發(fā)布時(shí)間：2014-12-20 20:57

【摘要】 我國(guó)城市當(dāng)前面臨嚴(yán)峻的混合交通問(wèn)題，需要通過(guò)智能化交通進(jìn)行解決。而混合交通參數(shù)的高效、準(zhǔn)確提取是智能化交通管理與控制的基礎(chǔ)。目前常規(guī)的檢測(cè)器難以滿足混合交通參數(shù)提取的需求，迫切需要開發(fā)一種有針對(duì)性的混合交通檢測(cè)系統(tǒng)。因此，混合交通視頻檢測(cè)技術(shù)的研究及相應(yīng)系統(tǒng)的開發(fā)對(duì)于提高城市交通控制的實(shí)時(shí)性和準(zhǔn)確性具有重要意義，對(duì)有效進(jìn)行交通管理和保障交通安全具有重要作用。但是由于目前混合交通視頻檢測(cè)關(guān)鍵技術(shù)研究不足，使得混合交通視頻檢測(cè)系統(tǒng)的開發(fā)與實(shí)現(xiàn)受到嚴(yán)重限制。本文針對(duì)這一問(wèn)題，結(jié)合混合交通視頻檢測(cè)的實(shí)際需求，對(duì)普適性的攝像機(jī)參數(shù)標(biāo)定、混合交通前景信息提取和補(bǔ)償、混合交通快速分類和識(shí)別、混合交通多運(yùn)動(dòng)目標(biāo)跟蹤和遮擋處理等關(guān)鍵技術(shù)進(jìn)行了研究和討論。論文完成的主要科研工作及取得的主要科研成果概括如下：(1)基于像素角映射的攝像機(jī)標(biāo)定算法當(dāng)前對(duì)于攝像機(jī)標(biāo)定的問(wèn)題研究較多，但以往的標(biāo)定方法在適應(yīng)性和快速性方面存在一定的問(wèn)題。本文在前人研究的基礎(chǔ)上，提出了基于像素角映射的攝像機(jī)標(biāo)定算法。即在針孔成像線性模型的基礎(chǔ)上，分別考慮了像素與像素角、像素角與世界坐標(biāo)兩組非線性映射關(guān)系，并根據(jù)混合交通視頻檢測(cè)的實(shí)際情況對(duì)標(biāo)定算法進(jìn)行了簡(jiǎn)化。同時(shí)引入攝像機(jī)高度和傾角等參數(shù)，擴(kuò)大了標(biāo)定算法的適用范圍。最后通過(guò)試驗(yàn)對(duì)比驗(yàn)證了本文提出的標(biāo)定算法具有檢測(cè)精度高、適用范圍廣、靈活性強(qiáng)、魯棒性好等優(yōu)點(diǎn)，具有良好的工程實(shí)用價(jià)值。(2)結(jié)合歷史信息的混合交通前景提取和補(bǔ)償算法針對(duì)混合交通場(chǎng)景的復(fù)雜性，本文在利用分段加權(quán)直方圖(Partition WeightedHistogram, PWH)背景模型獲取背景圖像和背景邊緣的基礎(chǔ)上，通過(guò)引入歷史信息來(lái)改進(jìn)傳統(tǒng)的邊緣檢測(cè)算法。首先通過(guò)將當(dāng)前邊緣信息、背景邊緣信息及歷史信息進(jìn)行對(duì)比，經(jīng)過(guò)推理和二次分析剔除背景邊緣信息，獲取前景邊緣信息。然后通過(guò)融合差分信息，利用種子點(diǎn)生長(zhǎng)法實(shí)現(xiàn)前景輪廓的補(bǔ)償與修正，提取出能夠滿足混合交通分類識(shí)別需求的前景輪廓信息。最后，結(jié)合本文前景提取算法實(shí)現(xiàn)了陰影處理與夜間檢測(cè)。(3)結(jié)合極限學(xué)習(xí)機(jī)(ELM)訓(xùn)練的混合交通快速分類識(shí)別算法針對(duì)混合交通視頻檢測(cè)算法常常因?yàn)槿狈τ行У姆诸愄卣鞫鴮?dǎo)致識(shí)別精度低以及傳統(tǒng)智能算法學(xué)習(xí)計(jì)算量大而導(dǎo)致實(shí)時(shí)性差的問(wèn)題，在以往研究的基礎(chǔ)上，提出了結(jié)合極限學(xué)習(xí)機(jī)(Extreme Learning Machine, ELM)訓(xùn)練的混合交通快速分類識(shí)別算法。該算法以邊緣輪廓偏心率向量為分類特征，并利用等角度間隔抽樣的方法對(duì)邊緣輪廓偏心率向量進(jìn)行了維數(shù)統(tǒng)一，克服了以往算法識(shí)別精度低的問(wèn)題。再通過(guò)將極大極小偏心距的比值引入到混合交通特征表達(dá)中，克服了行人和自行車特征區(qū)分度不高的問(wèn)題。最后在特征選取和表達(dá)的基礎(chǔ)上結(jié)合ELM的分類機(jī)制對(duì)混合交通進(jìn)行了快速分類識(shí)別，克服了采用支持向量機(jī)(Support Vector Machine, SVM)等傳統(tǒng)智能算法耗時(shí)長(zhǎng)的問(wèn)題，實(shí)現(xiàn)了混合交通的快速、準(zhǔn)確識(shí)別。(4)多目標(biāo)跟蹤和遮擋處理機(jī)制針對(duì)混合交通中多目標(biāo)跟蹤及遮擋處理難以實(shí)現(xiàn)的問(wèn)題，提出了基于Kalman濾波和PCA-SIFT(Principal ComponentsAnalysis applied to SIFT)匹配的方法進(jìn)行多目標(biāo)跟蹤和遮擋處理。利用Kalman濾波結(jié)合真實(shí)世界參數(shù)進(jìn)行前景多目標(biāo)預(yù)測(cè)，判斷是否出現(xiàn)遮擋現(xiàn)象。通過(guò)對(duì)遮擋現(xiàn)象的判斷結(jié)果選取不同的跟蹤策略：若未發(fā)現(xiàn)遮擋，則采用基于世界坐標(biāo)約束的Kalman濾波進(jìn)行跟蹤，保證跟蹤的快速性；若發(fā)現(xiàn)遮擋，則結(jié)合預(yù)測(cè)信息鎖定靶區(qū)域，縮小檢索范圍，再利用PCA-SIFT算法進(jìn)行快速匹配，完成遮擋還原，實(shí)現(xiàn)了多運(yùn)動(dòng)目標(biāo)的預(yù)測(cè)及跟蹤，確保了跟蹤結(jié)果的準(zhǔn)確性及快速性。最后，在實(shí)際交通場(chǎng)景中對(duì)本文開發(fā)的檢測(cè)系統(tǒng)進(jìn)行了測(cè)試，結(jié)果表明：該系統(tǒng)能夠良好地完成混合交通視頻檢測(cè)任務(wù)，準(zhǔn)確提取多種混合交通參數(shù)。最后對(duì)本文的研究?jī)?nèi)容進(jìn)行總結(jié)和展望。總結(jié)了本文所取得的研究成果以及創(chuàng)新點(diǎn)，針對(duì)本文研究的不足提出了下一步的研究計(jì)劃。 

