基于計(jì)算機(jī)視覺的行人交通信息智能檢測(cè)理論與關(guān)鍵技術(shù)研究.pdf

1、隨著視頻監(jiān)控系統(tǒng)的普及和視頻圖像處理技術(shù)的進(jìn)步，以計(jì)算機(jī)視覺技術(shù)為基礎(chǔ)的智能交通系統(tǒng)應(yīng)用研究越來越受到重視，它綜合利用圖像處理、模式識(shí)別、人工智能等技術(shù)對(duì)監(jiān)控系統(tǒng)采集到的視頻圖像序列進(jìn)行處理和分析，智能化地理解視頻內(nèi)容并做出處理，能處理諸如事故信息判斷、行人和車輛分類、交通流參數(shù)檢測(cè)、運(yùn)動(dòng)目標(biāo)跟蹤等各種問題，促使智能交通系統(tǒng)更加智能實(shí)用，并為交通管理與控制提供全面、實(shí)時(shí)的交通狀態(tài)信息。因此，基于計(jì)算機(jī)視覺的交通信息檢測(cè)的方法研究具有重要

2、的理論價(jià)值和現(xiàn)實(shí)意義。
　　盡管智能視頻監(jiān)控技術(shù)已經(jīng)研究了很多年，但基于計(jì)算機(jī)視覺的智能化交通信息檢測(cè)系統(tǒng)仍處于發(fā)展階段，在某些關(guān)鍵技術(shù)環(huán)節(jié)尚需進(jìn)一步研究。目前還沒有一個(gè)標(biāo)準(zhǔn)的、健壯的、精確的、高性能的目標(biāo)檢測(cè)和跟蹤方法，還不能實(shí)時(shí)、有效的采集行人交通數(shù)據(jù)，難以智能的分析和判斷行人交通的運(yùn)行規(guī)律，不能對(duì)交通環(huán)境進(jìn)行有效的管理和控制。在此背景下，基于計(jì)算機(jī)視覺的交通信息檢測(cè)領(lǐng)域的研究逐步展開，并展現(xiàn)出良好的應(yīng)用前景。
　　本論

3、文基于國家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）和博士科研基金項(xiàng)目，對(duì)基于計(jì)算機(jī)視覺技術(shù)的智能交通系統(tǒng)的基本理論和關(guān)鍵技術(shù)展開研究，結(jié)合計(jì)算機(jī)視覺的前沿研究理論，在學(xué)習(xí)使用計(jì)算機(jī)視覺開發(fā)平臺(tái)Matlab的基礎(chǔ)上，以交通視頻中行人為研究對(duì)象，針對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)、提取、跟蹤、識(shí)別及交通流參數(shù)的計(jì)算與分析等問題進(jìn)行了探索和研究，為ITS的智能化提供技術(shù)支持。主要研究?jī)?nèi)容包括以下幾個(gè)方面:
　　(1)首先根據(jù)計(jì)算機(jī)視覺和交通信息智能檢測(cè)相關(guān)理論

4、知識(shí)，采用圖像語義層次法對(duì)行人交通語義信息智能檢測(cè)過程重新進(jìn)行分層，將其分成底層視覺層、中層視覺層、高層視覺層和應(yīng)用層，并對(duì)每層的功能進(jìn)行定義;從交通信息系統(tǒng)研究領(lǐng)域及交通信息處理流程兩方面歸納和設(shè)計(jì)交通信息智能檢測(cè)關(guān)鍵技術(shù)結(jié)構(gòu)，對(duì)本文應(yīng)用到的交通信息采集技術(shù)和交通數(shù)字圖像處理技術(shù)進(jìn)行描述;綜合應(yīng)用智能視頻監(jiān)控相關(guān)技術(shù)，構(gòu)建了交通信息智能監(jiān)控系統(tǒng)的體系結(jié)構(gòu)，搭建了交通信息智能監(jiān)控系統(tǒng)硬件和軟件平臺(tái)，實(shí)現(xiàn)理論到實(shí)踐的轉(zhuǎn)化，為改善和提高交通

