基于交通視頻的車輛檢測和車輛行為識別研究.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)測系統(tǒng)在智能交通系統(tǒng)中發(fā)揮著越來越重要的作用。目前基于交通視頻的車輛檢測和車輛行為識別仍存在著運動車輛無法有效提取和車輛行為識別準確率不高等問題。
　　為了有效識別高速公路上的車輛的行為，本文針對基于運動信息的車輛檢測、基于特征信息的車輛檢測以及車輛行為識別的關(guān)鍵技術(shù)進行了相關(guān)的研究，主要取得了以下幾個方面的研究成果：
　　(1)針對高

2、速公路車輛檢測實時性的要求，本文對基于運動信息的車輛檢測方法進行研究。為了解決傳統(tǒng)的混合高斯模型檢測出來的運動車輛中出現(xiàn)的“拖影”現(xiàn)象，本文提出了一種混合高斯模型與自適應背景選擇性學習模型相結(jié)合的建模方法，使得提取的車輛目標更加完整和準確。此外，為了改善ViBe模型對不同場景的適應性，本文還采用圓錐模型來替換歐式距離來計算樣本模型距離，并計算樣本模型的方差來自適應地確定距離閾值。
　　(2)針對僅用運動信息來檢測車輛無法確認運動目

3、標是否為車輛的問題，本文對基于特征信息的車輛檢測展開研究。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別方法，提高了前后向車輛識別的準確率；針對基于特征信息的車輛檢測方法速度慢的問題，本文綜合運動信息和特征信息提出了一種基于感興趣區(qū)域和特征信息的運動車輛檢測方法，縮小了車輛目標的搜索范圍，加快了檢測的速度。
　　(3)針對從高速公路監(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軌跡模型在識別車輛行為時，忽略了負樣本的影響，且僅用最大似然值進行分類，存在較高的誤識別率。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別的準確率和魯棒性。
　　(4)在本文車輛檢測和行為識別方法研究的基礎上，本文設計與實現(xiàn)了基于交通視頻的車輛行為識