监控视频中车辆行为语义分析

发布时间：2017-10-30 20:30

  本文关键词：监控视频中车辆行为语义分析

  更多相关文章： 目标检测 目标跟踪 轨迹拟合 行为语义分析 SVM

【摘要】：随着当前经济的快速发展,人口数量增加道路车辆增多,由此导致的交通问题日益严重,为有效的解决该问题,智能交通系统(Intelligent Transportation Systems,简称ITS)应运而生。通过计算机对视频数据进行处理,自动获得场景信息,对感兴趣目标语义分析实现交通监控系统智能化是值得研究的课题。本文针对于此,首先对相关前提工作运动目标检测与跟踪做了深入的研究,并对目标检测算法提出快速混合高斯模型算法,对目标跟踪提出基于kalman预测器的改进跟踪算法,监控视频行为语义分析部分,首先提出基于跟踪轨迹的车辆异常行为分析算法,并采用机器学习算法SVM对视频中车辆行为进行分析。本文主要完成了以下工作:1、研究了目前常用的运动目标检测算法,基于混合高斯模型提出快速混合高斯运动目标检测算法,首先通过三帧差快速确定待定目标区域,然后仅对待定目标区域进行混合高斯模型匹配,确定目标区域和临界区域,分区域自适应设置背景更新率,最后采用特征空间(R,G,I)进行阴影抑制,实验结果表明该算法能够快速检测出运动目标,并能在一定程度上克服阴影的影响。2、研究了常用的运动目标跟踪算法,在传统camshift跟踪算法基础上,基于kalman预测器对其进行改进,首先根据目标检测结果初始化搜索窗口,通过计算Bhattacharyya距离判断是否发生遮挡,若发生遮挡kalman预测器作为跟踪结果,遮挡结束继续camshift跟踪,实验结果表明该算法能够适应一定的遮挡情况,有效提高传统camshift跟踪结果。3、采用最小二乘法自适应分段直线拟合算法对跟踪轨迹进行快速拟合,根据拟合结果提取运动参数速度变化率和方向变化率建立车辆异常行为模型,实现基于跟踪轨迹的车辆异常行为检测,实验结果表明该算法能够快速有效地检测出交通监控视频中急转弯、急刹车、急转弯刹车等车辆异常行为。4、通过研究机器学习算法,选择SVM支持向量机分析监控视频中车辆行为,首先确定路口车辆左转、右转、停车、直行四种行为模式训练样本集,采用RBF核函数训练样本得到SVM分类器,实验表明该算法能够对路口交通监控视频进行行为语义分析,分析精度可到90%,且机器学习方法具有更高主动性。
【关键词】：目标检测 目标跟踪 轨迹拟合 行为语义分析 SVM
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-6
• Abstract6-11
• 第1章 绪论11-17
• 1.1 课题的研究背景和意义11-12
• 1.2 国内外研究现状及面临问题12-15
• 1.2.1 国内外研究现状12-14
• 1.2.2 研究面临的问题14-15
• 1.3 本文的研究内容和工作安排15-17
• 第2章 监控视频中运动目标检测17-29
• 2.1 常用运动目标检测方法17-21
• 2.1.1 帧差法17-18
• 2.1.2 光流法18-20
• 2.1.3 背景差分法20-21
• 2.2 快速混合高斯模型改进算法21-28
• 2.2.1 经典混合高斯模型21-24
• 2.2.2 快速混合高斯模型改进算法24-28
• 2.3 实验结果与分析28-29
• 第3章 监控视频中运动目标跟踪29-43
• 3.1 常用运动目标跟踪方法29-31
• 3.1.1 基于区域的跟踪方法29-30
• 3.1.2 基于特征的跟踪方法30
• 3.1.3 基于模型的跟踪方法30
• 3.1.4 基于动态轮廓的跟踪方法30-31
• 3.2 camshift运动目标跟踪算法31-37
• 3.2.1 直方图反向投影31-33
• 3.2.2 mean-shift算法原理33-35
• 3.2.3 camshift跟踪算法35-37
• 3.3 基于Kalman滤波器的改进跟踪算法37-41
• 3.3.1 Kalman滤波算法37-38
• 3.3.2 基于kalman滤波器的改进跟踪算法38-41
• 3.4 实验结果与分析41-43
• 第4章 基于跟踪轨迹的车辆异常行为检测43-53
• 4.1 轨迹数据预处理43-44
• 4.2 最小二乘法自适应分段拟合算法44-47
• 4.2.1 最小二乘法原理45
• 4.2.2 自适应分段拟合算法45-47
• 4.3 基于跟踪轨迹的车辆异常行为检测47-49
• 4.3.1 车辆运动特征提取47-49
• 4.3.2 车辆异常行为分析49
• 4.4 实验结果与分析49-53
• 第5章 基于SVM的车辆行为语义分析53-63
• 5.1 SVM基本理论53-57
• 5.1.1 线性SVM53-55
• 5.1.2 非线性SVM55-57
• 5.2 基于SVM的车辆行为分析57-60
• 5.2.1 SVM特征向量选取57-59
• 5.2.2 SVM分类器的生成59-60
• 5.3 实验结果与分析60-63
• 第6章 总结与展望63-65
• 6.1 工作总结63
• 6.2 未来工作展望63-65
• 参考文献65-71
• 作者简介及科研成果71-73
• 致谢73

