融合实时交通状态信息的道路背景更新模型

针对道路背景的提取和更新效果受实时交通流状态影响的问题,提出了一种用于交通视频监控场景下的融合实时交通状态信息的道路背景更新模型和实现方法.该方法通过构建宏观交通状态参数特征集估计道路实时的交通状态信息,在传统方法基础上融合交通状态信息建立选择性背景帧提取模型,改进背景更新候选帧的选取条件,通过光照变化来估测道路背景的更新频率并自适应地提取背景更新区域.试验表明:该方法在道路交通顺畅和拥堵状态时,均能有效地提取道路背景,大大地提高背景更新的收敛速度.     

基于固定场景视频的运动车辆检测

为提高智能交通系统中运动车辆检测的效率,在固定场景视频下基于类Haar特征和AdaBoost算法提出了一种运动车辆检测方法.通过提取交通监控图像的扩展类Haar特征,在OpenCV平台上应用AdaBoost算法进行特征提取及训练得到级联分类器,利用级联分类器进行固定场景视频的运动车辆检测.测试结果表明,该方法具有良好的实时性和鲁棒性,在智能交通领域有广泛的应用前景.     

基于速度分类算法的交通事件实时视频检测

交通事件实时视频检测技术是当前流行的事件检测技术。通过对交通事件的特征分析,综合对比面积分布和速度分布信息对视频检测效果的影响,提出基于速度分类算法的交通事件实时视频检测方法。在此基础上给出运动目标的速度提取算法以及事件判定准则,并完成事件判定。最终给出算法的实际场景实验结果并对结果进行分析。     

基于压缩感知尺度自适应的多示例交通目标跟踪算法

针对大多数跟踪算法对车辆等交通目标在行驶过程中的尺度变化、姿态变化的适应性差及在跟踪过程中使用固定尺度的跟踪框,导致所构造的目标模板包含大量背景信息,引起跟踪漂移甚至丢失的问题,提出一种基于压缩感知理论与超像素目标性度量的尺度自适应多示例交通目标跟踪算法,该算法首先利用压缩感知理论对多示例学习中的特征维数进行降维,减少算法计算的复杂度。其次,采用超像素目标性度量进行局部尺度自适应调整,解决多示例跟踪算法中的尺度适应问题。此外,引入基于目标判别机制的分类器更新,利用连续帧中目标的相似性判断跟踪目标是否存在遮挡或漂移问题。依据目标判别的结果,实现变学习率的分类器参数更新。试验结果表明：该方法具有较高的跟踪精度和良好的跟踪鲁棒性,在车辆目标发生遮挡、尺度变化、三维旋转等情况时均能较好地跟踪目标,通过对不同的交通视频序列进行测试,算法的平均中心位置误差远小于对比算法,仅为3.92像素,其对比算法CT跟踪、MIL跟踪及WMIL跟踪算法的平均位置误差分别为56.96像素、35.36像素及58.54像素,平均重叠率达80.1%,较CT跟踪、MIL跟踪及WMIL跟踪算法分别高44.9%、45.3%和45%,满足智能交通监控的实际需求。     

交通场景中基于注意力机制神经网络的人群计数

人群计数是计算机视觉领域的重要任务。交通场景中的人群计数任务对于维护公众出行安全、实现交通智能化具有重要作用。公共交通场景中通常存在行人相互遮挡、背景复杂等现象,给人群计数带来了困难。为了实现高精度的人群计数,研究了基于注意力机制的人群密度估计网络。网络包含3个部分：特征提取模块通过生成多尺度的特征图,增强网络的特征表达能力,提高网络对行人大小变化的鲁棒性;注意力模块通过抑制背景噪声响应,强化人群特征响应,生成特征图中人群区域的概率分布,增强网络区分人群区域与背景区域的能力;密度估计模块在注意力机制的约束下指导网络回归高分辨率的人群密度图,提高网络对人群区域的敏感性。设计了基于背景感知的结构损失函数,能够降低模型的错误识别率,提高模型的计数准确率;采用多级监督机制指导网络进行学习,能够帮助梯度反向传播和减少过度拟合,进一步提高网络的人群计数精度。在公共数据集ShanghaiTech上进行了实验,实验结果表明：与目前最先进的算法相比,在ShanghaiTechA和ShanghaiTechB数据集上,平均绝对误差（mean absolute error,MAE）分别提高了2.4%和1.5%...     

