高速公路擁堵事件檢測中的背景建模及狀態(tài)判別方法研究.pdf

1、由于場景的封閉性及行車速度高的特點,發(fā)生在高速公路的交通擁堵嚴重影響其通行能力,極易引發(fā)二次事故而導(dǎo)致人員傷亡和嚴重的經(jīng)濟損失。作為基本的監(jiān)控手段,高速公路關(guān)鍵路段已安裝大量的視頻監(jiān)控裝置,傳統(tǒng)的基于視頻的擁堵檢測方法由于高速公路場景復(fù)雜、視頻圖像易受環(huán)境影響的問題而難以獲得滿意的結(jié)果。因此,充分利用現(xiàn)有監(jiān)控資源,研究基于視頻的高速公路交通擁堵狀態(tài)判別方法對提高高速公路通行能力和運行安全具有重要的理論和實際意義。
　　車輛目標(biāo)分割

2、、交通參數(shù)的提取是交通擁堵判別的基礎(chǔ),現(xiàn)有基于視頻的交通擁堵狀態(tài)判別對復(fù)雜環(huán)境下車輛目標(biāo)分割、目標(biāo)不完整時交通參數(shù)提取以及降低交通擁堵狀態(tài)判別誤檢測的問題鮮有研究。針對上述問題,論文在深入分析現(xiàn)有交通擁堵狀態(tài)判別算法的基礎(chǔ)上,重點研究了目標(biāo)提取和狀態(tài)判別,包括復(fù)雜場景下的背景建模、交通參數(shù)提取和降低交通擁堵狀態(tài)判別誤檢測的問題,最終形成了一套基于視頻的高速公路環(huán)境下的交通擁堵狀態(tài)判別方法。
　　在車輛目標(biāo)提取方面,針對高速公路場景

3、復(fù)雜、視頻圖像易受環(huán)境影響的特點,建立了非參數(shù)核密度估計方法的背景建模,同時給出了場景光線突變和漸變條件下的背景更新方案。此外,針對車流密度大而導(dǎo)致獲取的背景圖像質(zhì)量較差的問題,提出了基于分形維數(shù)的初始車流密度檢測算法。在此基礎(chǔ)上,利用背景差分法和形態(tài)學(xué)的前景去噪方法提取車輛目標(biāo)。實驗結(jié)果表明,提出的背景建模與更新方法能夠判斷初始車流密度的大小和適應(yīng)背景光線的變化,從而提高了提取出的車輛目標(biāo)的準確性。
　　在交通擁堵狀態(tài)判別方面,

4、提出了基于模糊C均值的擁堵狀態(tài)判別方法。針對車輛目標(biāo)檢測不完整而導(dǎo)致交通參數(shù)獲取不準確的問題,通過對常用交通參數(shù)特性的分析,提出了以平均空間占有率和時間占有率作為交通擁堵判別參數(shù)。在此基礎(chǔ)上,根據(jù)交通狀態(tài)之間具有的模糊性,利用模糊C均值算法來獲取擁堵狀態(tài)的聚類中心,并利用歐式距離來得到當(dāng)前的交通擁堵狀態(tài)。此外,為了降低交通擁堵狀態(tài)的誤檢測,提出了基于連通域分析的誤檢測識別算法和基于投票機制的擁堵判別方法,進一步提高了交通擁堵狀態(tài)判別算法