【導(dǎo)讀】盡本人所知，除了畢業(yè)設(shè)計（論文）中特別加以標(biāo)注。發(fā)表或撰寫的成果作品。通安全的形勢也愈加嚴(yán)峻。交通安全的保障不僅僅需要駕駛?cè)藛T素質(zhì)的提高，還需要道路交。通管理部門的嚴(yán)格監(jiān)督和交通法規(guī)的有效執(zhí)行。目前，基于視頻分析的道路交通管理系統(tǒng)正。日益取代人工管理方式，成為當(dāng)今計算機視覺領(lǐng)域研究的熱門。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和識別工作，按步驟進行了詳細(xì)論述。壓雙黃線車輛的檢測和識別。通管理事業(yè)也有一定的參考價值。

　　

【正文】 示。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) (c) 圖 樹枝噪聲濾除 車輛分體現(xiàn)象處理結(jié)果： 嘗試對上述結(jié)果中的車輛進行加提示框處理時，出現(xiàn)了如圖 的車輛分體現(xiàn)象，本實驗按照 小節(jié)中所述的方法進行處理：先對圖像進行開運算，之后查找圖像中輪廓，并在繪制時采取填充繪制。結(jié)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(shè)計（論文）報告紙 22 圖 消除解體現(xiàn)象后車輛標(biāo)記結(jié)果 行人噪聲濾除結(jié)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(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 。 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（論文）報告紙 23 對這些數(shù)據(jù)進行分析，并作出了面積 S 關(guān)于縱坐標(biāo) Y 的擬合曲線，如圖 所示。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， 在實際編程中，本實驗采用的判斷方程是：。 圖 加框面積隨縱坐標(biāo)變化曲線 利用上式方程對提示框的面積進行比較判斷，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，成功實現(xiàn)了行人噪聲的濾除。 圖 去除行人噪聲后加框結(jié)果 畢業(yè)設(shè)計（論文）報告紙 24 壓雙黃線行為識別 雙黃線 “感興趣區(qū)域 ”的提?。? 如下圖 所示， (a)圖是標(biāo)記輪廓后提取出來的雙黃線區(qū)域， (b)圖對 (a)圖處理后的結(jié)果，這樣處理有利于后期對越雙黃線車輛的檢測和識別，同時也避免再次造成車輛分體現(xiàn)象。 (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(dāng)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(jié)果如圖 所示。雖然沒有給壓雙黃線的車輛整體加框，但是部分的加框已經(jīng)能夠說明車輛的壓雙黃線行為了。 圖 “感興趣區(qū)域”法檢測結(jié)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(biāo)車輛 畢業(yè)設(shè)計（論文）報告紙 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： 對這些數(shù)據(jù)進行分析，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。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， 在實際編程中，本實驗采用的判斷方程是：，只有縱向高度大于該計算結(jié)果的運動物體才會被加紅色提示框，最終結(jié)果如圖 所示： 表 紅色提示框各參數(shù)信息記錄表 Y/pix △ Y/pix Y/pix △ Y/pix 2 38 131 61 11 40 152 64 20 43 180 70 31 43 209 75 52 43 235 80 70 50 273 88 88 55 311 96 113 59 354 107 圖 提示框高度與縱坐標(biāo)關(guān)系圖 從圖 的兩幅圖中可以發(fā)現(xiàn)： (a)圖有陰影在雙黃線上，但是算法并沒有誤判， (b)圖顯示對車體壓雙黃線的車輛仍能識別并標(biāo)記出來。