夜晚车辆异常事件分析

夜晚车道模型是车辆跟踪和车辆行为分析的基础,但是当高速公路或者城市道路光线较暗时,很难通过车道检测的方法来建立车道模型,夜晚车辆快速行驶或相邻帧车辆之间重叠度较低时无法实现准确跟踪。针对此类问题提出了一种基于学习的车道模型建立方法和基于多帧的最佳匹配跟踪方法。首先利用自动多阈值分割方法提取场景中光亮的目标;其次,利用车灯的相关特征移除非车灯光亮区域;接着,利用空间信息把车灯聚类成一个车辆目标,利用多帧的最佳匹配跟踪方法进行跟踪;最后利用车辆跟踪参数与车道模型的融合对夜晚车辆异常事件进行分析。实验结果表明,该算法能够准确地检测出夜晚车辆换道、逆向行驶、交通拥挤、停车等异常事件,并且有很强的鲁棒性。     

基于视频的夜间高速公路车辆事件检测

针对高速公路夜间行驶车辆的特点,基于最优化理论提出了一种鲁棒的车辆检测和跟踪算法,对现有的车灯提取算法和轨迹跟踪规则进行了改进,不仅可自动统计和显示车流量,车速等交通信息,并且能对逆行、拥堵、自由流停车等交通车辆事件做出自动判断。实验结果表明,该算法复杂性低,实时性好,在夜间路况较好的条件下车辆检测成功率达95%以上,在拥挤交通条件下,检测正确率在80%左右。     

智能视频异常检测事件研究分析

目前,国内大多数视频监控主要是录制视频数据,用于事后取证,或将视频数据传输到监控中心,由大量工作人员观测和分析所传输的视频数据,存在人工成本过高、数据实时性处理得不到保证等问题。为此,针对当前智能视频监控中的视频异常检测事件,提供了视频异常事件的定义、检测流程以及所使用的主要方法,并总结了智能视频异常检测技术。     

基于HMM监控视频的异常事件检测

针对智能监控系统中的行为分析与识别,将隐马尔可夫模型（Hidden Markov model,HMM）应用到智能视频监控系统的异常事件检测中。首先应用背景差法将运动目标提取出来。其次将运动目标的形状、颜色和帧间变化度等特征编码,生成特征向量。训 练时将特征向量送入HMM训练得到隐马尔可夫模型需要的参数[WTHX]A和B[WTBZ],检测时将特征向量送入HMM检测系统检测是否有异常事件发生。最后的实验结果表明,该方法能快速有效地检测监控视频中的异常事件的发生。     

车道模型的高速公路车辆异常行为检测方法

针对高速公路上车辆的逆行、停车、轨迹异常等事件的检测问题,提出了一种基于车道模型知识的自底上向的车辆异常检测方法。首先由车道线的连续性、共线性的感知搜索出车道线和消失点,自动建立车道模型;然后在多车辆检测与跟踪时,通过目标运动位置预测和KLT特征点跟踪的方法建立表示目标区域交叠关系图,依据后验关系通过对图中节点对应目标区域的合并与拆分实现目标与实际车辆的一一对应,建立可靠的跟踪轨迹;最后基于消失点的坐标变换,计算车辆实际位置与速度,采用轨迹滑动窗口方法判断目标运动趋势并计算窗口内轨迹点平均速度,判断车辆的异常行为。实验结果表明,所提方法在不同天气、不同车流量环境中均有80%以上的事件检测率,同时算法简单,具有很好的实时性,能够适应实际高速公路智能检测设备的需求。     

智能交通异常事件检测系统的分析与设计

在智能交通系统中,异常事件的检测方法是其中的关键技术和难点之一。基于视频检测和数字图像处理技术,在已有道路交通监控设施等硬件设备的前提下,提出了一种高效的智能交通异常事件检测系统,采用了C/S模式对其进行了分析与设计。     

基于HEVC的车辆异常事件检测

当前传统交通事故检测和查阅主要通过人工监测的方法,这种方法效率低且实时性差,本文提出一种基于最新压缩域视频编码标准HEVC（High-efficiency video coding）的车辆异常事件检测方法。首先对HEVC码流中提取出的运动矢量信息进行运动矢量累积迭代和中值滤波的预处理,之后根据提取出的块划分信息和运动矢量信息计算运动对象的运动强度,然后根据运动强度值和八连通区域法提取出运动对象,最后根据空间距离法和运动强度判别法检测出视频序列中发生的车辆异常事件。实验证明,该方法可以准确地检测出视频序列中发生的车辆异常事件;对于有着快速移动的运动目标以及多个运动目标的视频效果更好。     

