基于视频的路侧停车行为识别技术研究
发布时间：2021-04-18 08:45
近年来,随着城市现代化进程的推进,私家车数量逐年快速增长,城市停车位严重不足。如何提高路侧停车管理系统的智能化程度,有效管理及充分利用路侧停车位资源来应对停车需求,成为当前迫切需要解决的问题。针对于此,本文设计基于视频的智能化路侧停车计时管理方案,研究方案中实现路侧停车计时功能的关键:停车行为识别技术,识别车辆停入、驶离泊位行为。首先对车辆行为识别的基础工作:运动目标检测及多目标跟踪进行深入研究,然后基于跟踪轨迹研究路侧停车行为识别方法。主要研究工作如下:1.为了满足路侧停车场景对运动目标检测算法实时性和环境适应性的要求,分析并改进了高斯混合背景建模算法,提出结合时空信息的自适应高斯混合建模方法。首先根据间歇性运动与背景更新之间的矛盾,利用历史匹配次数并根据反正切函数曲线形状作为背景学习率的变化规律,推导出自适应背景学习率计算公式;然后将前景像素判别规则分为两步:利用三帧差原理的前景初判、利用邻域投票的前景判定。实验结果表明,该算法在实时性和环境适应性方面有所提高,检出目标更加完整、包含噪声更少。2.针对基于检测的多目标跟踪方法过于依赖目标检测器的问题,研究粒子滤波免检测跟踪算法,在基...
【文章来源】：重庆邮电大学重庆市
【文章页数】：101 页
【学位级别】：硕士
【部分图文】：
实际路侧停车场景
(d) 视频 41 帧 (e) 光流图 (f) 目标检测结果图图 2.8 光流法运动目标检测实验结果光流法的优点：不需要任何场景的先验信息，是一种通用性较强的运动目标检测方法。缺点：噪声、多光源、阴影和遮挡等因素都会对光流分布的计算结果造成严重影响，并且光流法的计算比较复杂，对于实时性要求较高的场景并不适用。2.3.2 帧间差分法帧间差分法利用视频图像在时间序列上具有连续性的特点：如果场景内没有运动目标，则连续帧之间的变化很微弱，如果存在运动目标，则连续帧之间就会有明显变化[24, 25]。方法的基本原理是：对图像序列相邻两帧或者三帧进行差分运算，通过判断像素点之间的灰度值差是否超过一定阈值，来检出运动目标区域。①两帧差分法两帧差分法进行运动目标检测的过程如图 2.9 所示：
(c) 相邻差分图像 (d)检测结果图 2.11 两帧差分法运动目标检测实验结果(a) 第 35 帧 (b) 第 36 帧 (c) 第 37 帧(d) 35 与 36 帧差分图 (e) 36 与 37 帧差分图 (f) 检测结果图 2.12 三帧差分法运动目标检测实验结果
【参考文献】：
期刊论文
[1]基于目标序列分析的智能监控多目标自动检测跟踪[J]. 刘李漫,张治国. 中南民族大学学报(自然科学版). 2018(04)
[2]基于卡尔曼滤波的多目标跟踪方法[J]. 赵广辉,卓松,徐晓龙. 计算机科学. 2018(08)
[3]空时自适应混合高斯模型复杂背景运动目标检测[J]. 朱文杰,王广龙,田杰,乔中涛,高凤岐. 北京理工大学学报. 2018(02)
[4]浅谈车牌识别在城市停车中的应用[J]. 沃绿洲. 中国公共安全. 2018(01)
[5]粒子滤波理论在单目标跟踪中的应用综述[J]. 刘畅,杨锁昌,汪连栋. 飞航导弹. 2017(10)
[6]基于视频跟踪轨迹的全过程路侧停车行为检测与识别技术[J]. 于青青,张可,唐恒亮,赵箐,盖赟,汪鸣. 计算机与现代化. 2017(09)
[7]一种改进的混合高斯学习自适应背景建模算法[J]. 邓利平,李明东,邹海洋. 西华师范大学学报(自然科学版). 2016(03)
[8]基于跟踪轨迹的车辆异常行为检测[J]. 蒋恩源,王学军. 吉林大学学报(信息科学版). 2016(01)
[9]一种基于历史背景的混合高斯背景建模算法[J]. 肖进胜,刘婷婷,张亚琪,彭红,鄢煜尘. 湖南大学学报(自然科学版). 2015(10)
[10]智慧停车的视频分析技术应用[J]. 童巍. 现代建筑电气. 2014(07)
博士论文
[1]复杂场景中的在线多目标跟踪方法研究[D]. 杨敏.北京理工大学 2016
[2]基于检测的数据关联多目标跟踪算法研究[D]. 项俊.华中科技大学 2016
硕士论文
[1]基于粒子滤波的车辆跟踪算法研究[D]. 郭新新.山东师范大学 2018
[2]基于监控视频的交通信息提取技术研究[D]. 黄丹.电子科技大学 2017
[3]监控视频中车辆行为语义分析[D]. 蒋恩源.吉林大学 2016