第1章 緒論

 

視頻檢測(cè)技術(shù)能夠?yàn)橹悄芙煌ㄏ到y(tǒng)采集必要的參數(shù)，對(duì)提高交通控制的實(shí)時(shí)性和準(zhǔn)確性具有重要意義，對(duì)交通管理具有重要的作用。面對(duì)我國(guó)當(dāng)前的混合交通問(wèn)題，現(xiàn)有的混合交通視頻檢測(cè)技術(shù)存在許多不足之處，主要體現(xiàn)在：(1)缺乏具有普適性的攝像機(jī)標(biāo)定算法；(2)前景信息提取效果差；(3)混合交通前景分類識(shí)別精度不足；(4)多目標(biāo)跟蹤遮擋處理難以實(shí)現(xiàn)。本文針對(duì)以上問(wèn)題，在總結(jié)國(guó)內(nèi)外相關(guān)交通視頻檢測(cè)技術(shù)研究和應(yīng)用現(xiàn)狀的基礎(chǔ)上，完成了混合交通視頻檢測(cè)關(guān)鍵技術(shù)的研究。

 

1.1   課題來(lái)源

本文主要依托以下項(xiàng)目完成：

(1)吉林省科技廳發(fā)展項(xiàng)目：“混合交通視頻檢測(cè)智能設(shè)備的研究與開發(fā)”(項(xiàng)目編號(hào)20080432)，2008.09~2010.12。

