基于視頻分析的車輛跟蹤與行為識別研究畢業(yè)設(shè)計

畢業(yè)設(shè)計（論文）報告紙編號畢業(yè)設(shè)計題目基于視頻分析的車輛跟蹤與行為識別研究

本科畢業(yè)設(shè)計（論文）誠信承諾書本人鄭重聲明：所呈交的畢業(yè)設(shè)計（論文）（題目：基于視頻分析的車輛跟蹤與行為識別研究）是本人在導師的指導下獨立進行研究所取得的成果。盡本人所知，除了畢業(yè)設(shè)計（論文）中特別加以標注引用的內(nèi)容外，本畢業(yè)設(shè)計（論文）不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。作者簽名：年月日（學號）：畢業(yè)設(shè)計（論文）報告紙-34-基于視頻分析的車輛跟蹤與行為識別研究摘要隨著世界科技水平與科學生產(chǎn)力的普遍提高，汽車已經(jīng)成為最常見的交通工具，道路交通安全的形勢也愈加嚴峻。交通安全的保障不僅僅需要駕駛?cè)藛T素質(zhì)的提高，還需要道路交通管理部門的嚴格監(jiān)督和交通法規(guī)的有效執(zhí)行。目前，基于視頻分析的道路交通管理系統(tǒng)正日益取代人工管理方式，成為當今計算機視覺領(lǐng)域研究的熱門。本文利用數(shù)字圖像處理技術(shù)，就車輛壓雙黃線行為的檢測和識別工作，按步驟進行了詳細論述。首先，利用均值法進行背景建模，再用背景差法提取出運動前景，并通過形態(tài)學處理技術(shù)對前景進行初步優(yōu)化處理；其次，提出自定義“感興趣區(qū)域”的觀點，將雙黃線區(qū)域標記為“感興趣區(qū)域”；最后，對“感興趣區(qū)域”中的運動前景部分進行檢測和加框提醒，實現(xiàn)對壓雙黃線車輛的檢測和識別。本文提出的算法簡單可行，且成功實現(xiàn)對違規(guī)車輛的識別，具有重要的實際意義，對交通管理事業(yè)也有一定的參考價值。關(guān)鍵詞：視頻分析，車輛跟蹤，行為識別，背景建模

ResearchonvehicletrackingandbehaviorrecognitionbasedonvideoanalysisAbstractWiththedevelopmentoftheworld'sscientificandtechnologicallevelandthescientificproductivity,carshavebecomethemostcommonmeansoftransportation.Trafficsafetysituationisevenmoreserious.Toguaranteethetrafficsafety,notonlyneedstheimprovementofdriver’squality,butalsoneedsthestrictsupervisionandeffectiveimplementationoftrafficlawsbytrafficmanagement.Atpresent,thetrafficmanagementsystembasedonvideoanalysis,increasinglyreplacingmanualmanagementmode,hasbecomeahotresearchpointofcomputervisionfield.Inthispaper,byusingthetechnologyofdigitalimageprocessing,thevehicledetectionandrecognitionofthecarswhichpresseddoubleamberlinesarediscussedaccordingtothestepsindetail.Firstly,weusetheaveragemethodforbackgroundmodelingtogetthebackground.Thenusethebackgroundsubtractionmethodtoextractthemovingforegroundandpreliminarilyoptimizetheforegroundthroughmorphologicalprocessing;secondly,presenttheviewpointofthecustom"regionofinterest"andmarkthedoubleamberlinesareaasthe"regionofinterest";finally,detectandframetoremindthemovingobjectsinthe"regionofinterest".Thenthevehicleswhichpresseddoubleamberlineswillbedetectedandrecognized.Inthispaper,theproposedalgorithmissimpleandfeasible.Andtheimplementationofidentificationofillegalvehiclehasimportantpracticalsignificance,alsohassomereferencevaluetothetrafficmanagement.Keywords:videoanalysis;vehicletracking;behaviorrecognition;backgroundmodeling

