基于视频分析的车辆跟踪与行为识别研究毕业设计(编辑修改稿)

基于视频分析的车辆跟踪与行为识别研究毕业设计(编辑修改稿)内容摘要：

毕业设计（论文）报告纸 4 第二章 车辆检测技术 车辆 检测是整个智能交通管理系统实现 的 基础和 核心。 其中车辆跟踪依赖于对 运动车辆的正确 检测 ，而车辆异常行为 识别 也是基于检测到的结果进行分析的。 而目前车辆检测方法的研究也是成果最多的，本章将对这些方法进行简要的介绍。 常用方法分类 常用的 运动 车辆 检测方法可以分为 ：帧差法 ，光流法，背景差分法，拓展的 EM 算法，基于形态学的场景变化检测法和能量运动检测法等。 光流法不需要预知场景的信息就能独立检测出运动物体的信息，故而不受环境的制约，适应性很强。 但是光流法的算法都比较发杂，且抗噪性能低，所以一般很难运用于实时监测。 帧间差分法通过将相邻连续的三帧图像两两差分，可以 实现 从中检测出运动物体。 显然，这种方法 具有 较好 的自适应能力，但是对 于参与运算的视频 帧的选取时机要求 比较苛刻 ， 由于运动目标 速度 变化的影响 ，这种方法还需要不断改变最佳阈值来获取最佳效果，这样就加大了本身的量化噪声，降低了 鲁棒性 ，不利于车辆的定位 跟踪。 运动能量法能消除背景中抖动的像素，如树枝和水纹，还能凸显特定方向的运动目标。 这种方法适用于各种复杂的环境，同样有很强的自适应能力，但是 对于 运动目标的分割仍然不是很精确。 拓展的 EM 算法主要有基于小波模历史图像的检测方法 [9]。 小波模历史图像法是为了提高检测精确度和稳定性而提出来的，它将图像小波分解后对低频和高频进行不同的处理，投影变换后利用 EM 算法原理，将投影曲线边缘与原始目标通过迭代结合，从而达到检测的效果。 这种方法能有效解决阴影粘滞问题，并且 检测结果比较精确。 基于形态学的场景变换法主要有基于不变矩图像 匹配检测法 [10]和基于运动矢量场时空滤波检测法 [11]等。 前者主要是针对工厂流水线上的工件进行判别，对工件进行一系列变换处理后，利用目标不变矩阵和模板不变 矩阵 的相似程度进行判别归类。 这种方法对车辆跟踪检测有很大的借鉴意义。 后者结合了光流场和 帧差法 的特点，提出在检测过程中引入辅助信息的新思维，这种方法利用运动模式分类和运动适量场 的 信息，只需简单的运算就可以得到运动 毕业设计（论文）报告纸 5 目标的一个大概信息，只要再结合实际地点的先验知识和辅助设置，就能很好实现运动物体的检测。 该方法既简单 准确性又高。 背景差分法包括均值法 、 中值法 、 混 合高斯模型法以及在其基础上衍生出来的各种方法。 背景差分法的基本思想是将图像中的像素分为前景和背景，前景就是系统想要检测的目标，其他部分就是背景，只要将背景有效的提取出来，就可以通过求图片与背景的差值来获得所需的目标信息。 背景差分法运算简单且速度快，其局限是 只 适用于静止状态的摄像机所获得的视频信息。 下面主要介绍 4 种常见的背景差分法。 常见背景差分法 基于均值法 和 中值法的背景提取 均值法和中值法 [12]是背景差分法的最基本的方法，是一种基于时间轴的滤波方法。 因为提取背景时不能保证场景中没有运 动目标的存在，所以将运动目标当作噪声，均值法就是利用时间的累积性将噪声的影响无限减小，通过取长时间（相对于运动目标存在场景中的时间而言 ）均值即能有效滤去运动目标所带来的噪声。 中值法是用中值来代替均值，同样能达到滤除运动物体的目的。 但是两者相较而言，均值法计算更简单，而中值法效果更好。 两者同样有着不可忽视的缺点，那就是他们只适用于摄像机静止且外部条件理想的状况，如果外部扰动较大，那么提取出来的背景将会有很大的噪声误差。 自适应背景更新的背景提取 目前运动目标检测的方法有很多，但大多都存在着受天气 状况、视野范围、目标复杂等因素的 影响 ， 例如 上述均值法和中值法，如果外界条件不稳定，那么背景就无法适应变化的环境，产生很强的噪声干扰。 自适应背景更新法 [13]能有效避免这方面的问题，可以说它是对上述两种方法的优化。 其第一步是用均值法得到一个初始背景，通过设定阈值来验证每一像素点是否是背景像素点，通过学习和自适应不 断 改变背景模板，使之适应多变的环境带来的背景变换问题。 而背景自适应的 条件 是有光照的改变或者有交通堵塞的情况。 