基于监控视频的不规范停车行为识别
发布时间：2021-06-23 07:51
由于现有基础设施不够完善,加之很多车主的规范停车意识较差,不规范停车情况时有发生,不仅造成停车位资源浪费,增加停车场的管理成本,甚至会影响周围交通,造成交通堵塞,诱发交通事故。目前对于停车监管主要采用人工方式,该方式具有随机性和滞后性,且耗费大量人力、物力。随着城市中视频传感器的普及,监控视频的获取越来越容易,基于监控视频进行停车行为识别成为解决不规范停车的可行方案。相比于传统方法,基于视频的停车检测与识别方法具有如下优势:视频中包含目标丰富的时空信息和属性信息;随着监控摄像头的普及,监控视频的获取越来越方便;摄像头覆盖范围广,单个相机可以同时检测多个车位;自带监控功能便于调查取证,同时还可进行停车记录、车型分类、车牌识别等功能的扩展。本文研究基于监控视频的车辆位姿分析,综合利用GIS技术、计算机视觉等技术对监控视频处理,实现不规范停车行为的准确识别,一方面可以对不规范停车行为进行及时的发现和处理,实现路边和大型停车场停车的智能化、规范化管理,提高管理效率;另一方面可以提高车位资源利用率,建立良好的停车秩序,解决停车难、停车乱的现实问题,保障城市公共交通安全。本文以停车场监控视频中的车...
【文章来源】：南京师范大学江苏省 211工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
图１．２传统方式??
?？地磁???？？视频??图１．３停车检测传感器分类??下面对几种典型的检测方式进行介绍：??磁感线圈基于电磁感应原理（图１．４（ａ）），利用铺设在地下的线圈与电容设备??产生振荡电路，车辆经过时金属部件会导致电路变化从而被检测到（章冠等，??２０１２）。该方法经过长时间的发展技术比较成熟，但是埋设线圈破坏路面，安装??维护麻烦。红外（图１．４（ｂ））是利用发射的红外光束在遇到车辆时会发生反射的??原理，测量出车辆的距离信息（胡鹏等，２０１８），该方法检测速度快，可以获取??车辆的轮廓信息，但是检测精度受温度和雾霾天气的影响。超声波（图１．４（ｃ））??利用波束发生装置发射时间和接收装置的接收时间差来计算车距，从而获得车辆??停放信息（王莘，２０１３）。该方法安装方便，但是对环境要求高，不适合于灰尘??较大的天气。基于地磁的方法（图１．４（ｄ））是通过地磁感应设备检测磁场的变化??来采集车辆信息
空间化是一种通过构建二维图像与实际三维场景的空视频对象（视频中的静态目标和运动目标）进行空间化是视频ＧＩＳ最为关键的部分，负责解决图像空间坐间的相互转换（刘学军等，２０１７）。相机成像模型、畸－地理空间互映射是视频场景空间化的重要理论基础。??像模型??视觉领域，相机成像的过程是将真实的三维空间中的的过程，成像平面中的每一个像素点都和对应的空间其对应的几何关系由相机成像的几何模型决定（张永学成像模型的简化，用数学模型来表达，主要分为线性模型中针孔模型应用最为广泛，即空间中的点通过小孔像，通常我们会将像平面反转到物体同侧得到正立的图用广角镜头或者镜头失真等情况下会对光的折射产生，需要采用非线性成像模型来表达。??
【参考文献】：
期刊论文
[1]基于YOLO的驾驶视频目标检测方法[J]. 文浩彬,张国辉. 汽车科技. 2019(01)
[2]基于红外测距汽车倒车雷达预警系统设计[J]. 胡鹏,秦会斌. 传感器与微系统. 2018(07)
[3]Faster R-CNN模型在车辆检测中的应用[J]. 王林,张鹤鹤. 计算机应用. 2018(03)
[4]基于深度学习的多视窗SSD目标检测方法[J]. 唐聪,凌永顺,郑科栋,杨星,郑超,杨华,金伟. 红外与激光工程. 2018(01)
[5]基于无人机的车辆目标实时检测[J]. 姜尚洁,罗斌,刘军,张云. 测绘通报. 2017(S1)
[6]基于KCF跟踪算法的目标轨迹记录系统[J]. 张乘龙,夏筱筠,柏松,姚恺丰. 计算机系统应用. 2017(05)
[7]基于深度学习方法的复杂场景下车辆目标检测[J]. 宋焕生,张向清,郑宝峰,严腾. 计算机应用研究. 2018(04)
[8]视频GIS数据采集与处理[J]. 刘学军,胡加佩,王美珍,周良辰. 现代测绘. 2017(01)
[9]开创“互联网+测绘与地理信息科学技术”新时代[J]. 王家耀. 测绘科学技术学报. 2016(01)
[10]基于多通道融合HOG特征的全天候运动车辆检测方法[J]. 刘操,郑宏,黎曦,余典. 武汉大学学报(信息科学版). 2015(08)
博士论文
[1]地理场景协同的多摄像机目标跟踪研究[D]. 张兴国.南京师范大学 2014
[2]图像序列中运动目标检测与跟踪方法研究[D]. 刘濛.东北大学 2009
[3]基于支持向量机的目标跟踪技术研究[D]. 宋华军.中国科学院研究生院（长春光学精密机械与物理研究所） 2006
硕士论文
[1]基于车身靶标的汽车车体位姿检测方法[D]. 郑安琪.吉林大学 2018
[2]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[3]基于SSD的车辆检测与跟踪算法研究[D]. 曹伟.安徽大学 2018
[4]基于多视角视频的运动物体行为识别方法研究[D]. 于青青.北京工业大学 2017
[5]面向监控视频的停车检测算法研究[D]. 牟蕾.哈尔滨工业大学 2017
[6]顾及透视规律的监控视频行人检测研究[D]. 沈慧.南京师范大学 2016
[7]基于地磁的智能停车系统设计与实现[D]. 郑东旭.浙江大学 2016
[8]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
[9]基于视频图像的车流量检测技术研究[D]. 肖尚鹏.吉林大学 2015
[10]基于稀疏矩阵的自检校光束法平差相机检校研究[D]. 冯鹏飞.西安科技大学 2014
本文编号：3244560
【文章来源】：南京师范大学江苏省 211工程院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
图１．２传统方式??