目錄摘要 iiiAbstract iii目錄 iii第一章緒論 -3-1.1研究背景及意義 -3-1.1.1研究背景 -3-1.1.2研究意義 -3-1.2國內(nèi)外研究現(xiàn)狀 -3-1.3本文主要研究工作 -3-1.4章節(jié)安排 -3-第二章車輛檢測技術(shù) -3-2.1常用方法分類 -3-2.2常見背景差分法 -3-2.2.1基于均值法和中值法的背景提取 -3-2.2.2自適應(yīng)背景更新的背景提取 -3-2.2.3基于混合高斯算法的背景建模 -3-2.3本章小結(jié) -3-第三章行為識別技術(shù) -3-3.1個體車輛行為識別 -3-3.1.1軌跡聚類 -3-3.1.2模型建立 -3-3.1.3模型匹配 -3-3.1.4其他方法——基于實際場景信息的異常檢測 -3-3.2交通流異常檢測 -3-3.3本章小結(jié) -3-第四章基于視頻分析的車輛跟蹤與行為識別算法設(shè)計 -3-4.1運動前景提取 -3-4.1.1均值法背景建模 -3-4.1.2背景差法提取前景 -3-4.2車輛前景處理 -3-4.2.1樹枝噪聲濾除 -3-4.2.2車輛分體現(xiàn)象處理 -3-4.2.3行人噪聲干擾處理 -3-4.3車輛行為識別 -3-4.3.1提取“感興趣區(qū)域” -3-4.3.2利用“感興趣區(qū)域”識別 -3-4.3.3算法優(yōu)化 -3-4.4本章小結(jié) -3-第五章壓雙黃線行為識別實驗 -3-5.1實驗設(shè)計 -3-5.1.1實驗?zāi)康?-3-5.1.2實驗內(nèi)容 -3-5.2實驗結(jié)果 -3-5.2.1運動前景提取 -3-5.2.2車輛前景優(yōu)化 -3-5.2.3壓雙黃線行為識別 -3-5.3結(jié)果分析 -3-第六章總結(jié)與展望 -3-6.1工作總結(jié) -3-6.2未來展望 -3-參考文獻 -3-致謝 -3-第一章緒論1.1研究背景及意義隨著科學技術(shù)的發(fā)展，世界生產(chǎn)力水平普遍加強，汽車這種本來很奢侈的交通工具也變得隨處可見。誠然，汽車給很多人帶來了便捷，但隨之而來的是日益嚴重的交通擁堵和交通事故問題。城市的道路規(guī)劃有限，而汽車的數(shù)量卻在逐年猛增，用有限的道路去容納不斷增長的車輛，這就給城市規(guī)劃和交通管理帶來了巨大的壓力。1.1.1研究背景目前我國的交通狀況主要有以下幾個問題：車輛過多導致交通堵塞，城市道路設(shè)施無法滿足車輛需求；不恰當?shù)牡缆芬?guī)劃，造成資源浪費；駕駛員整體素質(zhì)較低，交通違章現(xiàn)象嚴重；車輛監(jiān)管和懲處力度不夠等。據(jù)交通局發(fā)布的消息，截至2012年6月底，我國機動車保有量已超過兩億輛[1]。機動車市場的迅猛發(fā)展造成道路資源迅速消耗殆盡，目前全國已有多個城市實行機動車單雙號限行，盡管如此，許多城市在上下班高峰期仍然出現(xiàn)嚴重的擁堵現(xiàn)象。機動車的迅速增加還帶來了交通事故的直線上升，統(tǒng)計顯示在2001年到2010年這十年里，有近90萬的交通事故，在這些交通事故中，有80%~85%都是因為車輛違章駕駛造成的，這些違反交通規(guī)則的行為統(tǒng)稱為車輛異常行為[2]。車輛異常行為危害極大，必須有效地制止這一問題。智能交通管理系統(tǒng)（IntelligentTransportSystem，ITS）應(yīng)運而生，它是一種新型有效的交通管理方式。ITS起源于美國，早在上世紀80年代美國就開始了相關(guān)技術(shù)的開發(fā)和利用。歐洲、日本等發(fā)達國家也緊隨其后，相繼投入了大量的資金和人力進行研發(fā)，目前全球正在形成新的ITS研究熱潮，ITS產(chǎn)業(yè)也得到迅速發(fā)展。ITS的研究與應(yīng)用離不開交通監(jiān)控，如何有效地對車輛進行檢測跟蹤與行為識別是其中的關(guān)鍵。傳統(tǒng)的交通監(jiān)控手段主要是通過在道路上安裝攝像頭，將拍攝的視頻訊號傳至監(jiān)控中心，利用人工方式進行分析，顯然這種方式工作量大，耗時費力。而利用紅外線、地感線圈等進行判斷的方式雖然實時性好、準確性高，但施工力度大、后期維護復雜且成本較高，同樣具有很大的局限性。隨著科學技術(shù)的發(fā)展，計算機的處理能力逐步提高，智能視頻處理技術(shù)的廣泛應(yīng)用也成為可能，漸漸有取代車輛檢測傳統(tǒng)方法的趨勢。通過對視頻中車輛進行目標檢測與識別[3]，進而分析其行為，判斷出交通異常情況，從而對潛在交通事故發(fā)出預(yù)警，最后利用適當?shù)慕煌刂品绞?，可以有效減少和避免交通事故的發(fā)生。并且即使有交通異常發(fā)生，也能快速地自動檢測，使管理人員能及時采取措施，解決問題從而避免更大范圍的人員及財產(chǎn)損失。1.1.2研究意義顯然，對車輛檢測和異常行為識別的研究與應(yīng)用不僅能緩解交通壓力，提高道路運行效率，而且可以有效避免交通事故產(chǎn)生，對于促進安全社會、和諧社會的建設(shè)有著積極的推動作用。同時，對于與之相關(guān)的技術(shù)也有一定的促進作用，尤其是對計算機視覺技術(shù)的其他研究領(lǐng)域，因為其主要技術(shù)相關(guān)性大，所以對車輛跟蹤技術(shù)的研究可以為其他技術(shù)的發(fā)展方向提供引導，同時也為其他技術(shù)提供了基礎(chǔ)技術(shù)上的保障，使得各種技術(shù)在相互推動中共同發(fā)展?，F(xiàn)在的車輛跟蹤技術(shù)在車輛上的應(yīng)用其實只是車速保持，而不是自動識別路面上的車輛情況，也不能自動控制車輛的變速和變向[4]。當車輛跟蹤和行為識別技術(shù)成長到一定階段后，不僅交通局的管理會變得簡單，自動駕駛也將成為可能，人們的生活質(zhì)量將得到極大的提高。通過基于視頻分析的車輛檢測和跟蹤技術(shù)，能夠?qū)﹃J紅燈、違章變線、車道逆行等違章駕駛行為進行記錄，可以極大地減少交警的工作壓力，讓他們有更多的精力實施對這些違章駕駛?cè)耸康膽土P教育。同時還能帶動駕駛?cè)藛T素質(zhì)的提高，對安全駕駛理念的推廣有著極為重要的作用。1.2國內(nèi)外研究現(xiàn)狀上世紀90年代初，隨著車輛的逐漸普及，以及車輛普及所帶來的交通堵塞和交通事故問題的加劇，交通管理技術(shù)得到越來越多的重視。加上智能交通系統(tǒng)（ITS）的誕生，使得交通管理愈加趨向自動化、智能化。以美國為代表的各個發(fā)達國家和組織都致力于現(xiàn)代交通管理所需技術(shù)的研發(fā)，極大地推動了智能交通管理系統(tǒng)的發(fā)展和應(yīng)用。目前國際上知名的交通系統(tǒng)有：美國ISS公司的AUTOSCOPE系統(tǒng)、比利時路暢公司的TRAFICON系統(tǒng)、澳大利亞的最優(yōu)自動適應(yīng)交通控制系統(tǒng)（SCATS）以及新加坡的高速公路監(jiān)控和信息誘導系統(tǒng)（EMAS）等[5]。目前美國AUTOSCOPE系統(tǒng)占據(jù)了大部分市場份額，它能提供交通流量、速度、占有率、車輛分類和排隊長度等多種信息。至于國內(nèi)，雖然交通狀況急劇惡化，但是國內(nèi)自主研制的智能交通管理系統(tǒng)并沒有完善起來，因此主要還是引進國外的產(chǎn)品，引進最多的是澳大利亞的SCATS系統(tǒng)[5]。國內(nèi)自主創(chuàng)新的產(chǎn)品較少，并且應(yīng)對復雜道路能力差，很難廣泛運用。目前國內(nèi)對基于視頻分析的車輛跟蹤研究還處在實驗的階段，研究成果[2]主要有：基于自適應(yīng)的貝葉斯概率背景更新算法，基于運動矢量場時空濾波的車輛檢測算法，小波圖像分析檢測法，基于混合差分的檢測法，基于形態(tài)學的運動檢測法等。這些方法有其優(yōu)越的地方，也有一些不足之處需要研究人員去解決。而在車輛異常行為分析方面，成果雖不如車輛跟蹤那么豐碩，但也展現(xiàn)了蓬勃的生命力：北京交通大學通過車輛軌跡聚類分析對車輛異常行為進行了檢測分析；中山大學智能研究中心對基于視頻的車輛軌跡模型的交通事件自動監(jiān)測方法進行了研究并制定了合理的檢測算法[6]；浙江工業(yè)大學對基于全景視覺的車輛異常行為檢測技術(shù)進行了研究[7]，對闖紅燈等行為進行檢測試驗[8]，并取得了一定的實驗成果。1.3本文主要研究工作利用數(shù)字圖像處理技術(shù)，對監(jiān)控視頻進行幀處理，建模得出背景模型并分割出運動前景，再利用形態(tài)學處理技術(shù)方法對所得前景結(jié)果進行優(yōu)化，結(jié)合運動目標的形態(tài)特征去除行人、樹枝和陰影等噪聲，最后聯(lián)系實際情況設(shè)定“感興趣區(qū)域”，對目標進行預(yù)初設(shè)定的行為識別。1.4章節(jié)安排本文將按照算法操作的流程依次在后面的章節(jié)進行論述。其中，第二章和第三章將分別論述車輛檢測和行為識別技術(shù)的一般方法；而第四章則是本文采用的算法思路的詳細介紹；第五章將呈現(xiàn)本文算法的實驗結(jié)果；第六章是對本文算法的總結(jié)和展望。

