【正文】 輛標記結果 行人噪聲濾除結果： 本實驗根據(jù) 小節(jié)中所述步驟，對一最普通的小型轎車進行了跟蹤抽樣，得到該目標車輛的位置信息：上邊線縱坐標 Y、縱坐標高度 △ Y、橫坐標長度 △ X、面積 S=△ X*△ Y，并記錄在了表格 中，具體數(shù)據(jù)參見表 。本實驗的運行的環(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行采樣跟蹤，得出高度比較模型。而道路上的監(jiān)控攝像頭一般 都是固定的，因此視頻中雙黃線的位置也是固定的。然而，運動中的車輛各項特征總是在不斷變化，需要用復雜的特征匹配才能實現(xiàn)連續(xù)跟蹤。 ，包括紅色提示框的：上邊線縱坐標 Y、縱坐標高度 △ Y、橫坐標長度 △ X、面積 S=△ X*△ Y。 雖然開、閉運算對車輛分體現(xiàn)象有一定的修補效果，但如果車體縫隙過大，即使進行多次開、閉運算，也不能很好地解決該問題，反而會產(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。簡要論述了個體車輛異常行為的一般思路，同時介紹了交通流異常檢測的幾種方法，并就每種方法的優(yōu)缺點進行了評價。具體算法可以分為三種：基于模式識別的算法、基于統(tǒng)計技術的算法和基于交通流模型的算法 。 匹配過程的重點是閾值的設定，需要選取一個合適的閾值，使匹配結果既不存在誤判，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注。 典型軌跡主要是通過對該類軌跡樣本的一個擬合獲得 [24]。該方法采用傳 畢業(yè)設計（論文）報告紙 9 統(tǒng) kmeans 算法進行軌跡聚類，不能解決非凸性聚類問題。其利用單個車輛的特征，這種方法相對有效，并且部分實時。 本章小結 本章主要介紹了車輛檢測常用的幾種方法，對每種方法的原理進行了簡要分析，并給出了優(yōu)缺點評價。而對于混合高斯算法，它需要多個滑動平均值，即對每個像素進行兩個模型維護，這樣就能確定背景像素點灰度值的范圍，若某個像素灰度值不在該范圍內(nèi)，則認為它是前景像素。實驗 結果表明，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，檢測準確率高，具有實時性 好 、魯棒性好的特點，有很大的發(fā)展?jié)摿Α? 自適應背景更新的背景提取 目前運動目標檢測的方法有很多，但大多都存在著受天氣 狀況、視野范圍、目標復雜等因素的 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變化的環(huán)境，產(chǎn)生很強的噪聲干擾。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)想要檢測的目標，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信息。小波模歷史圖像法是為了提高檢測精確度和穩(wěn)定性而提出來的，它將圖像小波分解后對低頻和高頻進行不同的處理，投影變換后利用 EM 算法原理，將投影曲線邊緣與原始目標通過迭代結合，從而達到檢測的效果。 常用方法分類 常用的 運動 車輛 檢測方法可以分為 ：幀差法 ，光流法，背景差分法，拓展的 EM 算法，基于形態(tài)學的場景變化檢測法和能量運動檢測法等。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 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，交通管理技術得到越來越多的重視。通過對視頻中車輛進行 畢業(yè)設計（論文）報告紙 2 目標檢測與識別 [3]，進而分析其行為，判 斷出交通異常情況，從而對潛在交通事故發(fā)出預警，最后利用 適當?shù)慕煌刂品绞?，可?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，就車輛壓雙黃線行為的檢測和識別工作，按步驟進行了詳細論述。 作者簽名： 年 月 日 （學號）： 畢業(yè)設計（論文）報告紙 i 基于視頻分析的車輛跟蹤與行為識別研究 摘 要 隨著世界科技水平與科學生產(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也愈加嚴峻。 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，我國機動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 視頻訊號傳至監(jiān)控中心，利用人工方式進行分析， 顯然這種方式 工作量大，耗時費力。當車輛跟蹤和行為識別技術成長到一定階段后，不僅交通局的管理會變得簡單，自動駕駛也將成為可能，人們的生活質量將得到極大的提高。 至于國內(nèi)，雖然交通 畢業(yè)設計（論文）報告紙 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，因此主要還是引進國外的產(chǎn)品，引進最多的是澳大利亞的 SCATS 系統(tǒng) [5]。 畢業(yè)設計（論文）報告紙 4 第二章 車輛檢測技術 車輛 檢測是整個智能交通管理系統(tǒng)實現(xiàn) 的 基礎和 核心 。 運動能量法能消除背景中抖動的像素，如樹枝和水紋，還能凸顯特定方向的運動目標。后者結合了光流場和 幀差法 的特點，提出在檢測過程中引入輔助信息的新思維，這種方法利用運動模式分類和運動適量場 的 信息，只需簡單的運算就可以得到運動 畢業(yè)設計（論文）報告紙 5 目標的一個大概信息，只要再結合實際地點的先驗知識和輔助設置，就能很好實現(xiàn)運動物體的檢測。中值法是用中值來代替均值，同樣能達到濾除運動物體的目的。但是這種方法在實際操 作中存在透視變形和噪聲污點過大的缺點，仍然需要改進?；旌细咚顾惴ㄓ袃蓚€重要參數(shù)： （滑動平均值）和 （滑動方差）。 