基于交通視頻的車輛檢測(cè)和車輛行為識(shí)別研究.pdf

1、交通視頻中包含了最全面的交通信息，可用于交通行為與交通事件的推斷和理解。高速公路交通視頻監(jiān)測(cè)系統(tǒng)在智能交通系統(tǒng)中發(fā)揮著越來(lái)越重要的作用。目前基于交通視頻的車輛檢測(cè)和車輛行為識(shí)別仍存在著運(yùn)動(dòng)車輛無(wú)法有效提取和車輛行為識(shí)別準(zhǔn)確率不高等問(wèn)題。
　　為了有效識(shí)別高速公路上的車輛的行為，本文針對(duì)基于運(yùn)動(dòng)信息的車輛檢測(cè)、基于特征信息的車輛檢測(cè)以及車輛行為識(shí)別的關(guān)鍵技術(shù)進(jìn)行了相關(guān)的研究，主要取得了以下幾個(gè)方面的研究成果：
　　(1)針對(duì)高

2、速公路車輛檢測(cè)實(shí)時(shí)性的要求，本文對(duì)基于運(yùn)動(dòng)信息的車輛檢測(cè)方法進(jìn)行研究。為了解決傳統(tǒng)的混合高斯模型檢測(cè)出來(lái)的運(yùn)動(dòng)車輛中出現(xiàn)的“拖影”現(xiàn)象，本文提出了一種混合高斯模型與自適應(yīng)背景選擇性學(xué)習(xí)模型相結(jié)合的建模方法，使得提取的車輛目標(biāo)更加完整和準(zhǔn)確。此外，為了改善ViBe模型對(duì)不同場(chǎng)景的適應(yīng)性，本文還采用圓錐模型來(lái)替換歐式距離來(lái)計(jì)算樣本模型距離，并計(jì)算樣本模型的方差來(lái)自適應(yīng)地確定距離閾值。
　　(2)針對(duì)僅用運(yùn)動(dòng)信息來(lái)檢測(cè)車輛無(wú)法確認(rèn)運(yùn)動(dòng)目

3、標(biāo)是否為車輛的問(wèn)題，本文對(duì)基于特征信息的車輛檢測(cè)展開(kāi)研究。根據(jù)前向車輛和后向車輛表觀的不同特征，本文提出了一種Haar-like和HOG特征結(jié)合的交通視頻車輛識(shí)別方法，提高了前后向車輛識(shí)別的準(zhǔn)確率；針對(duì)基于特征信息的車輛檢測(cè)方法速度慢的問(wèn)題，本文綜合運(yùn)動(dòng)信息和特征信息提出了一種基于感興趣區(qū)域和特征信息的運(yùn)動(dòng)車輛檢測(cè)方法，縮小了車輛目標(biāo)的搜索范圍，加快了檢測(cè)的速度。
　　(3)針對(duì)從高速公路監(jiān)控視頻中提取的變道、超車等類型軌跡數(shù)量較

4、少的情況，采用LCSS相似度和譜聚類等算法無(wú)法很好地區(qū)分軌跡數(shù)據(jù)中所有類型的軌跡；此外，隱馬爾科夫HMM軌跡模型在識(shí)別車輛行為時(shí)，忽略了負(fù)樣本的影響，且僅用最大似然值進(jìn)行分類，存在較高的誤識(shí)別率。本文提出了一種基于二次譜聚類和HMM-RF混合模型的車輛行為識(shí)別方法，有效地區(qū)分超車、變道以及直行等軌跡，并提高了車輛行為識(shí)別的準(zhǔn)確率和魯棒性。
　　(4)在本文車輛檢測(cè)和行為識(shí)別方法研究的基礎(chǔ)上，本文設(shè)計(jì)與實(shí)現(xiàn)了基于交通視頻的車輛行為識(shí)