论文部分内容阅读
我国城市当前面临严峻的混合交通问题,需要通过智能化交通进行解决。而混合交通参数的高效、准确提取是智能化交通管理与控制的基础。目前常规的检测器难以满足混合交通参数提取的需求,迫切需要开发一种有针对性的混合交通检测系统。因此,混合交通视频检测技术的研究及相应系统的开发对于提高城市交通控制的实时性和准确性具有重要意义,对有效进行交通管理和保障交通安全具有重要作用。但是由于目前混合交通视频检测关键技术研究不足,使得混合交通视频检测系统的开发与实现受到严重限制。本文针对这一问题,结合混合交通视频检测的实际需求,对普适性的摄像机参数标定、混合交通前景信息提取和补偿、混合交通快速分类和识别、混合交通多运动目标跟踪和遮挡处理等关键技术进行了研究和讨论。论文完成的主要科研工作及取得的主要科研成果概括如下:(1)基于像素角映射的摄像机标定算法当前对于摄像机标定的问题研究较多,但以往的标定方法在适应性和快速性方面存在一定的问题。本文在前人研究的基础上,提出了基于像素角映射的摄像机标定算法。即在针孔成像线性模型的基础上,分别考虑了像素与像素角、像素角与世界坐标两组非线性映射关系,并根据混合交通视频检测的实际情况对标定算法进行了简化。同时引入摄像机高度和倾角等参数,扩大了标定算法的适用范围。最后通过试验对比验证了本文提出的标定算法具有检测精度高、适用范围广、灵活性强、鲁棒性好等优点,具有良好的工程实用价值。(2)结合历史信息的混合交通前景提取和补偿算法针对混合交通场景的复杂性,本文在利用分段加权直方图(Partition WeightedHistogram, PWH)背景模型获取背景图像和背景边缘的基础上,通过引入历史信息来改进传统的边缘检测算法。首先通过将当前边缘信息、背景边缘信息及历史信息进行对比,经过推理和二次分析剔除背景边缘信息,获取前景边缘信息。然后通过融合差分信息,利用种子点生长法实现前景轮廓的补偿与修正,提取出能够满足混合交通分类识别需求的前景轮廓信息。最后,结合本文前景提取算法实现了阴影处理与夜间检测。(3)结合极限学习机(ELM)训练的混合交通快速分类识别算法针对混合交通视频检测算法常常因为缺乏有效的分类特征而导致识别精度低以及传统智能算法学习计算量大而导致实时性差的问题,在以往研究的基础上,提出了结合极限学习机(Extreme Learning Machine, ELM)训练的混合交通快速分类识别算法。该算法以边缘轮廓偏心率向量为分类特征,并利用等角度间隔抽样的方法对边缘轮廓偏心率向量进行了维数统一,克服了以往算法识别精度低的问题。再通过将极大极小偏心距的比值引入到混合交通特征表达中,克服了行人和自行车特征区分度不高的问题。最后在特征选取和表达的基础上结合ELM的分类机制对混合交通进行了快速分类识别,克服了采用支持向量机(Support Vector Machine, SVM)等传统智能算法耗时长的问题,实现了混合交通的快速、准确识别。(4)多目标跟踪和遮挡处理机制针对混合交通中多目标跟踪及遮挡处理难以实现的问题,提出了基于Kalman滤波和PCA-SIFT(Principal ComponentsAnalysis applied to SIFT)匹配的方法进行多目标跟踪和遮挡处理。利用Kalman滤波结合真实世界参数进行前景多目标预测,判断是否出现遮挡现象。通过对遮挡现象的判断结果选取不同的跟踪策略:若未发现遮挡,则采用基于世界坐标约束的Kalman滤波进行跟踪,保证跟踪的快速性;若发现遮挡,则结合预测信息锁定靶区域,缩小检索范围,再利用PCA-SIFT算法进行快速匹配,完成遮挡还原,实现了多运动目标的预测及跟踪,确保了跟踪结果的准确性及快速性。最后,在实际交通场景中对本文开发的检测系统进行了测试,结果表明:该系统能够良好地完成混合交通视频检测任务,准确提取多种混合交通参数。最后对本文的研究内容进行总结和展望。总结了本文所取得的研究成果以及创新点,针对本文研究的不足提出了下一步的研究计划。