發(fā)布時(shí)間：2017-05-01 02:03

  本文關(guān)鍵詞：基于高斯混合模型的多源異類交通數(shù)據(jù)融合研究，由筆耕文化傳播整理發(fā)布。

【摘要】：由于汽車增加,道路容量不足等原因,城市快速路交通擁堵問(wèn)題正日益突出。解決該問(wèn)題的根本原則是降低道路車流密度。實(shí)現(xiàn)該目標(biāo)有很多途徑,其中一種是通過(guò)實(shí)時(shí)交通狀態(tài)估計(jì),對(duì)出行者進(jìn)行誘導(dǎo),從而提高道路利用率。為更精確地估計(jì)交通狀態(tài),本文綜合考慮各類傳感器采集的交通數(shù)據(jù),提出了一種基于高斯混合模型(GMM)的交通數(shù)據(jù)融合模型。該模型能夠有效克服單一傳感器數(shù)據(jù)的不確定性,準(zhǔn)確評(píng)估路網(wǎng)交通狀態(tài)。結(jié)合已有研究成果,本文圍繞交通狀態(tài)估計(jì)過(guò)程中的傳感器數(shù)據(jù)預(yù)處理、視頻源平均速度優(yōu)化及交通數(shù)據(jù)融合三點(diǎn)內(nèi)容進(jìn)行研究和實(shí)驗(yàn),研究?jī)?nèi)容及創(chuàng)造性貢獻(xiàn)如下：首先針對(duì)外界環(huán)境因素干擾導(dǎo)致傳感器數(shù)據(jù)質(zhì)量降低的問(wèn)題,文章提出了一種考慮具體道路等級(jí),采用對(duì)應(yīng)閾值及卡爾曼濾波器對(duì)各類傳感器數(shù)據(jù)進(jìn)行篩選及濾波的方法。其次針對(duì)傳統(tǒng)視頻源易受光照影響的缺陷,本文采用RGB-D設(shè)備同時(shí)獲取彩色信息及目標(biāo)與相機(jī)的距離信息,即深度信息,分析獲取更豐富的場(chǎng)景信息,提高車輛識(shí)別與跟蹤的精確性,最終提高路段平均速度估計(jì)的精確性。最后針對(duì)交通狀態(tài)估計(jì)中單源傳感器數(shù)據(jù)的不確定性導(dǎo)致結(jié)果不準(zhǔn)確的問(wèn)題,本文綜合考慮多源交通數(shù)據(jù),采用GMM進(jìn)行異類交通數(shù)據(jù)建模,并提出了一種基于高斯混合模型的多源異類交通數(shù)據(jù)融合算法,以進(jìn)一步提高交通狀態(tài)估計(jì)的準(zhǔn)確性及魯棒性。采用杭州4條路段的2015年7月6號(hào)到10號(hào)的微波、GPS數(shù)據(jù)以及RGB-D三源數(shù)據(jù)對(duì)本文提出的數(shù)據(jù)融合模型進(jìn)行分析驗(yàn)證,實(shí)驗(yàn)結(jié)果顯示：(1).結(jié)合了具體道路等級(jí)的傳感器數(shù)據(jù)抗差處理對(duì)提高數(shù)據(jù)質(zhì)量具有積極的意義；(2).深度數(shù)據(jù)有效彌補(bǔ)了傳統(tǒng)視頻設(shè)備在彩色信息缺失時(shí)帶來(lái)的問(wèn)題,提高了車輛及路段速度估計(jì)的精確性；(3).本文提出的基于高斯混合模型的數(shù)據(jù)融合算法通過(guò)結(jié)合交通流參數(shù)分布特征,能夠有效提高交通狀態(tài)估計(jì)的準(zhǔn)確性及魯棒性。
【關(guān)鍵詞】：數(shù)據(jù)融合 交通狀態(tài)估計(jì) 抗差處理 深度數(shù)據(jù) 高斯混合模型
【學(xué)位授予單位】：杭州師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U495;TP202
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-10
• 1 緒論10-18
• 1.1 國(guó)內(nèi)外交通數(shù)據(jù)融合與實(shí)時(shí)交通狀態(tài)估計(jì)研究現(xiàn)狀10-13
• 1.1.1 交通狀態(tài)估計(jì)研究現(xiàn)狀10-11
• 1.1.2 數(shù)據(jù)融合技術(shù)研究現(xiàn)狀11-12
• 1.1.3 交通數(shù)據(jù)融合研究現(xiàn)狀12-13
• 1.2 研究的目的和意義13-15
• 1.2.1 研究目的13-14
• 1.2.2 研究意義14-15
• 1.3 研究?jī)?nèi)容和技術(shù)路線15-16
• 1.3.1 研究?jī)?nèi)容15
• 1.3.2 技術(shù)路線15-16
• 1.4 論文結(jié)構(gòu)安排16-17
• 1.5 本章小結(jié)17-18
• 2 基于卡爾曼濾波器的交通數(shù)據(jù)預(yù)處理18-23
• 2.1 智能交通傳感器數(shù)據(jù)源18-19
• 2.1.1 GPS18
• 2.1.2 微波車輛檢測(cè)器18-19
• 2.2 數(shù)據(jù)預(yù)處理19-22
• 2.2.1 數(shù)據(jù)清洗19-20
• 2.2.2 數(shù)據(jù)降噪20-22
• 2.2.2.1 卡爾曼濾波器及其原理介紹20-21
• 2.2.2.2 基于卡爾曼濾波器的GPS、微波數(shù)據(jù)濾波及補(bǔ)全21-22
• 2.3 本章小結(jié)22-23
• 3 基于RGB-D的車輛跟蹤與路段平均速度估計(jì)23-34
• 3.1 車輛檢測(cè)與跟蹤23-30
• 3.1.1 三幀差檢測(cè)法25-27
• 3.1.2 深度信息聚類27-28
• 3.1.3 車輛分割與檢測(cè)28-29
• 3.1.4 車輛跟蹤29-30
• 3.1.4.1 SURF特征匹配算法概述29-30
• 3.1.4.2 特征提取及匹配30
• 3.2 路段平均速度估計(jì)30-31
• 3.3 實(shí)驗(yàn)分析31-33
• 3.3.1 車輛檢測(cè)與分割結(jié)果分析31-32
• 3.3.2 車輛跟蹤結(jié)果分析32-33
• 3.4 本章小結(jié)33-34
• 4 基于高斯混合模型的多源數(shù)據(jù)融合34-44
• 4.1 道路交通狀態(tài)定義及評(píng)價(jià)方法34-36
• 4.2 GMM模型訓(xùn)練36-39
• 4.3 交通狀態(tài)估計(jì)39-40
• 4.4 實(shí)驗(yàn)分析40-43
• 4.4.1 交通狀態(tài)人工標(biāo)注41
• 4.4.2 準(zhǔn)確性分析實(shí)驗(yàn)41-43
• 4.5 本章小結(jié)43-44
• 5 總結(jié)與展望44-46
• 5.1 主要工作總結(jié)44-45
• 5.2 未來(lái)研究的展望45-46
• 參考文獻(xiàn)46-50
• 作者簡(jiǎn)歷50
• 攻讀學(xué)位期間發(fā)表或錄用的學(xué)術(shù)論文50

