视频监控中私自揽客违法行为检测
发布时间：2021-04-07 18:51
随着数字视频监控技术的普及与应用,基于视频监控信息的出租车行业智能化管理成为可能。特别是在强化道路交通的安全管理,缓解执法人员压力等方面发挥了重要作用,但目前尚缺少针对出租车运营管理与分析的智能化处理技术。对此,提出一种私自揽客行为检测算法。使用Haar特征结合Adaboost分类器对出租车进行识别;利用改进的ViBe算法提取运动人体目标,并快速消除鬼影干扰;判断人车位置关系,并提取人在上车过程中的多姿态特征,送入SVM分类器进行训练,实现对人体行为的分类。实验结果表明:该方法能够适应复杂环境,抗干扰能力较强,可实时检测私揽行为是否发生。
【文章来源】：计算机应用与软件. 2019,36(03)北大核心
【文章页数】：7 页
【部分图文】：
私揽检测算法流程图针对静止背景下的运动目标检测一般有帧间差分
Ada-boost［7］分类器进行训练，最后检测视频中的出租车。Haar特征指的是一种矩形特征，其值表示为黑色矩形区域的灰度值与白色矩形区域的灰度值的差，以此来生成图像特征矩阵。不同的Haar特征模型功能也不相同，常用的Haar特征模板如图2所示。图2常用Haar特征模板Adaboost算法是一种改进的Boosting算法。该算法不需要弱分类器的先验知识。它的核心是为相同的训练集训练不同的弱分类器，然后将这些弱分类器合成强分类器，最后将强分类器级联成最终分类器。图3是由分类器进行级联和检测出租车的过程。图3出租车区域检测结果
混合高斯法157帧124帧183帧171帧原始ViBe方法57帧51帧61帧60帧由表1可见:本文的算法消除鬼影所需要的帧数最少，速度最快;混合高斯法消除鬼影速度较慢;原始ViBe算法稍慢于本文算法。在此基础上，结合提取到的人体前景与识别出的出租车区域，计算人体质心与出租车中心的距离，当行人处于车辆区域范围内时，则可以认为该行人与车辆有构成私揽违法行为的可能。实验发现，所检测出的人体质心存在于以出租车质心为圆心，到四角长度为半径的一侧扇形内时，检测效果较好，如图5所示。图5人车位置关系3基于多特征融合的人体姿态识别3．1特征提取乘客在上车过程中会逐渐从出租车远处接近，在车门附近停顿，并伴有弯腰、拉车门、屈体等动作，与交通环境中的其他行为有明显区别。本文基于私自揽客的特点对乘客的多种特征进行提取。运动目标的标识方法取决于运动目标的区域形状及其连通性，采用外接区域的方法能够很直观地反映出运动人体的轮廓。因此本文选取与人体拟合度更高的最小外接椭圆作为其中一个特征。一个椭圆由其中心坐标、其方向以及其长短轴长度定义。在私揽行为发生过程中，行人会首先从远处向出租车接近，这段时间私揽行为的人体特征与人体行走基本一致。当乘客走近出租车准备上车时，会停顿并打开车门，然后弯腰上车，在弯腰上车的过程中，人体竖直距离会降低，人体最小外接椭圆的长轴会减小，这是一个明显区别于正常行走行为的特征。人体最小外接椭圆参数变化过程如图6所示。图6人体外接椭圆参数变化过程人体最小外接椭圆的参数需要计算图像的矩，对于连续图像f(x，y)，矩的定义由如下:m
【参考文献】：
期刊论文
[1]一种改进Haar-like特征的车辆识别算法[J]. 罗瑞奇,钟忺,钟珞,李琳. 武汉大学学报(理学版). 2018(03)
[2]人工智能技术在智慧交通领域中的应用[J]. 王伟耀. 电子技术与软件工程. 2018(03)
[3]基于改进ViBe算法的运动目标检测方法[J]. 高健焮,陈健. 计算机应用. 2017(S2)
[4]一种基于类Haar特征和AdaBoost算法的前车检测方法[J]. 余小角,郭景,徐凯,王娜. 微型机与应用. 2017(13)
[5]结合背景更新和亮度范围的改进Codebook模型算法[J]. 瞿中,辛宁,廖春梅. 计算机应用与软件. 2016(11)
[6]基于自适应高斯模型的实效运动目标检测算法[J]. 王红茹,童伟. 计算机工程与设计. 2016(10)
[7]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋. 自动化学报. 2016(10)
[8]一种改进的融合帧差法的ViBe算法[J]. 史瑞环,吴斌,李务军,范风兵. 微型机与应用. 2016(04)
