【文章內(nèi)容簡介】 第二章 車輛 檢測 技術(shù) 車輛 檢測是整個 智能 交通管理系統(tǒng) 實現(xiàn) 的 基礎(chǔ)和 核心 。其中 車輛跟蹤依賴于對 運(yùn)動車輛的 正確 檢測 ，而車輛異常行為 識別 也是基于檢測到的結(jié)果進(jìn)行分析的。 而目前車輛檢測方法的研究也是成果最多的，本章將對這 些方法進(jìn)行簡要的介紹。 常用 方法分類 常用的 運(yùn)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(xué)的場景變化檢測法和能量運(yùn)動檢測法等。 光流法不需要預(yù)知場景的信息就能獨立檢測出運(yùn)動物體的信息，故而不受環(huán)境的制約，適應(yīng)性很強(qiáng)。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)用于實時監(jiān)測。 幀間差分法通過將相鄰連續(xù)的三幀圖像兩兩差分，可以 實現(xiàn) 從中檢測出運(yùn)動物體。 顯然，這種方法 具有 較好 的自適應(yīng)能力，但是對 于參與運(yùn)算的視頻 幀的選取時機(jī)要求 比較苛刻 ， 由于 運(yùn)動目標(biāo) 速度 變化的影響 ，這種方法還需要不斷改變最佳閾值來獲取最佳效果，這樣就加大了本身的量化噪聲，降低了 魯棒性 ，不利于車輛的定位 跟蹤 。 運(yùn)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(yùn)動目標(biāo)。這種方法適用于各種復(fù)雜的環(huán)境，同樣有很強(qiáng)的自適應(yīng)能力，但是 對于 運(yùn)動目標(biāo)的分割仍然不是很精確。 拓展的 EM 算法主要有基于小波模歷史圖像的檢測方法 [9]。 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(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)到檢測的效果。這種方法能有效解決陰影粘滯問題，并且 檢測結(jié)果比較精確 。 基于形態(tài)學(xué)的場景變換法主要有基于不變矩圖像匹配檢測法 [10]和基于運(yùn)動矢量場時空濾波檢測法 [11]等。前者主要是針對工廠流水線上的工件進(jìn)行判別，對工件進(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。這種方法對車輛跟蹤檢測有很大的借鑒意義。后者結(jié)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(yùn)動模式分類和運(yùn)動適量場 的 信息，只需簡單的運(yùn)算就可以得到運(yùn)動畢業(yè)設(shè)計（論文）報告紙 5 目標(biāo)的一個大概信息，只要再結(jié)合實 際地點的先驗知識和輔助設(shè)置，就能很好實現(xiàn)運(yùn)動物體的檢測。該方法既簡單 準(zhǔn)確性又高 。 背景差分法包括均值法 、 中值法 、 混合高斯模型法以及在其基礎(chǔ)上衍生出來的各種方法。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(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。背景差分法運(yùn)算簡單且速度快，其局限是 只 適用于靜止?fàn)顟B(tài)的攝像機(jī)所獲得的視頻信息。下面主要介紹 4 種常見的背景差分法。 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，是一種基于時間軸的濾波方法。因為提取背景時不能保證場景中沒有運(yùn)動目標(biāo)的存在，所以將運(yùn)動目標(biāo)當(dāng)作噪聲，均值法就是利用時間的累積性將噪聲的影響無限減小，通過取長時間（相對于運(yùn)動目標(biāo)存在場景中的時間而言 ）均值即能有效濾去運(yùn)動目標(biāo)所帶來的噪聲。中值法是用中值來代替均值，同樣能達(dá)到濾除運(yùn)動物體的目的。 但是兩者相較而言，均值法計算更簡單，而中值法效果更好。