基于活动轮廓与模糊型支持向量机的车辆分类算法

视频监控系统是智能交通监控系统的重要组成部分.通过监视区域车辆视频图像的预处理、检测,完成车辆的实时分类,并根据分类结果实时确定交通灯控制系统红黄绿灯的放行时间.采用活动轮廓跟踪模型对运动车辆视频图像实现检测,由模糊型支持向量机方法实现运动车辆的分类.Matlab软件仿真结果表明,大中小型车辆的平均正确识别率达96.49%,提高了车辆通行效率.     

一种基于Faster-RCNN的车辆实时检测改进算法

随着交通愈加发达,道路愈加拥堵,如何实时准确地获取车辆基本信息以便交通部门及时管理特定路段和路口的车辆显得日益重要.对交通视频中车辆的检测和识别,不仅需要实时检测,还要保证其准确性.针对实际情况中车辆之间的遮挡、光照的变化、阴影、道路旁树枝的晃动、背景中固定对象的移动等因素严重影响检测与识别的精度的问题,提出基于Faster-RCNN(Faster-Regions with CNN features)的车辆实时检测改进算法.首先采用k-means算法对KITTI数据集的目标框进行聚类,得到合适的长宽比,并增加一组尺度(64~2)以适应差异较大的车辆尺寸;然后改进区域提案网络,降低计算量,优化网络结构;最后在训练阶段采用多尺度策略,降低漏检率,提高精确率.实验结果表明:改进后的车辆检测算法的mAP(mean Average Precision)达到了82.20%,检测速率为每张照片耗时0.03875 s,基本能够满足车辆实时检测的需求.     

一种有效的车辆跟踪算法与异常车辆检测

交通监控视频中车辆检测、跟踪与车型判别是智能交通监控系统的重要组成部分。本文运用W4背景减除法和光流法相结合的技术进行车辆检测。利用区域滤波和空洞填充方法提高目标检测精度。采用质心距离约束和目标大小约束条件实现目标区域之间的匹配和车辆跟踪。最后,根据车辆的几何形状特征对助动车等异常车辆进行检测和标记。通过对高速公路实际视频的测试表明,本算法对机动车进行了有效的跟踪与标记,并对道路上助动车等异常车辆进行了有效的检测。     

基于深度学习的监控视频树叶遮挡检测

结合稀疏自编码器的自动提取数据特征能力和深度置信网络较好的分类性能,提出一种基于深度学习的监控视频树叶遮挡检测方法。首先从视频中随机选取一帧图像,通过栈式稀疏自编码器主动学习视频图像的特征信息,然后采用深度置信网络建立分类检测模型,最后引入学习速率自适应调整策略对整个神经网络进行微调。该方法不需要对视频连续取帧,具有较好的图像特征主动学习能力,克服了人工提取特征能力有限的缺陷。实验结果表明,在样本量充足的条件下,使用本文方法进行监控视频树叶遮挡检测可以达到88.97%的准确率。     

数目可变多目标的实时跟踪

提出一种单目固定场景下,基于贝叶斯框架的数目可变的多目标实时跟踪方法.通过两个阶段实现对目标的有效跟踪:第一阶段为自动初始化,通过背景建模对视频序列进行检测,并实时提取目标的空间与颜色分布特征;第二阶段为运用粒子滤波器对目标进行跟踪与标定,通过目标间的特征匹配对对应矩阵进行实时更新,判断目标的数量变化情况及其发生概率.本文通过对道路监控视频序列中的车辆进行了跟踪仿真实验,验证了该方法的有效性和可靠性.     

基于视频双截面的信号控制交叉口延误检测

提出了基于视频双截面的交叉口延误检测方法.在交叉口适当的位置设置两个虚拟检测器,分别判定并记录车辆进入和离开交叉口的信息.在判断车辆进入交叉口时,对新进入交叉口的车辆提取车辆的斑块并进行匹配,如果连续8次斑块都匹配,则表示车辆被检测到;如果判定车辆进入交叉口,则使用车辆斑块和Mean-shift算法对车辆实时跟踪,直至车辆离开交叉口,通过记录车辆进入和离开的时间可以实时地提取车辆的延误参数.实例验证结果表明,基于双截面视频延误检测方法,实时延误的检测精度均值可以达到90%以上,同时,检测的流量精度均值可以达到95%以上.     