高速路的车道检测与车辆跟踪

基于智能交通的快速发展,研究了基于高速路的车道检测和车辆跟踪技术.对于多车道检测,根据路面与分道线灰度级相差较大的特点来实现车道路面的分割,接着结合直线方程和Catmull-Rom Spline插值算法来拟合分道线.对于单车道检测,首先基于HSV颜色空间和Sobel边缘提取方法对其进行有效分割,接着在透视变换空间中提取分道线坐标点并用二次多项式拟合分道线.针对车辆检测,使用Hog+Gentle-Adaboost分类算法实现无人车前方路面车辆的检测,接着基于车底阴影的特征对车底阴影进行检测以验证学习算法检测到的车辆区域的真伪性.针对车辆跟踪,采用动态二阶自回归模型的方法预测车辆的状态.其中,对于粒子滤波固有的粒子退化问题,引入Thompson_Taylor算法改善了粒子退化和低多样性的缺陷.本文的车道检测和车辆跟踪算法能较容易地移植在嵌入式平台,可靠性和准确性较高,且有助于进一步实现车道偏离报警和前向防撞系统.     

基于车辆跟踪线的车道检测算法

针对夜晚环境和车道标线不明确的情况,本文提出了全新的车道检测算法,利用道路上的车辆运行轨迹的有效统计来得到路面结果。实验结果显示此方法消减了环境因素的影响,并在现场检测中效果明显,适用于实时视频监控系统。     

一种基于视频分析的高速公路交通异常事件检测算法

交通领域的异常事件检测对于预防和及时处理交通事故有着重要作用。当前大多数交通异常事件检测都是通过人工完成的,耗费了大量的人力,同时实时性也较差。文中针对高速公路的交通场景特点,利用深度学习中的目标检测算法,对视频中的车辆目标进行提取,提出了结合运动特征和表观特征的多目标追踪算法;在此基础上,又提出了一种基于车辆轨迹特征的异常事件检测方法,其中的追踪算法减少了轨迹提取过程对背景环境变化的依赖。在异常事件检测算法中充分结合高速公路实际场景,加入滑动窗口机制,提升了对远距离和复杂场景下异常事件的检测能力。利用面向真实交通视频的数据,与现有的事件检测算法进行对比,实验结果证明,所提方法在事件检测的准确率、召回率和F值指标方面都有良好的性能表现,能够有效地完成高速场景下的交通异常事件检测。     

高速公路中的行车道检测和车辆跟踪

提出了一种有效的高速公路检测和多车辆跟踪视觉系统.该系统主要模块包括道路检测、基于二维模型的车辆跟踪器(近距离车辆的矩形模型和远距离车辆的U形模型)、启发式车辆检测、系统协调器.在系统中,跟踪器的动态产生和终止优化了系统的计算资源.另外,系统利用鲁棒性估计技术提高了道路检测的性能.车辆的跟踪是采用三参数状态空间的多边形拟合技术来实现的.本文采用了PETS2001提供的图像序列测试了系统有效性,在Pentium Ⅲ 450MHz PC 上系统的处理速度为平均每帧12毫秒.     

基于视觉跟踪的交通监控

随着城市化速度的加快,机动车日益普及,人们在享受机动车所带来的巨大便利的同时,也面临着日益严重的交通问题。提出了在交通监控中,基于计算机视觉技术来检测运动目标,对目标进行跟踪。并且通过道路检测提取道路边界线、分道线等信息,自动分析机动车辆的运行状态,实现智能交通监控。     

基于改进卡尔曼滤波的车道线与车辆跟踪系统算法研究

针对传统的车道线跟踪系统在复杂交通流情况下,利用卡尔曼滤波无法有效跟踪车道线的问题,论文提出了一种融合车辆与车道线检测的跟踪算法.该算法首先利用二阶高斯方向滤波器提取车道线检测的响应,同时利用haar-like特征检测图像平面中的车辆的2D回归框,并利用卷积神经网络预测车辆的3D回归框区域.利用车辆3D回归框的在车道线...     