基于视频跟踪方法的行人过街状态表达与分析

提出了一种基于视频跟踪的行人过街状态表达与分析方法。采用自适应的混合高斯背景模型实现复杂交通场景下的背景抽取,提取运动行人目标;通过扩展的Kalman滤波算法对过街行人进行跟踪,获取行人的运动轨迹;根据有限状态自动机理论将行人过街过程表达为连续的微观行为状态;在行人过街运动参数的基础上,对行人的过街状态进行推理并分析,得出合理的过街行为方式。通过实际无信号交叉口行人过街视频跟踪实验表明,该方法具有较好的应用性。     

一种用于交通信息采集的图像背景快速估计方法

为适应交通环境多变情况下实时交通信息采集的要求，提出一种快速高效的背景估计方法。该方法以单高斯估计模型为基础，参数简单，算法实时性好；在采集样本时通过帧差法对图像进行分块选取，从而保证了样本的纯度，有效地削弱了运动物体和噪声对于背景估计的影响。通过实际道路环境下多种方法的实验比较，证明所提出的方法的正确性和有效性。     

基于计算机视频的交通流参数检测

针对视频交通流的特点，在总结以往视频车辆检测方法的基础上。提出了一种改善背景的更新方法，并着重对车流量统计和车速计算算法的实现进行了介绍。最后给出了实现结果并讨论了提高检测数据准确性的措施。     

基于Labview的车辆跟踪系统

针对目前城市中交叉口智能化管理的迫切需求．设计了一种基于Labview的车辆跟踪系统。选用Labview非配套的图像采集卡，使用动态链接库技术开发了驱动程序，实现了视频采集。在此基础上，使用动态图像处理技术中的二维运动估计技术，结合背景更新模型提出了一种车辆跟踪算法。对采集的交通视频图像进行了多组试验．试验结果表明，该车辆跟踪算法的跟踪成功率可达90％～95％。     

混合交通中的车辆与行人检测

混合交通中车辆和行人的检测识别是研究如何让计算机以人的思维方式从视频或图像中将车辆和行人从背景中区分出来。车辆检测与行人检测作为智能交通系统的核心组成部分,具有重大的研究价值与现实意义。本文基于候选区域和深度网络的深度特征提取方法,通过获取场景中的大量实时图像数据进行多任务深度模型训练,实现复杂交通场景中的车辆检测和行人检测的任务。相比于传统的车辆检测算法和行人检测算法,基于候选区域和深度网络的深度特征提取方法具有独特的优势:检测的准确性、鲁棒性、实时性可以在一定的条件下达到比较满意的程度。而传统车辆与行人的检测算法,并不能同时在3项指标上达到较好的状态。此外,候选区域的确定避免了穷举式搜索目标,从而节省了大量时间开销。     

基于最优阈值和随机标号法的多车辆分割

以选择性背景更新为基础,提出由相似度决定更新速度的新方法.综合颜色差异、连通性和车辆占空比等属性建立分割双阚值的能量函数,并利用模拟退火算法求取全局最优阚值.用最优分割双阚值对车辆图像进行阚值粗分割,再以条件随机域工具整合视频空间中的时间和空间信息建立随机标号域模型,并计算最大后验概率确定粗分割中各像素点的标号(细分割...     