[4]路边空余停车位短时预测及停车诱导信息服务系统研究[D]. 罗强.江西理工大学 2016
[5]基于机器视觉的泊车位检测关键技术研究[D]. 马伟.西安理工大学 2015
[6]基于车辆跟踪轨迹的停车和逆行检测研究[D]. 高冬冬.长安大学 2015
[7]基于粒子滤波目标跟踪算法研究[D]. 吴建伟.浙江理工大学 2014
[8]违章停车取证关键技术研究[D]. 郑耀.上海交通大学 2014
[9]背景建模算法研究[D]. 田楠.兰州大学 2012
本文编号：3145186
【文章来源】：重庆邮电大学重庆市
【文章页数】：101 页
【学位级别】：硕士
【部分图文】：
实际路侧停车场景
(d) 视频 41 帧 (e) 光流图 (f) 目标检测结果图图 2.8 光流法运动目标检测实验结果光流法的优点：不需要任何场景的先验信息，是一种通用性较强的运动目标检测方法。缺点：噪声、多光源、阴影和遮挡等因素都会对光流分布的计算结果造成严重影响，并且光流法的计算比较复杂，对于实时性要求较高的场景并不适用。2.3.2 帧间差分法帧间差分法利用视频图像在时间序列上具有连续性的特点：如果场景内没有运动目标，则连续帧之间的变化很微弱，如果存在运动目标，则连续帧之间就会有明显变化[24, 25]。方法的基本原理是：对图像序列相邻两帧或者三帧进行差分运算，通过判断像素点之间的灰度值差是否超过一定阈值，来检出运动目标区域。①两帧差分法两帧差分法进行运动目标检测的过程如图 2.9 所示：
(c) 相邻差分图像 (d)检测结果图 2.11 两帧差分法运动目标检测实验结果(a) 第 35 帧 (b) 第 36 帧 (c) 第 37 帧(d) 35 与 36 帧差分图 (e) 36 与 37 帧差分图 (f) 检测结果图 2.12 三帧差分法运动目标检测实验结果
【参考文献】：
期刊论文
[1]基于目标序列分析的智能监控多目标自动检测跟踪[J]. 刘李漫,张治国. 中南民族大学学报(自然科学版). 2018(04)
[2]基于卡尔曼滤波的多目标跟踪方法[J]. 赵广辉,卓松,徐晓龙. 计算机科学. 2018(08)
[3]空时自适应混合高斯模型复杂背景运动目标检测[J]. 朱文杰,王广龙,田杰,乔中涛,高凤岐. 北京理工大学学报. 2018(02)
[4]浅谈车牌识别在城市停车中的应用[J]. 沃绿洲. 中国公共安全. 2018(01)
[5]粒子滤波理论在单目标跟踪中的应用综述[J]. 刘畅,杨锁昌,汪连栋. 飞航导弹. 2017(10)
[6]基于视频跟踪轨迹的全过程路侧停车行为检测与识别技术[J]. 于青青,张可,唐恒亮,赵箐,盖赟,汪鸣. 计算机与现代化. 2017(09)
[7]一种改进的混合高斯学习自适应背景建模算法[J]. 邓利平,李明东,邹海洋. 西华师范大学学报(自然科学版). 2016(03)
[8]基于跟踪轨迹的车辆异常行为检测[J]. 蒋恩源,王学军. 吉林大学学报(信息科学版). 2016(01)
[9]一种基于历史背景的混合高斯背景建模算法[J]. 肖进胜,刘婷婷,张亚琪,彭红,鄢煜尘. 湖南大学学报(自然科学版). 2015(10)
[10]智慧停车的视频分析技术应用[J]. 童巍. 现代建筑电气. 2014(07)
博士论文
[1]复杂场景中的在线多目标跟踪方法研究[D]. 杨敏.北京理工大学 2016
[2]基于检测的数据关联多目标跟踪算法研究[D]. 项俊.华中科技大学 2016
硕士论文
[1]基于粒子滤波的车辆跟踪算法研究[D]. 郭新新.山东师范大学 2018
[2]基于监控视频的交通信息提取技术研究[D]. 黄丹.电子科技大学 2017
[3]监控视频中车辆行为语义分析[D]. 蒋恩源.吉林大学 2016
[4]路边空余停车位短时预测及停车诱导信息服务系统研究[D]. 罗强.江西理工大学 2016
[5]基于机器视觉的泊车位检测关键技术研究[D]. 马伟.西安理工大学 2015
[6]基于车辆跟踪轨迹的停车和逆行检测研究[D]. 高冬冬.长安大学 2015
[7]基于粒子滤波目标跟踪算法研究[D]. 吴建伟.浙江理工大学 2014
[8]违章停车取证关键技术研究[D]. 郑耀.上海交通大学 2014
[9]背景建模算法研究[D]. 田楠.兰州大学 2012
本文编号：3145186
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3145186.html
