由于現(xiàn)有基礎設施不夠完善,加之很多車主的規(guī)范停車意識較差,不規(guī)范停車情況時有發(fā)生,不僅造成停車位資源浪費,增加停車場的管理成本,甚至會影響周圍交通,造成交通堵塞,誘發(fā)交通事故。目前對于停車監(jiān)管主要采用人工方式,該方式具有隨機性和滯后性,且耗費大量人力、物力。隨著城市中視頻傳感器的普及,監(jiān)控視頻的獲取越來越容易,基于監(jiān)控視頻進行停車行為識別成為解決不規(guī)范停車的可行方案。相比于傳統(tǒng)方法,基于視頻的停車檢測與識別方法具有如下優(yōu)勢:視頻中包含目標豐富的時空信息和屬性信息;隨著監(jiān)控攝像頭的普及,監(jiān)控視頻的獲取越來越方便;攝像頭覆蓋范圍廣,單個相機可以同時檢測多個車位;自帶監(jiān)控功能便于調(diào)查取證,同時還可進行停車記錄、車型分類、車牌識別等功能的擴展。本文研究基于監(jiān)控視頻的車輛位姿分析,綜合利用GIS技術(shù)、計算機視覺等技術(shù)對監(jiān)控視頻處理,實現(xiàn)不規(guī)范停車行為的準確識別,一方面可以對不規(guī)范停車行為進行及時的發(fā)現(xiàn)和處理,實現(xiàn)路邊和大型停車場停車的智能化、規(guī)范化管理,提高管理效率;另一方面可以提高車位資源利用率,建立良好的停車秩序,解決停車難、停車亂的現(xiàn)實問題,保障城市公共交通安全。本文以停車場監(jiān)控視頻中的車... 

【文章來源】：南京師范大學江蘇省 211工程院校

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

圖１．２傳統(tǒng)方式??

?？地磁???？？視頻??圖１．３停車檢測傳感器分類??下面對幾種典型的檢測方式進行介紹：??磁感線圈基于電磁感應原理（圖１．４（ａ）），利用鋪設在地下的線圈與電容設備??產(chǎn)生振蕩電路，車輛經(jīng)過時金屬部件會導致電路變化從而被檢測到（章冠等，??２０１２）。該方法經(jīng)過長時間的發(fā)展技術(shù)比較成熟，但是埋設線圈破壞路面，安裝??維護麻煩。紅外（圖１．４（ｂ））是利用發(fā)射的紅外光束在遇到車輛時會發(fā)生反射的??原理，測量出車輛的距離信息（胡鵬等，２０１８），該方法檢測速度快，可以獲取??車輛的輪廓信息，但是檢測精度受溫度和霧霾天氣的影響。超聲波（圖１．４（ｃ））??利用波束發(fā)生裝置發(fā)射時間和接收裝置的接收時間差來計算車距，從而獲得車輛??停放信息（王莘，２０１３）。該方法安裝方便，但是對環(huán)境要求高，不適合于灰塵??較大的天氣�；诘卮诺姆椒ǎ▓D１．４（ｄ））是通過地磁感應設備檢測磁場的變化??來采集車輛信息

空間化是一種通過構(gòu)建二維圖像與實際三維場景的空視頻對象（視頻中的靜態(tài)目標和運動目標）進行空間化是視頻ＧＩＳ最為關(guān)鍵的部分，負責解決圖像空間坐間的相互轉(zhuǎn)換（劉學軍等，２０１７）。相機成像模型、畸－地理空間互映射是視頻場景空間化的重要理論基礎。??像模型??視覺領(lǐng)域，相機成像的過程是將真實的三維空間中的的過程，成像平面中的每一個像素點都和對應的空間其對應的幾何關(guān)系由相機成像的幾何模型決定（張永學成像模型的簡化，用數(shù)學模型來表達，主要分為線性模型中針孔模型應用最為廣泛，即空間中的點通過小孔像，通常我們會將像平面反轉(zhuǎn)到物體同側(cè)得到正立的圖用廣角鏡頭或者鏡頭失真等情況下會對光的折射產(chǎn)生，需要采用非線性成像模型來表達。??

【參考文獻】：
期刊論文
[1]基于YOLO的駕駛視頻目標檢測方法[J]. 文浩彬,張國輝.  汽車科技. 2019(01)
[2]基于紅外測距汽車倒車雷達預警系統(tǒng)設計[J]. 胡鵬,秦會斌.  傳感器與微系統(tǒng). 2018(07)
[3]Faster R-CNN模型在車輛檢測中的應用[J]. 王林,張鶴鶴.  計算機應用. 2018(03)
[4]基于深度學習的多視窗SSD目標檢測方法[J]. 唐聰,凌永順,鄭科棟,楊星,鄭超,楊華,金偉.  紅外與激光工程. 2018(01)
[5]基于無人機的車輛目標實時檢測[J]. 姜尚潔,羅斌,劉軍,張云.  測繪通報. 2017(S1)
[6]基于KCF跟蹤算法的目標軌跡記錄系統(tǒng)[J]. 張乘龍,夏筱筠,柏松,姚愷豐.  計算機系統(tǒng)應用. 2017(05)
[7]基于深度學習方法的復雜場景下車輛目標檢測[J]. 宋煥生,張向清,鄭寶峰,嚴騰.  計算機應用研究. 2018(04)
[8]視頻GIS數(shù)據(jù)采集與處理[J]. 劉學軍,胡加佩,王美珍,周良辰.  現(xiàn)代測繪. 2017(01)
[9]開創(chuàng)“互聯(lián)網(wǎng)+測繪與地理信息科學技術(shù)”新時代[J]. 王家耀.  測繪科學技術(shù)學報. 2016(01)
[10]基于多通道融合HOG特征的全天候運動車輛檢測方法[J]. 劉操,鄭宏,黎曦,余典.  武漢大學學報(信息科學版). 2015(08)

博士論文
[1]地理場景協(xié)同的多攝像機目標跟蹤研究[D]. 張興國.南京師范大學 2014
[2]圖像序列中運動目標檢測與跟蹤方法研究[D]. 劉濛.東北大學 2009
[3]基于支持向量機的目標跟蹤技術(shù)研究[D]. 宋華軍.中國科學院研究生院（長春光學精密機械與物理研究所） 2006

碩士論文
[1]基于車身靶標的汽車車體位姿檢測方法[D]. 鄭安琪.吉林大學 2018
[2]基于深度卷積神經(jīng)網(wǎng)絡和圖像傳感器的道路多目標檢測研究[D]. 謝一德.北京交通大學 2018
[3]基于SSD的車輛檢測與跟蹤算法研究[D]. 曹偉.安徽大學 2018
[4]基于多視角視頻的運動物體行為識別方法研究[D]. 于青青.北京工業(yè)大學 2017
[5]面向監(jiān)控視頻的停車檢測算法研究[D]. 牟蕾.哈爾濱工業(yè)大學 2017
[6]顧及透視規(guī)律的監(jiān)控視頻行人檢測研究[D]. 沈慧.南京師范大學 2016
[7]基于地磁的智能停車系統(tǒng)設計與實現(xiàn)[D]. 鄭東旭.浙江大學 2016
[8]基于車輛跟蹤軌跡的停車和逆行檢測研究[D]. 高冬冬.長安大學 2015
[9]基于視頻圖像的車流量檢測技術(shù)研究[D]. 肖尚鵬.吉林大學 2015
[10]基于稀疏矩陣的自檢校光束法平差相機檢校研究[D]. 馮鵬飛.西安科技大學 2014



本文編號：3244560