第二章車輛檢測技術(shù)車輛檢測是整個智能交通管理系統(tǒng)實現(xiàn)的基礎(chǔ)和核心。其中車輛跟蹤依賴于對運動車輛的正確檢測，而車輛異常行為識別也是基于檢測到的結(jié)果進行分析的。而目前車輛檢測方法的研究也是成果最多的，本章將對這些方法進行簡要的介紹。2.1常用方法分類常用的運動車輛檢測方法可以分為：幀差法，光流法，背景差分法，拓展的EM算法，基于形態(tài)學的場景變化檢測法和能量運動檢測法等。光流法不需要預(yù)知場景的信息就能獨立檢測出運動物體的信息，故而不受環(huán)境的制約，適應(yīng)性很強。但是光流法的算法都比較發(fā)雜，且抗噪性能低，所以一般很難運用于實時監(jiān)測。幀間差分法通過將相鄰連續(xù)的三幀圖像兩兩差分，可以實現(xiàn)從中檢測出運動物體。顯然，這種方法具有較好的自適應(yīng)能力，但是對于參與運算的視頻幀的選取時機要求比較苛刻，由于運動目標速度變化的影響，這種方法還需要不斷改變最佳閾值來獲取最佳效果，這樣就加大了本身的量化噪聲，降低了魯棒性，不利于車輛的定位跟蹤。運動能量法能消除背景中抖動的像素，如樹枝和水紋，還能凸顯特定方向的運動目標。這種方法適用于各種復雜的環(huán)境，同樣有很強的自適應(yīng)能力，但是對于運動目標的分割仍然不是很精確。拓展的EM算法主要有基于小波模歷史圖像的檢測方法[9]。小波模歷史圖像法是為了提高檢測精確度和穩(wěn)定性而提出來的，它將圖像小波分解后對低頻和高頻進行不同的處理，投影變換后利用EM算法原理，將投影曲線邊緣與原始目標通過迭代結(jié)合，從而達到檢測的效果。這種方法能有效解決陰影粘滯問題，并且檢測結(jié)果比較精確?；谛螒B(tài)學的場景變換法主要有基于不變矩圖像匹配檢測法[10]和基于運動矢量場時空濾波檢測法[11]等。前者主要是針對工廠流水線上的工件進行判別，對工件進行一系列變換處理后，利用目標不變矩陣和模板不變矩陣的相似程度進行判別歸類。這種方法對車輛跟蹤檢測有很大的借鑒意義。后者結(jié)合了光流場和幀差法的特點，提出在檢測過程中引入輔助信息的新思維，這種方法利用運動模式分類和運動適量場的信息，只需簡單的運算就可以得到運動目標的一個大概信息，只要再結(jié)合實際地點的先驗知識和輔助設(shè)置，就能很好實現(xiàn)運動物體的檢測。該方法既簡單準確性又高。背景差分法包括均值法、中值法、混合高斯模型法以及在其基礎(chǔ)上衍生出來的各種方法。背景差分法的基本思想是將圖像中的像素分為前景和背景，前景就是系統(tǒng)想要檢測的目標，其他部分就是背景，只要將背景有效的提取出來，就可以通過求圖片與背景的差值來獲得所需的目標信息。背景差分法運算簡單且速度快，其局限是只適用于靜止狀態(tài)的攝像機所獲得的視頻信息。下面主要介紹4種常見的背景差分法。2.2常見背景差分法2.2.1基于均值法和中值法的背景提取均值法和中值法[12]是背景差分法的最基本的方法，是一種基于時間軸的濾波方法。因為提取背景時不能保證場景中沒有運動目標的存在，所以將運動目標當作噪聲，均值法就是利用時間的累積性將噪聲的影響無限減小，通過取長時間（相對于運動目標存在場景中的時間而言）均值即能有效濾去運動目標所帶來的噪聲。中值法是用中值來代替均值，同樣能達到濾除運動物體的目的。但是兩者相較而言，均值法計算更簡單，而中值法效果更好。兩者同樣有著不可忽視的缺點，那就是他們只適用于攝像機靜止且外部條件理想的狀況，如果外部擾動較大，那么提取出來的背景將會有很大的噪聲誤差。2.2.2自適應(yīng)背景更新的背景提取目前運動目標檢測的方法有很多，但大多都存在著受天氣狀況、視野范圍、目標復雜等因素的影響，例如上述均值法和中值法，如果外界條件不穩(wěn)定，那么背景就無法適應(yīng)變化的環(huán)境，產(chǎn)生很強的噪聲干擾。自適應(yīng)背景更新法[13]能有效避免這方面的問題，可以說它是對上述兩種方法的優(yōu)化。其第一步是用均值法得到一個初始背景，通過設(shè)定閾值來驗證每一像素點是否是背景像素點，通過學習和自適應(yīng)不斷改變背景模板，使之適應(yīng)多變的環(huán)境帶來的背景變換問題。而背景自適應(yīng)的條件是有光照的改變或者有交通堵塞的情況。自適應(yīng)背景更新法主要用于復雜環(huán)境中運動目標的提取，具有適應(yīng)性強的特點。但是這種方法在實際操作中存在透視變形和噪聲污點過大的缺點，仍然需要改進。目前存在的一種改進方法是基于貝葉斯概率算法[14]的自適應(yīng)背景更新法，它是利用統(tǒng)計學的原理將圖像中的像素進行靜態(tài)動態(tài)背景分類，并結(jié)合兩種背景實現(xiàn)背景與前景的分離。由于它還具有很好的學習和自適應(yīng)更新能力，能很好地適應(yīng)各種復雜的場景。實驗結(jié)果表明，雖然仍存在著陰影干擾的問題，但該方法抗環(huán)境干擾能力強，檢測準確率高，具有實時性好、魯棒性好的特點，有很大的發(fā)展?jié)摿Α?.2.3基于混合高斯算法的背景建模基于混合高斯算法的背景建模是基于統(tǒng)計模型的一種背景提取方法。因為在應(yīng)對復雜多變的環(huán)境時會產(chǎn)生多峰分布，而單高斯算法只能處理單峰分布，故此時需要一種其他方法來替代單高斯算法模型?；旌细咚顾惴ㄊ窃趩胃咚顾惴Ｐ偷幕A(chǔ)上發(fā)展而來的，它使用多個高斯模型來表達圖像中的像素點。混合高斯算法背景建模具有實時性好、適應(yīng)性強、魯棒性好等優(yōu)點，在環(huán)境變化較大的情況下尤其適用?；旌细咚顾惴ㄓ袃蓚€重要參數(shù)：QUOTE（滑動平均值）和QUOTE（滑動方差）。QUOTE是為了構(gòu)建定期更新的背景模型，其計算公式為：式中：參數(shù)QUOTEptpt是指t時刻的像素值；QUOTE是學習率，反映了滑動平均值對當前幀的適應(yīng)速度，值越大，適應(yīng)速度越快。對每個像素都計算出滑動平均值，就能構(gòu)建出背景模型。而對于混合高斯算法，它需要多個滑動平均值，即對每個像素進行兩個模型維護，這樣就能確定背景像素點灰度值的范圍，若某個像素灰度值不在該范圍內(nèi)，則認為它是前景像素。QUOTE計算公式如下：QUOTE同QUOTE一起構(gòu)成一個高斯模型，通過該模型可以判斷某像素屬于它的概率，并制定出合適的閾值?；旌细咚顾惴ㄟ€有一個很重要的特點，就是對上述高斯模型的更新。當模型被匹配不夠頻繁，算法會釋放該背景模型；反之，若某前景像素匹配生成的高斯模型之后被頻繁匹配，該模型會被判定為背景模型[15]。圖2.1為QUOTE時混合高斯算法提取出的前景。圖2.1α=0.01時混合高斯算法提取出的前景另外，混合高斯算法是一種實時更新背景的算法，當有車輛速度較慢或者停止運動時，該算法會丟失目標，不能實現(xiàn)連續(xù)跟蹤。目前另有一種針對混合高斯模型法進行優(yōu)化的輪廓提取算法[16]，可以在混合高斯算法的基礎(chǔ)上用數(shù)學形態(tài)方法進行處理并尋找輪廓，用算法擬合輪廓后再用圖形矩提取輪廓質(zhì)心。這種方法能更有效地濾除噪聲和提取目標輪廓。2.3本章小結(jié)本章主要介紹了車輛檢測常用的幾種方法，對每種方法的原理進行了簡要分析，并給出了優(yōu)缺點評價。從本章的論述中可以清晰了解到各種方法的適用條件，這給后期在車輛檢測的方法選擇上提供一個參考的依據(jù)。