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 馬超;張政石;;基于二維高斯混合模型的駕駛行為分析[J];硅谷;2011年05期

2 曾洪;盧偉;宋愛(ài)國(guó);;基于完整似然最短信息長(zhǎng)度準(zhǔn)則的高斯混合模型聚類(英文)[J];Journal of Southeast University(English Edition);2013年01期

3 仲莉恩;隋立林;;基于高斯混合模型陰影消除算法研究[J];中國(guó)電力教育;2009年S2期

4 邵妍;霍春寶;金曦;;基于改進(jìn)的高斯混合模型算法的說(shuō)話人識(shí)別[J];遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

5 徐保勇;王媛麗;王平;高穎慧;范慶明;;基于高斯混合模型機(jī)載下視運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J];重慶理工大學(xué)學(xué)報(bào)(自然科學(xué));2011年11期

6 何明;馮博琴;馬兆豐;傅向華;;一種基于高斯混合模型的無(wú)監(jiān)督粗糙聚類方法[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2006年02期

7 吳迪;曹潔;王進(jìn)花;;基于自適應(yīng)高斯混合模型與靜動(dòng)態(tài)聽(tīng)覺(jué)特征融合的說(shuō)話人識(shí)別[J];光學(xué)精密工程;2013年06期

8 張曉娜;何仁;劉志強(qiáng);陳士安;倪捷;;基于空間信息高斯混合模型的運(yùn)動(dòng)車輛檢測(cè)[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

