【正文】 ed and recognized. In this paper, the proposed algorithm is simple and feasible. And the implementation of identification of illegal vehicle has important practical significance, also has some reference value to the traffic management. Keywords: video analysis。 behavior recognition。誠(chéng)然， 汽車 給很多人帶來了便捷，但隨之而來的是 日益 嚴(yán)重的交通 擁堵和交通事故 問題。 研究背景 目前我國(guó)的交通 狀況 主要有以下幾個(gè)問題：車輛過多導(dǎo)致交通堵塞，城市道路設(shè)施無法滿足車輛需求； 不恰當(dāng)?shù)?道路規(guī)劃，造成資源浪費(fèi)；駕駛員 整體 素質(zhì) 較低 ，交通違章現(xiàn)象嚴(yán)重；車輛監(jiān)管和懲處力度不夠等。機(jī)動(dòng)車市場(chǎng)的迅猛發(fā)展造成道路資源迅速消耗殆盡，目前全國(guó)已有多個(gè)城市實(shí)行機(jī)動(dòng)車單雙號(hào)限行，盡管如此，許多城市在上下班高峰期仍然出現(xiàn)嚴(yán)重的擁堵現(xiàn)象。 車輛 異常行為危害極大，必須有效 地 制止這一問題。 ITS 起源于美國(guó)， 早在上世紀(jì) 80 年代美國(guó)就開始了相關(guān)技術(shù)的開發(fā)和利用 。 ITS 的研究與應(yīng)用離不開交通監(jiān)控，如何有效 地 對(duì)車輛進(jìn)行檢測(cè)跟蹤與行為識(shí)別 是 其中的關(guān)鍵。 而 利用紅外線、地感線圈等 進(jìn)行判斷的 方式 雖然 實(shí)時(shí)性好 、 準(zhǔn)確性高，但施工 力度大 、后期維護(hù) 復(fù)雜且 成本 較高 ，同樣具有很大的局限性。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?，可?有效 減少和避免交通事故的發(fā)生。 研究意義 顯然，對(duì)車輛檢測(cè)和 異常 行為識(shí)別的研究 與應(yīng)用不僅 能緩解交通壓力，提高道路運(yùn)行效率 ，而且可以 有效避免交通事故產(chǎn)生，對(duì)于促進(jìn)安全社會(huì) 、 和諧社會(huì)的建設(shè)有著 積極 的推動(dòng)作用。 現(xiàn)在的車輛跟蹤技術(shù)在車輛上的應(yīng)用其實(shí)只是車速保持，而不是自動(dòng)識(shí)別路面上的車輛情況，也不能自動(dòng)控制車輛的變速和變向 [4]。通過 基于 視頻 分析的 車輛檢測(cè) 和 跟蹤技術(shù)， 能夠 對(duì)闖紅燈、違章變線、車道逆行等違章駕駛行為進(jìn)行記錄， 可以極大地減少 交警的 工作 壓力，讓他們有 更多的精力實(shí)施對(duì)這些違章駕駛?cè)耸康膽土P教育。 國(guó)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。 以美國(guó)為代表的各個(gè)發(fā)達(dá)國(guó)家和組織都致力于現(xiàn)代交通管理所需 技術(shù) 的研發(fā)，極大地推動(dòng)了智能交通管理系統(tǒng)的發(fā)展和應(yīng)用。目前美國(guó) AUTOSCOPE 系統(tǒng)占據(jù) 了 大部分市場(chǎng)份額，它能提供交通流量、速度、占有率、車輛分類和排隊(duì)長(zhǎng)度等 多種 信息。國(guó)內(nèi)自主創(chuàng)新 的 產(chǎn)品較少，并且應(yīng)對(duì)復(fù)雜道路能力差，很難廣泛運(yùn)用。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。 本文主要研究工作 利用數(shù)字圖像處理技術(shù)，對(duì)監(jiān)控視頻進(jìn)行幀處理，建模得出背景模型并分割出運(yùn)動(dòng)前景，再利用形態(tài)學(xué)處理技術(shù)方法對(duì)所得前景結(jié)果進(jìn)行優(yōu)化，結(jié)合運(yùn)動(dòng)目標(biāo)的形態(tài)特征去除行人、樹枝和陰影等噪聲，最后聯(lián)系實(shí)際情況設(shè)定“感興趣區(qū)域”，對(duì)目標(biāo)進(jìn)行預(yù)初設(shè)定的行為識(shí)別。其中，第二章和第三章將分別論述車輛檢測(cè)和行為識(shí)別技術(shù)的一 般方法；而第四章則是本文采用的算法思路的詳細(xì)介紹；第五章將呈現(xiàn)本文算法的實(shí)驗(yàn)結(jié)果；第六章是對(duì)本文算法的總結(jié)和展望。其中車輛跟蹤依賴于對(duì) 運(yùn)動(dòng)車輛的正確 檢測(cè) ，而車輛異常行為 識(shí)別 也是基于檢測(cè)到的結(jié)果進(jìn)行分析的。 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(chǎng)景變化檢測(cè)法和能量運(yùn)動(dòng)檢測(cè)法等。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(shí)時(shí)監(jiān)測(cè)。 顯然，這種方法 具有 較好 的自適應(yīng)能力，但是對(duì) 于參與運(yùn)算的視頻 幀的選取時(shí)機(jī)要求 比較苛刻 ， 由于運(yùn)動(dòng)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 。