城市交通场景中车辆异常行为检测方法研究

发布时间：2017-03-30 01:19

  本文关键词：城市交通场景中车辆异常行为检测方法研究，，由笔耕文化传播整理发布。

【摘要】：随着我国国民经济的快速发展,人民生活水平得到不断提高,汽车已进入千家万户,截止到2015年底,我国汽车保有量已达到1.72亿辆。汽车保有量的大幅增长,不仅给人们的日常出行带来了极大便利,但也给交通管理带来了城市交通拥挤、交通事故频发等严峻的挑战。车辆异常行为是指交通场景中的车辆违章、违法行为,主要包括闯红灯、压线和非法转向等行为。据统计,在过去十年间,我国有超过100万人死于各类交通事故,其中90%以上的交通事故是由车辆异常行为引成的。对车辆异常行为进行检测预警己成为交通管理部门迫切需要解决的问题之一,因此,本文研究城市交通场景中车辆异常行为的检测方法,具体内容如下：首先,研究了基于色彩空间模型的城市交通场景中信号灯的检测方法。采用中值滤波和光线补偿算法对城市交通场景图像进行预处理,并采用信号灯的颜色直方图和巴氏系数进行信号灯模板匹配；基于颜色空间模型进行城市交通场景中信号灯的状态检测,实验结果表明基于HSV彩色空间模型的城市交通场景中信号灯的检测方法优于其他两种彩色空间。其次,研究了基于车辆及车牌对称特征的城市交通场景中车辆检测的方法,并与基于车牌的车辆检测方法、基于Gabor特征及支持向量机(SVM)的车辆检测方法和Haar-like特征及AdaBoost分类器的车辆检测方法进行了对比分析,实验结果表明基于车辆及车牌对称性的城市交通场景中车辆检测的方法优于其他三种方法,其检测率达到91.2%。最后,构建了东南大学城市交通场景中车辆行为图像库,并提出了一种基于联合特征的城市交通场景中车辆异常行为检测方法,该方法基于梯度方向直方图(Histograms of Oriented Gradient, HOG)特征和局部二值模式(Local Binary Pattern, LBP)特征的串联联合,并采用支持向量机(SVM)进行自动分类。采用东南大学城市交通场景中车辆行为图像库进行了对比实验,实验结果表明：在选取线性核函数的条件下,基于HOG-LBP的联合特征的车辆行为识别优于其他三种单特征,其识别率达到93.6%；车辆异常行为中闯红灯行为判定率最高,非法转向行为最难判定。
【关键词】：城市交通场景 车辆异常行为 色彩空间模型 车辆检测 联合特征
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 引言10-17
• 1.1 研究背景及意义10-11
• 1.2 国内外研究现状11-14
• 1.2.1 国外研究现状11-12
• 1.2.2 国内研究现状12-14
• 1.3 本文研究内容及技术路线14-15
• 1.4 论文组织结构15-17
• 第二章 基于颜色空间模型的城市交通场景中信号灯的检测方法17-30
• 2.1 图像预处理17-21
• 2.1.1 图像去噪17-20
• 2.1.2 光线补偿20-21
• 2.1.3 感兴趣区域划分21
• 2.2 色彩空间模型21-24
• 2.2.1 RGB颜色空间22
• 2.2.2 HSV颜色空间22-24
• 2.2.3 YCbCr颜色空间24
• 2.3 信号灯模板匹配24-28
• 2.3.1 颜色直方图24-25
• 2.3.2 氏系数25
• 2.3.3 信号灯的模板匹配25-28
• 2.4 基于颜色空间模型的信号灯检测28-29
• 2.5 本章小结29-30
• 第三章 基于车辆及车牌对称特征的车辆检测方法30-39
• 3.1 基于车辆及车牌对称特征的车辆检测30-35
• 3.1.1 车辆边缘检测30-32
• 3.1.2 车辆轮廓对称轴检测32-33
• 3.1.3 车牌对称轴检测33-34
• 3.1.4 车辆区域定位34-35
• 3.2 其他车辆检测方法35-37
• 3.2.1 基于车牌的车辆检测35
• 3.2.2 基于Gabor特征及支持向量机(SVM)的车辆检测35-36
• 3.2.3 基于Haar-like特征及AdaBoost分类器的车辆检测36-37
• 3.3 实验结果37-38
• 3.4 本章小结38-39
• 第四章 基于联合特征的城市交通场景中车辆异常行为检测方法39-51
• 4.1 构建车辆行为数据集39-40
• 4.2 梯度方向直方图40-42
• 4.3 局部二值模式42-43
• 4.4 边缘方向直方图43-44
• 4.5 联合特征提取44-46
• 4.6 支持向量机分类器46-48
• 4.7 实验结果48-50
• 4.8 本章小结50-51
• 第五章 总结与展望51-53
• 5.1 总结51
• 5.2 展望51-53
• 致谢53-54
• 参考文献54-59
• 硕士期间完成的研究成果59

