车载视频中违规换道车辆检测和识别论文答辩稿.pptVIP

交通事故频发。 规定让行、违法超车、逆行、违章变更车道更是造成交通事故的重要因素。 传统的监控方法就是交警在路边看。 智能交通兴起 ，比如电子眼的应用让交通监管机制更加完善。 交通视频的智能分析的流行：如计数，拥堵检测等。 美国和以色列在算法研究和产品应用上起步早，而我相对落后。 国内做智能视频分析的公司：文安科技、中兴智能、高德威、汉王、信路威、海康威视、大华。 文安科技的智能行为分析中有逆行检测。海康威视的“智能视频分析”中，有道路交通事件自动取证系统，可以检测到停车事件和逆行事件。还有交通事件及参数检测，有拥堵检测报警、行人检测报警等功能。 行车记录仪即记录车辆行驶途中的影像及声音等相关资讯的仪器。安装行车记录仪后，能够记录汽车行驶全过程的视频图像和声音，可为交通事故提供证据。 近几年，由于“碰瓷”现象的出现，越来越多的人选择安装行车记录仪。 此外，为了加强道路运输安全管理，变“被动管理”为“主动管理”，有效预防道路交通事故发生。政府在一部分危险货运车上强制安装了行车记录仪：2009年3月，省公安、交通运输、教育、安监等8个部门联合发文，对广东省籍道路危货运输车辆、县（区）以上客运班车、校车、旅游包车、重型货车和汽车列车、建筑施工单位散装物料车、教练车等8种重点车辆强制安装应用卫星定位汽车行驶记录仪。据了解，省教育厅于2010年2月24日出台了工作方案，各地正在组织实施中。 行车记录仪提供了海量的数据，但是人为的去追溯耗时耗力。道路监控视频已经走上了智能分析的道路，行车记录仪视频分析也会遵循这样的趋势。 行车记录仪中的视频可以用运动补偿来估计，但考虑到背景变化太大，而可能出现相对静止的情况。本文放弃了这种运动检测方式。 实验中我们采取了阴影分割的方式来生成假设区域。 第一张是输入图像 尝试了可行使路面检测算法，效果都不好。索性直接预定义可行使区域。 对可行使区域计算两次 透视模型 对称性：将边缘图像投影到x轴，由于背景的缘故其对称性难以衡量 熵：误排除一部分车辆区域 （1）目标的有效描述；目标的跟踪过程跟目标检测一样，需要对其进行有效的描述，即，需要提取目标的特征，从而能够表达该目标；一般来说，我们可以通过图像的边缘、轮廓、形状、纹理、区域、直方图、矩特征、变换系数等来进行目标的特征描述； （2）相似性度量计算；常用的方法有：欧式距离、马氏距离、棋盘距离、加权距离、相似系数、相关系数等； （3）目标区域搜索匹配；如果对场景中出现的所有目标都进行特征提取、相似性计算，那么，系统运行所耗费的计算量是很大的。所以，我们通常采用一定的方式对运动目标可能出现的区域进行估计，从而减少冗余，加快目标跟踪的速度；常见的预测算法有：Kalman滤波、粒子滤波、均值漂移等； 实验中还是用了粒子滤波，特征是颜色直方图，效果不好 车载视频中 违规换道车辆检测和识别 答辩人 指导老师 目录 3 车辆检测 2 研究内容 1 绪论 4 车辆跟踪 5 变道识别 6 总结 背景 绪论 违章引起的交通事故数量庞大 智能交通兴起 交通智能视频分析 落后于国外 已实现产品化 研究对象是静态背景 国内现状 绪论 图：北京文安科技-智能交通-左转闯红灯 行车记录仪 为交通事故提供证据 因“碰瓷”而流行 强制安装 海量视频数据 研究对象 绪论 分析对象 路面监控视频 行车记录仪视频 车辆运动状况 相对运动 相对静止 背景运动状况 相对静止 相对运动 目标检测方法 运动检测：差分法，光流法等 静图像检测 运动检测：全局运动补偿和估计 静图像检测 跟踪方法 常用跟踪算法 常用跟踪算法 事件识别 通过位置序列 通过状态序列 算法框架选择 研究内容 主程序流程图 研究内容 一般步骤 车辆检测 生成假设区特征选取 验证特征选取 车底阴影 对称性 颜色 纹理 边缘 模板 HOG,HARR-LIKE,SIFT,etc.+ svm,bayes,BP,etc. 车灯、对称性、熵、边缘等 获取感兴趣区域图览 车辆检测 阴影分割 车辆检测 计算两次，第一次的mask为预定义的mask，第二次mask为第一次的结果。 感兴趣区域提取 车辆检测 车辆验证 车辆检测 自定义样本 Hog特征 SVM C-SVC RBF 默认参数 车辆检测视频 车辆检测 目标的有效描述 相似性度量计算 目标区域搜索匹配 一般跟踪步骤 车辆跟踪 车辆跟踪-压缩感知跟踪 车辆跟踪 …… 特征 1 特征 2 特征 3 特征 4 正样本 负样本 采样 变道定义 变道识别 变道识别 完成了运动背景下交通视频分析的尝试 设计了新的阴影阈值计算方式及建立透视模型 提出了阴影二值图像的增强方式 设计了训练样本获取方式 定义了车辆变道事件的发生条件 主要贡献 总结 交通事故频发。 规定让行、违法