9 於躍成;劉彩生;生佳根;;分布式約束一致高斯混合模型[J];南京理工大學(xué)學(xué)報(bào);2013年06期

10 董宏輝;孫智源;葛大偉;秦勇;賈利民;;基于高斯混合模型的鐵路入侵物體目標(biāo)識(shí)別方法[J];中國(guó)鐵道科學(xué);2011年02期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 駱俊;馬盡文;;高斯混合模型的遺傳分基融合算法[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

2 廖頻;沈理;;基于高斯混合模型的人臉圖象識(shí)別研究[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2001年

3 馬盡文;何學(xué)鋒;;高斯混合模型的數(shù)據(jù)尺度可壓縮參數(shù)學(xué)習(xí)算法[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

4 瞿俊;姜青山;董槐林;;基于高斯混合模型的層次聚類算法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2006年

5 蔡念;郭文婷;陳世文;潘晴;;融合高斯混合模型和小波變換的運(yùn)動(dòng)目標(biāo)檢測(cè)[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

6 龍艷花;郭武;戴禮榮;;一種應(yīng)用于SVM說(shuō)話者確認(rèn)系統(tǒng)的新型序列核[A];第九屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];2007年

7 劉李漫;陶文兵;田金文;;融合多高斯混合模型與Graph Cuts優(yōu)化技術(shù)的目標(biāo)自動(dòng)檢測(cè)方法[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

8 康永國(guó);雙志偉;陶建華;張維;徐波;;高斯混合模型和碼本映射相結(jié)合的語(yǔ)音轉(zhuǎn)換算法[A];第八屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];2005年

9 應(yīng)冬文;顏永紅;付強(qiáng);國(guó)雁萌;;基于約束高斯混合模型的噪聲功率譜估計(jì)[A];2010年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

10 唐英干;劉東;關(guān)新平;;基于高斯混合模型的多分辨率圖像分割[A];第十二屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 王益文;復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)影響力模型及其應(yīng)用[D];浙江大學(xué);2015年

2 陳雪峰;圖像高斯混合模型的判別學(xué)習(xí)方法[D];北京理工大學(xué);2009年

3 賴裕平;非高斯混合模型的變分學(xué)習(xí)算法研究[D];北京郵電大學(xué);2014年

4 劉輝;miRNA靶標(biāo)預(yù)測(cè)的系統(tǒng)生物學(xué)方法研究[D];中國(guó)礦業(yè)大學(xué);2009年

5 陶建斌;貝葉斯網(wǎng)絡(luò)模型在遙感影像分類中的應(yīng)用方法研究[D];武漢大學(xué);2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 范苗;基于高斯混合模型的時(shí)變過(guò)程軟測(cè)量建模[D];浙江大學(xué);2015年

2 許莉薇;基于高斯混合模型林業(yè)信息文本分類的技術(shù)研究[D];東北林業(yè)大學(xué);2015年

3 車瀅霞;約束條件下的結(jié)構(gòu)化統(tǒng)計(jì)聲學(xué)模型及非平行語(yǔ)料語(yǔ)音轉(zhuǎn)換[D];蘇州大學(xué);2015年

4 張曉紅;基于候選生成的貓臉檢測(cè)[D];哈爾濱工業(yè)大學(xué);2015年

5 付娜;基于視頻的運(yùn)動(dòng)人體行為捕捉算法研究[D];北京理工大學(xué);2015年

6 王炳輝;基于層次貝葉斯自適應(yīng)稀疏的高斯混合模型[D];大連理工大學(xué);2015年

7 邱藤;基于高斯混合模型的EM算法及其應(yīng)用研究[D];電子科技大學(xué);2015年

8 張小林;基于高斯混合模型和非負(fù)矩陣分解的復(fù)雜網(wǎng)絡(luò)社區(qū)檢測(cè)[D];西安電子科技大學(xué);2014年

9 姚紹芹;基于聲道譜參數(shù)的語(yǔ)音轉(zhuǎn)換算法研究[D];南京郵電大學(xué);2015年

10 閆昊;基于高斯混合模型的文本無(wú)關(guān)說(shuō)話人年齡識(shí)別[D];蘇州大學(xué);2015年

  本文關(guān)鍵詞：基于高斯混合模型的多源異類交通數(shù)據(jù)融合研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：337985