交通監(jiān)控系統(tǒng)中運(yùn)動(dòng)目標(biāo)異常行為理解研究.pdf

1、近年來(lái)，智能交通系統(tǒng)（ITS）以其高效性、安全性等優(yōu)勢(shì)受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。同時(shí)，基于視頻的交通事故識(shí)別和行為理解作為ITS的一個(gè)重要組成部分，對(duì)及時(shí)預(yù)測(cè)和處理交通事故具有重要意義。但是，當(dāng)前的方法大多只適用于簡(jiǎn)單場(chǎng)景和行為的識(shí)別，對(duì)于人車混型等復(fù)雜場(chǎng)景識(shí)別率較低?；谏鲜霰尘?，本文對(duì)交通場(chǎng)景下的運(yùn)動(dòng)目標(biāo)的檢測(cè)跟蹤和異常行為理解做了深入研究。
　　首先，在目標(biāo)檢測(cè)方面，提出了一種基于改進(jìn)分水嶺的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，算法首先進(jìn)行自

2、適應(yīng)背景差分，并利用Otsu算法進(jìn)行閾值處理和形態(tài)學(xué)去噪，得到初始二值化的運(yùn)動(dòng)目標(biāo)區(qū)域，然后對(duì)前景和背景對(duì)象進(jìn)行標(biāo)記，在此基礎(chǔ)上采用基于標(biāo)記的分水嶺變換。實(shí)驗(yàn)結(jié)果表明，本文算法能夠克服傳統(tǒng)分水嶺算法易產(chǎn)生過(guò)分割的缺陷，精確提取運(yùn)動(dòng)目標(biāo)輪廓。
　　在目標(biāo)跟蹤上，本文采用基于改進(jìn)Hausdorff距離的模板匹配算法，將前述分水嶺算法提取的目標(biāo)輪廓轉(zhuǎn)化成多值圖像作為模板，然后將實(shí)時(shí)采集的圖像與模板圖像以改進(jìn)加權(quán)Hausdorff距離作為

3、相似性度量進(jìn)行匹配，從而實(shí)現(xiàn)跟蹤。實(shí)驗(yàn)結(jié)果表明，本文跟蹤算法在實(shí)時(shí)性和準(zhǔn)確度上相對(duì)于傳統(tǒng)算法均得到了顯著提升。
　　在行為識(shí)別與理解方面，本文提出了一種基于隱馬爾可夫模型(HMM)的交通異常行為識(shí)別算法。首先通過(guò)目標(biāo)檢測(cè)與跟蹤，提取運(yùn)動(dòng)特征作為基本語(yǔ)義單元，并將其組合成簡(jiǎn)單行為觀測(cè)序列，然后利用Baum-Welch算法進(jìn)行異常行為的HMM建模，最后根據(jù)前向算法及閾值處理識(shí)別交通異常行為。實(shí)驗(yàn)結(jié)果表明，本文算法能夠準(zhǔn)確識(shí)別出交通場(chǎng)景