【参考文献】

中国期刊全文数据库 前10条

1 杨洁;闫清东;梅向辉;;基于支持向量机的车辆行为分析方法研究[J];南京邮电大学学报(自然科学版);2015年04期

2 黄婧;郭新彪;;交通相关空气污染的健康影响研究进展[J];中国环境科学;2014年06期

3 王相海;丛志环;方玲玲;秦钜鳌;;基于HMM的车辆行驶状态实时判别方法研究[J];自动化学报;2013年12期

4 康维新;曹宇亭;;交通事件的语义理解[J];应用科技;2013年02期

5 陈良波;郑亚青;;基于最小二乘法的曲线拟合研究[J];无锡职业技术学院学报;2012年05期

6 杨平;厉小润;;基于视频检测技术的智能隧道交通安全监控系统设计[J];计算机应用与软件;2012年06期

7 刘秀松;;车辆避障驾驶控制方法研究[J];计算机工程与应用;2012年02期

8 梁浩哲;徐树奎;李国辉;张军;;面向监控视频的行为模式挖掘[J];山东大学学报(工学版);2011年06期

9 曹凯;周芦芦;张政新;;基于道路势场的智能车辆机动驾驶控制算法[J];系统仿真学报;2011年10期

10 柴毅;阳小燕;尹宏鹏;匡金骏;;基于运动区域检测的运动目标跟踪算法[J];计算机应用研究;2010年12期

中国博士学位论文全文数据库 前2条

1 袁国武;智能视频监控中的运动目标检测和跟踪算法研究[D];云南大学;2012年

2 焦波;面向智能视频监控的运动目标检测与跟踪方法研究[D];国防科学技术大学;2009年

中国硕士学位论文全文数据库 前8条

1 王梦萦;公共管理视角下的特大城市交通拥堵问题研究[D];首都经济贸易大学;2014年

2 苏建林;监控视频目标跟踪算法及应用系统实现研究[D];浙江大学;2013年

3 赵琳琳;时空融合视频对象分割技术研究[D];吉林大学;2012年

4 张翼;基于视频分析处理的高清视频电子警察系统的应用研究[D];复旦大学;2011年

5 乐应英;智能视频监控系统中目标检测与跟踪关键技术研究[D];云南大学;2010年

6 冯蓓蓓;运动目标检测系统的设计与实现[D];大连理工大学;2009年

7 李华;基于视频图像的交通信息提取关键技术研究[D];西南交通大学;2005年

8 伍友龙;基于图像分析的高速公路交通事件检测算法研究[D];长沙理工大学;2005年

，

本文编号：1119183