?？地磁???？？视频??图１．３停车检测传感器分类??下面对几种典型的检测方式进行介绍：??磁感线圈基于电磁感应原理（图１．４（ａ）），利用铺设在地下的线圈与电容设备??产生振荡电路，车辆经过时金属部件会导致电路变化从而被检测到（章冠等，??２０１２）。该方法经过长时间的发展技术比较成熟，但是埋设线圈破坏路面，安装??维护麻烦。红外（图１．４（ｂ））是利用发射的红外光束在遇到车辆时会发生反射的??原理，测量出车辆的距离信息（胡鹏等，２０１８），该方法检测速度快，可以获取??车辆的轮廓信息，但是检测精度受温度和雾霾天气的影响。超声波（图１．４（ｃ））??利用波束发生装置发射时间和接收装置的接收时间差来计算车距，从而获得车辆??停放信息（王莘，２０１３）。该方法安装方便，但是对环境要求高，不适合于灰尘??较大的天气。基于地磁的方法（图１．４（ｄ））是通过地磁感应设备检测磁场的变化??来采集车辆信息
空间化是一种通过构建二维图像与实际三维场景的空视频对象（视频中的静态目标和运动目标）进行空间化是视频ＧＩＳ最为关键的部分，负责解决图像空间坐间的相互转换（刘学军等，２０１７）。相机成像模型、畸－地理空间互映射是视频场景空间化的重要理论基础。??像模型??视觉领域，相机成像的过程是将真实的三维空间中的的过程，成像平面中的每一个像素点都和对应的空间其对应的几何关系由相机成像的几何模型决定（张永学成像模型的简化，用数学模型来表达，主要分为线性模型中针孔模型应用最为广泛，即空间中的点通过小孔像，通常我们会将像平面反转到物体同侧得到正立的图用广角镜头或者镜头失真等情况下会对光的折射产生，需要采用非线性成像模型来表达。??
【参考文献】：
期刊论文
[1]基于YOLO的驾驶视频目标检测方法[J]. 文浩彬,张国辉. 汽车科技. 2019(01)
[2]基于红外测距汽车倒车雷达预警系统设计[J]. 胡鹏,秦会斌. 传感器与微系统. 2018(07)
[3]Faster R-CNN模型在车辆检测中的应用[J]. 王林,张鹤鹤. 计算机应用. 2018(03)
[4]基于深度学习的多视窗SSD目标检测方法[J]. 唐聪,凌永顺,郑科栋,杨星,郑超,杨华,金伟. 红外与激光工程. 2018(01)
[5]基于无人机的车辆目标实时检测[J]. 姜尚洁,罗斌,刘军,张云. 测绘通报. 2017(S1)
[6]基于KCF跟踪算法的目标轨迹记录系统[J]. 张乘龙,夏筱筠,柏松,姚恺丰. 计算机系统应用. 2017(05)
[7]基于深度学习方法的复杂场景下车辆目标检测[J]. 宋焕生,张向清,郑宝峰,严腾. 计算机应用研究. 2018(04)
[8]视频GIS数据采集与处理[J]. 刘学军,胡加佩,王美珍,周良辰. 现代测绘. 2017(01)
[9]开创“互联网+测绘与地理信息科学技术”新时代[J]. 王家耀. 测绘科学技术学报. 2016(01)
[10]基于多通道融合HOG特征的全天候运动车辆检测方法[J]. 刘操,郑宏,黎曦,余典. 武汉大学学报(信息科学版). 2015(08)
博士论文
[1]地理场景协同的多摄像机目标跟踪研究[D]. 张兴国.南京师范大学 2014
[2]图像序列中运动目标检测与跟踪方法研究[D]. 刘濛.东北大学 2009
[3]基于支持向量机的目标跟踪技术研究[D]. 宋华军.中国科学院研究生院（长春光学精密机械与物理研究所） 2006
硕士论文
[1]基于车身靶标的汽车车体位姿检测方法[D]. 郑安琪.吉林大学 2018
[2]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[3]基于SSD的车辆检测与跟踪算法研究[D]. 曹伟.安徽大学 2018
[4]基于多视角视频的运动物体行为识别方法研究[D]. 于青青.北京工业大学 2017
[5]面向监控视频的停车检测算法研究[D]. 牟蕾.哈尔滨工业大学 2017
[6]顾及透视规律的监控视频行人检测研究[D]. 沈慧.南京师范大学 2016
[7]基于地磁的智能停车系统设计与实现[D]. 郑东旭.浙江大学 2016
[8]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
[9]基于视频图像的车流量检测技术研究[D]. 肖尚鹏.吉林大学 2015
[10]基于稀疏矩阵的自检校光束法平差相机检校研究[D]. 冯鹏飞.西安科技大学 2014
本文编号：3244560
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3244560.html
