本文關鍵詞：基于連續(xù)視頻流的交通狀況與違章行為模式識別研究與實現(xiàn)，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,機動車的保有量明顯上升,交通事故也更為頻發(fā)。然而很大一部分交通事故都是因為違章行車引起的,因此對車輛行為進行檢測并給與違章者適當?shù)慕逃吞幜P,是減少違章行為的有效手段之一。對車輛違章行為進行檢測的傳統(tǒng)方法都是基于磁感應原理來工作。通過環(huán)形檢測線圈、交通微波檢測器、雷達測速等設備來提取交通參數(shù)的方法,在當前比較常用。上述方法有其明顯的缺點,如:安裝不方便、破壞路面、不易維護、獲取的交通信息量少等。視頻信息的特點有:直觀、具體、生動、信息量大等。因此基于連續(xù)視頻流的交通狀況和違章行為分析成為國內(nèi)外廣大科技人員和學者關注的重點。本文首先在對常用的運動目標檢測算法進行研究分析之后,用背景差分法來獲取運動目標,并采用多幀均值背景建模方法來建立背景模型并實現(xiàn)背景的不斷更新。根據(jù)運動目標區(qū)域的長寬比和占空比來對運動目標進行分類,進而提取出運動車輛。其次,研究分析了傳統(tǒng)的均值漂移算法在運動目標跟蹤中的應用,針對其缺點,對算法進行了改進,將卡爾曼濾波器位置預測機制和窗口自適應目標大小的機制引入到運動目標的跟蹤算法中,提出了基于KF的窗口自適應MS算法。同時,本文對改進的算法的性能和跟蹤效果進行了分析,結果表明:改進的算法性能和跟蹤效果都優(yōu)于傳統(tǒng)的均值漂移算法。然后,設計了基于車輛運動軌跡的車輛行為判斷和交通參數(shù)提取算法。并且,在對基于顏色的車牌定位算法和基于邊緣檢測的車牌定位算法進行研究分析后,本文將以上兩種算法結合起來進行車牌定位,即基于顏色和邊緣檢測的車牌定位算法。結果證明:該算法對車牌檢測的準確率高于其他兩種算法。然后還介紹了車牌字符切分方法以及車牌字符識別方法。最后,本文在對基于連續(xù)視頻流的交通狀況與違章行為分析涉及到的算法進行研究和部分改進的基礎上,設計了一個智能交通分析系統(tǒng)。
【關鍵詞】：車輛檢測 車輛跟蹤 車牌識別 違章行為 交通參數(shù)
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U491
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-16
• 1.1 研究工作的背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.3 研究目的及主要內(nèi)容14
• 1.4 本文的組織安排14-16
• 第二章 運動目標檢測16-31
• 2.1 圖像預處理16-20
• 2.1.1 圖像灰度化16-17
• 2.1.2 圖像平滑17-20
• 2.2 運動目標檢測方法概述20-22
• 2.2.1 背景差分法20-21
• 2.2.2 幀間差分法21
• 2.2.3 光流法21-22
• 2.3 多幀均值背景建模22-24
• 2.3.1 多幀均值背景建模算法原理22-23
• 2.3.2 多幀均值背景建模實驗結果分析23-24
• 2.4 圖像后處理24-27
• 2.4.1 差分圖像二值化24
• 2.4.2 圖像形態(tài)學處理24-27
• 2.5 背景差分法和幀間差分法的實驗結果對比分析27-30
• 2.6 本章小結30-31
• 第三章 運動目標分類與運動車輛跟蹤31-54
• 3.1 運動目標分類31-34
• 3.1.1 運動目標形狀特征描述31-33
• 3.1.2 運動目標分類方法33-34
• 3.2 運動車輛跟蹤34-53
• 3.2.1 運動目標跟蹤方法概述35-37
• 3.2.2 基于Mean Shift的運動車輛跟蹤37-44
• 3.2.3 Kalman Fliter位置預測44-47
• 3.2.4 窗口自適應算法原理47-49
• 3.2.5 基于KF的窗口自適應MS算法49-53
• 3.3 本章小結53-54
• 第四章 車輛違章行為與交通狀況分析54-64
• 4.1 車輛違章行為分析54-61
• 4.1.1 車輛逆行檢測55-57
• 4.1.2 車輛占用非機動車車道檢測57-61
• 4.2 交通狀況分析61-63
• 4.3 本章小結63-64
• 第五章 違章車輛車牌識別64-81
• 5.1 車牌定位64-76
• 5.1.1 基于顏色的車牌定位64-71
• 5.1.2 基于邊緣檢測的車牌定位71-75
• 5.1.3 基于顏色和邊緣檢測的車牌定位75-76
• 5.1.4 基于顏色和邊緣檢測的車牌定位算法測試76
• 5.2 車牌字符分割與字符提取76-78
• 5.2.1 車牌字符分割76-77
• 5.2.2 車牌字符提取77-78
• 5.3 車牌字符識別78-79
• 5.3.1 字符大小歸一化78-79
• 5.3.2 字符識別79
• 5.4 本章小結79-81
• 第六章 智能交通分析系統(tǒng)實現(xiàn)81-91
• 6.1 ITAS主要目標81-82
• 6.2 系統(tǒng)結構82
• 6.3 系統(tǒng)功能模塊設計82-85
• 6.3.1 管理模塊83
• 6.3.2 ITAS分析引擎83-85
• 6.3.3 客戶端（PC）85
• 6.4 數(shù)據(jù)庫表設計85-87
• 6.5 系統(tǒng)主要功能界面設計87-90
• 6.6 本章小結90-91
• 第七章 系統(tǒng)測試91-94
• 7.1 系統(tǒng)測試環(huán)境91
• 7.2 ITAS主要功能測試91-93
• 7.2.1 運動車輛違章行為判斷測試91-92
• 7.2.2 車流量統(tǒng)計測試92
• 7.2.3 違章車輛車牌識別測試92-93
• 7.3 測試結果總體分析93
• 7.4 本章小結93-94
• 第八章 總結與展望94-96
• 8.1 主要工作總結94-95
• 8.2 工作展望95-96
• 致謝96-97
• 參考文獻97-100
• 攻讀碩士學位期間獲得的成果100-101

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 楊昌勇,劉建偉,曹泉;車輛違章逆行的圖像自動檢測與識別[J];計算機工程與設計;2005年10期

2 洪琦;沙新華;;基于視頻的車輛違章越線行為檢測方法研究[J];深圳信息職業(yè)技術學院學報;2005年03期

中國碩士學位論文全文數(shù)據(jù)庫 前3條

1 謝敏;基于視頻的車輛違章判別研究及無線傳輸實現(xiàn)[D];揚州大學;2014年

2 張潔;數(shù)字圖像邊緣檢測技術的研究[D];合肥工業(yè)大學;2009年

3 劉肅亮;交通車輛違章智能視頻監(jiān)控系統(tǒng)的設計與實現(xiàn)[D];西北大學;2004年

  本文關鍵詞：基于連續(xù)視頻流的交通狀況與違章行為模式識別研究與實現(xiàn)，，由筆耕文化傳播整理發(fā)布。

本文編號：458003