(2)國(guó)家“863”計(jì)劃項(xiàng)目：“基于多源融合的混合交通行人安全狀態(tài)識(shí)別技術(shù)”(項(xiàng)目編號(hào)2009AA11Z210)，2009.06~2011.12。

(3)國(guó)家自然科學(xué)基金項(xiàng)目“基于人車沖突辨識(shí)的行人危險(xiǎn)狀態(tài)預(yù)警方法研究”(項(xiàng)目編號(hào)51108208)，2012.01~2014.12。

(4)國(guó)家自然科學(xué)基金項(xiàng)目“基于全時(shí)空信息的交叉口混合交通流運(yùn)行機(jī)理研究”(項(xiàng)目編號(hào) 51278454)，2013.01~2016.12。

 

1.2   研究背景及意義

近年來(lái)我國(guó)城市化進(jìn)程飛速發(fā)展，交通擁堵和交通事故等問(wèn)題日益嚴(yán)重。城市管理者在努力提高城市交通運(yùn)行效率的同時(shí)也開始密切關(guān)注交通安全等問(wèn)題。由于我國(guó)人口數(shù)量多、密度大，當(dāng)前的城市道路交通設(shè)施難以滿足人們?nèi)粘３鲂械男枨�，使混合交通成為我�?guó)城市交通的主要特征之一，也成為我國(guó)交通擁堵和交通事故的主要原因之一。目前，城市道路交通擁堵和交通事故頻發(fā)等問(wèn)題已經(jīng)嚴(yán)重制約了我國(guó)經(jīng)濟(jì)的快速發(fā)展，威脅到人民的生命財(cái)產(chǎn)安全。世界衛(wèi)生組織2009年對(duì)道路交通安全的評(píng)估數(shù)據(jù)表明：全球每年在道路交通事故喪生者中接近半數(shù)是行人或騎自行車(摩托)者，且致死率是機(jī)動(dòng)車駕駛員的4倍�！吨腥A人民共和國(guó)道路交通事故統(tǒng)計(jì)年報(bào)》數(shù)據(jù)顯示，最近五年來(lái)(2008 年~2012年)，我國(guó)每年因交通事故受傷的行人總數(shù)從56303人降低到了 37877 人，因交通意外死亡的行人總數(shù)從 18913 人降到了 15690 人，雖然總受傷人數(shù)和總死亡人數(shù)均有所下降，但是當(dāng)年的總受傷率和總死亡率并沒有下降，仍然分別占到 17%和 25%左右。以北京和廣州為例，北京的交通事故中行人傷亡率占交通事故總傷亡人數(shù)的 38%；廣州的行人傷亡所占比例甚至超過(guò) 40%。而美國(guó) 2007 年和 2008年發(fā)生的嚴(yán)重交通事故中死亡人數(shù)分別為37435人和34017人，其中行人死亡數(shù)分別為4699人和4378人，僅占總死亡總?cè)藬?shù)的 12.5%和 12.9%。通過(guò)對(duì)比國(guó)內(nèi)外統(tǒng)計(jì)數(shù)據(jù)可以看出：國(guó)外行人交通事故發(fā)生率低，且交通事故大多以車車碰撞事故為主；而中國(guó)由于城市的混合交通特性導(dǎo)致人車碰撞事故較多，行人死亡率也較高。