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。 畢業(yè)設(shè)計（論文）報告紙 26 (a) (b) 圖 最終優(yōu)化后檢測結(jié)果 結(jié)果分析 從本章實驗的結(jié)果來看，第四章的算法設(shè)計結(jié)果能夠比較好的實現(xiàn)壓雙黃線車輛的識別。 本文設(shè)計的算法思路簡單，實現(xiàn)容易，且處理效果良好。該算法的缺點是移植性比較差，尤其是在車輛陰影去除上，本文采用的方法結(jié)果不會特別精確，且方程模型也需要不斷更新。 畢業(yè)設(shè)計（論文）報告紙 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產(chǎn)安全，給人們的精神世界帶來傷害。交通安全的首要因素是駕駛?cè)藛T的素質(zhì)，只有人人都文明駕駛、有序駕駛，才能有效保障道路交通的安全。然而，事故總是在所難免，而且駕駛員的素質(zhì)參差不齊，因此對道路的監(jiān)控管理措施是非常必要的。而隨著科學(xué)技術(shù)的發(fā)展，交通管理越來越傾向于視頻監(jiān)控管理，然而國內(nèi)視頻分析在這方面的應(yīng)用還不完善，主要是引進國外的交通管理系統(tǒng)，國內(nèi)高校和研究所在車輛行為識別方面也基本處于研究階段 。 本文主要工作是對基于視頻分析的車輛跟蹤和行為識別的實現(xiàn)，重點是行為識別的研究。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，同時與混合高斯算法背景建模進行優(yōu)劣比較，對比分析他們的適用情況。 2) 利用背景差法實現(xiàn)前景的提取，并對提取出來的運動前景進行一系列的優(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。 3) 實現(xiàn)并優(yōu)化對壓雙黃線車輛的行為識別。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。 未來展望 當(dāng)今世界科技水平高速發(fā)展，而且隨著國家 “低空解禁 ”政策的發(fā)布，可以預(yù)見未來不僅僅是道路上無人駕駛或自動駕駛的出現(xiàn)，甚至?xí)写罅克饺诵⌒惋w機的誕生，那么對這些交通工具的管理行駛也將更加嚴(yán)峻，勢必要發(fā)展新型交通管理系統(tǒng)。雖然本文只是對當(dāng)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。 鑒于本文所采用的自定義 “感興趣區(qū)域 ”的思路以及對陰影影響的簡單消除算法的局限， 畢業(yè)設(shè)計（論文）報告紙 28 未來可以對以下方面進行深入研究改善： 1) 對 自定義 “感興趣區(qū)域 ”應(yīng)用的拓展，不僅僅只是壓雙黃線行為的識別，可以進一步運用于車輛的變道、變向等行為的識別。 2) 對加框提醒算法的優(yōu)化，可以對檢測出來的部分違規(guī)運動物體進行判斷，得出它所在的車輛整體區(qū)域，將提醒框加在整個車輛上，甚至是將其牌照也進行加框提醒處理并記錄。 3) 本文對于車輛陰影的消除只是一種簡單的比較算法，而實際中已經(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。 4) 對于雙黃線的提取工作，本文是通過手動強化特征和進行提取的，未來也可以研究找到一種移植性比較強的雙黃線檢測算法，減去手工操作的必要。 5) 在背景建模方面，均值法太過依賴場景的固定，混合高斯算法又對靜止車輛及慢速車輛不敏感，要實現(xiàn)自動駕駛，一定要找到綜合具有前兩種方法有點的背景建模算法。 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(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行行人噪聲的濾除。 畢業(yè)設(shè)計（論文）報告紙 29 參考文獻 [1] 郭靜，艾明星 . 我國城市交通安全現(xiàn)狀及對策 [J]. 重慶交通大學(xué)學(xué)報 (自然科學(xué)版 )， 20xx， 31： 610~611. [2] 王會 . 基于視頻的車輛異常行為檢測 [D]. 沈陽：沈陽工業(yè)大學(xué)， 20xx. [3] 孔大力，崔洋 . 數(shù)字圖像處理技術(shù)的研究現(xiàn)狀和發(fā)展方向 [J]. 山東水利職業(yè)技術(shù)學(xué)院院刊 ， 20xx， 4：11~14. [4] 徐旭 . 