交通監(jiān)控視頻中的車輛異常行為檢測

《交通監(jiān)控視頻中的車輛異常行為檢測》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。

1、．？？’－、ｌ巧＾＇＇．．．Ｉ，、．．、＂、乂＾：Ｋ．，‘＇Ｖ；１０２９３：．單位代碼密級￣沸雀爹碩女＃後訟乂ＡｔＪ４ｉＴ￥ｗ論文題目：巧通監(jiān)控視頻中的車輛異常行為檢測．公？－．、—．．．‘．ｉ．：化學號１０１２０１０６２７＇＇■■■－塞耀■：．姓名：：－－宋建新教授導師信號與信息處理學科專業(yè)圖像處理與多媒體通信研究方向工學石申請學位類別肚二一五年忘月－＇？論文提交曰期零’－：．－

2、－．１，，’－＾一＇：：續(xù)較扣■，技？‘．、，．巧二深令，■？－．Ｉ、．占、南京郵電大學學位論文原創(chuàng)性聲明本人聲明所呈交的學位論文是我個人在導師指導下進行的研究工作及取得的研究成果。盡我所知，除了文中特別加Ｗ標注和致謝的地方外，論文中不包含其他人己經(jīng)發(fā)表或撰寫過。的研巧成果，也不包含為獲得南京郵電大學或其它教育機構(gòu)的學位或證書而使用過的材料一與我同工作的同志對本研究所做的任何貢獻均己在論文中作了明確的說明并表示了謝意。一本人學位論文及涉及相關(guān)資料若有不實，愿意承擔巧相關(guān)的法律責任。研究生

3、簽名：龍復日期：Ｔｏｉ．ｒ．／．幕／ｆ南京郵電大學學位論文使用授權(quán)聲明本人授權(quán)南京郵電大學可レッ保留并向國家有關(guān)部口或機構(gòu)送交論文的復印件和電子文可檔；允許論文被查閱和借閱；可Ｗ將學位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進行檢索；Ｗ采用影印、縮印或掃描等復制手段保存、匯編本學位論文。本文電子文檔的內(nèi)容和紙質(zhì)一論文的內(nèi)容相致。論文的公布（包括刊登）授權(quán)南京郵電大學研究生院辦理。涉密學位論文在解密后適用本授極書。＇研巧生簽名：＾導師簽名；麥期；VehicleAbnormalBehaviorDetectionUsing

4、TrafficSurveillanceVideoThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofEngineeringBySongYaoSupervisor:Prof.SongJianxinJune2015摘要近年來，我國經(jīng)濟快速迅速，機動車保有量迅速攀升。汽車給我們帶來了許多便利，但隨之頻發(fā)的道路交通事故卻對人民的生命財產(chǎn)安全造成了巨大的威脅。當前對交通監(jiān)控視頻的主要用途是在發(fā)生事故后進行事件回顧，并且很大程度上要依賴人工檢

5、索來定位，這樣只能做到交通事故的事后查看，不能提前預防。為了進一步規(guī)范車輛行駛，緩解交通擁堵，減少交通事故，交通監(jiān)控視頻中的車輛異常行為檢測成為了目前智能交通領(lǐng)域研究的重點與難點，這將為人們的日常生活、社會的安定與和諧帶來重要保障。本文對交通監(jiān)控視頻中的車輛檢測、車輛跟蹤、車輛行駛軌跡提取及車輛行為的異常檢測技術(shù)進行了研究，之后對其中的研究難點提出了若干算法改進與解決方案。主要工作如下：為了對車輛目標進行跟蹤，并進一步提取車輛軌跡，分析行駛行為，首先要做到從視頻監(jiān)控數(shù)據(jù)中檢測車輛目標。本文在分析、對比現(xiàn)有運動目標檢測算法后，針對交通監(jiān)控視頻的特

6、點提出了一種閾值自適應的Surendra背景差分改進算法，并將其與三幀差法結(jié)合，進行運動車輛的檢測。最后通過實驗結(jié)果表明，該改進算法能夠結(jié)合背景差分法與幀差法的優(yōu)點，抗環(huán)境干擾能力強，并且兼顧交通監(jiān)控系統(tǒng)實時性與穩(wěn)定性的要求，還原了車輛的真實目標區(qū)域，為車輛跟蹤環(huán)節(jié)提供了車輛區(qū)域目標信息?，F(xiàn)有CamShift算法能夠?qū)崿F(xiàn)視頻中運動目標的跟蹤，但存在需要手動選取跟蹤區(qū)域與抗遮擋能力較差等問題。為了解決上述問題，實現(xiàn)跟蹤效果的優(yōu)化，本文將運動車輛檢測結(jié)果輸入CamShift算法初始步驟，并引入Kalman濾波器預測車輛的運動狀態(tài)，提出基于Kalma

7、n濾波預測的CamShift車輛跟蹤算法，縮小了下一幀中目標車輛的搜索范圍，減小了CamShift算法的計算復雜度，并且分析了車輛因遮擋帶來的跟蹤失效問題，使用Kalman濾波器的預測值代替CamShift算法計算的目標位置，作為觀測值去更新Kalman濾波器。實驗證明，該改進算法能夠有效抵抗由于目標遮擋而導致的跟蹤失敗。并且由于初始化搜索目標時使用了第三章車輛檢測得出的結(jié)果，實現(xiàn)了運動車輛的自動跟蹤。通過對車輛進行實時跟蹤，可由目標外接矩形框獲得車輛運動中心坐標。之后通過曲線擬合獲取車輛運動軌跡。本文對軌跡數(shù)據(jù)進行了深入分析，提出了幾種車輛運

8、動行為的判別標準，包括車輛運動方向識別與車輛變道、調(diào)頭、逆行等情況的判斷。通過實驗數(shù)據(jù)可以說明本章提出的判別方法能夠廣泛應用于車輛的違章識別，并且算法