自定義 “感興趣區(qū)域 ”。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 18 圖 車輛陰影影響 車輛陰影的消除是一項(xiàng)很復(fù)雜的工作，目前已經(jīng)有很多種方法，如：零高度假設(shè)法、基于 HSI 色彩模型、 基于 HSV 色彩模型等方法。 本章小結(jié) 本章按照算法的設(shè)計(jì)思路，按步驟對(duì)本文采用的算法進(jìn)行了詳細(xì)的介紹說明，并就算法過程中會(huì)遇見的問題進(jìn)行了剖析，同時(shí)給出合適的解決方法。從結(jié)果來看，處理前播放畫面有明顯的延遲與卡幀，但是處理后已經(jīng)沒有卡幀現(xiàn)象了，只有輕微的延遲。 (a) (b) 圖 提取出來的雙黃線區(qū)域 雙黃線區(qū)域運(yùn)動(dòng)前景的分離： 依據(jù) 小節(jié)中所述原理，本文將圖 中的 (b)圖換為圖 中的 (b)圖，當(dāng)有車輛壓到雙黃線時(shí)，壓住雙黃線的部分被成功地檢測(cè)了出來，再對(duì)檢測(cè)出來的部分進(jìn)行加框提醒處理，并將紅色提醒框添加到原有視頻幀，其結(jié)果如圖 所示。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 27 第六章 總結(jié)與展望 工作總結(jié) 交通安全關(guān)系重大，違規(guī)駕駛不僅給交通管理人員的工作帶來不便，而且危害人們的生命財(cái)產(chǎn)安全，給人們的精神世界帶來傷害。提出自定義 “感興趣區(qū)域 ”的觀點(diǎn)，通過 “感興趣區(qū)域 ”實(shí)現(xiàn)檢測(cè)違規(guī)車輛的簡單算法；利用加框高度大幅度消除車輛陰影的影響。 6) 對(duì)于車輛外行人、電動(dòng)車的消除，目前是利用面積進(jìn)行濾除的，但是這樣會(huì)對(duì)遠(yuǎn)距離的車輛與行人不易分辨，可以嘗試結(jié)合車輛特征的算法進(jìn)行行人噪聲的濾除。雖然本文只是對(duì)當(dāng)前交通管理的一個(gè)最基本的實(shí)現(xiàn)，卻也是在為交通管理系統(tǒng)的進(jìn)步作著自己的貢獻(xiàn)。然而，事故總是在所難免，而且駕駛員的素質(zhì)參差不齊，因此對(duì)道路的監(jiān)控管理措施是非常必要的。 圖 “感興趣區(qū)域”法檢測(cè)結(jié)果 陰影影響的降低： 本實(shí)驗(yàn)依據(jù) 小節(jié)中的處理步驟，對(duì)一最普通的小型轎車進(jìn)行了跟蹤抽樣，目標(biāo)車輛 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 25 的位置信息（上邊線縱坐標(biāo) Y、縱坐標(biāo)高度 △ Y）記錄結(jié)果如表 所示： 對(duì)這些數(shù)據(jù)進(jìn)行分析，并作出了高度 △ Y 關(guān)于縱坐標(biāo) Y 的擬合曲線，如圖 所示，漸近線方程為，此處 H 即 △ Y。結(jié)果如圖 所示，對(duì)比圖 就可以發(fā)現(xiàn)， 車輛分體的現(xiàn)象已經(jīng)成功去除。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 19 第五章 壓雙黃線行為識(shí)別實(shí)驗(yàn) 實(shí)驗(yàn)設(shè)計(jì) 實(shí)驗(yàn)?zāi)康? 本實(shí)驗(yàn)旨在檢驗(yàn)第四章算法步驟設(shè)計(jì)的可行性，對(duì)存在的問題進(jìn)行進(jìn)一步的完善，并就算法未來的展望提出一定的預(yù)見。 觀察發(fā)現(xiàn)，視頻中車輛影子的縱向高度比車輛本體高度小很多，本文根據(jù)這一現(xiàn)象，設(shè)定了一個(gè)該時(shí)段的高度比較模型，將 小節(jié)中檢測(cè)到的運(yùn)動(dòng)目標(biāo)進(jìn)行高度判斷，若不滿足特定高度條件，就不予加紅色提示框處理，這樣能簡單實(shí)現(xiàn)陰影影響的濾除。這種方法適用于非固定場景，但是編程算法比較復(fù)雜，并且會(huì)因?yàn)橥饨缣鞖?、光線變化，很難找到一個(gè)具備普適性的比較公式。對(duì)個(gè)體車輛的異常行為分析通常需要鎖定某一目標(biāo)車輛，對(duì)其進(jìn)行跟蹤分析。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。為了減小開運(yùn)算導(dǎo)致的縫隙變大和閉運(yùn)算導(dǎo)致的細(xì)小物體放大所帶來的影響，應(yīng)合理運(yùn)用開、閉運(yùn)算。算法實(shí)現(xiàn)流程如圖 所示： 圖 算法流程 背景差法提取前景 如第二章中所述，混合高斯算法背景建模雖然實(shí)時(shí)性、適應(yīng)性、魯棒性好，但是因?yàn)樗菍?shí)時(shí)更新背景，很容易丟失車速緩慢或暫時(shí)停止的車輛，所以在交通管理系統(tǒng)中不太適用。 本章小結(jié) 本章以車輛的行為識(shí)別為介紹對(duì)象，將車輛的行為分為個(gè)體車輛行為與交通流行為兩種進(jìn)行分析。這三個(gè)數(shù)據(jù)能很好地表征交通流的大部分現(xiàn)象，因此只要監(jiān)控好這三