復(fù)雜環(huán)境下的車輛目標(biāo)跟蹤技術(shù)研究 [D]. 吉林：吉林大學(xué) ， 20xx. [5] 王江濤 . 基于視頻的目標(biāo)檢測、跟蹤及其行為識別研究 [D]. 南京：南京理工大學(xué)， 20xx. [6] 余忠慶 . 基于視頻的車輛軌跡聚類分析及異常檢測 [D]. 北京：北京交通大學(xué)， 20xx. [7] 趙有婷，李熙瑩，羅東華 . 基于視頻車輛軌跡模型的交通事件自動檢測方法研究 [J]. 中山大學(xué)學(xué)報 (自然科學(xué)版 )， 20xx. [8] 龐成俊 . 基于全景視覺的車輛異常行為檢測技術(shù)的研究 [D]. 浙江：浙江工業(yè)大學(xué) , 20xx. [9] 屈楨深 ， 于萌萌 ， 姜永林 ，等 . 應(yīng)用小波模歷史圖像的運動車輛視頻檢測 [J]. 西南交通大學(xué)學(xué)報 ， 20xx . [10] 王洪濤 ， 丁國清 . 基于不變矩圖像匹配的工件種類判別應(yīng)用研究 [J]. 制造業(yè)自動化 ， 20xx. [11] 孫利虎 ， 熊林 ， 范志強 ，等 . 基于運動矢量場時空濾波的車輛檢測算法 [J]. 電腦知識與 技術(shù) ， 20xx. [12] 李海霞 ， 范紅 . 基于 幀差法 的幾種背景建模方法的研究 [J]. 工業(yè)控制計算機 ， 20xx. [13] 顧洋 . 自適應(yīng)背景更新的視頻車輛檢測 [J]. 南京工程學(xué)院學(xué)報 (自然科學(xué)版 )， 20xx. [14] 婁路 . 基于概率算法自適應(yīng)更新背景的運動車輛檢測 [J]. 計算機工程與應(yīng)用 ， 20xx. [15] Robert 著，張靜譯 . OpenCV2 計算機視覺編程手冊 [M]. 北京：科學(xué)出版社， 20xx. [16] 謝立 ， 胡玲玲 ， 呂一品 ，等 . 面向智能視頻監(jiān)控系統(tǒng)運動目標(biāo)檢測的輪廓提取方法 [J]. 東南大學(xué)學(xué)報 (自然科學(xué)版 )， 20xx. [17] C Piciarelli, G L Foresti. Online Trajectory Clustering for Anomalous Events Detection[J]. Pattern Recognition Letters, 20xx, 27(15):18351842. [18] Shunsuke Kamijo, Yasuyuki Matsushita, Katsushi Ikeuchi, et al. Traffic Monitoring and Accident Detection at Intersections[J]. IEEE Transactions on Intelligent Transportation Systems, 20xx, 1(2):108118. [19] C Micheloni, L Snidaro, G L Foresti. Exploiting Temporal Statistics for Events Analysis and Understanding[J]. Image and Vision Computing, 20xx, 27(10):14591469. [20] C Piciarelli, C Micheloni, G L Foresti. Trajectorybased Anomalous Event Detection[J]. IEEE Transactions on Circuits and Systems for Video Technology, 20xx, 18(11):15441554. [21] 胡宏宇 , 王慶年 , 曲昭慧 等 . 運動目標(biāo)空間模式 辨識與異常交通行為檢測 [J]. 吉林大學(xué)學(xué)報 (工學(xué)版 ), 20xx, 41(6):15981602. [22] 李明之 , 馬志強 , 單勇 等 . 基于軌跡分析的交通目標(biāo)異常行為識別 [J]. 電視技 術(shù) , 20xx, 36(1):106112. [23] 吳健 . 基于視頻分析的車輛跟蹤與異常行為識別研究 [D]. 蘇州：蘇州大學(xué)， 20xx. [24] 王曉原 ，楊新月 . 基于決策樹的駕駛行為決策機制研究 [J]. 系統(tǒng)仿真學(xué)報， 20xx， 20(2)： 415~448. [25] N Johnson, D Hogg. Learning the Distribution of Object Trajectories for Event Recognition[J]. Image