第三章行為識別技術(shù)類似于車輛的檢測技術(shù)的分類，車輛的行為識別大致可以分為：個體車輛異常行為識別和交通流異常檢測兩個方面。個體車輛異常行為識別一般運用軌跡模型的方法，而交通流異常檢測通常是通過對交通流參數(shù)進行監(jiān)督，設(shè)定閾值判斷異常發(fā)生與否。3.1個體車輛行為識別目前，對個體車輛的異常行為識別一般是通過基于軌跡進行分析識別的。基于軌跡的異常行為識別方法較多，常用的有決策樹、隱馬爾可夫模型，神經(jīng)網(wǎng)絡(luò)、支持向量機、貝葉斯等。Piciarelli等學者采用決策樹的方法，將運動車輛軌跡分段作為樹的節(jié)點，用概率匹配區(qū)分異常事件[17]，其特點是可以在線學習，但是構(gòu)造精度高、規(guī)模小的決策樹是該方法的核心內(nèi)容，其更適用于小規(guī)模的樣本數(shù)據(jù)集。Kamijo等學者基于隱馬爾可夫模型的方法創(chuàng)建了交通異常檢測系統(tǒng)[18]，該系統(tǒng)使用隱馬爾可夫鏈學習每個車輛的行為模型，使用跟蹤系統(tǒng)的輸出來識別目前的事件。其利用單個車輛的特征，這種方法相對有效，并且部分實時。但是當大量的車輛和行人出現(xiàn)在檢測區(qū)域時，跟蹤算法將會消耗更多的計算機資源，從而導致系統(tǒng)崩潰。Micheloni等學者將任意異常事件描述為一組事件單元的時空關(guān)系組合圖[19]，每個事件單元可通過一個神經(jīng)網(wǎng)絡(luò)分類器進行分類，事件分類器是由若干簡單神經(jīng)網(wǎng)絡(luò)集成的復合分類器，如果簡單分類器過擬合將對整個分類效果產(chǎn)生較大影響。Piciarelli等學者采用支持向量機檢測交通異常[20]，但是算法的時間復雜性較高，難以實現(xiàn)實時操作，并且需要確定最佳核變換函數(shù)及其相應(yīng)的參數(shù)。傳統(tǒng)軌跡分析方法主要考慮的是軌跡的空間特性，因而對異常行為識別的能力較弱，只能識別較為簡單的異常行為。胡宏宇等學者通過軌跡空間分布學習提取運動目標的典型運動模式，提出了基于Bayes分類器的軌跡空間運動模式匹配方法，進而檢測異常交通行為[21]。但在異常行為識別過程中沒有提出面向更復雜異常行為的識別方法，因此異常行為識別能力受到了限制。李明之等學者提出了利用目標的空間位置、運動速度、運動方向和大小尺寸等特征參數(shù)描述軌跡，并基于Bayes最優(yōu)化的方法對軌跡進行聯(lián)合匹配和邊緣匹配，然后根據(jù)匹配情況調(diào)用行為識別數(shù)據(jù)庫對目標行為進行識別[22]。該方法采用傳統(tǒng)k-means算法進行軌跡聚類，不能解決非凸性聚類問題。3.1.1軌跡聚類在車輛檢測成功的基礎(chǔ)上，對個體車輛行為的識別主要是通過對其軌跡的分析完成的。軌跡分析最終的處理結(jié)果是完成對軌跡的聚類[23]，具體實現(xiàn)步驟如下：對檢測出的車輛進行跟蹤并描繪其質(zhì)心，得到目標車輛的一系列運動軌跡點，這些軌跡點中包含車輛的運動信息和位置信息；對軌跡的一些特征進行統(tǒng)計分析，如方向角等方向特征；根據(jù)軌跡的特征計算出軌跡的相似性度量；最后由軌跡的相似性度量對軌跡進行聚類；但是初步聚類效果往往不佳，故需要根據(jù)軌跡自身進行差值處理或冗余度去除，甚至是二次聚類處理。值得注意的是，聚類方法同樣有很多：劃分聚類、層次聚類、基于密度聚類、基于網(wǎng)格聚類等。要盡量選取合適的方法，以得到最佳效果。經(jīng)過上述四個步驟的處理，能夠很好地得到聚類軌跡，之后的工作就是運動模型的建立。3.1.2模型建立模型建立的方法也有很多，但是一般采用典型軌跡進行運動模型描述。典型軌跡能很好地反映該類軌跡的特征，是一類軌跡最鮮明的表現(xiàn)。典型軌跡主要是通過對該類軌跡樣本的一個擬合獲得[24]。單一的擬合曲線并不能代表整段的特點，為了能夠獲得較好的典型軌跡，可以對軌跡樣本進行分段擬合，最后再加以合并，就能得到整段軌跡的典型軌跡，且能最大程度的消除誤差。最終優(yōu)化完的典型軌跡并不是一系列的點，而是一個能反映該類行為特性的曲線，即該類行為的典型模型。而在軌跡模式學習方法的設(shè)計上，目前使用的機器學習算法主要有三類：基于神經(jīng)網(wǎng)絡(luò)的方法、基于支持向量機的方法和基于無監(jiān)督聚類的方法。Johnson等學者采用自組織特征映射神經(jīng)網(wǎng)絡(luò)的方法對軌跡空間模式學習進行建模[25]，基于神經(jīng)網(wǎng)絡(luò)的方法網(wǎng)絡(luò)構(gòu)建較為復雜，學習速度較慢，且在學習過程中需要大量的數(shù)據(jù)學習參數(shù)，設(shè)定網(wǎng)絡(luò)結(jié)構(gòu)權(quán)重。Piciarelli等學者將軌跡表示成可變長序列，然后利用支持向量機的方法進行聚類[26]，此方法需要提供較多的樣本數(shù)據(jù)，且聚類的數(shù)目由樣本數(shù)據(jù)的種類決定，不能真實地反映交通目標的實際運動模式?；跓o監(jiān)督聚類的方法在運動模式學習的研究中應(yīng)用最為廣泛。傳統(tǒng)的聚類分析方法受限于非凸形狀的樣本空間，當樣本空間不凸時，傳統(tǒng)聚類算法會陷入局部最優(yōu)。近年來，譜聚類算法作為一種新穎的聚類方法受到廣泛關(guān)注。Atev等學者將譜聚類的方法引入目標軌跡運動模式學習中[27]，由于采用了多特征屬性描述軌跡，使得運算復雜度較高。胡宏宇等學者利用譜聚類的方法對軌跡進行聚類[28]，能夠做到自動獲取聚類數(shù)目。這兩種方法不能充分利用樣本點分布所隱含的先驗信息，從而不能構(gòu)造很好的相似矩陣。當其面臨復雜樣本數(shù)據(jù)點集時，無法得到理想的聚類結(jié)果。3.1.3模型匹配利用上述典型模型，對檢測到的車輛軌跡進行模型匹配，就可以實現(xiàn)對該車輛行為的識別。模型匹配的原理比較簡單：首先設(shè)定一個閾值，觀察檢測到的軌跡是否在典型模型周圍浮動，并且差在設(shè)定的閾值內(nèi)，如果是，則認為該模型匹配，這樣就得出了該檢測軌跡的行為。閾值的類型有兩種：一種是軌跡點與典型模型的位置差，另一種是對軌跡進行概率判斷，閾值設(shè)定為某一概率值。匹配過程的重點是閾值的設(shè)定，需要選取一個合適的閾值，使匹配結(jié)果既不存在誤判，也沒有漏判。為了保證閾值的有效性，一種比較有效的方法就是對典型模型進行模式學習。模型匹配次數(shù)的增多，意味著車輛樣本軌跡也在增加，因此模式學習時間越長，典型模型越能代表該類行為的特征，匹配結(jié)果也會更加精確。3.1.4其他方法——基于實際場景信息的異常檢測基于實際場景信息的異常檢測，適用于對轉(zhuǎn)向、變向、變道等涉及道路標線的行為的識別。其實現(xiàn)步驟簡單，首先是要對實際場景進行處理，將道路的標線、邊界提取出來，之后利用3.1.1小節(jié)中得到的車輛運動軌跡，將其余道路信息進行對比，識別出其位置關(guān)系，從而直觀地辨別出目標車輛的行為。3.2交通流異常檢測交通流異常的檢測主要是基于感興趣數(shù)據(jù)監(jiān)控的異常檢測，實現(xiàn)對交通擁擠、道路堵塞等現(xiàn)象的檢測。交通流異常檢測關(guān)注的數(shù)據(jù)主要是交通流的三個參數(shù)：交通流量、交通流速度和交通流密度。這三個數(shù)據(jù)能很好地表征交通流的大部分現(xiàn)象，因此只要監(jiān)控好這三個數(shù)據(jù)利用一定的算法進行比較判斷，就能得到相應(yīng)數(shù)據(jù)下的交通流情況。具體算法可以分為三種：基于模式識別的算法、基于統(tǒng)計技術(shù)的算法和基于交通流模型的算法。基于模式識別的算法是一種比較算法，直接利用測量值與設(shè)定閾值的比較來判斷最終的交通流情況，當某參數(shù)值超出設(shè)定閾值，則判定某種對應(yīng)現(xiàn)象的發(fā)生。其結(jié)果較為精確，但是能判斷的情況較少?；诮y(tǒng)計技術(shù)的算法主要適用于對突發(fā)狀況的檢測，因為只有交通流發(fā)生較大的突變，才會引起統(tǒng)計算法值的顯著波動[29]。該算法思路很好，但是可能會造成異?，F(xiàn)象的誤判，且能檢測判斷的現(xiàn)象較少?；诮煌髂Ｐ偷乃惴ㄅc軌跡模型類似，利用預(yù)測的數(shù)據(jù)模型進行匹配，從實現(xiàn)交通流情況的檢測[30][31]。顯然，該算法能檢測的交通流情況較多，但是模型的建立比較復雜。3.3本章小結(jié)本章以車輛的行為識別為介紹對象，將車輛的行為分為個體車輛行為與交通流行為兩種進行分析。簡要論述了個體車輛異常行為的一般思路，同時介紹了交通流異常檢測的幾種方法，并就每種方法的優(yōu)缺點進行了評價。為后期車輛行為識別算法的設(shè)計提供了參照，有利于后期算法的選擇和優(yōu)化。

