本文選題：視頻分析　切入點：車輛信息　出處：《海南大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：道路上的車輛是智能交通管理系統(tǒng)中的重點研究對象,基于視頻分析的車輛信息的獲取,能夠有效的協(xié)助交通部門監(jiān)管,為人民大眾提供更加高效、安全的出行條件。目前,雖然在道路車輛監(jiān)測方面已有大量的研究成果,但大多數(shù)基于視頻圖像的車輛監(jiān)控系統(tǒng)功能單一、對攝像頭的要求不一致,并且部分信息提取時準確率不夠高。本文針對上述問題,主要研究內(nèi)容如下:(1)針對目前車輛監(jiān)控系統(tǒng)功能單一、對攝像頭的要求不一致的問題,本文利用目前國內(nèi)道路上較多的一類攝像頭采集視頻,分析在該攝像頭下的十字路口場景,根據(jù)場景整體的設(shè)計了提取車輛的個體特征和群體行為特征的系統(tǒng)框架,使得車流量統(tǒng)計、車速測算、車標識別、排隊擁堵檢測這些功能之間能夠互相協(xié)同、節(jié)約資源,并對功能實現(xiàn)時需要用到的圖像處理和機器學(xué)習(xí)的基本方法進行了比較分析。(2)設(shè)計了車輛定位和跟蹤的算法,并以此為基礎(chǔ)實現(xiàn)了車流量統(tǒng)計和車速測算。本文改進Adaboost聯(lián)合SVM的方法,實現(xiàn)對車牌精確實時的定位;選取時空上下文視覺跟蹤算法跟蹤車牌,解決處理速度慢、不準確的問題;依據(jù)V=S/T,分段計算軌跡并乘以不同比例系數(shù)將軌跡長度轉(zhuǎn)換為實際路程,實現(xiàn)車輛測速。(3)提出多尺度并行卷積神經(jīng)網(wǎng)絡(luò)對車標進行分類,在較少訓(xùn)練數(shù)據(jù)集的情況下達到較高識別準確率,并與其它方法進行對比,驗證其實用性,·優(yōu)化現(xiàn)有的車標定位算法,使之適應(yīng)本系統(tǒng)所要應(yīng)用的場景。(4)結(jié)合背景差法和SVM分類器來實現(xiàn)排隊擁堵檢測。首先分析場景,設(shè)計虛擬檢測窗口;然后判斷每個檢測窗口是否有車輛和前景;最后結(jié)合前景所占比率和是否有車輛來判斷窗口是否有停車,從而判斷出整體排隊長度和溢出情況。本文在同一攝像頭采集到的同一視角的場景下,根據(jù)實際條件和需求實現(xiàn)了對車輛個體特征和群體行為特征提取并將結(jié)果以語義的方式輸出,文章對各個功能的算法進行了實際測試,驗證了其準確性和魯棒性。本文實現(xiàn)的系統(tǒng)可在原視頻中基于標注點快速進行定位,將視頻的高層語義信息以圖文方式展現(xiàn)給用戶。
[Abstract]:The vehicle on the road is a key research object of intelligent traffic management system, access to vehicle information based on video analysis, can effectively assist the traffic supervision department, for the people to provide more efficient and safe travel conditions. At present, although there are a lot of research achievements in road vehicle monitoring, but most video vehicle monitoring system the image features based on a single camera, the requirements are inconsistent, and part of the information extraction accuracy is not high enough. Aiming at the above problems, the main research contents are as follows: (1) aiming at the vehicle monitoring system of single function, the camera requirements is not the same problem, the current domestic road more of a class of camera video capture, camera analysis in the crossroads of the scene, according to the characteristics of individual and group behavior characteristics of the overall design of the scene extraction vehicle The framework of the system, the traffic flow statistics, speed calculation, vehicle logo recognition, mutual collaboration, between the queue congestion detection of these features of saving resources, basic methods and Study on image processing and machine functions needed are compared and analyzed. (2) the design of the vehicle positioning and tracking algorithm, and then based on the realization of the traffic flow statistics and speed calculating. This improved method of Adaboost combined with SVM, to realize the accurate and real-time license plate location; select the spatio-temporal context visual tracking algorithm to track the license plate, to solve the slow processing speed, the problem of inaccurate; according to V=S/T, calculate the trajectory and multiplied by the different proportion coefficient will be converted to the actual distance of piecewise trajectory length and realize vehicle speed. (3) we propose a multi-scale parallel convolutional neural network to classify the logo, to achieve higher recognition accuracy with less training data set, and Compared to other methods, to verify its practicality, and optimize the existing logo positioning algorithm, so as to adapt to the system by the application of the scene. (4) combined with background difference method and SVM classifier to achieve queue congestion detection. Firstly, design of virtual scene, and then judge the detection window; each detection window is a vehicle and finally, future prospects; the proportion and whether there is a vehicle to determine whether the window is parking, in order to determine the overall queue length and overflow. The same view in the same camera to capture the scene, according to the actual conditions and needs of the vehicle to achieve the individual characteristics and group behavior and will result in feature extraction the semantics of the output, the algorithm of each function was tested to verify its accuracy and robustness. This system can be implemented in the original video annotation based on point quickly Positioning, the high-level semantic information of the video is presented to the user in a graphic manner.