基于车辆方波脉冲时序图的交通流参数实时检测算法

提出一种基于车辆方波脉冲时序图的交通流参数实时检测算法,克服了现有方法易受光线变化及天气影响、运算量大等缺陷,提高了实时交通流参数检测的准确率,为智能交通系统提供有力支撑。研究基于虚拟检测线,将交通监控视频降维处理为包含时间和空间信息的时空图,而后对时空图进行前景提取,生成二值化时空图的垂直投影,针对像素累积图设计了系统性去噪及车辆对象识别方法,进而生成车辆方波脉冲时序图,实时检测出车流量、车头时距、时间占有率、车辆速度并进行车辆分类。分析结果表明,所提出的方法能克服雨雪天气、夜晚光线等干扰,快速而准确地进行多车道交通流参数获取,计算负荷小,方法准确率高达97.32%,可满足智能交通系统对交通流参数检测实时性和精度的要求。     

基于视频车辆监控系统中智能调度策略的研究

基于视频的车辆监控系统中对各类视频监控设备进行整合、优化部署、统一调度、智能联动。本文主要对监控设备的智能调度策略和算法的研究,分析了快速锁定跟踪目标并进行分析预测,自动调度监控设备,保证受控目标始终处于监控范围内,达到对目标车辆的实时监控。     

用于卡口系统的车牌遮挡检测方法

驾驶员通过遮挡车牌的方式使得卡口系统无法自动识别其车牌,以达到掩盖车辆身份的目的.针对此问题,本文提出一种车牌遮挡违法检测方法,可对遮挡车牌的行为进行报警,也可用于公安视侦中的嫌疑车辆排查.本方法基于车牌识别技术,对于能够定位到且能正常分割字符的遮挡车牌,使用特定特征对字符进行识别,然后对识别到的多个字符的置信度进行曲线分析,将明显处于波谷的置信度对应字符判断为遮挡字符,判断该车牌轻微遮挡;对于不能够定位到或不能正常分割字符遮挡车牌,则结合车辆检测技术,将其判断该车牌严重遮挡.实验结果表明:本方法能检测到大多数遮挡或者无车牌的车辆.     

基于图像处理的车辆识别系统设计

为了实时了解道路交通信息,及时处理交通事故,在一定程度上缓解交通事故频发的状况,设计了基于方向梯度直方图（HOG）特征与支持向量机（SVM）的车辆检测系统.在收集大量的车辆样本,构建正、负样本集之后,提取出每一个正、负样本的HOG特征向量并汇总,进而形成检测所用的SVM分类器模板.在视频检测过程中,提取视频中每帧图像的HOG特征送到训练好的分类器中与模板进行对比,并用矩形框标注检测出的车辆目标.利用实际道路监控视频进行车辆检测系统测试,结果表明,对于不同的路况、天气和光线下的道路环境,该算法都可以完成实时且准确的检测,有较强的实际场景应用能力.     

基于监控视频的校园车辆管理

监控视频智能分析是智慧校园的关键内容之一,可自动提取并识别监控视频中的有效事件信息。本文基于深度学习实现校园监控车辆管理,基于深度图像特征提取识别车辆,基于车辆检测实现跟踪、速度检测和超速以及违停等事件检测,实现了应用系统,检测效果优于传统方法。     

SIFT与多区域决策融合的车辆行为分析方法

在大交通流与多运动轨迹相互交错、遮挡的复杂路况中,为了对车辆行为进行有效分析,提出了一种基于SIFT特征点和多区域决策模型的车辆违章行为分析方法.该方法首先利用2帧视频图像之间SIFT特征点的匹配结果获取视频图像中各车辆的运动矢量,进而提取其中有效的行为特征;然后根据不同车道区域的客观行车规章要求,建立车辆正常行车/违章行车的多区域决策模型;最后根据决策模型完成车辆违章行为的定性分析,给出行为结果.结果表明:提出的车辆违章行为分析方法检测准确率高、误检率低且实现简单,能够满足复杂交通路口的交通监控等实际应用环境的需求.     