适用于密集人群的异常事件实时检测方法

在密集人群场景下,针对现有异常检测算法在实时性和适用性方面的不足,提出了一种基于光流特征和卡尔曼滤波的实时检测方法。该方法首先提取图像的全局光流强度作为运动特征;然后对全局光流值进行卡尔曼滤波,并对残差进行分析;假设残差在正常状态下服从高斯分布,利用假设检验加以验证;运用最大似然(ML)估计得到残差的概率分布;在一定置信度下,确定正常状态的可信区间和异常状态的判定公式,并以此判断异常事件是否发生。实验结果表明,该方法对尺寸为320×240的视频,平均检测时间低至0.023 s/frame,且准确率可达95%以上。因而,该方法在保证较高检测率的同时,还具有良好的实时性。     

基于混合差分的车辆检测方法

以实时获取的视频图像为基础,针对ITS领域的关键技术,对高速公路事件检测系统的多个方法进行了改进。在彩色图像模型下提出一种改进的基于混合差分的车辆检测方法,使检测更快速,效果更好。针对检测结果的后期处理,提出了一种实时分割与实时合并移动目标的算法。实时分割主要采用一种基于阴影消除的方法,通过模板匹配,从而达到分割重叠车辆的目的。实时合并则引进一种兴趣度函数来填补移动目标的内部空洞,同时通过测定六边形之间的距离使断裂部分进行合并。实验结果表明,提出的算法简单、易实现、具有高实时性,车辆检测率超过96%。     

交通事件下排队车辆数和总延误计算模型研究

为描述交通事件后导致拥挤交通流中的排队现象,分析预测交通流的时空影响。根据流量守恒定律和交通波波速公式,提出了排队车辆数和车辆总延误定量计算的一个新模型。将事件后交通流的发展划分为三个时间阶段,推导出道路堵塞时各相应时间段交通变量动态计算公式。同时分析了交通事件影响因素除了事件本身的严重性外,事件的清理时间是决定事件瓶颈处车辆排队第二位的影响因素;以及交通事件时空发展模型与事件自动检测两者之间相互影响、互为因果的关系。最后用应用算例对该模型的有效性进行验证,结果表明,数据符合实际情况,排队车辆数随着事件持续时间增加呈分段线性变化,而所有排队车辆的总延误随着交通事件处理时间的增加呈二次平方变化。此模型可作为交通管理控制部门对交通事件发生后制定合理救援措施的理论依据。     

面向特征的ICA和HP滤波实现视频异常事件检测

针对室外环境下光照亮度变化、阴影和树木遮挡等问题,对利用隐马尔可夫模型进行视频异常事件检测的影响,提出基于独立分量分析（ICA）和HP（Hodrick-Prescott）滤波器的隐马尔可夫模型视频异常事件检测方法。该方法首先利用ICA构造正常视频的特征子空间,将图像序列投影到特征子空间上得到投影序列,实现数据降维;然后利用HP滤波器滤除投影序列中环境变化引起的趋势分量;最终克服不利的环境因素,有效改善隐马尔可夫模型的视频异常事件检测性能。机动车辆禁行路段视频的检测实验表明,该方法能够在复杂的室外环境下较好地检测出异常事件。     

基于模型的车辆检测与跟踪

车辆检测算法是汽车辅助驾驶系统中的核心算法之一。为了对摄像机抖动下的目标进行鲁棒跟踪,提出了一种新的基于投影的曲线模型匹配方法,利用投影的完整度、匹配点相对于模型的偏移量期望和方差的加权和作为相似性度量。在此基础上建立模型匹配算法,利用车辆模型匹配进行车辆的检测和跟踪。实验结果表明,该算法具有良好的适应能力,对不同车型、大小、颜色的车辆都能够进行很好的检测和跟踪,并能够在车辆颠簸造成摄像机抖动的情况下保持目标的稳定跟踪。     

基于时空大数据的异常车辆检测

针对传统人工检查黑车的方式不但耗时耗力而且效率低下的问题,提出一种新的自动检测黑车的方法。在Hadoop平台上,对物联网技术采集的全疆车辆加气数据进行分析;抽取车辆加气的时间特征和空间特征;利用随机森林算法研究车辆与驾驶员、加气站间的关系,从而发现具有异常加气模式的黑车车辆。在大规模真实数据集上的实验表明:提出的方法在黑车发现问题上有较高的准确率,可以用于帮助有关部门提高黑车检测的效率。     

基于阴影检测的HSV空间自适应背景模型的车辆追踪检测

在交通监控中，要进行车辆的检测、车流量统计、实时追踪、车速测定等工作，而如何从复杂的背景中分割运动物体是至关重要的一步，目前采用的典型方法是背景相减方法。为了对运动车辆进行准确快速的检测，在研究了目前存在的各种方法之后，提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法，并将其应用于运动物体的分割，同时给出了具体的试验结果。该方法之所以不在传统的RGB空间实现，而在HSV空间实现，因为HSV空间可以提供更丰富的颜色信息。运行试验结果表明，该方法准确率高，适应性强，运算速度快，兼具灵活性，能满足实时检测的需要。