第四章基于視頻分析的車輛跟蹤與行為識別算法設(shè)計同一般車輛跟蹤和行為識別算法流程一樣，本文算法流程分三個步驟：運動前景提取、車輛前景處理、車輛行為識別。運動前景提取是為了得到初始運動前景，而車輛前景處理則是為了濾除行人、樹枝等噪聲，降低算法復雜度并使后期車輛行為識別結(jié)果更加準確。4.1運動前景提取本文運動前景提取采用的方法是背景差分法：首先利用均值法背景建模得到背景，之后利用視頻幀同背景作差即可得到運動前景。4.1.1均值法背景建模均值法是幾種背景建模方法中最簡單的一種，它能利用時間的累積將噪聲的影響無限減小，其算法思想簡單，處理速度快，雖然對環(huán)境要求比較高，但當環(huán)境變化不復雜時，均值法背景建模同樣能獲得比較優(yōu)越的結(jié)果。均值法背景建模，首先，讀取視頻幀序列，其次對多幅圖像進行疊加，然后求取其平均值，該平均值即為所求的背景建模結(jié)果。算法實現(xiàn)流程如圖4.1所示：圖4.1算法流程4.1.2背景差法提取前景如第二章中所述，混合高斯算法背景建模雖然實時性、適應(yīng)性、魯棒性好，但是因為它是實時更新背景，很容易丟失車速緩慢或暫時停止的車輛，所以在交通管理系統(tǒng)中不太適用。本文采用均值法背景建模，將得出的背景同視頻幀進行背景差法提取前景，該方法簡單常用，效果主要取決于背景建模的好壞。4.2車輛前景處理車輛前景處理是對運動前景的優(yōu)化，去除行人、樹枝等噪聲，從而加快處理速度并使之后的處理更加精確。本文對運動前景主要有以下三個處理：樹枝噪聲濾除、車輛分體現(xiàn)象處理和行人噪聲濾除。4.2.1樹枝噪聲濾除如圖4.2所示，其中(a)圖為二值化處理后的運動前景，可以看出其中有很多樹枝噪聲，這些噪聲在需要注意的區(qū)域之外，但卻增加了圖像運算量，降低了處理速度。為了提高處理速度，降低計算的復雜度，可以設(shè)定一片“感興趣區(qū)域”（如圖3.2中(b)圖），實現(xiàn)“感興趣區(qū)域”外樹枝等雜亂繁多的噪聲的濾除，大大提高運算速度。(a)(b)圖4.2樹枝噪聲濾除實現(xiàn)4.2.2車輛分體現(xiàn)象處理現(xiàn)象描述：車輛分體現(xiàn)象是由于車體外表反光產(chǎn)生倒影以及外界陰影噪聲干擾，使得背景差法獲得的運動前景并不是連通區(qū)域，這樣在后期進行車輛標記時就會發(fā)生車輛解體現(xiàn)象，如圖4.3所示。圖4.3車輛標記解體現(xiàn)象 解決方法：首先通過膨脹操作和腐蝕操作對二值化運動前景進行處理，去除細小噪聲，填補細小縫隙。為了減小開運算導致的縫隙變大和閉運算導致的細小物體放大所帶來的影響，應(yīng)合理運用開、閉運算。 雖然開、閉運算對車輛分體現(xiàn)象有一定的修補效果，但如果車體縫隙過大，即使進行多次開、閉運算，也不能很好地解決該問題，反而會產(chǎn)生巨大的失真。此外還需要解決車體內(nèi)部的空洞所造成的影響，所以在上述開運算的基礎(chǔ)上，本文對運動前景進行了以下兩步操作：通過查找輪廓尋找出運動前景中的所有輪廓。對查找出的輪廓進行繪制，繪制時填充所繪輪廓。聯(lián)系之前的開運算，雖然開運算不一定能將縫隙完全填補完整，但卻有很大的幾率將縫隙兩邊連接起來，成為一個整體連通區(qū)域，再經(jīng)過上述兩個步驟后，就能很好地填補連通區(qū)域內(nèi)部的空隙，從而達到解決車輛分體現(xiàn)象的目的。如圖4.4所示：(a)圖為假設(shè)的連通區(qū)域，(b)圖為經(jīng)過上述填充輪廓處理后的結(jié)果。(a)(b)圖4.4查找并填充輪廓后結(jié)果4.2.3行人噪聲干擾處理現(xiàn)象分析：通常在道路上，運動物體不僅僅只是車輛，還會夾雜著行人、電動車等其他運動物體，在上一節(jié)所述提取運動前景時，不可避免地會把行人、電動車等其他不相關(guān)物體一同提取出來，使行人、電動車等成為交通視頻處理分析中的噪聲，如圖4.5所示：圖4.5行人噪聲 解決方法：從圖4.5中能很直觀地看出來，加在行人身上的紅色提示框與加在車輛上的紅色提示框明顯不一樣大，從實際物體來分析也是一樣，即使是最小型的車輛也比行人、自行車的體積大很多，在視頻中相同位置所占面積也會較大一些。據(jù)此，本文通過對所加紅色提示框的面積進行判斷過濾，只添加面積符合要求的紅色提示框。具體步驟如下：選擇視頻中最普通最小型的車輛進行跟蹤，均勻提取出有該車輛出現(xiàn)的視頻幀。依次對每一幅圖像中的該目標車輛的位置信息進行記錄，包括紅色提示框的：上邊線縱坐標Y、縱坐標高度△Y、橫坐標長度△X、面積S=△X*△Y。作出面積S關(guān)于縱坐標Y的擬合曲線，并算出其近似趨勢線方程。該方程即為所求紅色提示框面積模型，只有面積大于該計算結(jié)果的輪廓才會被加紅色提示框。但是為了防止實際面積的起伏帶來的漏判，通常需要在方程后面減去一定的量以增加魯棒性。 為了后期處理的方便，本文將符合面積要求的提示框區(qū)域標記成感興趣區(qū)域，并將它們復制到另外一張同等大小的全黑圖像中，這樣可屏蔽不符合面積要求的連通區(qū)域，達到濾除行人、電動車等噪聲的目的。 如下圖4.6中所示：(b)圖為(a)圖中濾去加框面積小于4000的輪廓的結(jié)果。(a)(b)圖4.6濾除加框面積小于4000的輪廓的結(jié)果4.3車輛行為識別本小節(jié)以越雙黃線行為為分析對象，將分為以下幾點進行論述：4.3.1提取“感興趣區(qū)域”車輛越雙黃線行為的判斷屬于個體車輛的異常行為分析。對個體車輛的異常行為分析通常需要鎖定某一目標車輛，對其進行跟蹤分析。然而，運動中的車輛各項特征總是在不斷變化，需要用復雜的特征匹配才能實現(xiàn)連續(xù)跟蹤。而且在越雙黃線行為分析中，由于該行為是小概率事件，對個體車輛進行跟蹤分析會浪費大量資源，增加算法的復雜度。本文利用“感興趣區(qū)域”，把關(guān)注的焦點放在靜止的雙黃線上而不是每一個車輛上，使得算法的復雜度大大降低。本文將雙黃線定義為“感興趣區(qū)域”，算法只對“感興趣區(qū)域”內(nèi)的變化起作用，不考慮其他區(qū)域的變化。此“感興趣區(qū)域”與一般感興趣區(qū)域不一樣，一般的感興趣區(qū)域是一個矩形區(qū)域，或者是行和列連續(xù)序列的范圍，可以通過公式描述出來。然而雙黃線有彎道，用公式表達比較困難，本文利用圖像運算的溢出處理原理進行自定義“感興趣區(qū)域”。對于雙黃線的提取，可以綜合比較ESLRGU（分別為：色調(diào)、飽和度、亮度、紅色、綠色、藍色）等顏色參數(shù)，從而分離出雙黃線。這種方法適用于非固定場景，但是編程算法比較復雜，并且會因為外界天氣、光線變化，很難找到一個具備普適性的比較公式。而道路上的監(jiān)控攝像頭一般都是固定的，因此視頻中雙黃線的位置也是固定的。本文假設(shè)攝像頭理想固定，先在背景中標記出雙黃線的輪廓，之后再進行提取工作。4.3.2利用“感興趣區(qū)域”識別自定義“感興趣區(qū)域”是利用圖像運算對溢出現(xiàn)象的處理方法進行識別工作的，具體可以表達為一個公式：d=a-(a-b)。如圖4.7所示，假設(shè)(a)圖是“感興趣區(qū)域”雙黃線，(b)圖是要分析的運動前景，(c)圖則是a-b的結(jié)果，(d)圖即為最終識別結(jié)果。(a)(b)(c)(d)圖4.7“感興趣區(qū)域”原理說明圖4.3.3算法優(yōu)化雖然上述算法已經(jīng)很好地實現(xiàn)了車輛壓雙黃線行為的識別，但是問題仍然存在，如圖4.8所示，這是與圖4.7在同一算法下檢測的結(jié)果，從圖中可以看出，被標記的車輛并沒有壓雙黃線，壓到雙黃線的只是它在道路上的影子，但是以上算法并不能分辨出影子和車輛的區(qū)別，所以也就造成了下圖中的誤判。圖4.8車輛陰影影響車輛陰影的消除是一項很復雜的工作，目前已經(jīng)有很多種方法，如：零高度假設(shè)法、基于HSI色彩模型、基于HSV色彩模型等方法。但是這些方法也都比較復雜，不適合應(yīng)用在算法優(yōu)化上。觀察發(fā)現(xiàn)，視頻中車輛影子的縱向高度比車輛本體高度小很多，本文根據(jù)這一現(xiàn)象，設(shè)定了一個該時段的高度比較模型，將4.3.2小節(jié)中檢測到的運動目標進行高度判斷，若不滿足特定高度條件，就不予加紅色提示框處理，這樣能簡單實現(xiàn)陰影影響的濾除。為了避免漏判的現(xiàn)象，本文選擇最小型車輛進行采樣跟蹤，得出高度比較模型。具體步驟如下：選擇視頻中最普通最小型的車輛進行跟蹤，均勻提取出有該車輛出現(xiàn)的視頻幀。依次對每一幅圖像中的該目標車輛的位置信息進行記錄，包括紅色提示框的：上邊線縱坐標Y、縱坐標高度△Y。作出高度△Y關(guān)于縱坐標Y的擬合曲線，并算出其近似趨勢線方程，亦即是所求縱向高度比較模型。但是為了防止縱向高度的起伏帶來的漏判，通常需要在方程后面減去一定的量以增加魯棒性。4.4本章小結(jié)本章按照算法的設(shè)計思路，按步驟對本文采用的算法進行了詳細的介紹說明，并就算法過程中會遇見的問題進行了剖析，同時給出合適的解決方法。詳細的算法設(shè)計，不僅僅為程序的編寫提供合理的依據(jù)，同時也為后期算法的改進提供了重要的參照。