【學(xué)位授予單位】：海南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：U495;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 肖坦;張濤;楊栩;;視頻分析功能設(shè)計方案及實施[J];鐵路技術(shù)創(chuàng)新;2010年02期

2 ;泰克最新的數(shù)字視頻分析、測試和診斷產(chǎn)品[J];電氣時代;2007年09期

3 鄒芳;肖坦;蔣征朋;;視頻分析技術(shù)綜述及鐵路應(yīng)用初探[J];鐵路通信信號工程技術(shù);2008年03期

4 丁曉雷;;視頻事件檢測系統(tǒng)在高速公路的應(yīng)用[J];中國交通信息化;2014年08期

5 牛暉萍;;數(shù)字視頻分析技術(shù)在軌道交通中的應(yīng)用探討[J];鐵道通信信號;2011年06期

6 陳玉,張旭東,王德生;基于視頻分析的可分層的容錯編碼算法[J];清華大學(xué)學(xué)報(自然科學(xué)版);2005年07期

7 陳璋雯;達飛鵬;陸可;;基于視頻分析的實時跟蹤及入侵警報系統(tǒng)[J];東南大學(xué)學(xué)報(自然科學(xué)版);2012年S1期

8 張鐸;肖坦;;視頻分析技術(shù)在青藏鐵路視頻監(jiān)控系統(tǒng)中的應(yīng)用[J];中國鐵路;2010年03期

9 曾超;;智能視頻分析技術(shù)的應(yīng)用及發(fā)展前景[J];中國鐵路;2013年08期

10 ;企業(yè)信息[J];中國交通信息化;2013年11期

相關(guān)會議論文 前1條

1 王仝杰;;互聯(lián)網(wǎng)熱點視頻分析方法研究[A];中國新聞技術(shù)工作者聯(lián)合會第六次會員代表大會、2014年學(xué)術(shù)年會暨第七屆《王選新聞科學(xué)技術(shù)獎》和優(yōu)秀論文獎頒獎大會論文集（三等獎）[C];2014年

相關(guān)重要報紙文章 前8條

1 童劍軍;視頻分析技術(shù)潛力無限[N];計算機世界;2008年

2 安陽;視頻分析技術(shù)解決安防監(jiān)控難題[N];中國城鄉(xiāng)金融報;2010年

3 本報通訊員 吳苡婷 本報記者 王春;上海工程技術(shù)大學(xué)研發(fā)成功高速人臉視頻分析儀[N];科技日報;2013年

4 閆德海 徐少磊;萊陽：六成案件借助視頻分析研判破獲[N];人民公安報;2014年

5 甘勃邋閆松;虛擬運動員怎樣領(lǐng)銜奧運訓(xùn)練[N];大眾科技報;2008年

6 趙雪;我多項運動使用數(shù)字視頻技術(shù)[N];科技日報;2008年

7 本報記者 劉瑾;用科技保城市平安[N];經(jīng)濟日報;2012年

8 本報記者 李映;新興應(yīng)用助DSP收復(fù)“失地”[N];中國電子報;2012年

相關(guān)博士學(xué)位論文 前4條

1 楊雪鋒;基于船載紅外視頻分析的海盜船艇智能辨識方法研究[D];大連海事大學(xué);2016年

2 湯林勰;多媒體廣告計算[D];中國科學(xué)技術(shù)大學(xué);2011年

3 羅雅琴;視頻監(jiān)控分析云的高可用性研究[D];華中科技大學(xué);2013年

4 高贊;基于內(nèi)容的視頻分析關(guān)鍵技術(shù)[D];北京郵電大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 凌少虎;面向視頻分析的任務(wù)管理與執(zhí)行系統(tǒng)[D];華南理工大學(xué);2015年

2 劉秋燕;基于視頻分析的自動報靶系統(tǒng)設(shè)計[D];浙江大學(xué);2015年

3 蔡淞;基于視頻分析的會場管理系統(tǒng)設(shè)計與實現(xiàn)[D];復(fù)旦大學(xué);2013年

4 楊波;基于DM8127的高清視頻分析平臺的設(shè)計與實現(xiàn)[D];電子科技大學(xué);2015年

5 張嘯林;基于TLD和SIFT的視頻分析系統(tǒng)設(shè)計與實現(xiàn)[D];西安電子科技大學(xué);2014年

6 徐鉦;虛擬卡口平臺的設(shè)計與實現(xiàn)[D];武漢郵電科學(xué)研究院;2014年

7 魏小東;多項目管理方法在視頻分析技術(shù)企業(yè)中的應(yīng)用研究[D];浙江工業(yè)大學(xué);2014年

8 王業(yè)成;潛意識暗示下手繪過程中頓悟的研究及原型系統(tǒng)設(shè)計[D];浙江理工大學(xué);2016年

9 胡樂;基于視頻分析的多模式自動報靶系統(tǒng)設(shè)計[D];浙江大學(xué);2016年

10 李小強;基于視頻分析的智能跟蹤系統(tǒng)軟件設(shè)計[D];浙江大學(xué);2016年

，

本文編號：1585980