本文選題：視頻檢測(cè)　切入點(diǎn)：稀疏子空間　出處：《蘇州科技大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：道路交通事故已經(jīng)成為一個(gè)社會(huì)公共安全問(wèn)題,車輛違法變道作為引發(fā)交通事故的重要原因之一,越來(lái)越受到政府和社會(huì)各界的關(guān)注。高速公路機(jī)動(dòng)車流量大,且行車速度較高,此時(shí)隨意變更車道往往會(huì)造成極大交通安全隱患,引發(fā)交通事故。因此如何有效地檢測(cè)和識(shí)別車輛違法變道軌跡,預(yù)防和減少交通事故造成的損失,已成為當(dāng)今交通管理部門亟待解決的一項(xiàng)緊迫的任務(wù)�，F(xiàn)階段我國(guó)的車輛違法變道行為識(shí)別大都是通過(guò)交警現(xiàn)場(chǎng)觀測(cè)或者對(duì)監(jiān)控視頻進(jìn)行人工判讀,這種方法既耗時(shí)又耗力并且檢測(cè)精度較低。針對(duì)這些問(wèn)題,本文提出的基于視頻檢測(cè)的車輛變道軌跡識(shí)別方法,可實(shí)現(xiàn)無(wú)監(jiān)督狀態(tài)下車輛隨意變更車道行為的識(shí)別,該識(shí)別模型無(wú)需人工判讀可直接通過(guò)視頻檢測(cè)對(duì)車輛變道行為進(jìn)行判斷。為打擊不按規(guī)定車道行駛、隨意變更車道以及高速公路占用應(yīng)急車道等違法行為提供證據(jù)支持。本文主要針對(duì)高速公路車輛變道軌跡進(jìn)行研究,以視頻處理技術(shù)為核心,利用運(yùn)動(dòng)目標(biāo)檢測(cè)、車輛識(shí)別與跟蹤等方法提取視頻中運(yùn)動(dòng)車輛,獲得其運(yùn)動(dòng)軌跡并分析運(yùn)動(dòng)特征,提出一種基于視頻檢測(cè)的車輛變道軌跡識(shí)別方法。主要工作如下:(1)對(duì)視頻圖像預(yù)處理的相關(guān)算法進(jìn)行研究,對(duì)圖像灰度變換、平滑濾波、圖像增強(qiáng)以及圖像二值化等預(yù)處理技術(shù)及其相關(guān)算法進(jìn)行比較分析,并通過(guò)實(shí)驗(yàn)驗(yàn)證,確定本文算法,為后續(xù)檢測(cè)奠定基礎(chǔ)。(2)采用背景減差法對(duì)運(yùn)動(dòng)車輛進(jìn)行檢測(cè),針對(duì)高速公路車流量大的特點(diǎn),選取高斯混合背景建模算法進(jìn)行背景提取,建立邊緣檢測(cè)算子對(duì)圖像進(jìn)行運(yùn)算以獲取運(yùn)動(dòng)目標(biāo)的邊緣輪廓以及質(zhì)心,然后采用暗影提取技術(shù)去除圖像中的陰影。采用一種改進(jìn)的稀疏子空間聚類算法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行分類,實(shí)驗(yàn)證明,該算法能夠準(zhǔn)確地對(duì)場(chǎng)景中的目標(biāo)進(jìn)行分類。(3)采用Hough變換檢測(cè)車道線,目標(biāo)車輛的跟蹤使用改進(jìn)的形心跟蹤算法和模板匹配算法。對(duì)運(yùn)動(dòng)車輛的軌跡進(jìn)行提取,并計(jì)算已有車輛軌跡與車道線的距離,對(duì)車輛變道進(jìn)行定義,通過(guò)車輛軌跡與車道線的距離的方差判斷車輛軌跡是否發(fā)生違法變道。實(shí)驗(yàn)證明,該方法能有效地檢測(cè)車輛變道軌跡,而且檢測(cè)的精度和效率較高。
[Abstract]:Road traffic accidents have become a social public safety problem. As one of the important reasons causing traffic accidents, vehicle illegal change has been paid more and more attention by the government and all walks of life. And the speed of driving is high, at this time random change of lane will often cause great hidden danger of traffic safety and cause traffic accident. Therefore, how to detect and identify the track of illegal change of traffic effectively, and to prevent and reduce the loss caused by traffic accident, It has become an urgent task for traffic management departments to solve the problem. At this stage, the identification of vehicle illegal traffic behavior in our country is mostly through traffic police on-site observation or manual interpretation of surveillance video. This method is time-consuming and labor-consuming, and the detection accuracy is low. In view of these problems, this paper proposes a method of vehicle track identification based on video detection, which can realize the identification of vehicle random change of lane behavior under unsupervised state. The recognition model can be used to judge the changing behavior of vehicles directly through video detection without manual interpretation. This paper mainly focuses on the research of freeway vehicle track change, video processing technology as the core, using moving target detection, The methods of vehicle recognition and tracking are used to extract the moving vehicle from the video, obtain the motion track and analyze the motion characteristics. In this paper, a method of vehicle track identification based on video detection is proposed. The main work is as follows: 1) the related algorithms of video image preprocessing are studied, and the gray level transform and smooth filtering of the image are studied. Image enhancement and image binarization and other preprocessing techniques and their related algorithms are compared and analyzed, and through experimental verification, the algorithm of this paper is determined to lay the foundation for subsequent detection. (2) the background subtraction method is used to detect moving vehicles. In view of the characteristics of high traffic, Gao Si hybrid background modeling algorithm is selected to extract the background, and the edge detection operator is established to operate the image to obtain the edge contour and centroid of the moving object. Then the shadow extraction technique is used to remove the shadow in the image, and an improved sparse subspace clustering algorithm is used to classify the moving objects. The algorithm can accurately classify the target in the scene. It uses Hough transform to detect the lane line, and the target vehicle tracking uses the improved centroid tracking algorithm and template matching algorithm to extract the track of moving vehicle. The distance between the vehicle track and the lane line is calculated, and the vehicle path change is defined. The variance of the distance between the vehicle track and the lane line is used to judge whether the vehicle track changes illegally or not. This method can detect the track change of vehicle effectively, and the accuracy and efficiency of the detection are high.
【學(xué)位授予單位】：蘇州科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：U495