【相似文献】

中国期刊全文数据库 前10条

1 杨传岗;徐建闽;林晓辉;;基于视频技术的交通场景背景生成方法研究[J];西部交通科技;2008年01期

2 朱昶胜;杨青;王杰;冯文芳;;基于城市交通场景的仿真研究[J];计算机仿真;2014年04期

3 陈先桥;严新平;初秀民;;雾天交通场景图像中相关对象特征分析[J];武汉理工大学学报;2009年03期

4 周颖;严利鑫;吴青;高嵩;吴超仲;;基于虚拟现实技术的典型动态交通场景的设计与实现[J];交通信息与安全;2013年01期

5 谭论正;夏利民;夏胜平;;基于多级Sigmoid神经网络的城市交通场景理解[J];国防科技大学学报;2012年04期

6 李俊韬;张海;范跃祖;;复杂交通场景中多运动目标分割算法[J];北京航空航天大学学报;2006年03期

7 胡江碧;曹新涛;;驾驶模拟舱三维道路交通场景仿真技术[J];北京理工大学学报;2008年07期

8 任建强;陈阳舟;;城市混合交通场景中的多目标参数检测[J];交通信息与安全;2009年04期

9 张瑜;仿真火车[J];铁道知识;2004年02期

10 吴天;有车生活从美居开始[J];广东电脑与电讯;2002年09期

中国博士学位论文全文数据库 前2条

1 严金丰;复杂交通场景中运动目标智能监控[D];中国科学技术大学;2014年

2 陈先桥;雾天交通场景中退化图像的增强方法研究[D];武汉理工大学;2008年

中国硕士学位论文全文数据库 前10条

1 肖杰;基于暗通道先验的雾霾天交通场景下退化图像复原算法研究[D];西南交通大学;2015年

2 齐行知;城市交通场景中车辆异常行为检测方法研究[D];东南大学;2016年

3 李俊泽;面向辅助驾驶的交通场景图像预处理研究[D];湖南大学;2015年

4 赵业东;基于图像的交通场景理解[D];中南大学;2013年

5 杨青;车载自组织网络基于交通场景下路由协议算法的研究[D];兰州理工大学;2014年

6 黄灏;面向智能交通场景的低层语义提取算法研究与实现[D];北京邮电大学;2015年

7 张小辉;虚拟交通场景中的雨雪仿真[D];西南交通大学;2010年

8 孙忠涵;交通场景下去模糊算法和信号灯识别算法的研究[D];西安电子科技大学;2014年

9 王彬;交通场景中车辆检测算法设计及实现[D];浙江工业大学;2012年

10 张慧泽;城市交通场景中的背景建模方法研究[D];西安电子科技大学;2014年

  本文关键词：城市交通场景中车辆异常行为检测方法研究，由笔耕文化传播整理发布。

本文编号：275889