視頻監(jiān)控中私自攬客違法行為檢測
發(fā)布時間：2021-04-07 18:51
隨著數(shù)字視頻監(jiān)控技術的普及與應用,基于視頻監(jiān)控信息的出租車行業(yè)智能化管理成為可能。特別是在強化道路交通的安全管理,緩解執(zhí)法人員壓力等方面發(fā)揮了重要作用,但目前尚缺少針對出租車運營管理與分析的智能化處理技術。對此,提出一種私自攬客行為檢測算法。使用Haar特征結合Adaboost分類器對出租車進行識別;利用改進的ViBe算法提取運動人體目標,并快速消除鬼影干擾;判斷人車位置關系,并提取人在上車過程中的多姿態(tài)特征,送入SVM分類器進行訓練,實現(xiàn)對人體行為的分類。實驗結果表明:該方法能夠適應復雜環(huán)境,抗干擾能力較強,可實時檢測私攬行為是否發(fā)生。
【文章來源】：計算機應用與軟件. 2019,36(03)北大核心
【文章頁數(shù)】：7 頁
【部分圖文】：
私攬檢測算法流程圖針對靜止背景下的運動目標檢測一般有幀間差分
Ada-boost［7］分類器進行訓練，最后檢測視頻中的出租車。Haar特征指的是一種矩形特征，其值表示為黑色矩形區(qū)域的灰度值與白色矩形區(qū)域的灰度值的差，以此來生成圖像特征矩陣。不同的Haar特征模型功能也不相同，常用的Haar特征模板如圖2所示。圖2常用Haar特征模板Adaboost算法是一種改進的Boosting算法。該算法不需要弱分類器的先驗知識。它的核心是為相同的訓練集訓練不同的弱分類器，然后將這些弱分類器合成強分類器，最后將強分類器級聯(lián)成最終分類器。圖3是由分類器進行級聯(lián)和檢測出租車的過程。圖3出租車區(qū)域檢測結果
混合高斯法157幀124幀183幀171幀原始ViBe方法57幀51幀61幀60幀由表1可見:本文的算法消除鬼影所需要的幀數(shù)最少，速度最快;混合高斯法消除鬼影速度較慢;原始ViBe算法稍慢于本文算法。在此基礎上，結合提取到的人體前景與識別出的出租車區(qū)域，計算人體質心與出租車中心的距離，當行人處于車輛區(qū)域范圍內時，則可以認為該行人與車輛有構成私攬違法行為的可能。實驗發(fā)現(xiàn)，所檢測出的人體質心存在于以出租車質心為圓心，到四角長度為半徑的一側扇形內時，檢測效果較好，如圖5所示。圖5人車位置關系3基于多特征融合的人體姿態(tài)識別3．1特征提取乘客在上車過程中會逐漸從出租車遠處接近，在車門附近停頓，并伴有彎腰、拉車門、屈體等動作，與交通環(huán)境中的其他行為有明顯區(qū)別。本文基于私自攬客的特點對乘客的多種特征進行提取。運動目標的標識方法取決于運動目標的區(qū)域形狀及其連通性，采用外接區(qū)域的方法能夠很直觀地反映出運動人體的輪廓。因此本文選取與人體擬合度更高的最小外接橢圓作為其中一個特征。一個橢圓由其中心坐標、其方向以及其長短軸長度定義。在私攬行為發(fā)生過程中，行人會首先從遠處向出租車接近，這段時間私攬行為的人體特征與人體行走基本一致。當乘客走近出租車準備上車時，會停頓并打開車門，然后彎腰上車，在彎腰上車的過程中，人體豎直距離會降低，人體最小外接橢圓的長軸會減小，這是一個明顯區(qū)別于正常行走行為的特征。人體最小外接橢圓參數(shù)變化過程如圖6所示。圖6人體外接橢圓參數(shù)變化過程人體最小外接橢圓的參數(shù)需要計算圖像的矩，對于連續(xù)圖像f(x，y)，矩的定義由如下:m
【參考文獻】：
期刊論文
[1]一種改進Haar-like特征的車輛識別算法[J]. 羅瑞奇,鐘忺,鐘珞,李琳. 武漢大學學報(理學版). 2018(03)
[2]人工智能技術在智慧交通領域中的應用[J]. 王偉耀. 電子技術與軟件工程. 2018(03)
[3]基于改進ViBe算法的運動目標檢測方法[J]. 高健焮,陳健. 計算機應用. 2017(S2)
[4]一種基于類Haar特征和AdaBoost算法的前車檢測方法[J]. 余小角,郭景,徐凱,王娜. 微型機與應用. 2017(13)
[5]結合背景更新和亮度范圍的改進Codebook模型算法[J]. 瞿中,辛寧,廖春梅. 計算機應用與軟件. 2016(11)
[6]基于自適應高斯模型的實效運動目標檢測算法[J]. 王紅茹,童偉. 計算機工程與設計. 2016(10)
[7]基于視覺的目標檢測與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟. 自動化學報. 2016(10)
[8]一種改進的融合幀差法的ViBe算法[J]. 史瑞環(huán),吳斌,李務軍,范風兵. 微型機與應用. 2016(04)
碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的多部位人體檢測[D]. 張恒瑜.北京工業(yè)大學 2016
[2]基于形狀上下文的物體匹配與識別研究[D]. 姬建光.西北師范大學 2016
本文編號：3124002
【文章來源】：計算機應用與軟件. 2019,36(03)北大核心
【文章頁數(shù)】：7 頁
【部分圖文】：
私攬檢測算法流程圖針對靜止背景下的運動目標檢測一般有幀間差分
Ada-boost［7］分類器進行訓練，最后檢測視頻中的出租車。Haar特征指的是一種矩形特征，其值表示為黑色矩形區(qū)域的灰度值與白色矩形區(qū)域的灰度值的差，以此來生成圖像特征矩陣。不同的Haar特征模型功能也不相同，常用的Haar特征模板如圖2所示。圖2常用Haar特征模板Adaboost算法是一種改進的Boosting算法。該算法不需要弱分類器的先驗知識。它的核心是為相同的訓練集訓練不同的弱分類器，然后將這些弱分類器合成強分類器，最后將強分類器級聯(lián)成最終分類器。圖3是由分類器進行級聯(lián)和檢測出租車的過程。圖3出租車區(qū)域檢測結果
混合高斯法157幀124幀183幀171幀原始ViBe方法57幀51幀61幀60幀由表1可見:本文的算法消除鬼影所需要的幀數(shù)最少，速度最快;混合高斯法消除鬼影速度較慢;原始ViBe算法稍慢于本文算法。在此基礎上，結合提取到的人體前景與識別出的出租車區(qū)域，計算人體質心與出租車中心的距離，當行人處于車輛區(qū)域范圍內時，則可以認為該行人與車輛有構成私攬違法行為的可能。實驗發(fā)現(xiàn)，所檢測出的人體質心存在于以出租車質心為圓心，到四角長度為半徑的一側扇形內時，檢測效果較好，如圖5所示。圖5人車位置關系3基于多特征融合的人體姿態(tài)識別3．1特征提取乘客在上車過程中會逐漸從出租車遠處接近，在車門附近停頓，并伴有彎腰、拉車門、屈體等動作，與交通環(huán)境中的其他行為有明顯區(qū)別。本文基于私自攬客的特點對乘客的多種特征進行提取。運動目標的標識方法取決于運動目標的區(qū)域形狀及其連通性，采用外接區(qū)域的方法能夠很直觀地反映出運動人體的輪廓。因此本文選取與人體擬合度更高的最小外接橢圓作為其中一個特征。一個橢圓由其中心坐標、其方向以及其長短軸長度定義。在私攬行為發(fā)生過程中，行人會首先從遠處向出租車接近，這段時間私攬行為的人體特征與人體行走基本一致。當乘客走近出租車準備上車時，會停頓并打開車門，然后彎腰上車，在彎腰上車的過程中，人體豎直距離會降低，人體最小外接橢圓的長軸會減小，這是一個明顯區(qū)別于正常行走行為的特征。人體最小外接橢圓參數(shù)變化過程如圖6所示。圖6人體外接橢圓參數(shù)變化過程人體最小外接橢圓的參數(shù)需要計算圖像的矩，對于連續(xù)圖像f(x，y)，矩的定義由如下:m
【參考文獻】：
期刊論文
[1]一種改進Haar-like特征的車輛識別算法[J]. 羅瑞奇,鐘忺,鐘珞,李琳. 武漢大學學報(理學版). 2018(03)
[2]人工智能技術在智慧交通領域中的應用[J]. 王偉耀. 電子技術與軟件工程. 2018(03)
[3]基于改進ViBe算法的運動目標檢測方法[J]. 高健焮,陳健. 計算機應用. 2017(S2)
[4]一種基于類Haar特征和AdaBoost算法的前車檢測方法[J]. 余小角,郭景,徐凱,王娜. 微型機與應用. 2017(13)
[5]結合背景更新和亮度范圍的改進Codebook模型算法[J]. 瞿中,辛寧,廖春梅. 計算機應用與軟件. 2016(11)
[6]基于自適應高斯模型的實效運動目標檢測算法[J]. 王紅茹,童偉. 計算機工程與設計. 2016(10)
[7]基于視覺的目標檢測與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟. 自動化學報. 2016(10)
[8]一種改進的融合幀差法的ViBe算法[J]. 史瑞環(huán),吳斌,李務軍,范風兵. 微型機與應用. 2016(04)
碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的多部位人體檢測[D]. 張恒瑜.北京工業(yè)大學 2016
[2]基于形狀上下文的物體匹配與識別研究[D]. 姬建光.西北師范大學 2016
本文編號：3124002
本文鏈接：http://www.sikaile.net/falvlunwen/fanzuizhian/3124002.html
