近年來,人均汽車保有量的顯著增長帶來了交通壓力大、交通事故頻發(fā)、道路交通環(huán)境日趨惡劣等問題。為此,一種基于視頻分析的實時車輛檢測技術(shù)逐漸應(yīng)用于道路交通監(jiān)測中。然而,現(xiàn)有的交通監(jiān)測系統(tǒng)只針對單一車道進行車輛檢測,并不能滿足對城市主干道路統(tǒng)一實時監(jiān)控的需求。因此,本文提出一種高效實時的基于HOG特征的車輛檢測算法,并針對主干道路進行ROI區(qū)域劃分,同時設(shè)計了車輛軌跡數(shù)據(jù)處理模型,實現(xiàn)了一套能夠?qū)崟r檢測車輛、計算交通流參數(shù)、判別道路事件的車輛檢測系統(tǒng)。本文具體研究內(nèi)容及成果如下:（1）本文研究復(fù)雜道路背景下的車輛檢測系統(tǒng),提出基于HOG特征的目標檢測算法,準確率為89.12%。利用積分圖計算方法,提升HOG特征計算速率。為滿足高并發(fā)實時檢測的需求,提出基于模式匹配的圖像預(yù)處理方法,該方法能夠自動確定ROI區(qū)域,剔除非道路背景圖像,有效提高了檢測算法的處理速度。改進的目標檢測算法的準確率為92.87%,平均檢測速度提升至22.62ms/幀。（2）本文對車輛檢測系統(tǒng)中交通數(shù)據(jù)處理方法進行了分析與研究。針對多變的應(yīng)用場景提出了改進的虛擬線圈法,通過線圈過濾誤檢軌跡點準確率提升至94.62%。同時提... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－４?ＨＯＧ特征圖像描述元素??

程中是從三方面對圖像進行描述［２９：■。首先是滑動窗口，用于描述物體的最小尺度；??其次是Ｃｅｌｌ，用于提取局部圖像的方向和梯度信息，劃分成九個區(qū)域的方向梯度；??最后是Ｂｌｏｃｋ，用于生成圖像的特征向量，如圖２－４所示。??匪一Ｊ－ＣｅＵ?）??ｒ－￣－?ｉ?ｉ＼??■＇?—Ｂｌｏｃｋ?ｒ－，??一滑動窗口???Ｖ??檢測圖像??圖２－４?ＨＯＧ特征圖像描述元素??由上圖可知，ＨＯＧ的特征是通過Ｂｌｏｃｋ進行滑動掃描得到的。整個ＨＯＧ特??征提取的過程包括圖像預(yù)處理、計算梯度、計算統(tǒng)計直方圖、歸一化等幾個過程。??首先讀入待檢圖像進行圖像預(yù)處理，由于系統(tǒng)應(yīng)用環(huán)境為全天候檢測，因此??采用Ｇａｍｍａ濾波ｔ３（）］旨在減小光照變化的影響。其次進行梯度計算。通過模值和??相角計算公式可以得到每個像素的模值和方向�？紤]到系統(tǒng)對計算速率有較高要??求，本文選擇簡單的一階模板進行模板匹配，最終得到梯度圖像。計算統(tǒng)計方向??直方圖，將上一步計算得到的梯度圖像劃分為若干個Ｃｅｌｌ，每個Ｃｅｌｌ生成一個９??維的方向梯度直方圖。為了提高算法抗千擾性，將多個Ｃｅｌｌ組合成一個更大的??Ｂｌｏｃｋ，并進行歸一化。利用Ｂｌｏｃｋ在圖像中進行重疊掃描，通過組合Ｂｌｏｃｋ的特??征值可以得到滑動窗口的特征值。最后將特征進行歸一化

傾

【參考文獻】：
期刊論文
[1]從孟塞爾顏色空間到RGB的轉(zhuǎn)換[J]. 龔睿琪,盛建平.  工業(yè)控制計算機. 2019(01)
[2]基于LBP的人臉圖像識別檢索算法[J]. 付念.  電子世界. 2018(23)
[3]我國道路交通事故現(xiàn)狀分析與預(yù)警體系搭建構(gòu)想[J]. 鄭曉鴻.  智能城市. 2018(21)
[4]多特征融合的行人檢測算法[J]. 程德強,馮晨晨,唐世軒,游大磊.  煤炭技術(shù). 2018(10)
[5]論我國城市交通管理中存在問題與對策[J]. 姚鈴.  計算機產(chǎn)品與流通. 2018(08)
[6]一種基于多特征融合級聯(lián)分類器的車輛檢測算法[J]. 周行,陳淑榮.  現(xiàn)代計算機(專業(yè)版). 2018(17)
[7]基于運動目標軌跡的高速公路異常事件檢測算法研究[J]. 隋靚,黨建武.  計算機應(yīng)用與軟件. 2018(01)
[8]2017年全國發(fā)生重大交通安全事故案例分析[J]. 冠墩.  安全與健康. 2017(12)
[9]基于改進CS算法的二維Ostu快速圖像分割[J]. 高宏進,王力,龔維印,楊幸.  通信技術(shù). 2017(12)
[10]基于非關(guān)系型數(shù)據(jù)庫的衛(wèi)星參數(shù)存儲與處理[J]. 楊揚笛,吳海燕,李虎.  計算機技術(shù)與發(fā)展. 2018(02)

博士論文
[1]監(jiān)控視頻中的異常行為檢測研究[D]. 葉芳芳.浙江大學(xué) 2014
[2]云環(huán)境中典型應(yīng)用的I/O優(yōu)化策略研究[D]. 李弋.復(fù)旦大學(xué) 2012
[3]基于物理屬性的城市快速路交通流特征參數(shù)模型[D]. 趙娜樂.北京交通大學(xué) 2010

碩士論文
[1]基于視頻監(jiān)控的目標檢測與跟蹤算法研究[D]. 姜丹.西安理工大學(xué) 2018
[2]基于FPGA+ARM的車載行人檢測系統(tǒng)設(shè)計與實現(xiàn)[D]. 鄧健峰.廣東工業(yè)大學(xué) 2018
[3]基于單目視頻的車輛測速研究[D]. 潘振軍.西南交通大學(xué) 2017
[4]側(cè)風對大跨度橋梁行車安全的影響機理及管控方法研究[D]. 尹宏程.合肥工業(yè)大學(xué) 2017
[5]間斷流速度—密度模型及基于聯(lián)合參數(shù)的交通流狀態(tài)預(yù)測研究[D]. 張佳節(jié).華中科技大學(xué) 2016
[6]車輛頻繁換道對道路行車效率與安全影響研究[D]. 楊俊.長安大學(xué) 2016
[7]基于視頻圖像的交通事件自動檢測系統(tǒng)關(guān)鍵算法研究[D]. 林浪橋.華南理工大學(xué) 2013
[8]基于視頻的交通參數(shù)檢測與分析[D]. 樓俊杰.大連交通大學(xué) 2013
[9]基于視頻的車輛速度檢測方法研究[D]. 袁河洋.大連海事大學(xué) 2013
[10]一種分布式服務(wù)框架的設(shè)計與實現(xiàn)[D]. 陶明.北京郵電大學(xué) 2013



本文編號：3022113