城市交通場景中車輛異常行為檢測方法研究.pdf

1、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。

2、對車輛異常行為進行檢測預(yù)警已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

3、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)

4、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(Histogramsof 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