第五章壓雙黃線行為識別實驗5.1實驗設(shè)計5.1.1實驗?zāi)康谋緦嶒炛荚跈z驗第四章算法步驟設(shè)計的可行性，對存在的問題進行進一步的完善，并就算法未來的展望提出一定的預(yù)見。本實驗的運行的環(huán)境為win8.1下的VS2013及OpenCV2.4.8。5.1.2實驗內(nèi)容實驗主要內(nèi)容正如第四章所述那樣，依照運動前景提取、車輛前景優(yōu)化、壓雙黃線行為識別三個主要步驟進行，最終實現(xiàn)對壓雙黃線車輛的識別。具體實驗步驟如下圖5.1所示：圖5.1實驗流程5.2實驗結(jié)果5.2.1運動前景提取按照第四章的設(shè)計思路，讀取視頻后首先對視頻幀進行了格式轉(zhuǎn)換，由8U轉(zhuǎn)換為32F型的數(shù)據(jù)，之后利用均值法背景建模的思路，疊加求和并求取平均值，成功地得到了背景圖像。如圖5.2所示，為對前兩分鐘視頻幀背景建模后得到的結(jié)果。圖5.2前2min均值法背景建模之后根據(jù)背景差法的原理，將視頻幀與背景進行作相對差，結(jié)果如圖5.3所示：圖5.3背景差法提取前景5.2.2車輛前景優(yōu)化去除道路外樹枝噪聲結(jié)果：如圖5.4中的a圖所示，是運動前景先取灰度值再并二值化后的結(jié)果，可以看出樹枝的噪聲很多，本實驗利用第四章中所述的“感興趣區(qū)域”b，成功濾除了道路區(qū)域外樹枝噪聲的影響，如圖c所示。從結(jié)果來看，處理前播放畫面有明顯的延遲與卡幀，但是處理后已經(jīng)沒有卡幀現(xiàn)象了，只有輕微的延遲。(a)(b)(c)圖5.4樹枝噪聲濾除車輛分體現(xiàn)象處理結(jié)果：嘗試對上述結(jié)果中的車輛進行加提示框處理時，出現(xiàn)了如圖4.3的車輛分體現(xiàn)象，本實驗按照4.2.2小節(jié)中所述的方法進行處理：先對圖像進行開運算，之后查找圖像中輪廓，并在繪制時采取填充繪制。結(jié)果如圖5.5所示，對比圖4.3就可以發(fā)現(xiàn)，車輛分體的現(xiàn)象已經(jīng)成功去除。圖5.5消除解體現(xiàn)象后車輛標記結(jié)果行人噪聲濾除結(jié)果：本實驗根據(jù)4.2.3小節(jié)中所述步驟，對一最普通的小型轎車進行了跟蹤抽樣，得到該目標車輛的位置信息：上邊線縱坐標Y、縱坐標高度△Y、橫坐標長度△X、面積S=△X*△Y，并記錄在了表格5.1中，具體數(shù)據(jù)參見表5.1。表5.1紅色提示框各參數(shù)信息記錄表Y/pix△X/pix△Y/pixS/pix*pixY/pix△X/pix△Y/pixS/pix*pix25538209013182615002115540220015285645440206043258018092706440316043258020997757275526343270923510480832070695034502731228810736887355401531113896132481137759454335416210717334

