本文關(guān)鍵詞：城市交通場景中車輛異常行為檢測方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著我國國民經(jīng)濟的快速發(fā)展,人民生活水平得到不斷提高,汽車已進入千家萬戶,截止到2015年底,我國汽車保有量已達到1.72億輛。汽車保有量的大幅增長,不僅給人們的日常出行帶來了極大便利,但也給交通管理帶來了城市交通擁擠、交通事故頻發(fā)等嚴(yán)峻的挑戰(zhàn)。車輛異常行為是指交通場景中的車輛違章、違法行為,主要包括闖紅燈、壓線和非法轉(zhuǎn)向等行為。據(jù)統(tǒng)計,在過去十年間,我國有超過100萬人死于各類交通事故,其中90%以上的交通事故是由車輛異常行為引成的。對車輛異常行為進行檢測預(yù)警己成為交通管理部門迫切需要解決的問題之一,因此,本文研究城市交通場景中車輛異常行為的檢測方法,具體內(nèi)容如下：首先,研究了基于色彩空間模型的城市交通場景中信號燈的檢測方法。采用中值濾波和光線補償算法對城市交通場景圖像進行預(yù)處理,并采用信號燈的顏色直方圖和巴氏系數(shù)進行信號燈模板匹配；基于顏色空間模型進行城市交通場景中信號燈的狀態(tài)檢測,實驗結(jié)果表明基于HSV彩色空間模型的城市交通場景中信號燈的檢測方法優(yōu)于其他兩種彩色空間。其次,研究了基于車輛及車牌對稱特征的城市交通場景中車輛檢測的方法,并與基于車牌的車輛檢測方法、基于Gabor特征及支持向量機(SVM)的車輛檢測方法和Haar-like特征及AdaBoost分類器的車輛檢測方法進行了對比分析,實驗結(jié)果表明基于車輛及車牌對稱性的城市交通場景中車輛檢測的方法優(yōu)于其他三種方法,其檢測率達到91.2%。最后,構(gòu)建了東南大學(xué)城市交通場景中車輛行為圖像庫,并提出了一種基于聯(lián)合特征的城市交通場景中車輛異常行為檢測方法,該方法基于梯度方向直方圖(Histograms of Oriented Gradient, HOG)特征和局部二值模式(Local Binary Pattern, LBP)特征的串聯(lián)聯(lián)合,并采用支持向量機(SVM)進行自動分類。采用東南大學(xué)城市交通場景中車輛行為圖像庫進行了對比實驗,實驗結(jié)果表明：在選取線性核函數(shù)的條件下,基于HOG-LBP的聯(lián)合特征的車輛行為識別優(yōu)于其他三種單特征,其識別率達到93.6%；車輛異常行為中闖紅燈行為判定率最高,非法轉(zhuǎn)向行為最難判定。
【關(guān)鍵詞】：城市交通場景 車輛異常行為 色彩空間模型 車輛檢測 聯(lián)合特征
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U495
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 引言10-17
• 1.1 研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-14
• 1.2.1 國外研究現(xiàn)狀11-12
• 1.2.2 國內(nèi)研究現(xiàn)狀12-14
• 1.3 本文研究內(nèi)容及技術(shù)路線14-15
• 1.4 論文組織結(jié)構(gòu)15-17
• 第二章 基于顏色空間模型的城市交通場景中信號燈的檢測方法17-30
• 2.1 圖像預(yù)處理17-21
• 2.1.1 圖像去噪17-20
• 2.1.2 光線補償20-21
• 2.1.3 感興趣區(qū)域劃分21
• 2.2 色彩空間模型21-24
• 2.2.1 RGB顏色空間22
• 2.2.2 HSV顏色空間22-24
• 2.2.3 YCbCr顏色空間24
• 2.3 信號燈模板匹配24-28
• 2.3.1 顏色直方圖24-25
• 2.3.2 氏系數(shù)25
• 2.3.3 信號燈的模板匹配25-28
• 2.4 基于顏色空間模型的信號燈檢測28-29
• 2.5 本章小結(jié)29-30
• 第三章 基于車輛及車牌對稱特征的車輛檢測方法30-39
• 3.1 基于車輛及車牌對稱特征的車輛檢測30-35
• 3.1.1 車輛邊緣檢測30-32
• 3.1.2 車輛輪廓對稱軸檢測32-33
• 3.1.3 車牌對稱軸檢測33-34
• 3.1.4 車輛區(qū)域定位34-35
• 3.2 其他車輛檢測方法35-37
• 3.2.1 基于車牌的車輛檢測35
• 3.2.2 基于Gabor特征及支持向量機(SVM)的車輛檢測35-36
• 3.2.3 基于Haar-like特征及AdaBoost分類器的車輛檢測36-37
• 3.3 實驗結(jié)果37-38
• 3.4 本章小結(jié)38-39
• 第四章 基于聯(lián)合特征的城市交通場景中車輛異常行為檢測方法39-51
• 4.1 構(gòu)建車輛行為數(shù)據(jù)集39-40
• 4.2 梯度方向直方圖40-42
• 4.3 局部二值模式42-43
• 4.4 邊緣方向直方圖43-44
• 4.5 聯(lián)合特征提取44-46
• 4.6 支持向量機分類器46-48
• 4.7 實驗結(jié)果48-50
• 4.8 本章小結(jié)50-51
• 第五章 總結(jié)與展望51-53
• 5.1 總結(jié)51
• 5.2 展望51-53
• 致謝53-54
• 參考文獻54-59
• 碩士期間完成的研究成果59

