隨著數(shù)字視頻監(jiān)控技術(shù)的普及與應(yīng)用,基于視頻監(jiān)控信息的出租車行業(yè)智能化管理成為可能。特別是在強(qiáng)化道路交通的安全管理,緩解執(zhí)法人員壓力等方面發(fā)揮了重要作用,但目前尚缺少針對(duì)出租車運(yùn)營(yíng)管理與分析的智能化處理技術(shù)。對(duì)此,提出一種私自攬客行為檢測(cè)算法。使用Haar特征結(jié)合Adaboost分類器對(duì)出租車進(jìn)行識(shí)別;利用改進(jìn)的ViBe算法提取運(yùn)動(dòng)人體目標(biāo),并快速消除鬼影干擾;判斷人車位置關(guān)系,并提取人在上車過程中的多姿態(tài)特征,送入SVM分類器進(jìn)行訓(xùn)練,實(shí)現(xiàn)對(duì)人體行為的分類。實(shí)驗(yàn)結(jié)果表明:該方法能夠適應(yīng)復(fù)雜環(huán)境,抗干擾能力較強(qiáng),可實(shí)時(shí)檢測(cè)私攬行為是否發(fā)生。 

【文章來源】：計(jì)算機(jī)應(yīng)用與軟件. 2019,36(03)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

私攬檢測(cè)算法流程圖針對(duì)靜止背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)一般有幀間差分

Ada-boost［7］分類器進(jìn)行訓(xùn)練，最后檢測(cè)視頻中的出租車。Haar特征指的是一種矩形特征，其值表示為黑色矩形區(qū)域的灰度值與白色矩形區(qū)域的灰度值的差，以此來生成圖像特征矩陣。不同的Haar特征模型功能也不相同，常用的Haar特征模板如圖2所示。圖2常用Haar特征模板Adaboost算法是一種改進(jìn)的Boosting算法。該算法不需要弱分類器的先驗(yàn)知識(shí)。它的核心是為相同的訓(xùn)練集訓(xùn)練不同的弱分類器，然后將這些弱分類器合成強(qiáng)分類器，最后將強(qiáng)分類器級(jí)聯(lián)成最終分類器。圖3是由分類器進(jìn)行級(jí)聯(lián)和檢測(cè)出租車的過程。圖3出租車區(qū)域檢測(cè)結(jié)果

混合高斯法157幀124幀183幀171幀原始ViBe方法57幀51幀61幀60幀由表1可見:本文的算法消除鬼影所需要的幀數(shù)最少，速度最快;混合高斯法消除鬼影速度較慢;原始ViBe算法稍慢于本文算法。在此基礎(chǔ)上，結(jié)合提取到的人體前景與識(shí)別出的出租車區(qū)域，計(jì)算人體質(zhì)心與出租車中心的距離，當(dāng)行人處于車輛區(qū)域范圍內(nèi)時(shí)，則可以認(rèn)為該行人與車輛有構(gòu)成私攬違法行為的可能。實(shí)驗(yàn)發(fā)現(xiàn)，所檢測(cè)出的人體質(zhì)心存在于以出租車質(zhì)心為圓心，到四角長(zhǎng)度為半徑的一側(cè)扇形內(nèi)時(shí)，檢測(cè)效果較好，如圖5所示。圖5人車位置關(guān)系3基于多特征融合的人體姿態(tài)識(shí)別3．1特征提取乘客在上車過程中會(huì)逐漸從出租車遠(yuǎn)處接近，在車門附近停頓，并伴有彎腰、拉車門、屈體等動(dòng)作，與交通環(huán)境中的其他行為有明顯區(qū)別。本文基于私自攬客的特點(diǎn)對(duì)乘客的多種特征進(jìn)行提取。運(yùn)動(dòng)目標(biāo)的標(biāo)識(shí)方法取決于運(yùn)動(dòng)目標(biāo)的區(qū)域形狀及其連通性，采用外接區(qū)域的方法能夠很直觀地反映出運(yùn)動(dòng)人體的輪廓。因此本文選取與人體擬合度更高的最小外接橢圓作為其中一個(gè)特征。一個(gè)橢圓由其中心坐標(biāo)、其方向以及其長(zhǎng)短軸長(zhǎng)度定義。在私攬行為發(fā)生過程中，行人會(huì)首先從遠(yuǎn)處向出租車接近，這段時(shí)間私攬行為的人體特征與人體行走基本一致。當(dāng)乘客走近出租車準(zhǔn)備上車時(shí)，會(huì)停頓并打開車門，然后彎腰上車，在彎腰上車的過程中，人體豎直距離會(huì)降低，人體最小外接橢圓的長(zhǎng)軸會(huì)減小，這是一個(gè)明顯區(qū)別于正常行走行為的特征。人體最小外接橢圓參數(shù)變化過程如圖6所示。圖6人體外接橢圓參數(shù)變化過程人體最小外接橢圓的參數(shù)需要計(jì)算圖像的矩，對(duì)于連續(xù)圖像f(x，y)，矩的定義由如下:m

【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)Haar-like特征的車輛識(shí)別算法[J]. 羅瑞奇,鐘忺,鐘珞,李琳.  武漢大學(xué)學(xué)報(bào)(理學(xué)版). 2018(03)
[2]人工智能技術(shù)在智慧交通領(lǐng)域中的應(yīng)用[J]. 王偉耀.  電子技術(shù)與軟件工程. 2018(03)
[3]基于改進(jìn)ViBe算法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 高健焮,陳健.  計(jì)算機(jī)應(yīng)用. 2017(S2)
[4]一種基于類Haar特征和AdaBoost算法的前車檢測(cè)方法[J]. 余小角,郭景,徐凱,王娜.  微型機(jī)與應(yīng)用. 2017(13)
[5]結(jié)合背景更新和亮度范圍的改進(jìn)Codebook模型算法[J]. 瞿中,辛寧,廖春梅.  計(jì)算機(jī)應(yīng)用與軟件. 2016(11)
[6]基于自適應(yīng)高斯模型的實(shí)效運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 王紅茹,童偉.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(10)
[7]基于視覺的目標(biāo)檢測(cè)與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟.  自動(dòng)化學(xué)報(bào). 2016(10)
[8]一種改進(jìn)的融合幀差法的ViBe算法[J]. 史瑞環(huán),吳斌,李務(wù)軍,范風(fēng)兵.  微型機(jī)與應(yīng)用. 2016(04)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的多部位人體檢測(cè)[D]. 張恒瑜.北京工業(yè)大學(xué) 2016
[2]基于形狀上下文的物體匹配與識(shí)別研究[D]. 姬建光.西北師范大學(xué) 2016



本文編號(hào)：3124002