基于视频的车辆流量自动检测方法设计

提出了一种基于视频的车流量自动检测方法,首先用高斯平均法对一定数量视频帧图像进行训练得到初始背景,然后用基于卡尔曼滤波的背景差法提取前景以及背景更新,最后用双虚拟检测线法进行车辆计数。通过对实际道路车辆视频文件进行试验,检测准确率达到90%,满足实际应用要求。     

基于类Haar特征和AdaBoost的车辆识别技术

在海量的监控视频中,快速、准确地识别车辆对公安破案和追踪具有重要的研究意义。通过提取车辆的类Haar特征,采用AdaBoost方法构建分类器可以实现监控视频中的车辆识别。针对原始算法误检率较高的问题,提出了采用背景差分去除背景干扰,以及采用目标对象差分法进行二次识别的两种改进算法。实验结果表明,两种改进算法都能够有效地降低误检率,提高检测率,并且对不同交通场景下的监控视频具有很好的检测效果。     

城市道路交通异常事件自动检测方法

针对城市道路交通流量大,易发生交通违法异常行为,提出了一种城市道路交通异常事件自动检测方法.该方法在进行异常事件检测时,首先对道路交通进行视频序列采集,然后提取视频中的车辆加速度、方向变化、几何位置信息.在提取这些特征值后,计算三个特征值变化率指数总和,并与设定的阈值进行比较,判断是否发生异常事件.通过对同一道路的相同监控视频片段采用不同的算法进行检测仿真实验,测试结果表明该方法得到的正确检测率DR为98.6%,误报率FAR为7%,相对于基于临界安全区域方法、基于Boosting检测方法其整体检测性能有所提高.     

基于Bayes网络的微波视频融合车辆分类

车辆分类系统是智能交通系统中的一个重要组成部分,其功能是检测车辆类型,为道路监控和交通规划提供信息。该文提出了一种基于Bayes网络的传感器融合车辆分类系统,通过微波和视频传感器分别得到车辆的高度轮廓和平面轮廓,采用混合Gauss分布对提取的车辆特征建模,然后在Bayes网络的框架下对7类车辆进行分类。实验表明:该分类系统可以将车辆分类的准确率从单微波传感器的79%提高到融合传感器的87%,特别是中小型车辆和大型车辆之间的重大分类错误率从9%降低到2%。     

监控视频中的移动目标侦测算法研究

针对违章停车人工检测方式存在的准确率低、成本高且难以实时判断等缺点,文章提出一种监控视频中的移动目标侦测算法,用来检测和识别违章停车。该算法采用混合高斯模型进行背景建模,用以检测监控场景中的运动目标,并通过支持向量机(support vector machine,SVM)分类器判断运动目标是否为监控车辆,如果是监控车辆,则根据车辆停留时间将车辆分类,一旦发现违停车辆,系统会发出报警。实验结果表明,该算法准确率高、实时性好。     

基于差分均值背景提取和矩阵分区目标检测算法的研究

为提高对车辆图像的检测程度和实时性,针对智能交通系统,通过对实时路况的信息采集和视频图像的处理,提出了一种基于差分均值的背景提取计算方法和矩阵分区域的阴影检测方法,最终得到一个视频车辆的检测原型,从而实现对运动车辆的检测.实验结果表明,此种方法简单、计算量小、鲁棒性高,能快速地提取出背景图像,检测出比较完整的车辆阴影,可满足多运动目标的实时检测要求.     

一种基于卡尔曼滤波的压缩跟踪算法研究

根据道路交通监控视频的特点,采用压缩跟踪(CT)算法进行运动车辆的检测与跟踪。在摄像头变化较大、运动车辆尺度变化和背景变化等情况下,CT算法均具有很强的鲁棒性。但是当车辆被遮挡时,跟踪算法容易失效。为了解决这一问题,提出使用卡尔曼滤波对遮挡的车辆进行轨迹预测。卡尔曼滤波能根据CT算法跟踪目标的轨迹,有效地预测目标遮挡时的轨迹。实验结果表明,本算法不但可以较好地处理跟踪车辆尺寸变化的问题,在车辆丢失或被部分遮挡时,能准确而稳定地跟踪车辆,而且具有很好的实时性,满足了工程应用的需求。     

基于视频的车辆检测和牌照识别

为了提高执法效率和降低人力成本,研究一种基于视频的实时高效监控方案。该方案首先利用混合高斯模型和3σ原则的背景差分法,从视频中自动检测和定位车辆,对其行为轨迹进行标记,然后利用能量等信息获得车辆的牌照信息。实验表明,该系统能够对进入监控区域车辆的轨迹进行准确标定。该方案有助于提高交通视频监控系统的安全性、实时性及可靠性。