硕士论文
[1]基于卷积神经网络的多部位人体检测[D]. 张恒瑜.北京工业大学 2016
[2]基于形状上下文的物体匹配与识别研究[D]. 姬建光.西北师范大学 2016
本文编号：3124002
【文章来源】：计算机应用与软件. 2019,36(03)北大核心
【文章页数】：7 页
【部分图文】：
私揽检测算法流程图针对静止背景下的运动目标检测一般有帧间差分
Ada-boost［7］分类器进行训练，最后检测视频中的出租车。Haar特征指的是一种矩形特征，其值表示为黑色矩形区域的灰度值与白色矩形区域的灰度值的差，以此来生成图像特征矩阵。不同的Haar特征模型功能也不相同，常用的Haar特征模板如图2所示。图2常用Haar特征模板Adaboost算法是一种改进的Boosting算法。该算法不需要弱分类器的先验知识。它的核心是为相同的训练集训练不同的弱分类器，然后将这些弱分类器合成强分类器，最后将强分类器级联成最终分类器。图3是由分类器进行级联和检测出租车的过程。图3出租车区域检测结果
混合高斯法157帧124帧183帧171帧原始ViBe方法57帧51帧61帧60帧由表1可见:本文的算法消除鬼影所需要的帧数最少，速度最快;混合高斯法消除鬼影速度较慢;原始ViBe算法稍慢于本文算法。在此基础上，结合提取到的人体前景与识别出的出租车区域，计算人体质心与出租车中心的距离，当行人处于车辆区域范围内时，则可以认为该行人与车辆有构成私揽违法行为的可能。实验发现，所检测出的人体质心存在于以出租车质心为圆心，到四角长度为半径的一侧扇形内时，检测效果较好，如图5所示。图5人车位置关系3基于多特征融合的人体姿态识别3．1特征提取乘客在上车过程中会逐渐从出租车远处接近，在车门附近停顿，并伴有弯腰、拉车门、屈体等动作，与交通环境中的其他行为有明显区别。本文基于私自揽客的特点对乘客的多种特征进行提取。运动目标的标识方法取决于运动目标的区域形状及其连通性，采用外接区域的方法能够很直观地反映出运动人体的轮廓。因此本文选取与人体拟合度更高的最小外接椭圆作为其中一个特征。一个椭圆由其中心坐标、其方向以及其长短轴长度定义。在私揽行为发生过程中，行人会首先从远处向出租车接近，这段时间私揽行为的人体特征与人体行走基本一致。当乘客走近出租车准备上车时，会停顿并打开车门，然后弯腰上车，在弯腰上车的过程中，人体竖直距离会降低，人体最小外接椭圆的长轴会减小，这是一个明显区别于正常行走行为的特征。人体最小外接椭圆参数变化过程如图6所示。图6人体外接椭圆参数变化过程人体最小外接椭圆的参数需要计算图像的矩，对于连续图像f(x，y)，矩的定义由如下:m
【参考文献】：
期刊论文
[1]一种改进Haar-like特征的车辆识别算法[J]. 罗瑞奇,钟忺,钟珞,李琳. 武汉大学学报(理学版). 2018(03)
[2]人工智能技术在智慧交通领域中的应用[J]. 王伟耀. 电子技术与软件工程. 2018(03)
[3]基于改进ViBe算法的运动目标检测方法[J]. 高健焮,陈健. 计算机应用. 2017(S2)
[4]一种基于类Haar特征和AdaBoost算法的前车检测方法[J]. 余小角,郭景,徐凯,王娜. 微型机与应用. 2017(13)
[5]结合背景更新和亮度范围的改进Codebook模型算法[J]. 瞿中,辛宁,廖春梅. 计算机应用与软件. 2016(11)
[6]基于自适应高斯模型的实效运动目标检测算法[J]. 王红茹,童伟. 计算机工程与设计. 2016(10)
[7]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋. 自动化学报. 2016(10)
[8]一种改进的融合帧差法的ViBe算法[J]. 史瑞环,吴斌,李务军,范风兵. 微型机与应用. 2016(04)
硕士论文
[1]基于卷积神经网络的多部位人体检测[D]. 张恒瑜.北京工业大学 2016
[2]基于形状上下文的物体匹配与识别研究[D]. 姬建光.西北师范大学 2016
本文编号：3124002
本文链接：https://www.wllwen.com/falvlunwen/fanzuizhian/3124002.html