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃浩軍;胡鵬;李濤;龐淑英;;交通視頻檢測(cè)系統(tǒng)中背景提取的優(yōu)化算法[J];湖北汽車工業(yè)學(xué)院學(xué)報(bào);2006年04期

2 曾炎盛;馬壽峰;鐘石泉;賈寧;;基于視頻檢測(cè)的交通沖突判別方法和模型[J];交通信息與安全;2012年04期

3 王霄維;王殿海;江晟;趙瑩瑩;;基于時(shí)空上下文信息的混合交通視頻檢測(cè)算法[J];北京理工大學(xué)學(xué)報(bào);2013年12期

4 熊昕;徐建閩;;基于速度分類算法的交通事件視頻檢測(cè)系統(tǒng)設(shè)計(jì)[J];交通信息與安全;2013年02期

5 李敬峰;;視頻檢測(cè)在隧道意外檢測(cè)系統(tǒng)的應(yīng)用[J];中國(guó)交通信息產(chǎn)業(yè);2004年07期

6 段立橋;;兩種視頻檢測(cè)系統(tǒng)對(duì)比應(yīng)用分析[J];中國(guó)交通信息產(chǎn)業(yè);2006年11期

7 呂鎏棟;;基于視頻檢測(cè)的流量監(jiān)測(cè)技術(shù)在高速公路中的應(yīng)用[J];中國(guó)新技術(shù)新產(chǎn)品;2012年05期