畢業(yè)設計（論文）報告紙 7 圖 α = 時混合高斯算法提取出的前景 另外，混合高斯算法是一種實時更新背景的算法，當有車輛速度較慢或者停止運動時，該算法會丟失目標，不能實現(xiàn)連續(xù)跟蹤?；谲壽E的異常行為識別方法較多，常用的有決策樹、隱馬爾可夫模型，神經(jīng)網(wǎng)絡、支持向量機、貝葉斯等。胡宏宇等學者通過軌跡空間分布學習提取運動目標的典型運動模式，提出了基于 Bayes 分類器的軌跡空間運動模式匹配方法，進而檢測異常交通行為 [21]。 經(jīng)過上述四個步驟的處理，能 夠很好地得到聚類軌跡，之后的工作就是運動模型的建立。 Piciarelli 等學者將軌跡表示成可變長序列，然后利用支持向量機的方法進行聚類 [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，不能真實地反映交通目標的實際運 動模式。 模型匹配 利用上述典型模型，對檢測到的車輛軌跡進行模型匹配，就可以實現(xiàn)對該車輛行為的識別。 交通流異常檢測 交通流異常的檢測主要是基于感興趣數(shù)據(jù)監(jiān)控的異常檢測，實現(xiàn)對交通擁擠、道路堵塞等現(xiàn)象的檢測。 基于交通流模型的算法與軌跡模型類似，利用預測的數(shù)據(jù)模型進行匹配，從實現(xiàn)交通流情況的檢測 [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，雖然對環(huán)境要求比較高，但當環(huán)境變化不復雜時，均值法背景建模同樣能獲得比較優(yōu)越的結果。 (a) (b) 圖 樹枝噪聲濾除實現(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動前景并不是連通區(qū)域，這樣在后期進行車輛標記時就會發(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果 畢業(yè)設計（論文）報告紙 15 行人噪聲干擾處理 現(xiàn)象 分析： 通常在道路上，運動物體不僅僅只是車輛，還會夾雜著行人、電動車等其他運動物體，在上一節(jié)所述提取運動前景時，不可避免地會把行人、電動車等其他不相關物體一同提取出來，使行人、電動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 的輪廓的結果。然而雙黃線有彎道，用公式表達比較困難，本文利用圖像運算的溢出處理原理進行自定義 “感興趣區(qū)域 ”。 畢業(yè)設計（論文）報告紙 18 圖 車輛陰影影響 車輛陰影的消除是一項很復雜的工作，目前已經(jīng)有很多種方法，如：零高度假設法、基于 HSI 色彩模型、 基于 HSV 色彩模型等方法。 本章小結 本章按照算法的設計思路，按步驟對本文采用的算法進行了詳細的介紹說明，并就算法過程中會遇見的問題進行了剖析，同時給出合適的解決方法。從結果來看，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)域運動前景的分離： 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，當有車輛壓到雙黃線時，壓住雙黃線的部分被成功地檢測了出來，再對檢測出來的部分進行加框提醒處理，并將紅色提醒框添加到原有視頻幀，其結果如圖 所示。 畢業(yè)設計（論文）報告紙 27 第六章 總結與展望 工作總結 交通安全關系重大，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，通過 “感興趣區(qū)域 ”實現(xiàn)檢測違規(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) 對于車輛外行人、電動車的消除，目前是利用面積進行濾除的，但是這樣會對遠距離的車輛與行人不易分辨，可以嘗試結合車輛特征的算法進行行人噪聲的濾除。雖然本文只是對當前交通管理的一個最基本的實現(xiàn)，卻也是在為交通管理系統(tǒng)的進步作著自己的貢獻。然而，事故總是在所難免，而且駕駛員的素質參差不齊，因此對道路的監(jiān)控管理措施是非常必要的。 圖 “感興趣區(qū)域”法檢測結果 陰影影響的降低： 本實驗依據(jù) 小節(jié)中的處理步驟，對一最普通的小型轎車進行了跟蹤抽樣，目標車輛 畢業(yè)設計（論文）報告紙 25 的位置信息（上邊線縱坐標 Y、縱坐標高度 △ Y）記錄結果如表 所示： 對這些數(shù)據(jù)進行分析，并作出了高度 △ Y 關于縱坐標 Y 的擬合曲線，如圖 所示，漸近線方程為，此處 H 即 △ Y。結果如圖 所示，對比圖 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)設計（論文）報告紙 19 第五章 壓雙黃線行為識別實驗 實驗設計 實驗目的 本實驗旨在檢驗第四章算法步驟設計的可行性，對存在的問題進行進一步的完善，并就算法未來的展望提出一定的預見。 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，設定了一個該時段的高度比較模型，將 小節(jié)中檢測到的運動目標進行高度判斷，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雜，并且會因為外界天氣、光線變化，很難找到一個具備普適性的比較公式。對個體車輛的異常行為分析通常需要鎖定某一目標車輛，對其進行跟蹤分析。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。為了減小開運算導致的縫隙變大和閉運算導致的細小物體放大所帶來的影響，應合理運用開、閉運算。算法實現(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時性、適應性、魯棒性好，但是因為它是實時更新背景，很容易丟失車速緩慢或暫時停止的車輛，所以在交通管理系統(tǒng)中不太適用。 本章小結 本章以車輛的行為識別為介紹對象，將車輛的行為分為個體車輛行為與交通流行為兩種進行分析。這三個數(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