兩者同樣有著不可忽視的缺點，那就是他們只適用于攝像機(jī)靜止且外部條件理想的狀況，如果外部擾動較大，那么提取出來的背 景將會有很大的噪聲誤差。 自適應(yīng)背景更新的 背景提取 目前運(yùn)動目標(biāo)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(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。 自適應(yīng)背景更新法 [13]能有效避免這方面的問題，可以說它是對上述兩種方法的優(yōu)化。其第一步是用均值法得到一個初始背景，通過設(shè)定閾值來驗證每一像素點是否是背景像素點，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。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。 自適應(yīng)背景更新法主要用于復(fù)雜環(huán)境中運(yùn)動目標(biāo)的提取，具有適應(yīng)性強(qiáng)的特點。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(jìn)。 畢業(yè)設(shè)計（論文）報告紙 6 目前存在的 一種改進(jìn)方法是 基于 貝葉斯概率算法 [14]的自適應(yīng)背景更新法，它是利用統(tǒng)計學(xué)的原理將圖像中的像素進(jìn)行 靜態(tài)動態(tài) 背景 分類， 并結(jié)合兩種背景 實現(xiàn)背景與前景的分離。由于它還具有很好的學(xué)習(xí)和自適應(yīng)更新能力，能很好地適應(yīng)各種復(fù)雜的場景。實驗 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)，檢測準(zhǔn)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? 基于混合 高斯算法 的背景建模 基于混合 高斯算法 的背景 建模 是基于統(tǒng)計模型的一種 背景提取 方法。因為在應(yīng)對復(fù)雜多變的環(huán)境時會產(chǎn)生多峰分布，而單 高斯算法 只能處理單峰分布，故此時需要一種其他方法來替代單 高斯算法 模型?；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 個高斯模型來 表達(dá)圖像中的像素點。 混合高斯算法背景建模具有實時性好、適應(yīng)性強(qiáng)、魯棒性 好 等優(yōu)點，在環(huán)境變化較大的情況下 尤其 適用?；旌细咚顾惴ㄓ袃蓚€重要參數(shù)： （滑動平均值）和 （ 滑動方差）。 是為了構(gòu)建定期更新的背景模型 ，其 計算 公式為： 式中：參數(shù) 是指 t 時刻的像素值； 是學(xué)習(xí)率，反映了滑動平均值對當(dāng)前幀的適應(yīng)速度，值越大，適應(yīng)速度越快。對每個像素都計算出滑動平均值，就能構(gòu)建出 背景 模型。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(jìn)行 兩個模型維護(hù) ，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(rèn)為它是前景像素。 計算公式如下： 同 一起構(gòu)成一個高斯模型，通過該模型可以判斷某像素屬于它的概率，并制定出合適的閾值?；旌细咚顾惴ㄟ€有一個很重要的特點，就是對上述高斯模型的更新。當(dāng)模型被匹配不夠頻繁，算法會釋放該背景模型；反之，若某 前景像素匹配 生成 的高斯模型之后被頻繁匹配，該模型會被判定為背景模型 [15]。圖 為 時混合高斯算法提取出的前景。 畢業(yè)設(shè)計（論文）報告紙 7 圖 = 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(dāng)有車輛速度較慢或者停止運(yùn)動時，該算法會丟失 目標(biāo)，不能實現(xiàn)連續(xù)跟蹤。 目前 另 有一種針對混合高斯模型法進(jìn)行優(yōu)化的輪廓提取算法 [16]，可以在 混合高斯算法 的基礎(chǔ)上用數(shù)學(xué)形態(tài)方法進(jìn)行處理并尋找輪廓， 用 算法擬合輪廓后再 用 圖形矩提取輪廓質(zhì)心。