交通视频中车辆异常行为检测及应用研究

论文摘要

随着社会经济快速发展,智能交通系统在人类经济、社会活动中的地位显著提升。车辆的异常行为检测算法作为智能交通系统的核心内容,对人们的日常生活,社会进步和经济的发展起着重要的作用。本文对基于交通视频的车辆检测、车辆跟踪、轨迹模式学习及车辆行为的异常检测技术进行研究,并有针对性地提出了若干算法和技术方案。本文主要研究工作如下:(1)针对复杂交通场景下的运动车辆检测问题,利用自适应高斯混合模型对背景进行建模提取运动目标。在此基础上提出多结构多尺度的形态学算子,采用此算子对运动前景进行计算,获得完整的车辆边缘信息。保证了后续研究工作的可靠性。(2)针对传统光流跟踪算法中时间开销大的问题,利用基于图像金字塔的L_K光流跟踪方法,将视频中运动目标不满足运动假设的可能性降到最小,从而实现对运动车辆的快速精准跟踪,并且将跟踪得到的轨迹进行预处理,为后期的轨迹模式学习奠定基础。(3)针对目前运动行为模式识别研究依赖空间特征的单一性问题,提出了基于谱聚类的轨迹空间模式的学习方法;并且在轨迹的方向特征中,利用GMM模型获取轨迹集合的起讫点区域,实现轨迹方向模式的学习。(4)提出基于归一化巴氏距离的车辆异常行为检测方法,并采用这种方法对车辆位置违章行为进行有效检测,在实时性方面有较好的表现。文中对提出的方法进行实验论证,结果表明本文提出的技术方案是行之有效的。

论文目录

• 中文摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 智能交通系统研究现状
• 1.2.2 运动目标检测研究现状
• 1.2.3 运动目标特征选择与运动表征
• 1.2.4 车辆异常行为检测研究现状
• 1.3 当前存在的主要问题
• 1.4 本文的结构安排
• 1.4.1 论文的主要工作
• 1.4.2 本文的结构安排
• 第2章 运动目标检测
• 2.1 引言
• 2.2 运动检测算法概述
• 2.2.1 时域差分法
• 2.2.2 光流法
• 2.2.3 背景建模法
• 2.3 基于AGMM 的背景构建
• 2.4 运动车辆检测
• 2.4.1 数学形态学理论
• 2.4.2 车辆边缘检测原理
• 2.4.3 基于多结构多尺度的车辆边缘检测
• 2.5 实验结果分析
• 2.6 本章小结
• 第3章 车辆轨迹提取及预处理
• 3.1 前言
• 3.2 运动目标特征提取与表达
• 3.2.1 角点定义
• 3.2.2 Harris 角点检测
• K 跟踪'>3.3 基于车辆角点的金字塔L_K跟踪
• 3.3.1 跟踪算法概述
• K 的车辆跟踪'>3.3.2 基于金字塔L_K的车辆跟踪
• 3.4 车辆轨迹预处理
• 3.5 实验结果分析
• 3.6 本章小结
• 第4章 车辆模式学习及异常检测
• 4.1 前言
• 4.2 车辆异常行为检测技术简介
• 4.2.1 传统检测算法
• 4.2.2 算法评价标准
• 4.3 车辆轨迹模式学习
• 4.3.1 轨迹相似度度量
• 4.3.2 运动轨迹空间模式学习
• 4.3.3 运动轨迹方向模式学习
• 4.4 异常行为检测
• 4.4.1 巴氏度量
• 4.4.2 距离归一化
• 4.5 实验结果分析
• 4.6 本章小结
• 第5章 总结与展望
• 5.1 工作总结
• 5.2 工作创新
• 5.3 工作展望
• 参考文献
• 攻读学位期间公开发表的论文与参与的科研项目
• 致谢