基于视频处理的无信号交叉口交通冲突自动判别方法

针对交通冲突传统人工判读方法的缺陷,提出了基于视频处理的无信号交叉口交通冲突自动判别方法。首先,利用运动检测与跟踪技术,提取出图像中的前景运动目标及其时空运动轨迹;其次,在获取物体运动数据与类别的基础上,判别物体的运动行为,结合经典冲突理论定义,提出交通冲突的两个判别条件,以此实现交叉口交通冲突的自动判别。通过对实际无信号交叉口视频图像处理的实验表明,本方法具有较好的应用性。     

混合交通特征表达及快速检测算法

针对混合交通特征表达和分类识别的问题,提出了基于边缘偏心率向量的混合交通视频检测算法。将利用上下文比对获取的边缘信息与图像重心相结合构建混合交通的边缘偏心率向量,对混合交通前景进行了特征表达。再结合极限学习机建立了快速学习机制,实现了快速分类识别,克服了采用支持向量机训练难以达到实时检测的问题。试验结果表明:本文算法中各个类别的混合交通边缘偏心率特征区分明显,识别准确率可达93%以上,且处理速度快,能够满足实时检测的需求。     

城市主干路交通溢流发生机理建模及其仿真

通过视频检测器获取路段的实时排队长度,结合冲击波理论和累积的输入输出方法,提出了基于“物理排队”的交通溢流发生机理模型。模型包含了动态排队长度、溢流持续时间和平均溢出长度的估计方法。模型结果与仿真结果做了对比,结果显示该模型能较为准确地反映交通溢流发生的实际状况。     

基于视频监控的运动目标跟踪算法

利用Kalman滤波思想对运动目标的前时刻状态信息进行预测,获取重心位置与形态紧密度估计值;将估计值与当前时刻观测值进行匹配,根据匹配误差修正运动目标的速度与紧密度变化值,通过递归算法实现常态下运动目标的准确、快速跟踪.针对复杂场景下由于运动遮挡造成无法准确估计目标运动轨迹,采用灰色模型GM(1,1)保证了跟踪过程的连续、稳定.最后,通过不同交通场景的视频序列对本文算法进行了验证,结果表明本文方法具有较好的适应性、鲁棒性,可实现复杂遮挡情况下连续、稳定、实时的目标运动跟踪.     

城市快速路交通事件影响范围预测模型

为研究交通事件对城市快速路交通流的影响,在对MCTM模型进行改进的基础上,建立快速路交通事件影响范围预测模型.该模型针对城市快速路交通流的亚稳态现象,模拟亚稳态区域的交通流状态;同时考虑交通事件对元胞主要特征参数的影响,并结合事件发生的不同位置,对元胞设置进行调整;最后提出事件影响长度的概念,并将其作为交通事件影响范围的评价指标.以北京市局部道路网为研究对象,结合交通事件的相关数据,对该模型进行了参数标定和实例分析.结果表明,仿真数据的变化趋势与实测数据基本一致,且误差在可接受范围内.模型能清晰地反映出不同时刻各个路段的交通流状态,可有效地确定城市快速路交通事件的影响范围.     

高速公路交通事件评级机制研究

高速公路交通事件的发生会影响道路的通行效率,为辅助高速公路管理者掌握道路事件对交通运行的影响程度,从而对应急资源进行合理配置并实施管控方案,提出了一种基于排队论的交通事件评级机制。首先,对历史交通事件数据进行了分类分析,确定了事件严重程度的主要影响要素。其次,考虑事件发生时交通流量、占用车道数等因素对交通流运行的影响,以事件造成的排队变化速度为指标,提出了一种高速公路交通事件影响等级划分机制。最后,利用交通仿真软件SUMO对事件影响等级划分方法进行了仿真验证,该方法能够合理对交通事件影响等级进行划分。     

基于运动学动态图的人体动作识别方法

为了识别RGB-D视频中的人体动作,针对视频中运动信息利用不充分的问题,提出了一种基于运动学动态图的人体动作识别方法。首先利用RGB视频序列和对应的深度图序列生成场景流特征图,基于场景流特征图计算运动学特征图序列,其中包含丰富的运动信息;使用分层排序池化将运动学特征图序列编码为运动学动态图,同时将RGB视频序列编码为外观动态图,最后将运动学动态图和外观动态图输入到双流卷积网络进行人体动作识别。结果表明:基于运动学动态图和双流卷积网络的人体动作识别方法融合了外观信息和运动信息,不仅充分表征了视频的动态,而且使用了视频中具有丰富运动信息的运动学特征;在公开的数据集上对本方法进行验证,在M2I数据集和SBU Kinect Interaction数据集的动作识别率分别为91.8%和95.2%。     

基于航模辅助观测的车辆轨迹提取方法

为了克服交通流定点视频观测方法在观测范围上的局限性,提出了一种基于飞行航模辅助视频观测的地面道路车辆轨迹提取方法．首先应用飞行航模在空中拍摄获得道路交通流视频,并将视频分解为连续逐帧图片;其次应用针孔成像模型和空间坐标转换算法,对逐帧航拍图片内的车辆坐标进行提取和转换,以获得车辆的运行时空轨迹数据;最后进行了该方法的3类误差分析.结果表明,该方法在标准棋盘格试验下提取坐标的相对误差小于5％,实际道路交通目标坐标提取的精度达到90％以上．航模辅助视频观测法可实现对交通目标的大范围低成本观测,能够满足交通工程的观测需求．     

