本文關鍵詞：監(jiān)控視頻中車輛行為語義分析

  更多相關文章： 目標檢測 目標跟蹤 軌跡擬合 行為語義分析 SVM

【摘要】：隨著當前經(jīng)濟的快速發(fā)展,人口數(shù)量增加道路車輛增多,由此導致的交通問題日益嚴重,為有效的解決該問題,智能交通系統(tǒng)(Intelligent Transportation Systems,簡稱ITS)應運而生。通過計算機對視頻數(shù)據(jù)進行處理,自動獲得場景信息,對感興趣目標語義分析實現(xiàn)交通監(jiān)控系統(tǒng)智能化是值得研究的課題。本文針對于此,首先對相關前提工作運動目標檢測與跟蹤做了深入的研究,并對目標檢測算法提出快速混合高斯模型算法,對目標跟蹤提出基于kalman預測器的改進跟蹤算法,監(jiān)控視頻行為語義分析部分,首先提出基于跟蹤軌跡的車輛異常行為分析算法,并采用機器學習算法SVM對視頻中車輛行為進行分析。本文主要完成了以下工作:1、研究了目前常用的運動目標檢測算法,基于混合高斯模型提出快速混合高斯運動目標檢測算法,首先通過三幀差快速確定待定目標區(qū)域,然后僅對待定目標區(qū)域進行混合高斯模型匹配,確定目標區(qū)域和臨界區(qū)域,分區(qū)域自適應設置背景更新率,最后采用特征空間(R,G,I)進行陰影抑制,實驗結果表明該算法能夠快速檢測出運動目標,并能在一定程度上克服陰影的影響。2、研究了常用的運動目標跟蹤算法,在傳統(tǒng)camshift跟蹤算法基礎上,基于kalman預測器對其進行改進,首先根據(jù)目標檢測結果初始化搜索窗口,通過計算Bhattacharyya距離判斷是否發(fā)生遮擋,若發(fā)生遮擋kalman預測器作為跟蹤結果,遮擋結束繼續(xù)camshift跟蹤,實驗結果表明該算法能夠適應一定的遮擋情況,有效提高傳統(tǒng)camshift跟蹤結果。3、采用最小二乘法自適應分段直線擬合算法對跟蹤軌跡進行快速擬合,根據(jù)擬合結果提取運動參數(shù)速度變化率和方向變化率建立車輛異常行為模型,實現(xiàn)基于跟蹤軌跡的車輛異常行為檢測,實驗結果表明該算法能夠快速有效地檢測出交通監(jiān)控視頻中急轉彎、急剎車、急轉彎剎車等車輛異常行為。4、通過研究機器學習算法,選擇SVM支持向量機分析監(jiān)控視頻中車輛行為,首先確定路口車輛左轉、右轉、停車、直行四種行為模式訓練樣本集,采用RBF核函數(shù)訓練樣本得到SVM分類器,實驗表明該算法能夠對路口交通監(jiān)控視頻進行行為語義分析,分析精度可到90%,且機器學習方法具有更高主動性。
【關鍵詞】：目標檢測 目標跟蹤 軌跡擬合 行為語義分析 SVM
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-17
• 1.1 課題的研究背景和意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀及面臨問題12-15
• 1.2.1 國內(nèi)外研究現(xiàn)狀12-14
• 1.2.2 研究面臨的問題14-15
• 1.3 本文的研究內(nèi)容和工作安排15-17
• 第2章 監(jiān)控視頻中運動目標檢測17-29
• 2.1 常用運動目標檢測方法17-21
• 2.1.1 幀差法17-18
• 2.1.2 光流法18-20
• 2.1.3 背景差分法20-21
• 2.2 快速混合高斯模型改進算法21-28
• 2.2.1 經(jīng)典混合高斯模型21-24
• 2.2.2 快速混合高斯模型改進算法24-28
• 2.3 實驗結果與分析28-29
• 第3章 監(jiān)控視頻中運動目標跟蹤29-43
• 3.1 常用運動目標跟蹤方法29-31
• 3.1.1 基于區(qū)域的跟蹤方法29-30
• 3.1.2 基于特征的跟蹤方法30
• 3.1.3 基于模型的跟蹤方法30
• 3.1.4 基于動態(tài)輪廓的跟蹤方法30-31
• 3.2 camshift運動目標跟蹤算法31-37
• 3.2.1 直方圖反向投影31-33
• 3.2.2 mean-shift算法原理33-35
• 3.2.3 camshift跟蹤算法35-37
• 3.3 基于Kalman濾波器的改進跟蹤算法37-41
• 3.3.1 Kalman濾波算法37-38
• 3.3.2 基于kalman濾波器的改進跟蹤算法38-41
• 3.4 實驗結果與分析41-43
• 第4章 基于跟蹤軌跡的車輛異常行為檢測43-53
• 4.1 軌跡數(shù)據(jù)預處理43-44
• 4.2 最小二乘法自適應分段擬合算法44-47
• 4.2.1 最小二乘法原理45
• 4.2.2 自適應分段擬合算法45-47
• 4.3 基于跟蹤軌跡的車輛異常行為檢測47-49
• 4.3.1 車輛運動特征提取47-49
• 4.3.2 車輛異常行為分析49
• 4.4 實驗結果與分析49-53
• 第5章 基于SVM的車輛行為語義分析53-63
• 5.1 SVM基本理論53-57
• 5.1.1 線性SVM53-55
• 5.1.2 非線性SVM55-57
• 5.2 基于SVM的車輛行為分析57-60
• 5.2.1 SVM特征向量選取57-59
• 5.2.2 SVM分類器的生成59-60
• 5.3 實驗結果與分析60-63
• 第6章 總結與展望63-65
• 6.1 工作總結63
• 6.2 未來工作展望63-65
• 參考文獻65-71
• 作者簡介及科研成果71-73
• 致謝73