這種方法能更有效地濾除噪聲和提取目標(biāo)輪廓。 本章小結(jié) 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(jìn)行了 簡要分析 ，并給出了優(yōu)缺點評價 。從本章的論述中可以清晰了解到 各種方法的適用條件， 這 給后期在車輛檢測的方法選擇上提供一個參考的依據(jù)。 畢業(yè)設(shè)計（論文）報告紙 8 第三章 行為識別技術(shù) 類似于 車輛的 檢測 技術(shù) 的分類， 車輛的行為識別大致 可以分為 ： 個體車輛異常 行為識別和 交通流異常檢測兩 個方面。 個體車輛異常 行為識別 一般運(yùn)用軌跡模型的方法，而交通流異常檢測通常是通過對 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 。 個體 車輛行為識別 目前，對個體車輛的異常行為識別一般是通過基于軌跡進(jìn)行分析識別的?；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(luò)、支持向量機(jī)、貝葉斯等。 Piciarelli 等學(xué)者采用決策樹的方法，將運(yùn)動車輛軌跡分段作為樹的節(jié)點，用概率匹配區(qū)分異常事件 [17]，其特點是可以在線學(xué)習(xí)，但是構(gòu)造精度高、規(guī)模 小的決策樹是該方法的核心內(nèi)容，其更適用于小規(guī)模的樣本數(shù)據(jù)集。 Kamijo 等學(xué)者基于隱馬爾可夫模型的方法創(chuàng)建了交通異常檢測系統(tǒng) [18]，該系統(tǒng)使用隱馬爾可夫鏈學(xué)習(xí)每個車輛的行為模型，使用跟蹤系統(tǒng)的輸出來識別目前的事件。其利用單個車輛的特征，這種方法相對有效，并且部分實時。但是當(dāng)大量的車輛和行人出現(xiàn)在檢測區(qū)域時，跟蹤算法將會消耗更多的計算機(jī)資源，從而導(dǎo)致系統(tǒng)崩潰。 Micheloni 等學(xué)者將任意異常事件描述為一組事件單元的時空關(guān)系組合圖 [19]，每個事件單元可通過一個神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分類，事件分類器是由若干簡單 神經(jīng)網(wǎng)絡(luò)集成的復(fù)合分類器，如果簡單分類器過擬合將對整個分類效果產(chǎn)生較大影響。 Piciarelli 等學(xué)者采用支持向量機(jī)檢測交通異常 [20]，但是算法的時間復(fù)雜性較高，難以實現(xiàn)實時操作，并且需要確定最佳核變換函數(shù)及其相應(yīng)的參數(shù)。傳統(tǒng)軌跡分析方法主要考慮的是軌跡的空間特性，因而對異常行為識別的能力較弱，只能識別較為簡單的異常行為。胡宏宇等學(xué)者通過軌跡空間分布學(xué)習(xí)提取運(yùn)動目標(biāo)的典型運(yùn)動模式，提出了基于 Bayes 分類器的軌跡空間運(yùn)動模式匹配方法，進(jìn)而檢測異常交通行為 [21]。但在異常行為識別過程中沒有提出面向更復(fù)雜異 常行為的識別方法，因此異常行為識別能力受到了限制。李明之等學(xué)者提出了利用目標(biāo)的空間位置、運(yùn)動速度、運(yùn)動方向和大小尺寸等特征參數(shù)描述軌跡，并基于 Bayes 最優(yōu)化的方法對軌跡進(jìn)行聯(lián)合匹配和邊緣匹配，然后根據(jù)匹配情況調(diào)用行為識別數(shù)據(jù)庫對目標(biāo)行為進(jìn)行識別 [22]。該方法采用傳畢業(yè)設(shè)計（論文）報告紙 9 統(tǒng) kmeans 算法進(jìn)行軌跡聚類，不能解決非凸性聚類問題。 軌跡聚類 在車輛檢測成功的基礎(chǔ)上，對個體車輛行為的識別主要是通過對其軌跡的分析完成的。軌跡 分析 最終的處理結(jié)果是完成對軌跡的聚類 [23]，具體實現(xiàn)步驟如下： i. 對檢測出的車輛進(jìn) 行跟蹤并描繪其質(zhì)心，得到目標(biāo)車輛的一系列運(yùn)動軌跡點 ，這些軌跡點中包含車輛的運(yùn)動 信息 和位置信息 ； ii. 