车辆跟踪中的背景初始化与更新方法研究

对常见的背景初始化及更新方法进行了分析,提出了改进的背景更新方法.采用四邻域帧差的方法减小噪声的影响,同时基于形态学种子填充技术消除由于车辆表面存在大的灰度均匀或局部与路面灰度接近产生的"孔洞"现象.在此基础上对逐渐修正的背景更新方法进行改进,利用背景差和相邻帧差的方法确定车辆的运动区域,针对不同区域采用不同的更新方法进行更新,提出了新的背景更新方法.实验结果表明,在保持近似背景更新速度下,该方法优于传统的2种方法.     

基于三维视频融合的隧道运营管理创新应用研究

针对目前隧道数字化运营管理中存在的视频碎片化、视频与业务数据分离、缺乏二三维联动响应手段等问题，提出一种基于三维视频融合的隧道运营管理创新应用方法。1）对隧道运营过程中视频监控的应用现状与需求进行分析，为三维视频融合技术应用与创新实践提供方向； 2）利用BIM与点云重建技术构建隧道场景三维模型，形成隧道虚实融合的静态模型基础； 3）提出一种隧道监控视频三维注册与虚实融合绘制方法，将多路视频实时融合到三维隧道场景模型中； 4）在融合后的三维场景中汇聚融合多源物联传感数据，形成与真实隧道交通运行场景基本一致的数字孪生场景； 5）基于视频融合场景开展二三维联动的隧道保畅、事故救援、设施管理、应急响应等运营管理应用实践。示范应用结果表明，该方法有助于实现更加实时、高效、智能的隧道管理与服务。     

交通视频背景估计动态高斯混合模型

为适应交通环境多变情况下实时交通信息动态采集的要求,提出了1种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的动态混合模型对交通信息的图像背景进行快速估计,并在实际道路环境下对多种方法进行实验比较,证明该模型有效地削弱了运动物体和噪声对于背景估计的影响,具有较好的正确性和有效性.     

基于RFID和视频监测的城市交通运行状态模糊判别

为了确定城市道路网路的交通状态,为主动的交通管理、交通诱导及控制提供支持,提出了一种基于无线射频识别(RFID)交通检测系统和视频监控系统的交通运行状态模糊判别方法.在该方法中,交通运行状态由从RFID系统获得的车辆行驶时间和从视频监控系统中获得的车辆速度决定.由于实际的交通状态可以从视频中直接观测,因此实际交通运行状态的阈值可以根据视频来校准,用以评估本文所提出方法的性能.基于安装于南京的RFID和视频交通检测系统进行实证分析,结果表明本文所提出的方法是可行的.下一步工作可推进交通数据,特别是 RFID数据在交通管理中的应用.      

基于视频检测的交通冲突判别方法和模型

为了克服交通冲突传统人工判别方法的缺陷,提出了基于视频检测的交通冲突发生判别的基本流程,将交通冲突发生的判别划分为交通参数的视频检测、坐标变换和交通冲突判别3个阶段。在借助OpenCV和Matlab标定工具箱进行交通实体检测和坐标变换的基础上,建立了以冲突角度、速度和距离等指标为核心的交通冲突综合判别模型,并通过现实场景验证该模型的有效性。     

驾驶模拟器在自动驾驶系统中的应用研究

自动驾驶车辆在实际道路上行驶之前的测试阶段是一个至关重要的环节。一个低成本、高效率以及高精度测量的自动驾驶车辆的测试方式,对于自动驾驶车辆的开发具有重要意义。将驾驶模拟器运用到研究自动驾驶车辆测试已是近年来的一个研究热点。基于虚拟驾驶场景的自动驾驶车辆的检测,通过组合虚拟驾驶场景的背景车辆、行人、交通灯、建筑、指示标牌等元素,研究将驾驶模拟器与虚拟驾驶场景的联合应用来测试自动驾驶车辆。设计了典型的交通场景,通过自动驾驶车辆和背景车辆的实时交互,研究自动驾驶车辆的各项性能指标。研究结果表明:该驾驶模拟器可以高度拟合人类驾驶体验,驾驶员通过驾驶模拟器控制背景车辆能够很好的模拟现实中的驾驶行为,对自动驾驶车辆的仿真测试起到了促进作用。