隨著智能交通系統(tǒng)的不斷完善和發(fā)展，許多先進(jìn)國(guó)家在交通管理和控制方面取得了良好的成果，說(shuō)明通過(guò)獲取交通信息并采取相應(yīng)的措施進(jìn)行智能管理和控制，能夠有效地減少交通事故的發(fā)生，降低交通傷亡率。因此為了有效地管理我國(guó)城市交通，提高道路通行效率和車輛行駛安全，迫切需要一套較為系統(tǒng)的混合交通檢測(cè)技術(shù)，快速有效地獲取混合交通參數(shù)。常用的交通參數(shù)檢測(cè)器主要包括環(huán)形感應(yīng)線圈、波頻檢測(cè)器和視頻檢測(cè)器等。環(huán)形感應(yīng)線圈適用于機(jī)動(dòng)車流量的檢測(cè)，無(wú)法實(shí)現(xiàn)機(jī)動(dòng)車的分類以及混合交通中行人、自行車的分類和識(shí)別，同時(shí)由于該檢測(cè)器造價(jià)和安裝費(fèi)用均較高、檢測(cè)范圍有限且無(wú)法重復(fù)利用，限制了其在實(shí)際交通檢測(cè)中的廣泛應(yīng)用。波頻檢測(cè)器(主要有微波檢測(cè)器、雷達(dá)檢測(cè)器、超聲波檢測(cè)器等)雖然安裝相對(duì)簡(jiǎn)便，并可以調(diào)整檢測(cè)范圍，但無(wú)法實(shí)現(xiàn)高密度狀態(tài)的準(zhǔn)確檢測(cè)，也無(wú)法對(duì)檢測(cè)目標(biāo)進(jìn)行分類和識(shí)別。這些傳統(tǒng)檢測(cè)器由于是利用電磁、聲波等手段進(jìn)行檢測(cè)，只能判斷是否存在物體，并獲取相應(yīng)的參數(shù)，卻無(wú)法區(qū)分所檢測(cè)到物體的類型，從而只能夠完成機(jī)動(dòng)車的檢測(cè)，雖然可以為城市交通管理提供所需要的部分機(jī)動(dòng)車數(shù)據(jù)信息，但鑒于混合交通主體(包括機(jī)動(dòng)車、行人和以自行車為代表的非機(jī)動(dòng)車等)的特殊性和復(fù)雜性使傳統(tǒng)檢測(cè)器不能準(zhǔn)確、實(shí)時(shí)地提供足夠的混合交通流信息，難以滿足我國(guó)城市交通管理和控制的需求，因此迫切需要一種行之有效的檢測(cè)技術(shù)及系統(tǒng)，為我國(guó)混合交通信息的獲取及混合交通的控制提供服務(wù)。

 

第2章   交通場(chǎng)景映射技術(shù)

 

交通場(chǎng)景映射是混合交通前景狀態(tài)和真實(shí)參數(shù)獲取的基礎(chǔ)，通過(guò)映射可完成參數(shù)在像素坐標(biāo)與空間坐標(biāo)之間的轉(zhuǎn)換。要得到該映射關(guān)系，就需要通過(guò)攝像機(jī)標(biāo)定算法來(lái)實(shí)現(xiàn)。但當(dāng)前攝像機(jī)標(biāo)定算法存在適應(yīng)性差、計(jì)算復(fù)雜等問(wèn)題，本文在原有線性模型基礎(chǔ)上，通過(guò)引入像素坐標(biāo)-像素角、像素角-世界坐標(biāo)兩組非線性映射關(guān)系，建立了基于像素角映射的攝像機(jī)標(biāo)定算法，克服了線性模型標(biāo)定精度低的問(wèn)題。又引入高度、角度參數(shù)及其求取方法，使標(biāo)定模型能夠適應(yīng)攝像機(jī)高度、傾角的變化，擴(kuò)展了算法的適用性。最后通過(guò)多組試驗(yàn)測(cè)試，驗(yàn)證了本文標(biāo)定算法在近距離和遠(yuǎn)距離標(biāo)定時(shí)都具有良好的精度和魯棒性。

 

2.1   概述

直接通過(guò)視頻檢測(cè)提取的混合交通參數(shù)多是基于像素坐標(biāo)的，而交通管理和控制中采用的參數(shù)通常是基于世界坐標(biāo)的，因此為了實(shí)現(xiàn)混合交通真實(shí)參數(shù)的轉(zhuǎn)換及獲取，需要對(duì)交通場(chǎng)景映射關(guān)系進(jìn)行研究。該映射關(guān)系的求取是通過(guò)攝像機(jī)標(biāo)定算法來(lái)實(shí)現(xiàn)，即通過(guò)攝像機(jī)標(biāo)定求出該攝像機(jī)的幾何成像模型，精確地獲取空間點(diǎn)與攝像機(jī)圖像像素點(diǎn)的對(duì)應(yīng)關(guān)系，再將獲取的信息還原到世界坐標(biāo)系下，為后續(xù)真實(shí)參數(shù)的提取、統(tǒng)計(jì)及分析服務(wù)。

攝像機(jī)標(biāo)定算法主要包括傳統(tǒng)標(biāo)定算法和自標(biāo)定算法兩大類。傳統(tǒng)標(biāo)定算法中比較典型的是直接線形變換法、考慮畸變補(bǔ)償?shù)膬刹椒�、透視變換矩陣法及雙平面法等。