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊潔;閆清東;梅向輝;;基于支持向量機的車輛行為分析方法研究[J];南京郵電大學學報(自然科學版);2015年04期

2 黃婧;郭新彪;;交通相關空氣污染的健康影響研究進展[J];中國環(huán)境科學;2014年06期

3 王相海;叢志環(huán);方玲玲;秦鉅鰲;;基于HMM的車輛行駛狀態(tài)實時判別方法研究[J];自動化學報;2013年12期

4 康維新;曹宇亭;;交通事件的語義理解[J];應用科技;2013年02期

5 陳良波;鄭亞青;;基于最小二乘法的曲線擬合研究[J];無錫職業(yè)技術學院學報;2012年05期

6 楊平;厲小潤;;基于視頻檢測技術的智能隧道交通安全監(jiān)控系統(tǒng)設計[J];計算機應用與軟件;2012年06期

7 劉秀松;;車輛避障駕駛控制方法研究[J];計算機工程與應用;2012年02期

8 梁浩哲;徐樹奎;李國輝;張軍;;面向監(jiān)控視頻的行為模式挖掘[J];山東大學學報(工學版);2011年06期

9 曹凱;周蘆蘆;張政新;;基于道路勢場的智能車輛機動駕駛控制算法[J];系統(tǒng)仿真學報;2011年10期

10 柴毅;陽小燕;尹宏鵬;匡金駿;;基于運動區(qū)域檢測的運動目標跟蹤算法[J];計算機應用研究;2010年12期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 袁國武;智能視頻監(jiān)控中的運動目標檢測和跟蹤算法研究[D];云南大學;2012年

2 焦波;面向智能視頻監(jiān)控的運動目標檢測與跟蹤方法研究[D];國防科學技術大學;2009年

中國碩士學位論文全文數(shù)據(jù)庫 前8條

1 王夢縈;公共管理視角下的特大城市交通擁堵問題研究[D];首都經(jīng)濟貿(mào)易大學;2014年

2 蘇建林;監(jiān)控視頻目標跟蹤算法及應用系統(tǒng)實現(xiàn)研究[D];浙江大學;2013年

3 趙琳琳;時空融合視頻對象分割技術研究[D];吉林大學;2012年

4 張翼;基于視頻分析處理的高清視頻電子警察系統(tǒng)的應用研究[D];復旦大學;2011年

5 樂應英;智能視頻監(jiān)控系統(tǒng)中目標檢測與跟蹤關鍵技術研究[D];云南大學;2010年

6 馮蓓蓓;運動目標檢測系統(tǒng)的設計與實現(xiàn)[D];大連理工大學;2009年

7 李華;基于視頻圖像的交通信息提取關鍵技術研究[D];西南交通大學;2005年

8 伍友龍;基于圖像分析的高速公路交通事件檢測算法研究[D];長沙理工大學;2005年

，

本文編號：1119183