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(duì)于 運(yùn)動(dòng)目標(biāo)的分割仍然不是很精確。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。 基于形態(tài)學(xué)的場(chǎng)景變換法主要有基于不變矩圖像 匹配檢測(cè)法 [10]和基于運(yùn)動(dòng)矢量場(chǎng)時(shí)空濾波檢測(cè)法 [11]等。這種方法對(duì)車輛跟蹤檢測(cè)有很大的借鑒意義。該方法既簡(jiǎn)單 準(zhǔn)確性又高 。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。下面主要介紹 4 種常見的背景差分法。因?yàn)樘崛”尘皶r(shí)不能保證場(chǎng)景中沒有運(yùn) 動(dòng)目標(biāo)的存在，所以將運(yùn)動(dòng)目標(biāo)當(dāng)作噪聲，均值法就是利用時(shí)間的累積性將噪聲的影響無限減小，通過取長(zhǎng)時(shí)間（相對(duì)于運(yùn)動(dòng)目標(biāo)存在場(chǎng)景中的時(shí)間而言 ）均值即能有效濾去運(yùn)動(dòng)目標(biāo)所帶來的噪聲。 但是兩者相較而言，均值法計(jì)算更簡(jiǎn)單，而中值法效果更好。 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。其第一步是用均值法得到一個(gè)初始背景，通過設(shè)定閾值來驗(yàn)證每一像素點(diǎn)是否是背景像素點(diǎn)，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。 自適應(yīng)背景更新法主要用于復(fù)雜環(huán)境中運(yùn)動(dòng)目標(biāo)的提取，具有適應(yīng)性強(qiáng)的特點(diǎn)。 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(jì) 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 6 學(xué)的原理將圖像中的像素進(jìn)行 靜態(tài)動(dòng)態(tài)背景 分類， 并結(jié)合兩種背景 實(shí)現(xiàn)背景與前景的分離。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?。因?yàn)樵趹?yīng)對(duì)復(fù)雜多變的環(huán)境時(shí)會(huì)產(chǎn)生多峰分布，而單 高斯算法 只能處理單峰分布，故此時(shí)需要一種其他方法來替代單 高斯算法 模型。 混合高斯算法背景建模具有實(shí)時(shí)性好、適應(yīng)性強(qiáng)、魯棒性好等優(yōu)點(diǎn)，在環(huán)境變化較大的情況下尤其適用。 是為了構(gòu)建定期更新的背景模型，其計(jì)算公式為 ： 式中：參數(shù) 是指 t 時(shí)刻的像素值； 是學(xué)習(xí)率，反映了滑動(dòng)平均值對(duì)當(dāng)前幀的適應(yīng)速度，值越大，適應(yīng)速度越快。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。混合高斯算法還有一個(gè)很重要的特點(diǎn)，就是對(duì)上述高斯模型的更新。圖 為 時(shí)混合高斯算法提取出的前景。 目前 另 有一種針對(duì)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。 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(jiǎn)要分析，并給出了優(yōu)缺點(diǎn)評(píng)價(jià)。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 8 第三章 行為識(shí)別技術(shù) 類似于車輛的檢測(cè)技術(shù)的分類，車輛的行為識(shí)別大致可以分為：個(gè)體車輛異常行為識(shí)別和交通流異常檢測(cè)兩個(gè)方面。 個(gè)體車輛行為識(shí)別 目前，對(duì)個(gè)體車輛的異常行為識(shí)別一般是通過基于軌跡進(jìn)行分析識(shí)別的。 Piciarelli 等學(xué)者采用決策樹的方法，將運(yùn)動(dòng)車輛軌跡分段作為樹的節(jié)點(diǎn)，用概率匹配區(qū)分異常事件 [17]，其特點(diǎn)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。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)。 Micheloni等學(xué)者將任意異常事件描述為一組事件單元的時(shí)空關(guān)系組合圖 [19]，每個(gè)事件單元可通過一個(gè)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(jiǎn)單神經(jīng)網(wǎng)絡(luò)集成的復(fù)合分類器，如果簡(jiǎn)單分類器過擬合將對(duì)整個(gè)分類效果產(chǎn)生較大影響。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(duì)異常行為識(shí)別的能力較弱，只能識(shí)別較為簡(jiǎn)單的異常行為。但在異常行為識(shí)別過程中沒有提出面向更復(fù)雜異常行為的識(shí)別方法，因此異常行為識(shí)別能力受到了限制。