直接線性變換法(DLT法)利用針孔攝像機(jī)模型對(duì)攝像機(jī)模型參數(shù)進(jìn)行線性求解，該方法使用簡(jiǎn)單，但是由于標(biāo)定時(shí)未考慮非線性變化導(dǎo)致精度較差。對(duì)此，Dainis和Juberts[88]對(duì)DLT法進(jìn)行了改進(jìn)，在標(biāo)定時(shí)考慮了非線性優(yōu)化，使得精度有了一定提高。攝像機(jī)透視變換矩陣法不需要對(duì)求解出的攝像機(jī)參數(shù)進(jìn)行優(yōu)化就可以得到標(biāo)定結(jié)果，具有較好的實(shí)時(shí)性，但是同樣忽略了非線性因素，從而影響了標(biāo)定精度�？紤]畸變補(bǔ)償?shù)膬刹椒ㄖ幸?Tsai 法最為經(jīng)典，該方法通過(guò)徑向約束線性求解，筆耕文化傳播，并結(jié)合非線性優(yōu)化算法求解畸變系數(shù)，得到了較好的標(biāo)定效果，但要想進(jìn)一步提高精度，需要大量增加參照點(diǎn)，且一旦改變攝像機(jī)的高度或角度等參數(shù)后，其參數(shù)就需要重新標(biāo)定，適用性較差。雙平面標(biāo)定方法由 Martin提出，并被 Ma[90]進(jìn)行了大量改進(jìn)，該類方法與傳統(tǒng)針孔模型的主要區(qū)別在于不要求投影到圖像平面上的光線必須經(jīng)過(guò)光心，僅是通過(guò)圖像平面上任意兩點(diǎn)來(lái)標(biāo)定平面各自的對(duì)應(yīng)點(diǎn)就可以確定產(chǎn)生該圖像點(diǎn)的光線。該類方法也可使用線性求解，但參數(shù)過(guò)多，需要進(jìn)行大量設(shè)置。 

 

2.2   基于像素角映射的攝像機(jī)標(biāo)定算法

2.2.1   圖像像素-像素角映射模型

在針孔成像原理中，世界坐標(biāo)系W通過(guò)共線原理可以直接映射到像素坐標(biāo)系I(x,y)上，如圖2.1所示。

 

圖 2.1 中，點(diǎn) O 為所有光線都通過(guò)的針孔； ( , ,)W W WT X Y Z 為物點(diǎn)； ( ,)I IL x y 為像點(diǎn)。根據(jù)針孔成像模型，世界空間中任意一點(diǎn)通過(guò)針孔，經(jīng)映射都可在像素坐標(biāo)上對(duì)應(yīng)表示，即物點(diǎn) T、針孔 O 以及像點(diǎn) L，都在同一條直線上。由于傳統(tǒng)的針孔模型是通過(guò)線性計(jì)算圖像上各個(gè)像素與真實(shí)世界位置的對(duì)應(yīng)關(guān)系來(lái)求解的，該方法一旦攝像機(jī)的高度和角度發(fā)生變化，其線性參數(shù)也將發(fā)生變化，需要重新進(jìn)行標(biāo)定，且基于線性映射關(guān)系的標(biāo)定算法精度較低從而限制了該類方法的使用。

考慮到各個(gè)像素點(diǎn)與之對(duì)應(yīng)的像素角只受攝像機(jī)內(nèi)部成像器件影響，在選取該映射關(guān)系建模并標(biāo)定參數(shù)后就能獲得很好的精度和魯棒性。再通過(guò)引入攝像機(jī)高度、傾角等參數(shù)，可使標(biāo)定具有很好的普適性，因此本文利用像素角映射的方法來(lái)達(dá)到攝像機(jī)標(biāo)定的目的，將過(guò)去像素與世界坐標(biāo)的線性映射關(guān)系，擴(kuò)展為像素與像素角、像素角與世界坐標(biāo)的非線性映射模型兩部分。

 

第3 章  混合交通前景信息提取及補(bǔ)償技術(shù)........29

3.1  概述...............29

3.2 PWH 背景模型..................30

第4 章  混合交通前景快速分類識(shí)別技術(shù) ...........  55

4.1  概述...............55

4.2  混合交通前景特征選擇.................56

第5 章  混合交通多目標(biāo)跟蹤及遮擋處理技術(shù)..........73

5.1  概述............73

5.2  無(wú)遮擋條件下多目標(biāo)運(yùn)動(dòng)預(yù)測(cè)與跟蹤 ............74

 