自适应背景更新法主要用于复杂环境中运动目标的提取，具有适应性强的特点。 但是这种方法在实际操 作中存在透视变形和噪声污点过大的缺点，仍然需要改进。 目前存在的 一种改进方法是 基于 贝叶斯概率算法 [14]的自适应背景更新法，它是利用统计 毕业设计（论文）报告纸 6 学的原理将图像中的像素进行 静态动态背景 分类， 并结合两种背景 实现背景与前景的分离。 由于它还具有很好的学习和自适应更新能力，能很好地适应各种复杂的场景。 实验 结果表明，虽然仍存在着阴影干扰的 问题，但该方法抗 环境 干扰能力强，检测准确率高，具有实时性 好 、鲁棒性好的特点，有很大的发展潜力。 基于混合 高斯算法 的背景建模 基于混合 高斯算法 的背景 建模 是基于统计模型的一种背景提取方法。 因为在应对复杂多变的环境时会产生多峰分布，而单 高斯算法 只能处理单峰分布，故此时需要一种其他方法来替代单 高斯算法 模型。 混合 高斯算法 是在单 高斯算法 模型的基础上发展而来的，它使用 多 个高斯模型来 表达图像中的像素点。 混合高斯算法背景建模具有实时性好、适应性强、鲁棒性好等优点，在环境变化较大的情况下尤其适用。 混合高斯算法有两个重要参数： （滑动平均值）和 （滑动方差）。 是为了构建定期更新的背景模型，其计算公式为 ： 式中：参数 是指 t 时刻的像素值； 是学习率，反映了滑动平均值对当前帧的适应速度，值越大，适应速度越快。 对每个像素都计算出滑动平均值，就能构建出背景模型。 而对于混合高斯算法，它需要多个滑动平均值，即对每个像素进行两个模型维护，这样就能确定背景像素点灰度值的范围，若某个像素灰度值不在该范围内，则认为它是前景像素。 计算公式如下： 同 一起构成一个高斯模型，通过该模型可以判断某像素属于它的概率，并制定出合适的阈值。 混合高斯算法还有一个很重要的特点，就是对上述高斯模型的更新。 当模型被匹配不够频繁，算法会释放该背景模型；反之，若某前景像素匹配生成的高斯模型之后被频繁匹配，该模型会被判定为背景模型 [15]。 图 为 时混合高斯算法提取出的前景。 毕业设计（论文）报告纸 7 图 α = 时混合高斯算法提取出的前景 另外，混合高斯算法是一种实时更新背景的算法，当有车辆速度较慢或者停止运动时，该算法会丢失目标，不能实现连续跟踪。 目前 另 有一种针对混合高斯模型法进行优化的轮廓提取算法 [16]，可以在 混合高斯算法 的基础上用数学形态方法进行处理并寻找轮廓，用算法拟合轮廓后再用图形矩提取轮廓质心。 这种方法能更有效地滤除噪声和提取目标轮廓。 本章小结 本章主要介绍了车辆检测常用的几种方法，对每种方法的原理进行了简要分析，并给出了优缺点评价。 从本章的论述中可以清晰了解到各种方法的适用条件，这给后期在车辆检测的方法选择上提供一个参考的依据。 毕业设计（论文）报告纸 8 第三章 行为识别技术 类似于车辆的检测技术的分类，车辆的行为识别大致可以分为：个体车辆异常行为识别和交通流异常检测两个方面。 个体车辆异常行为识别一般运用轨迹模型的方法，而交通流异常检测通常是通过对交通流参数进行监督，设定阈值判断异常发生与否。 个体车辆行为识别 目前，对个体车辆的异常行为识别一般是通过基于轨迹进行分析识别的。 基于轨迹的异常行为识别方法较多，常用的有决策树、隐马尔可夫模型，神经网络、支持向量机、贝叶斯等。 Piciarelli 等学者采用决策树的方法，将运动车辆轨迹分段作为树的节点，用概率匹配区分异常事件 [17]，其特点是可以在线学习，但是构造精度高、规模小的决策树是该方法的核心内容，其更适用于小规模的样本数据集。 Kamijo 等学者基于隐马尔可夫模型的方法创建了交通异常检测系统 [18]，该系统使用隐马尔可夫链学习每个车辆的行为模型，使用跟踪系统的输出来识别目前的事件。 其利用单个车辆的特征，这种方法相对有效，并且部分实时。 但是当大量的车辆和行人出现在检测区域时，跟踪算法将会消耗更多的计算机资源，从而导致系统崩溃。 Micheloni等学者将任意异常事件描述为一组事件单元的时空关系组合图 [19]，每个事件单元可通过一个神 经网络分类器进行分类，事件分类器是由若干简单神经网络集成的复合分类器，如果简单分类器过拟合将对整个分类效果产生较大影响。 