8 劉曉薇;胡振民;余鶴齡;;違章車輛視頻檢測(cè)算法的研究[J];華東交通大學(xué)學(xué)報(bào);2007年05期

9 蘇義軍;深孔視頻檢測(cè)儀器的開(kāi)發(fā)和應(yīng)用[J];現(xiàn)代車用動(dòng)力;1997年04期

10 蘇義軍;深孔視頻檢測(cè)儀器的開(kāi)發(fā)和應(yīng)用[J];現(xiàn)代車用動(dòng)力;1998年03期

相關(guān)會(huì)議論文 前2條

1 秦鐘;王法勝;;交叉口排隊(duì)長(zhǎng)度的視頻檢測(cè)[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

2 柯剛鎧;胡堅(jiān)明;姚丹亞;;一種適用于嵌入式平臺(tái)的交通流視頻檢測(cè)方法[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

相關(guān)重要報(bào)紙文章 前4條

1 雷曉;用視頻檢測(cè)完成智能監(jiān)控[N];中國(guó)交通報(bào);2003年

2 徐穎 編譯;視頻檢測(cè)系統(tǒng)幫我們得到接近完美的雕刻網(wǎng)穴[N];中國(guó)包裝報(bào);2002年

3 毅力;Micro-Check視頻檢測(cè)系統(tǒng)[N];中國(guó)包裝報(bào);2002年

4 記者 朱盈潔;大企業(yè)申報(bào)數(shù)量增加[N];首都建設(shè)報(bào);2006年

相關(guān)博士學(xué)位論文 前6條

1 劉紅;近重復(fù)視頻檢測(cè)算法研究[D];復(fù)旦大學(xué);2012年

2 江晟;混合交通視頻檢測(cè)關(guān)鍵技術(shù)研究[D];吉林大學(xué);2013年

3 馬增強(qiáng);運(yùn)動(dòng)車輛視頻檢測(cè)與分割方法研究[D];北京交通大學(xué);2011年

4 曲昭偉;混合交通視頻檢測(cè)算法研究[D];吉林大學(xué);2009年

5 李娟;城市交通系統(tǒng)中行人交通視頻檢測(cè)的理論與方法[D];北京交通大學(xué);2010年

6 李晗;同步檢測(cè)線方法及其在軌道交通中的應(yīng)用[D];浙江大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 劉曉亮;基于視頻檢測(cè)的高速公路交通事件影響預(yù)測(cè)研究[D];山東大學(xué);2015年

2 董志強(qiáng);視頻檢測(cè)與識(shí)別技術(shù)在列檢人員安全監(jiān)測(cè)中的應(yīng)用研究[D];蘭州交通大學(xué);2015年

3 楊朝歡;基于深度學(xué)習(xí)的重復(fù)視頻檢測(cè)[D];浙江大學(xué);2016年

4 王驍;基于DSP的地下停車場(chǎng)車流量視頻檢測(cè)系統(tǒng)的設(shè)計(jì)[D];中北大學(xué);2016年

5 曾苗祥;基于硬件的低俗視頻檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];華中科技大學(xué);2014年

6 亓駿唯;遺留物品的自動(dòng)視頻檢測(cè)和識(shí)別[D];天津工業(yè)大學(xué);2016年

7 高巖;基于動(dòng)態(tài)與靜態(tài)信息融合的暴力視頻檢測(cè)[D];中國(guó)民航大學(xué);2016年

8 王娜;基于SVM算法的前方車輛視頻檢測(cè)[D];山東師范大學(xué);2016年

9 韓晶;基于多顏色空間能量曲線族的不良視頻檢測(cè)系統(tǒng)[D];濟(jì)南大學(xué);2016年

10 陳誠(chéng);現(xiàn)役纜索的移動(dòng)式視頻檢測(cè)系統(tǒng)研究與開(kāi)發(fā)[D];東南大學(xué);2016年

，

本文編號(hào)：1611973