第5章   混合交通多目標(biāo)跟蹤及遮擋處理技術(shù)

 

混合交通前景多目標(biāo)跟蹤能為交通參數(shù)獲取提供技術(shù)支持，但由于混合交通場(chǎng)景中前景多目標(biāo)容易出現(xiàn)遮擋等問(wèn)題，導(dǎo)致跟蹤匹配的難度大，準(zhǔn)確率低。針對(duì)該問(wèn)題，為實(shí)現(xiàn)最優(yōu)化的跟蹤效果，提出了一種針對(duì)性的混合交通多目標(biāo)跟蹤及遮擋處理技術(shù)。該技術(shù)首先通過(guò)預(yù)測(cè)，判斷前景多目標(biāo)是否出現(xiàn)遮擋現(xiàn)象；當(dāng)未發(fā)現(xiàn)遮擋時(shí)，采用結(jié)合標(biāo)定算法的Kalman 濾波進(jìn)行跟蹤；當(dāng)預(yù)測(cè)出現(xiàn)遮擋時(shí)，快速鎖定遮擋靶區(qū)域并通過(guò)PCA-SIFT 算子對(duì)靶區(qū)域進(jìn)行快速匹配完成遮擋估計(jì)和還原，實(shí)現(xiàn)多目標(biāo)預(yù)測(cè)與跟蹤。最后將本文的算法進(jìn)行系統(tǒng)集成，對(duì)實(shí)際場(chǎng)景下的混合交通參數(shù)進(jìn)行了提取，并與實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比，驗(yàn)證了本文的研究成果具有可提取參數(shù)豐富、準(zhǔn)確性高等優(yōu)點(diǎn)。

 

5.1   概述

混合交通前景多目標(biāo)的跟蹤是實(shí)現(xiàn)多種參數(shù)提取的必要技術(shù)，通過(guò)跟蹤可以得到前景目標(biāo)的運(yùn)動(dòng)軌跡，并獲取其速度、加速度以及其它時(shí)空信息。目標(biāo)跟蹤即通過(guò)一定的算法模型，經(jīng)過(guò)推理和預(yù)測(cè)將當(dāng)前獲取的前景目標(biāo)與之前的前景目標(biāo)間建立起一一對(duì)應(yīng)的關(guān)系。這類算法通過(guò)選取前景目標(biāo)自身內(nèi)部穩(wěn)定且在時(shí)空上能夠?qū)崿F(xiàn)密切關(guān)聯(lián)的特征信息來(lái)進(jìn)行匹配實(shí)現(xiàn)跟蹤的。密切相關(guān)的信息可以是前景自身某些明顯特征(比如尺寸、形狀、紋理等)，基于此方法的就屬于特征匹配跟蹤算法。它不是跟蹤全部圖像，而是針對(duì)性地跟蹤關(guān)鍵點(diǎn)，并通過(guò)關(guān)鍵點(diǎn)完成目標(biāo)匹配。其優(yōu)點(diǎn)是即使待跟蹤目標(biāo)被部分遮擋，只要關(guān)鍵點(diǎn)未受影響，仍可繼續(xù)實(shí)現(xiàn)正確跟蹤。但當(dāng)遮擋程度嚴(yán)重或出現(xiàn)重疊時(shí)，該方法就將難以保證跟蹤的準(zhǔn)確性。在實(shí)際使用此跟蹤方法時(shí)常采用特征點(diǎn)結(jié)合Kalman 濾波器預(yù)測(cè)的方式，以便實(shí)現(xiàn)較為良好的跟蹤效果和跟蹤速度。而利用目標(biāo)所在的圖像區(qū)域，采用相關(guān)算法實(shí)現(xiàn)跟蹤的是區(qū)域匹配跟蹤算法。其通過(guò)提取待匹配的目標(biāo)模板，并在后續(xù)視頻中根據(jù)設(shè)置的參數(shù)進(jìn)行全圖匹配搜索，選取最佳的匹配目標(biāo)，實(shí)現(xiàn)跟蹤。該類算法的優(yōu)點(diǎn)是跟蹤效果較好，特別在無(wú)遮擋狀態(tài)下，其匹配穩(wěn)定且精度高。但該跟蹤算法存在匹配過(guò)程復(fù)雜，實(shí)時(shí)性差等缺點(diǎn)，不適用于復(fù)雜場(chǎng)景下的多目標(biāo)跟蹤。除上述兩種方法外，也有采用活動(dòng)輪廓匹配的方法來(lái)實(shí)現(xiàn)跟蹤的。該類方法中比較經(jīng)典的有 Snake 算法和基于 Hausdorff 距離的輪廓跟蹤算法。該類算法可實(shí)現(xiàn)輪廓的實(shí)時(shí)更新，以求取最優(yōu)的跟蹤匹配位置。但該算法計(jì)算量較大，無(wú)法滿足多目標(biāo)跟蹤的實(shí)時(shí)需求，且當(dāng)目標(biāo)出現(xiàn)遮擋時(shí)，前景輪廓信息難以分離，致使活動(dòng)輪廓匹配的誤差較大。