對這些數(shù)據(jù)進行分析，并作出了面積S關(guān)于縱坐標Y的擬合曲線，如圖5.6所示。漸近線方程為，為了增加數(shù)據(jù)的魯棒性，減少數(shù)據(jù)起伏帶來的誤判，經(jīng)過多次嘗試，在實際編程中，本實驗采用的判斷方程是：。圖5.6加框面積隨縱坐標變化曲線利用上式方程對提示框的面積進行比較判斷，面積大于方程結(jié)果的輪廓均標記為感興趣區(qū)域，復制感興趣區(qū)域到新建的全黑圖像上，最終結(jié)果如圖5.7所示，成功實現(xiàn)了行人噪聲的濾除。圖5.7去除行人噪聲后加框結(jié)果5.2.3壓雙黃線行為識別雙黃線“感興趣區(qū)域”的提?。喝缦聢D5.8所示，(a)圖是標記輪廓后提取出來的雙黃線區(qū)域，(b)圖對(a)圖處理后的結(jié)果，這樣處理有利于后期對越雙黃線車輛的檢測和識別，同時也避免再次造成車輛分體現(xiàn)象。(a)(b)圖5.8提取出來的雙黃線區(qū)域雙黃線區(qū)域運動前景的分離：依據(jù)4.3.2小節(jié)中所述原理，本文將圖4.7中的(b)圖換為圖5.8中的(b)圖，當有車輛壓到雙黃線時，壓住雙黃線的部分被成功地檢測了出來，再對檢測出來的部分進行加框提醒處理，并將紅色提醒框添加到原有視頻幀，其結(jié)果如圖5.9所示。雖然沒有給壓雙黃線的車輛整體加框，但是部分的加框已經(jīng)能夠說明車輛的壓雙黃線行為了。圖5.9“感興趣區(qū)域”法檢測結(jié)果陰影影響的降低：本實驗依據(jù)4.3.2小節(jié)中的處理步驟，對一最普通的小型轎車進行了跟蹤抽樣，目標車輛的位置信息（上邊線縱坐標Y、縱坐標高度△Y）記錄結(jié)果如表5.2所示：對這些數(shù)據(jù)進行分析，并作出了高度△Y關(guān)于縱坐標Y的擬合曲線，如圖5.10所示，漸近線方程為，此處H即△Y。為了增加數(shù)據(jù)的魯棒性，減少數(shù)據(jù)起伏帶來的誤判，經(jīng)過多次嘗試，在實際編程中，本實驗采用的判斷方程是：，只有縱向高度大于該計算結(jié)果的運動物體才會被加紅色提示框，最終結(jié)果如圖5.11所示：表5.2紅色提示框各參數(shù)信息記錄表Y/pix△Y/pixY/pix△Y/pix2381316111401526420431807031432097552432358070502738888553119611359354107圖5.10提示框高度與縱坐標關(guān)系圖從圖5.11的兩幅圖中可以發(fā)現(xiàn)：(a)圖有陰影在雙黃線上，但是算法并沒有誤判，(b)圖顯示對車體壓雙黃線的車輛仍能識別并標記出來。說明陰影的影響已經(jīng)被大幅度地去除了，也意味著完成了算法的最終優(yōu)化。(a)(b)圖5.11最終優(yōu)化后檢測結(jié)果5.3結(jié)果分析從本章實驗的結(jié)果來看，第四章的算法設(shè)計結(jié)果能夠比較好的實現(xiàn)壓雙黃線車輛的識別。本文設(shè)計的算法思路簡單，實現(xiàn)容易，且處理效果良好。該算法的缺點是移植性比較差，尤其是在車輛陰影去除上，本文采用的方法結(jié)果不會特別精確，且方程模型也需要不斷更新。

第六章總結(jié)與展望6.1工作總結(jié)交通安全關(guān)系重大，違規(guī)駕駛不僅給交通管理人員的工作帶來不便，而且危害人們的生命財產(chǎn)安全，給人們的精神世界帶來傷害。交通安全的首要因素是駕駛?cè)藛T的素質(zhì)，只有人人都文明駕駛、有序駕駛，才能有效保障道路交通的安全。然而，事故總是在所難免，而且駕駛員的素質(zhì)參差不齊，因此對道路的監(jiān)控管理措施是非常必要的。而隨著科學技術(shù)的發(fā)展，交通管理越來越傾向于視頻監(jiān)控管理，然而國內(nèi)視頻分析在這方面的應(yīng)用還不完善，主要是引進國外的交通管理系統(tǒng)，國內(nèi)高校和研究所在車輛行為識別方面也基本處于研究階段。本文主要工作是對基于視頻分析的車輛跟蹤和行為識別的實現(xiàn)，重點是行為識別的研究。本文具體工作完成如下：分析并解決均值法背景建模過程中累積求和溢出處理的問題，同時與混合高斯算法背景建模進行優(yōu)劣比較，對比分析他們的適用情況。利用背景差法實現(xiàn)前景的提取，并對提取出來的運動前景進行一系列的優(yōu)化，包括：“感興趣區(qū)域”去除非關(guān)注區(qū)域樹枝的噪聲、輪廓填充、加框面積濾除行人噪聲等形態(tài)學處理。實現(xiàn)并優(yōu)化對壓雙黃線車輛的行為識別。提出自定義“感興趣區(qū)域”的觀點，通過“感興趣區(qū)域”實現(xiàn)檢測違規(guī)車輛的簡單算法；利用加框高度大幅度消除車輛陰影的影響。6.2未來展望當今世界科技水平高速發(fā)展，而且隨著國家“低空解禁”政策的發(fā)布，可以預(yù)見未來不僅僅是道路上無人駕駛或自動駕駛的出現(xiàn)，甚至會有大量私人小型飛機的誕生，那么對這些交通工具的管理行駛也將更加嚴峻，勢必要發(fā)展新型交通管理系統(tǒng)。雖然本文只是對當前交通管理的一個最基本的實現(xiàn)，卻也是在為交通管理系統(tǒng)的進步作著自己的貢獻。鑒于本文所采用的自定義“感興趣區(qū)域”的思路以及對陰影影響的簡單消除算法的局限，未來可以對以下方面進行深入研究改善：對自定義“感興趣區(qū)域”應(yīng)用的拓展，不僅僅只是壓雙黃線行為的識別，可以進一步運用于車輛的變道、變向等行為的識別。對加框提醒算法的優(yōu)化，可以對檢測出來的部分違規(guī)運動物體進行判斷，得出它所在的車輛整體區(qū)域，將提醒框加在整個車輛上，甚至是將其牌照也進行加框提醒處理并記錄。本文對于車輛陰影的消除只是一種簡單的比較算法，而實際中已經(jīng)有很多車輛陰影消除的算法，未來可以在這方面下一番功夫，找出合適的陰影消除算法，在前景的形態(tài)學處理中就將陰影消除。對于雙黃線的提取工作，本文是通過手動強化特征和進行提取的，未來也可以研究找到一種移植性比較強的雙黃線檢測算法，減去手工操作的必要。在背景建模方面，均值法太過依賴場景的固定，混合高斯算法又對靜止車輛及慢速車輛不敏感，要實現(xiàn)自動駕駛，一定要找到綜合具有前兩種方法有點的背景建模算法。對于車輛外行人、電動車的消除，目前是利用面積進行濾除的，但是這樣會對遠距離的車輛與行人不易分辨，可以嘗試結(jié)合車輛特征的算法進行行人噪聲的濾除。