5、視頻監(jiān)控能力提供了基礎(chǔ)。
　　(2)根據(jù)實(shí)際交通場(chǎng)景中獲得可靠的背景圖像是比較困難的問題，提出了一種融合光流速度場(chǎng)的自適應(yīng)背景建模方法，把光流引入背景建模中，結(jié)合背景差分結(jié)果的并運(yùn)算和“死角”灰度處理來實(shí)時(shí)更新背景，實(shí)現(xiàn)背景建模，該模型能夠精確的提取到背景圖像，有效的消除噪音問題;然后，在背景擬合的基礎(chǔ)上，提出一種基于時(shí)域和空域信息的前景目標(biāo)分割方法，采用相鄰多幀時(shí)域變化和Canny邊緣檢測(cè)法得到初始檢測(cè)掩模圖像，有效的解決差值局

6、部化和噪聲問題;在提取空域信息時(shí)，引入二次重構(gòu)和內(nèi)外標(biāo)記技術(shù)對(duì)梯度圖像進(jìn)行修正和分水嶺變換，得到空域掩模圖像，有效的提高空域分割精度，消除過分割現(xiàn)象;最后將時(shí)空分割結(jié)果進(jìn)行融合和形態(tài)學(xué)修正，精確的提取出前景目標(biāo)區(qū)域。
　　(3)在運(yùn)動(dòng)目標(biāo)檢測(cè)部分，提出一種基于形態(tài)學(xué)連通域的行人檢測(cè)和底層交通語義信息提取方法，采用形態(tài)學(xué)連通域識(shí)別法，根據(jù)連通域特征進(jìn)行判別，刪除不相關(guān)區(qū)域，提取出交通視頻圖像中運(yùn)動(dòng)目標(biāo)個(gè)數(shù)，從而精確的提取出運(yùn)動(dòng)行人的

7、底層交通語義信息，為后續(xù)工作提供數(shù)據(jù)支撐;針對(duì)遮擋狀態(tài)下的行人運(yùn)動(dòng)特性，提出一種基于人頭顏色模型和輪廓信息的行人檢測(cè)方法，采用RGB和YCbCr顏色空間中的聚類情況和幀差運(yùn)動(dòng)信息，提取候選人頭區(qū)域，利用Canny邊緣檢測(cè)和Hough變換進(jìn)行人頭定位，實(shí)現(xiàn)目標(biāo)信息統(tǒng)計(jì)。
　　(4)在運(yùn)動(dòng)目標(biāo)跟蹤部分，針對(duì)Mean Shift算法存在的問題，提出基于MeanShift目標(biāo)跟蹤的改進(jìn)算法。構(gòu)建多線索信息融合的目標(biāo)表觀模型，融合行人外觀、

8、空間結(jié)構(gòu)和運(yùn)動(dòng)等多線索信息描述目標(biāo)，增強(qiáng)特征描述能力，提高跟蹤精度;從背景和目標(biāo)雙重角度設(shè)定目標(biāo)尺度變化區(qū)域判斷準(zhǔn)則，調(diào)整算法核窗口尺寸，克服跟蹤中背景干擾;采用Bhattacharyya系數(shù)判別跟蹤狀態(tài)，針對(duì)遮擋丟失狀態(tài)，提出一種基于四部搜索策略的行人遮擋處理方法，以重新捕獲丟失目標(biāo)。并基于改進(jìn)的目標(biāo)跟蹤算法，對(duì)跟蹤到的行人進(jìn)行中層交通語義信息提取，包括行人位移、步行速度、加速度、軌跡等;在采集信息階段，建立ROI區(qū)域和目標(biāo)鏈，提出基

9、于目標(biāo)跟蹤的行人計(jì)數(shù)和流量統(tǒng)計(jì)方法，獲得ROI區(qū)域的人流信息。
　　(5)在目標(biāo)底層和中層交通語義信息提取的基礎(chǔ)上，提出一種基于遞階遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的行人識(shí)別方法，采用四級(jí)遞階染色體結(jié)構(gòu)描述網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，根據(jù)構(gòu)建的HGA-BP單分類器來識(shí)別交通視頻圖像中運(yùn)動(dòng)目標(biāo)的種類與數(shù)量;然后在已構(gòu)建的HGA-BP單分類器基礎(chǔ)上，基于“由粗到精”的識(shí)別思想進(jìn)行級(jí)聯(lián)識(shí)別，構(gòu)建Cascade-HGA-BP組合分類器，在底層傳遞高層時(shí)，采用