 

第6章   總結(jié)及展望

 

6.1   工作總結(jié)

本文根據(jù)智能交通管理和控制系統(tǒng)的實(shí)際需求，對(duì)混合交通視頻檢測(cè)的關(guān)鍵技術(shù)進(jìn)行了研究，主要完成了以下工作：

(1)完成了具有普適性的攝像機(jī)標(biāo)定算法研究工作，提出了一種適應(yīng)性強(qiáng)、靈活方便的攝像機(jī)標(biāo)定算法。針對(duì)以往攝像機(jī)標(biāo)定算法中難以同時(shí)滿足靈活性及準(zhǔn)確性要求的問(wèn)題，通過(guò)引入像素角映射，對(duì)傳統(tǒng)的線性模型進(jìn)行了改進(jìn)，將以往求解像素坐標(biāo)與世界坐標(biāo)的直接線性映射模型轉(zhuǎn)化為求解像素坐標(biāo)-像素角、像素角-世界坐標(biāo)兩個(gè)非線性映射模型，從而提高了算法的精度；同時(shí)在攝像機(jī)標(biāo)定中引入高度和傾角參數(shù)，使標(biāo)定算法在完成可視角標(biāo)定后就能廣泛地使用，提高了算法的適應(yīng)性；最后根據(jù)實(shí)際的混合交通視頻檢測(cè)需求針對(duì)性地求解像平面與路面的映射關(guān)系進(jìn)而簡(jiǎn)化了計(jì)算過(guò)程，使其更加便捷；此外本文所提出的標(biāo)定技術(shù)在實(shí)際應(yīng)用中，可針對(duì)攝像機(jī)的不同高度和傾角條件調(diào)整相應(yīng)的參數(shù)，因此算法使用的靈活性較強(qiáng)。之后將本文的與經(jīng)典的Tsai5法以及Tsai34法標(biāo)定法在近距離和廣域標(biāo)定中進(jìn)行了對(duì)比，測(cè)試結(jié)果表明本文算法具有精度高、使用方便、適應(yīng)范圍廣等特點(diǎn)，能夠適應(yīng)混合交通視頻檢測(cè)對(duì)場(chǎng)景標(biāo)定和參數(shù)轉(zhuǎn)換的需求。

(2)完成了混合交通場(chǎng)景的背景建模工作，建立了一種能夠適應(yīng)復(fù)雜條件的 PWH背景模型。針對(duì)復(fù)雜條件下背景點(diǎn)的值易受隨機(jī)擾動(dòng)和前景干擾影響而難以被真實(shí)獲取的問(wèn)題，提出了一種基于分段加權(quán)直方圖(PWH)的背景模型，本模型充分考慮了真實(shí)背景值受隨機(jī)波動(dòng)影響所表現(xiàn)出的分布情況，通過(guò)將像素值對(duì)應(yīng)的頻率按照不同的權(quán)重進(jìn)行分段加權(quán)，確保加權(quán)后的頻率能夠克服隨機(jī)擾動(dòng)的影響，并對(duì)流量較大時(shí)的前景干擾具有一定的適應(yīng)性，可較好地反映出真實(shí)背景值，進(jìn)而完成混合交通背景圖像的提取工作。之后又將本文背景模型與多種模型在不同的交通環(huán)境下進(jìn)行了提取測(cè)試，通過(guò)對(duì)比試驗(yàn)驗(yàn)證了本文的背景提取算法能夠適應(yīng)不同的交通流量，并能進(jìn)行有效的背景表達(dá)。