參考文獻[1]郭靜，艾明星.我國城市交通安全現(xiàn)狀及對策[J].重慶交通大學學報(自然科學版)，2012，31：610~611.[2]王會.基于視頻的車輛異常行為檢測[D].沈陽：沈陽工業(yè)大學，2013.[3]孔大力，崔洋.數(shù)字圖像處理技術(shù)的研究現(xiàn)狀和發(fā)展方向[J].山東水利職業(yè)技術(shù)學院院刊，2012，4：11~14.[4]徐旭.復雜環(huán)境下的車輛目標跟蹤技術(shù)研究[D].吉林：吉林大學，2013.[5]王江濤.基于視頻的目標檢測、跟蹤及其行為識別研究[D].南京：南京理工大學，2008.[6]余忠慶.基于視頻的車輛軌跡聚類分析及異常檢測[D].北京：北京交通大學，2012.[7]趙有婷，李熙瑩，羅東華.基于視頻車輛軌跡模型的交通事件自動檢測方法研究[J].中山大學學報(自然科學版)，2011.[8]龐成俊.基于全景視覺的車輛異常行為檢測技術(shù)的研究[D].浙江：浙江工業(yè)大學,2009.[9]屈楨深，于萌萌，姜永林，等.應(yīng)用小波模歷史圖像的運動車輛視頻檢測[J].西南交通大學學報，2012.[10]王洪濤，丁國清.基于不變矩圖像匹配的工件種類判別應(yīng)用研究[J].制造業(yè)自動化，2012.[11]孫利虎，熊林，范志強，等.基于運動矢量場時空濾波的車輛檢測算法[J].電腦知識與技術(shù)，2012.[12]李海霞，范紅.基于幀差法的幾種背景建模方法的研究[J].工業(yè)控制計算機，2012.[13]顧洋.自適應(yīng)背景更新的視頻車輛檢測[J].南京工程學院學報(自然科學版)，2012.[14]婁路.基于概率算法自適應(yīng)更新背景的運動車輛檢測[J].計算機工程與應(yīng)用，2012.[15]Robert著，張靜譯.OpenCV2計算機視覺編程手冊[M].北京：科學出版社，2013.[16]謝立，胡玲玲，呂一品，等.面向智能視頻監(jiān)控系統(tǒng)運動目標檢測的輪廓提取方法[J].東南大學學報(自然科學版)，2012.[17]CPiciarelli,GLForesti.On-lineTrajectoryClusteringforAnomalousEventsDetection[J].PatternRecognitionLetters,2006,27(15):1835-1842.[18]ShunsukeKamijo,YasuyukiMatsushita,KatsushiIkeuchi,etal.TrafficMonitoringandAccidentDetectionatIntersections[J].IEEETransactionsonIntelligentTransportationSystems,2000,1(2):108-118.[19]CMicheloni,LSnidaro,GLForesti.ExploitingTemporalStatisticsforEventsAnalysisandUnderstanding[J].ImageandVisionComputing,2009,27(10):1459-1469.[20]CPiciarelli,CMicheloni,GLForesti.Trajectory-basedAnomalousEventDetection[J].IEEETransactionsonCircuitsandSystemsforVideoTechnology,2008,18(11):1544-1554.[21]胡宏宇,王慶年,曲昭慧等.運動目標空間模式辨識與異常交通行為檢測[J].吉林大學學報(工學版),2011,41(6):1598-1602.[22]李明之,馬志強,單勇等.基于軌跡分析的交通目標異常行為識別[J].電視技術(shù),2012,36(1):106-112.[23]吳健.基于視頻分析的車輛跟蹤與異常行為識別研究[D].蘇州：蘇州大學，2012.[24]王曉原，楊新月.基于決策樹的駕駛行為決策機制研究[J].系統(tǒng)仿真學報，2008，20(2)：415~448.[25]NJohnson,DHogg.LearningtheDistributionofObjectTrajectoriesforEventRecognition[J].ImageandVisionComputing,1996,14(8):609-615.[26]CPiciarelli,CMicheloni,GLForesti.Supportvectormachinesforrobusttrajectoryclustering[C].InProceedingsofIEEEInternationalConferenceonImageProcessing,2008,pp.2540-2543.[27]SAtev,OMasoud,NPapanikolopoulos.LearningTrafficPatternsatIntersectionsbySpectralClusteringofMotionTrajectories[C].InProceedingsofIEEE/RSJInternationalConferenceonIntelligentRobotsandSystems,2006,pp.4851-4856.[28]胡宏宇.基于視頻預(yù)處理的交通事件識別方法研究[D].吉林:吉林大學,2010.[29]裴劍平，袁泉，胡遠志，等.車輛碰撞事故再現(xiàn)軌跡模型的建模方法[J].農(nóng)業(yè)機械學報，2002，33(5)：23~26.[30]劉高文.基于隱馬爾可夫模型的視覺行為分析和異常檢測研究[D].南京：南京理工大學，2008.[31]肖獻強，任春燕，王其東.基于隱馬爾可夫模型的駕駛行為預(yù)測方法研究[J].中國機械工程，2013，24(021)：2972-2976.

致謝成功沒有偶然，我的畢業(yè)設(shè)計能迎來現(xiàn)在的圓滿完成，與老師的幫助是分不開的。是沈老師的關(guān)心和信任給了我完成下去的信心和決心，感謝您的信任和理解，感謝您的支持與幫助，感謝您的辛苦選題和細心指導，是您的心血與汗水凝結(jié)成我今天的成功，在這里，向您致以最誠摯的感謝和最衷心的祝福！同時，我還要感謝李小凡學長和我那些最可愛的同學兼朋友們，謝謝你們的傾力幫助與熱心指導，是你們的給我創(chuàng)造了優(yōu)越的學習和生活環(huán)境，是你們給了我智慧的源泉，我的生命因為你們而更加精彩，遇見你們是我大學期間最大的成功，謝謝！回想這5個月的畢設(shè)經(jīng)歷，有一次次的周報、例會，也有那緊張的答辯，有給我經(jīng)驗的挫折，也有給我信心的成功，在這段沉起沉浮中，我成長了很多，也收獲了很多。畢業(yè)設(shè)計不是終點，而是我走向社會的新起點。最后，要感謝我的家人以及所有關(guān)心過、幫助過我的老師同學們，是你們給了我奮斗的不竭動力！

畢業(yè)論文（設(shè)計）原創(chuàng)性聲明本人所呈交的畢業(yè)論文（設(shè)計）是我在導師的指導下進行的研究工作及取得的研究成果。據(jù)我所知，除文中已經(jīng)注明引用的內(nèi)容外，本論文（設(shè)計）不包含其他個人已經(jīng)發(fā)表或撰寫過的研究成果。對本論文（設(shè)計）的研究做出重要貢獻的個人和集體，均已在文中作了明確說明并表示謝意。作者簽名：日期：畢業(yè)論文（設(shè)計）授權(quán)使用說明本論文（設(shè)計）作者完全了解**學院有關(guān)保留、使用畢業(yè)論文（設(shè)計）的規(guī)定，學校有權(quán)保留論文（設(shè)計）并向相關(guān)部門送交論文（設(shè)計）的電子版和紙質(zhì)版。有權(quán)將論文（設(shè)計）用于非贏利目的的少量復制并允許論文（設(shè)計）進入學校圖書館被查閱。學?？梢怨颊撐模ㄔO(shè)計）的全部或部分內(nèi)容。保密的論文（設(shè)計）在解密后適用本規(guī)定。

作者簽名：指導教師簽名：日期：日期：

注意事項1.設(shè)計（論文）的內(nèi)容包括：1）封面（按教務(wù)處制定的標準封面格式制作）2）原創(chuàng)性聲明3）中文摘要（300字左右）、關(guān)鍵詞4）外文摘要、關(guān)鍵詞5）目次頁（附件不統(tǒng)一編入）6）論文主體部分：引言（或緒論）、正文、結(jié)論7）參考文獻8）致謝9）附錄（對論文支持必要時）2.論文字數(shù)要求：理工類設(shè)計（論文）正文字數(shù)不少于1萬字（不包括圖紙、程序清單等），文科類論文正文字數(shù)不少于1.2萬字。3.附件包括：任務(wù)書、開題報告、外文譯文、譯文原文（復印件）。4.文字、圖表要求：1）文字通順，語言流暢，書寫字跡工整，打印字體及大小符合要求，無錯別字，不準請他人代寫2）工程設(shè)計類題目的圖紙，要求部分用尺規(guī)繪制，部分用計算機繪制，所有圖紙應(yīng)符合國家技術(shù)標準規(guī)范。圖表整潔，布局合理，文字注釋必須使用工程字書寫，不準用徒手畫3）畢業(yè)論文須用A4單面打印，論文50頁以上的雙面打印4）圖表應(yīng)繪制于無格子的頁面上5）軟件工程類課題應(yīng)有程序清單，并提供電子文檔5.裝訂順序1）設(shè)計（論文）2）附件：按照任務(wù)書、開題報告、外文譯文、譯文原文（復印件）次序裝訂3）其它基于C8051F單片機直流電動機反饋控制系統(tǒng)的設(shè)計與研究基于單片機的嵌入式Web服務(wù)器的研究MOTOROLA單片機MC68HC（8）05PV8/A內(nèi)嵌EEPROM的工藝和制程方法及對良率的影響研究基于模糊控制的電阻釬焊單片機溫度控制系統(tǒng)的研制基于MCS-51系列單片機的通用控制模塊的研究基于單片機實現(xiàn)的供暖系統(tǒng)最佳啟停自校正（STR）調(diào)節(jié)器單片機控制的二級倒立擺系統(tǒng)的研究基于增強型51系列單片機的TCP/IP協(xié)議棧的實現(xiàn)基于單片機的蓄電池自動監(jiān)測系統(tǒng)基于32位嵌入式單片機系統(tǒng)的圖像采集與處理技術(shù)的研究基于單片機的作物營養(yǎng)診斷專家系統(tǒng)的研究基于單片機的交流伺服電機運動控制系統(tǒng)研究與開發(fā)基于單片機的泵管內(nèi)壁硬度測試儀的研制基于單片機的自動找平控制系統(tǒng)研究基于C8051F040單片機的嵌入式系統(tǒng)開發(fā)基于單片機的液壓動力系統(tǒng)狀態(tài)監(jiān)測儀開發(fā)模糊Smith智能控制方法的研究及其