Piciarelli 等学者采用支持向量机检测交通异常 [20]，但是算法的时间复杂性较高，难以实现实时操作，并且需要确定最佳核变换函数及其相应的参数。 传统轨迹分析方法主要考虑的是轨迹的空间特性，因而对异常行为识别的能力较弱，只能识别较为简单的异常行为。 胡宏宇等学者通过轨迹空间分布学习提取运动目标的典型运动模式，提出了基于 Bayes 分类器的轨迹空间运动模式匹配方法，进而检测异常交通行为 [21]。 但在异常行为识别过程中没有提出面向更复杂异常行为的识别方法，因此异常行为识别能力受到了限制。 李明之等学者提出了利用目标的空间位置、运动速度、运动方向和大小尺寸等特征参数描述轨迹，并基于 Bayes 最优化的方法对轨迹进行联合匹配和边缘匹配，然后根据匹配情况调用行为识别数据库对目标行为进行识别 [22]。 该方法采用传 毕业设计（论文）报告纸 9 统 kmeans 算法进行轨迹聚类，不能解决非凸性聚类问题。 轨迹聚类 在车辆检测成功的基础上，对个体车辆行为的识别主要是通过对其轨迹的分析完成的。 轨迹分析最终的处理结果是完成对轨迹的聚类 [23]，具体实现步骤如下： i. 对检测出的车辆进行跟踪并描绘其质心，得到目标车辆的一系列运动轨迹点，这些轨迹点中包含车辆的运动信息和位置信息； ii. 对轨迹的一些特征进行统计分析，如方向角等方向特征； iii. 根据轨迹的特征计算出轨迹的相似性度量； iv. 最后由轨迹的相似性度量对轨迹进行聚类； 但是初步聚类效果往往不佳，故需要根据轨迹自身进行差值处理或冗余度去除，甚至是二次聚类处理。 值得注意的是，聚类方法同样有很多：划分聚类、层次聚类、基于密度聚类、基于网格聚类等。 要尽量选取合适的方法，以得到最佳效果。 经过上述四个步骤的处理，能 够很好地得到聚类轨迹，之后的工作就是运动模型的建立。 模型建立 模型建立的方法也有很多，但是一般采用典型轨迹进行运动模型描述。 典型轨迹能很好地反映该类轨迹的特征，是一类轨迹最鲜明的表现。 典型轨迹主要是通过对该类轨迹样本的一个拟合获得 [24]。 单一的拟合曲线并不能代表整段的特点，为了能够获得较好的典型轨迹，可以对轨迹样本进行分段拟合，最后再加以合并，就能得到整段轨迹的典型轨迹，且能最大程度的消除误差。 最终优化完的典型轨迹并不是一系列的点，而是一个能反映该类行为特性的曲线，即该类行为的典型模型。 而在轨迹模式学习方法的设计上，目前使用的机器学习算法主要有三类：基于神经网络的方法、基于支持向量机的方法和基于无监督聚类的方法。 Johnson等学者采用自组织特征映射神经网络的方法对轨迹空间模式学习进行建模 [25]，基于神经网络的方法网络构建较为复杂，学习速度较慢，且在学习过程中需要大量的数据学习参数，设定 网络结构权重。 Piciarelli 等学者将轨迹表示成可变长序列，然后利用支持向量机的方法进行聚类 [26]，此方法需要提供较多的样本数据，且聚类的数目由样本数据的种类决定，不能真实地反映交通目标的实际运 动模式。 基于无监督聚类的方法在运动模式学习的研究中 毕业设计（论文）报告纸 10 应用最为广泛。 传统的聚类分析方法受限于非凸形状的样本空间，当样本空间不凸时，传统聚类算法会陷入局部最优。 近年来，谱聚类算法作为一种新颖的聚类方法受到广泛关注。 Atev等学者将谱聚类的方法引入目标轨迹运动模式学习中 [27]，由于采用了多特征属性描述轨迹，使得运算复杂度较高。 胡宏宇等学者利用谱聚类的方法对轨迹进行聚类 [28]，能够做到自动获取聚类数目。 这两种方法不能充分利用样本点分布所隐含的先验信息，从而不能构造很好的相似矩阵。 当其面临复杂样本数据点集时，无法得到理想的聚类结果。 模型匹配 利用上述典型模型，对检测到的车辆轨迹进行模型匹配，就可以实现对该车辆行为的识别。 模型匹配的原理比较简单：首先设定一个阈值，观察检测到的轨迹是否在典型模型周围浮动，并且差在设定的阈值内，如果是，则认为该模型匹配，这样就得出了该检测轨迹的行为。 阈值的类型有两种：一种是轨迹点与典型模型的位置差，另一种是对轨迹进行概率判断，阈值设定为某 一概率值。 匹配过程的重点是阈值的设定，需要选取一个合适的阈值，使匹配结果既不存在误判，也没有漏判。 为了保证阈值的有效性，一种比较有效的方法就是对典型模型进行模式学习。 模型匹配次数的增多，意味着车辆样本轨迹也在增加，因此模式学习时间越长，典型模型越。