(3)完成了混合交通前景提取及補(bǔ)償技術(shù)研究，提出了一種結(jié)合歷史信息的前景提取及補(bǔ)償算法。傳統(tǒng)的前景提取算法存在著難以同時(shí)做到既較好地分割前景目標(biāo)又保留精確前景信息的問(wèn)題。這些問(wèn)題影響了混合交通前景提取的效果，對(duì)后續(xù)前景目標(biāo)的分類識(shí)別產(chǎn)生了較大影響。本文利用之前構(gòu)建的背景模型獲取背景圖像和背景邊緣，又將歷史信息引入到邊緣檢測(cè)算法中，實(shí)現(xiàn)當(dāng)前邊緣與背景邊緣的相似性對(duì)比和二次對(duì)比，從而獲取初始前景邊緣信息。再通過(guò)融合差分信息的種子點(diǎn)生長(zhǎng)算法，對(duì)前景邊緣進(jìn)行補(bǔ)償，得到了更加準(zhǔn)確的前景邊緣輪廓。最后通過(guò)對(duì)不同實(shí)際交通場(chǎng)景下的視頻序列進(jìn)行測(cè)試，驗(yàn)證了本文方法能夠在準(zhǔn)確剔除背景邊緣的基礎(chǔ)上，獲取較為準(zhǔn)確的前景邊緣輪廓信息，為后續(xù)混合交通前景目標(biāo)的分類與識(shí)別奠定良好的信息基礎(chǔ)，為混合交通參數(shù)提取給予有力的支持。

(4)完成了混合交通前景快速分類識(shí)別技術(shù)研究工作，提出了一種基于邊緣偏心率向量特征的快速分類識(shí)別算法。首先通過(guò)結(jié)合歷史信息獲取的前景目標(biāo)邊緣輪廓，根據(jù)形心位置構(gòu)建了邊緣輪廓偏心距向量。在此基礎(chǔ)上采用等角度間隔抽樣的方法完成了不同類型前景目標(biāo)向量的維數(shù)統(tǒng)一，使本文構(gòu)建的分類特征具有廣泛可比性，之后通過(guò)將向量元素除以極大值完成了尺度歸一化；并考慮行人、自行車、機(jī)動(dòng)車輪廓特征的區(qū)別，將偏心距極大極小值之比引入到向量構(gòu)建中，解決了行人、自行車特征區(qū)別模糊的問(wèn)題，完成了邊緣偏心率特征向量的表達(dá)。同時(shí)結(jié)合ELM分類器進(jìn)行訓(xùn)練，克服了傳統(tǒng)智能算法訓(xùn)練計(jì)算量大的問(wèn)題，實(shí)現(xiàn)了混合交通的快速分類與準(zhǔn)確識(shí)別。

參考文獻(xiàn):

[1] 江晟,王殿海,趙瑩瑩,胡宏宇.  混合交通特征表達(dá)及快速檢測(cè)算法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2012(06)
[2] 劉懷愚,李璟,洪留榮.  利用局部特征的子空間車輛識(shí)別算法[J]. 計(jì)算機(jī)工程與應(yīng)用. 2010(30)
[3] 熊英,馬惠敏.  3維物體SIFT特征的提取與應(yīng)用[J]. 中國(guó)圖象圖形學(xué)報(bào). 2010(05)
[4] 陳海林,吳秀清,胡俊華.  基于局部特征空間相關(guān)核的圖像目標(biāo)分類[J]. 光電工程. 2009(03)
[5] 施家棟,王建中,王紅茹.  基于光流的人體運(yùn)動(dòng)實(shí)時(shí)檢測(cè)方法[J]. 北京理工大學(xué)學(xué)報(bào). 2008(09)
[6] 曾艷,于濂.  一種新的道路交通背景提取算法及研究[J]. 中國(guó)圖象圖形學(xué)報(bào). 2008(03)
[7] 李牧,閆繼紅,李戈,趙杰.  自適應(yīng)Canny算子邊緣檢測(cè)技術(shù)[J]. 哈爾濱工程大學(xué)學(xué)報(bào). 2007(09)
[8] 張曉龍,江川.  基于AUC的SVM多類分類方法的研究[J]. 計(jì)算機(jī)工程與應(yīng)用. 2007(14)
[9] 金虎,樓文娟,陳勇.  基于自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的橋梁結(jié)構(gòu)荷載識(shí)別[J]. 浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2005(10)



本文編號(hào)：10504