對軌跡的一些特征進(jìn)行統(tǒng)計分析，如方向角等 方向特征 ； iii. 根據(jù)軌跡的特征計算出軌跡的相似性度量 ； iv. 最后由軌跡的相似性度量對軌跡進(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 。 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。要盡量選取合適的方法，以得到最佳效果。 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(yùn)動模型 的建立。 模型建立 模型建立的方法也有很多，但是一般采用典型軌跡進(jìn)行運(yùn)動模型描述。 典型軌跡 能很好地反映該 類軌跡 的 特征 ，是一類軌跡最鮮明的表現(xiàn)。 典型軌跡 主要是通過對該類軌跡樣本的一個擬合 獲得 [24]。單一的擬合曲線并不能代表整段的特點，為了能夠獲得較好的典型軌跡，可以對軌跡樣本進(jìn)行分段擬合 ， 最后再加以合并，就能得到整段軌跡的典型軌跡，且能最大程度的消除誤差。 最終優(yōu)化完的典型軌跡 并不是一系列的點，而是一個能反映該類行為特性的曲線， 即 該類行為的典型模型。 而在軌跡模式學(xué)習(xí)方法的設(shè)計上，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。 Johnson等學(xué)者采用自組織特征映射神經(jīng)網(wǎng)絡(luò)的方法對軌跡空間模式學(xué)習(xí)進(jìn)行建模 [25]，基于神經(jīng)網(wǎng)絡(luò)的方法網(wǎng)絡(luò)構(gòu)建較為復(fù)雜，學(xué)習(xí)速度較慢，且在學(xué)習(xí)過程中需要大量的數(shù)據(jù)學(xué)習(xí)參數(shù)，設(shè)定網(wǎng)絡(luò)結(jié)構(gòu)權(quán)重。 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，不能真實地反映交通目標(biāo)的實際運(yùn)動模式。基于無監(jiān)督聚類的方法在運(yùn)動模式學(xué)習(xí)的研究中畢業(yè)設(shè)計（論文）報告紙 10 應(yīng)用最為廣泛。傳統(tǒng)的聚類分析方法受限于非凸形狀的樣本空間，當(dāng)樣本空間不凸時，傳統(tǒng)聚類算法會陷入局部最優(yōu)。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。 Atev等學(xué)者將譜聚類的方法引入目標(biāo)軌跡運(yùn)動模式學(xué)習(xí)中 [27]，由于采用了多特征屬性描述軌跡，使得運(yùn)算復(fù)雜度較高。胡宏宇等學(xué)者利用譜聚類的方法對軌跡進(jìn)行聚類 [28]，能夠做到自動獲取聚類數(shù)目。這兩種方法不能充 分利用樣本點分布所隱含的先驗信息，從而不能構(gòu)造很好的相似矩陣。當(dāng)其面臨復(fù)雜樣本數(shù)據(jù)點集時，無法得到理想的聚類結(jié)果。 模型匹配 利用上述典型模型，對檢測到的車輛軌跡進(jìn)行模型匹配，就可以實現(xiàn)對該車輛行為的識別。模型匹配的原理 比較 簡單 ：首先 設(shè)定一個閾值， 觀察 檢測到的軌跡是否在典型模型周圍浮動，并且差在設(shè)定的閾值內(nèi)，如果是，則認(rèn)為該模型匹配， 這樣 就得出了該檢測軌跡的行為。 閾值的類型有兩種：一種是軌跡點與典型模型的位置差，另一種是對軌跡進(jìn)行概率判斷，閾值設(shè)定為某一概率值。 匹配過程的 重點是閾值的設(shè)定，需要 選取一個合適的閾值，使匹配結(jié)果既 不 存在 誤判，也沒有 漏判。為了保證閾值的有效性， 一種比較有效的方法 就是對典型模型進(jìn)行模式學(xué)習(xí)。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)時間 越 長，典型模型越能代表該類行為的特征，匹配結(jié)果也會更加精確。 其他方法 ——基于實際場景信息的異常檢測 基于實際場景信息的異常檢測， 適用于對轉(zhuǎn)向、變向、變道等涉及