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊傳崗;徐建閩;林曉輝;;基于視頻技術(shù)的交通場景背景生成方法研究[J];西部交通科技;2008年01期

2 朱昶勝;楊青;王杰;馮文芳;;基于城市交通場景的仿真研究[J];計算機仿真;2014年04期

3 陳先橋;嚴(yán)新平;初秀民;;霧天交通場景圖像中相關(guān)對象特征分析[J];武漢理工大學(xué)學(xué)報;2009年03期

4 周穎;嚴(yán)利鑫;吳青;高嵩;吳超仲;;基于虛擬現(xiàn)實技術(shù)的典型動態(tài)交通場景的設(shè)計與實現(xiàn)[J];交通信息與安全;2013年01期

5 譚論正;夏利民;夏勝平;;基于多級Sigmoid神經(jīng)網(wǎng)絡(luò)的城市交通場景理解[J];國防科技大學(xué)學(xué)報;2012年04期

6 李俊韜;張海;范躍祖;;復(fù)雜交通場景中多運動目標(biāo)分割算法[J];北京航空航天大學(xué)學(xué)報;2006年03期

7 胡江碧;曹新濤;;駕駛模擬艙三維道路交通場景仿真技術(shù)[J];北京理工大學(xué)學(xué)報;2008年07期

8 任建強;陳陽舟;;城市混合交通場景中的多目標(biāo)參數(shù)檢測[J];交通信息與安全;2009年04期

9 張瑜;仿真火車[J];鐵道知識;2004年02期

10 吳天;有車生活從美居開始[J];廣東電腦與電訊;2002年09期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 嚴(yán)金豐;復(fù)雜交通場景中運動目標(biāo)智能監(jiān)控[D];中國科學(xué)技術(shù)大學(xué);2014年

2 陳先橋;霧天交通場景中退化圖像的增強方法研究[D];武漢理工大學(xué);2008年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 肖杰;基于暗通道先驗的霧霾天交通場景下退化圖像復(fù)原算法研究[D];西南交通大學(xué);2015年

2 齊行知;城市交通場景中車輛異常行為檢測方法研究[D];東南大學(xué);2016年

3 李俊澤;面向輔助駕駛的交通場景圖像預(yù)處理研究[D];湖南大學(xué);2015年

4 趙業(yè)東;基于圖像的交通場景理解[D];中南大學(xué);2013年

5 楊青;車載自組織網(wǎng)絡(luò)基于交通場景下路由協(xié)議算法的研究[D];蘭州理工大學(xué);2014年

6 黃灝;面向智能交通場景的低層語義提取算法研究與實現(xiàn)[D];北京郵電大學(xué);2015年

7 張小輝;虛擬交通場景中的雨雪仿真[D];西南交通大學(xué);2010年

8 孫忠涵;交通場景下去模糊算法和信號燈識別算法的研究[D];西安電子科技大學(xué);2014年

9 王彬;交通場景中車輛檢測算法設(shè)計及實現(xiàn)[D];浙江工業(yè)大學(xué);2012年

10 張慧澤;城市交通場景中的背景建模方法研究[D];西安電子科技大學(xué);2014年

  本文關(guān)鍵詞：城市交通場景中車輛異常行為檢測方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：275889