交通流视频检测中背景模型与阴影检测算法

提出了基于对象级的混合高斯背景模型更新方法与基于RGB颜色变化度的运动阴影检测算法。根据运动分割、物体识别、Kalman运动跟踪等高层语义表达,结合像素的时空特性,进行基于对象级的混合高斯背景更新。克服了像素级混合高斯模型中交通控制信号或交通阻塞等造成的长时间停车以及交通高峰期交通拥挤等情况下对背景抽取造成的影响;根据运动目标的RGB颜色变化度特点,提出自适应的对象级运动阴影检测算法,克服了运动阴影的影响及其造成的误分类。不同交通状态下的视频处理效果表明,该方法具有良好的鲁捧性和自适应性。     

ATMS中基于视觉的交通事件管理研究

结合高速公路未来管理系统的需求，设计了一种先进交通管理系统（ATMS）的实现框架，定义了系统的功能模块，给出了实现模型. 针对目前系统中信息管理的不足，采用业务和事件的综合化信息采集和管理，保证网络业务正常运营的同时提供实时交通路况信息. 采用了基于视觉的事件管理，其在ROI（感兴趣区域）检测、运动检测、车辆质心提取、匹配跟踪、车型识别等多种视频预处理的基础上提供准确路况信息，实现事故管理；进而利用实时CORBA（通用对象请求代理）分布式动态交通分配模型，将实时交通流量在路网各路段进行合理分配，并向终端用户提供准确的交通信息和路径诱导，达到及时有效的交通管理.     

交通网络中移动对象定点CRNN查询算法

目的在交通网络中实现移动对象的定点CRNN查询监控,确定受到定点影响的移动对象集合.方法根据交通网络的特征,定义网络中RNN的概念,采用PMR四叉树来索引交通网络结构,利用监控树来简化对网络上移动对象的计算判断和监控.结果测试显示该算法能够针对现实交通网络,实现定点CRNN的查询监控.结论实验表明,在移动对象和查询数量增大时,该算法显示出较好的伸缩性.     

基于中值背景模型的运动目标自适应检测方法

针对复杂交通场景中运动车辆检测方法存在的局限性,本文提出了一种基于中值模型和自适应阈值的运动检测算法。利用自适应阈值对差分图像的三个颜色通道进行二值化处理,实现了运动目标的精确检测,采用中值更新策略实现背景图像的实时更新。实验结果表明,算法可以从复杂交通场景图像序列中有效地检测出运动目标,且算法计算量小,具有良好的鲁棒性与实时性。     

移动对象流量查询方法研究

针对移动对象数据库中存储有移动对象运动状态信息的特点,提出了在移动对象数据库中实现基于道路网络的移动对象流量查询。首先,给出了利用直方图处理基于时间段的移动对象流量数据的方法;其次,基于FNR-Tree思想,提出了一个新的索引结构IFNR-Tree（Improved FNR-Tree）,该索引结构增加了hash表和网格结构能够对移动对象数目进行统计,从而可以实现移动对象的流量查询。     

面向宏观交通规划的移动对象模型及应用研究

交通调查是综合交通规划的重要组成部分,传统的交通调查费时费力,已经不能满足现代社会快速发展的需求.从移动对象的数据特点和GIS（Geographic Information System）的空间分析方法应用的角度介绍一种将手机位置数据引入交通调查的新方法,通过对手机位置数据的分析和挖掘获取交通调查方面的信息.该方法对于宏观交通规划的交通调查将起到重要的改进作用.     

基于中值背景模型的运动目标自适应检测方法

目的 在保证准确性的前提下,降低运动车辆检测算法的计算量,加快处理速度,满足实时性要求,提出一种基于中值背景模型和自适应阈值的运动检测方法 .方法 基于当前帧与背景图像的差分图像,利用自适应阈值分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测.同时,根据检测结果 ,采用中值更新策略实现背景图像的实时更新.结果 实验结果 表明,笔者算法可以从复杂交通场景图像序列中有效地检测出运动目标,并且算法计算量小,具有良好的鲁棒性与实时性.算法每帧处理时间比混合高斯降低43%,背景更新时间比一阶Kalman算法降低了45%.结论 算法能够很好地满足智能交通监控系统中运动车辆实时检测的要求.     

交通流视频检测中背景初始化算法

为了获取具有运动前景物体的初始背景,提出一种基于聚类识别的背景初始化算法。首先利用滑动可变窗口检测每个像素的所有不重叠平滑子序列,获取可能背景;然后选择每个平滑子序列的中值样本点构建分类序列集,根据未知类别的无监督聚类识别思想获取背景子集,实现背景初始化。选取不同交通状态的视频训练序列,将本文方法同中值法、一致性检测法进行了对比实验。结果表明,本文方法具有良好的适应性,可克服缓慢运动大型前景物体造成的影响,实现覆盖率大于50%的背景初始化。     

复杂事件处理的自适应制造情景识别方法

制造过程中的任务、自然条件、电力水平等环境因素,制约物体状态及其关系的变化.智能制造单元需要自适应的对不同情境约束下的事件和复杂情形及时理解判断,提出基于复杂事件处理(Complex event processing,CEP)的情境约束情景识别方法,以实时作出合理的优化决策.针对忽视情境约束对事件判别的影响,构建基于情境约束的多层次事件模型,给出同生、情境、协同等事件新算子,提出基于事件聚合的制造情景模型与演算过程.针对情景识别知识库中模式规则生成的不足,通过整合物体数据与环境数据建立映射关联,将感知信息转化为情境事件图谱.通过综合序数、名义变量等距离计算和自适应熵权法,提出改进的混合聚类方法处理事件图谱实例属性的多样性和关联性,构建知识库以为情景实时识别提供服务支持.运用4个真实数据集和1个制造过程仿真数据集进行实验,均验证本文模型和方法的有效性,适用于大规模学习问题,并阐明情境因素能显著提升复杂制造应用中的事件判断、情景识别的准确性.