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。軌跡分析最終的處理結(jié)果是完成對(duì)軌跡的聚類 [23]，具體實(shí)現(xiàn)步驟如下： i. 對(duì)檢測(cè)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(dòng)軌跡點(diǎn)，這些軌跡點(diǎn)中包含車輛的運(yùn)動(dòng)信息和位置信息； ii. 對(duì)軌跡的一些特征進(jìn)行統(tǒng)計(jì)分析，如方向角等方向特征； iii. 根據(jù)軌跡的特征計(jì)算出軌跡的相似性度量； iv. 最后由軌跡的相似性度量對(duì)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。要盡量選取合適的方法，以得到最佳效果。 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(dòng)模型描述。 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]。最終優(yōu)化完的典型軌跡并不是一系列的點(diǎn)，而是一個(gè)能反映該類行為特性的曲線，即該類行為的典型模型。 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(duì)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?；跓o監(jiān)督聚類的方法在運(yùn)動(dòng)模式學(xué)習(xí)的研究中 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 10 應(yīng)用最為廣泛。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。胡宏宇等學(xué)者利用譜聚類的方法對(duì)軌跡進(jìn)行聚類 [28]，能夠做到自動(dòng)獲取聚類數(shù)目。當(dāng)其面臨復(fù)雜樣本數(shù)據(jù)點(diǎn)集時(shí)，無法得到理想的聚類結(jié)果。模型匹配的原理比較簡(jiǎn)單：首先設(shè)定一個(gè)閾值，觀察檢測(cè)到的軌跡是否在典型模型周圍浮動(dòng)，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(cè)軌跡的行為。 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。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(shí)間越長(zhǎng)，典型模型越能代表該類行為的特征，匹配結(jié)果也會(huì)更加精確。其實(shí)現(xiàn)步驟簡(jiǎn)單，首先是要對(duì)實(shí)際場(chǎng)景進(jìn)行處理，將道路的標(biāo)線、邊界提取出來，之后利用 小節(jié)中得到的車輛運(yùn)動(dòng)軌跡，將其余道路信息進(jìn)行對(duì)比，識(shí)別出其位置關(guān)系，從而直觀地辨別出目標(biāo)車輛的行為。 交通流異常檢測(cè)關(guān)注的數(shù)據(jù)主要是交通流的三個(gè)參數(shù)：交通流量、交通流速度和交通流密度。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 。其結(jié)果較為精確，但是能判斷的情況較少。該算法思路很好，但是可能會(huì)造成異?，F(xiàn)象的誤判，且能檢測(cè)判斷的現(xiàn)象較少。顯然，該算法能檢測(cè)的交通流情況較多，但是 模型的建立比較復(fù)雜。簡(jiǎn)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)。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 12 第四章 基于視頻分析的車輛跟蹤與行為識(shí)別算法設(shè)計(jì) 同一般車輛跟蹤和行為識(shí)別算法流程一樣，本文算法流程分三個(gè)步驟：運(yùn)動(dòng)前景提取、車輛前景處理、車輛行為識(shí)別。 運(yùn)動(dòng)前景提取 本文運(yùn)動(dòng)前景提取采用的方法是背景差分法：首先利用均值法背景建模得到背景，之后利用視頻幀同背景作差即可得到運(yùn)動(dòng)前景。 均值法背景建模，首先，讀取視頻幀序列，其次對(duì)多幅圖像進(jìn)行疊加，然后求取其平均值，該平均值即為所求的背景建模結(jié)果。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(jiǎn)單常用，效果主要取決于背景建模的好壞。本文對(duì)運(yùn)動(dòng)前景主要有以下三個(gè)處理：樹枝噪聲濾除、車輛分體現(xiàn)象處理和行人噪聲濾除。為了提高處理速度，降低計(jì)算的復(fù)雜度，可以設(shè)定一片 “感興趣區(qū)域 ”（如圖 中 (b)圖），實(shí)現(xiàn) “感興趣區(qū)域 ”外樹枝等雜亂繁多的噪聲的濾除，大大提高運(yùn)算速度。 畢業(yè)設(shè)計(jì)（論文）報(bào)告紙 14 圖 車輛標(biāo)記解體現(xiàn)象 解決方法： 首先通過膨脹操作和腐蝕操作對(duì)二值化運(yùn)動(dòng)前景進(jìn)行處理，去除細(xì)小噪聲，填補(bǔ)細(xì)小縫隙。 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。 ii. 對(duì)查找出的輪廓進(jìn)行繪制，繪制時(shí)填充所繪輪廓。如圖 所示： (a)圖為假設(shè)的連通區(qū)域，(