【文章內容簡介】 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 的 基礎和 核心 。其中車輛跟蹤依賴于對 運動車輛的正確 檢測 ，而車輛異常行為 識別 也是基于檢測到的結果進行分析的。 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行簡要的介紹。 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。 光流法不需要預知場景的信息就能獨立檢測出運動物體的信息，故而不受環(huán)境的制約，適應性很強。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 從中檢測出運動物體。 顯然，這種方法 具有 較好 的自適應能力，但是對 于參與運算的視頻 幀的選取時機要求 比較苛刻 ， 由于運動目標 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。這種方法適用于各種復雜的環(huán)境，同樣有很強的自適應能力，但是 對于 運動目標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。這種方法能有效解決陰影粘滯問題，并且 檢測結果比較精確 。 基于形態(tài)學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行判別，對工件進行一系列變換處理后，利用目標不變矩陣和模板不變 矩陣 的相似程度進行判別歸類。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，就能很好實現運動物體的檢測。該方法既簡單 準確性又高 。 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，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。背景差分法運算簡單且速度快，其局限是 只 適用于靜止狀態(tài)的攝像機所獲得的視頻信息。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 動目標的存在，所以將運動目標當作噪聲，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（相對于運動目標存在場景中的時間而言 ）均值即能有效濾去運動目標所帶來的噪聲。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，產生很強的噪聲干擾。自適應背景更新法 [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，通過設定閾值來驗證每一像素點是否是背景像素點，通過學習和自適應不 斷 改變背景模板，使之適應多變的環(huán)境帶來的背景變換問題。而背景自適應的 條件 是有光照的改變或者有交通堵塞的情況。 自適應背景更新法主要用于復雜環(huán)境中運動目標的提取，具有適應性強的特點。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。 目前存在的 一種改進方法是 基于 貝葉斯概率算法 [14]的自適應背景更新法，它是利用統(tǒng)計 畢業(yè)設計（論文）報告紙 6 學的原理將圖像中的像素進行 靜態(tài)動態(tài)背景 分類， 并結合兩種背景 實現背景與前景的分離。由于它還具有很好的學習和自適應更新能力，能很好地適應各種復雜的場景。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? 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。因為在應對復雜多變的環(huán)境時會產生多峰分布，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 模型的基礎上發(fā)展而來的，它使用 多 個高斯模型來 表達圖像中的像素點。 混合高斯算法背景建模具有實時性好、適應性強、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： （滑動平均值）和 （滑動方差）。 是為了構建定期更新的背景模型，其計算公式為 ： 式中：參數 是指 t 時刻的像素值； 是學習率，反映了滑動平均值對當前幀的適應速度，值越大，適應速度越快。對每個像素都計算出滑動平均值，就能構建出背景模型。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，則認為它是前景像素。 計算公式如下： 同 一起構成一個高斯模型，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。混合高斯算法還有一個很重要的特點，就是對上述高斯模型的更新。當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，不能實現連續(xù)跟蹤。 目前 另 有一種針對混合高斯模型法進行優(yōu)化的輪廓提取算法 [16]，可以在 混合高斯算法 的基礎上用數學形態(tài)方法進行處理并尋找輪廓，用算法擬合輪廓后再用圖形矩提取輪廓質心。這種方法能更有效地濾除噪聲和提取目標輪廓。 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。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。 畢業(yè)設計（論文）報告紙 8 第三章 行為識別技術 類似于車輛的檢測技術的分類，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進行監(jiān)督，設定閾值判斷異常發(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，神經網絡、支持向量機、貝葉斯等。 Piciarelli 等學者采用決策樹的方法，將運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習，但是構造精度高、規(guī)模小的決策樹是該方法的核心內容，其更適用于小規(guī)模的樣本數據集。 Kamijo 等學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習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。但是當大量的車輛和行人出現在檢測區(qū)域時，跟蹤算法將會消耗更多的計算機資源，從而導致系統(tǒng)崩潰。 Micheloni等學者將任意異常事件描述為一組事件單元的時空關系組合圖 [19]，每個事件單元可通過一個神 經網絡分類器進行分類，事件分類器是由若干簡單神經網絡集成的復合分類器，如果簡單分類器過擬合將對整個分類效果產生較大影響。 Piciarelli 等學者采用支持向量機檢測交通異常 [20]，但是算法的時間復雜性較高，難以實現實時操作，并且需要確定最佳核變換函數及其相應的參數。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]。但在異常行為識別過程中沒有提出面向更復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。李明之等學者提出了利用目標的空間位置、運動速度、運動方向和大小尺寸等特征參數描述軌跡，并基于 Bayes 最優(yōu)化的方法對軌跡進行聯(lián)合匹配和邊緣匹配，然后根據匹配情況調用行為識別數據庫對目標行為進行識別 [22]。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。 軌跡聚類 在車輛檢測成功的基礎上，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果是完成對軌跡的聚類 [23]，具體實現步驟如下： i. 對檢測出的車輛進行跟蹤并描繪其質心，得到目標車輛的一系列運動軌跡點，這些軌跡點中包含車輛的運動信息和位置信息； ii. 對軌跡的一些特征進行統(tǒng)計分析，如方向角等方向特征； iii. 根據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行聚類； 但是初步聚類效果往往不佳，故需要根據軌跡自身進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、基于網格聚類等。要盡量選取合適的方法，以得到最佳效果。 經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。 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行運動模型描述。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。 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。 而在軌跡模式學習方法的設計上，目前使用的機器學習算法主要有三類：基于神經網絡的方法、基于支持向量機的方法和基于無監(jiān)督聚類的方法。 Johnson等學者采用自組織特征映射神經網絡的方法對軌跡空間模式學習進行建模 [25]，基于神經網絡的方法網絡構建較為復雜，學習速度較慢，且在學習過程中需要大量的數據學習參數，設定 網絡結構權重。 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據，且聚類的數目由樣本數據的種類決定，不能真實地反映交通目標的實際運 動模式?；跓o監(jiān)督聚類的方法在運動模式學習的研究中 畢業(yè)設計（論文）報告紙 10 應用最為廣泛。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注。 Atev等學者將譜聚類的方法引入目標軌跡運動模式學習中 [27]，由于采用了多特征屬性描述軌跡，使得運算復雜度較高。胡宏宇等學者利用譜聚類的方法對軌跡進行聚類 [28]，能夠做到自動獲取聚類數目。這兩種方法不能充分利用樣本點分布所隱含的先驗信息，從而不能構造很好的相似矩陣。當其面臨復雜樣本數據點集時，無法得到理想的聚類結果。 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，就可以實現對該車輛行為的識別。模型匹配的原理比較簡單：首先設定一個閾值，觀察檢測到的軌跡是否在典型模型周圍浮動，并且差在設定的閾值內，如果是，則認為該模型匹配，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，另一種是對軌跡進行概率判斷，閾值設定為某 一概率值。 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。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行模式學習。模型匹配次數的增多，意味著車輛樣本軌跡也在增加，因此模式學習時間越長，典型模型越