高速公路擁堵事件檢測(cè)中的背景建模及狀態(tài)判別方法研究.pdf

1、由于場(chǎng)景的封閉性及行車速度高的特點(diǎn),發(fā)生在高速公路的交通擁堵嚴(yán)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(yán)重的經(jīng)濟(jì)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(cè)方法由于高速公路場(chǎng)景復(fù)雜、視頻圖像易受環(huán)境影響的問(wèn)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?tīng)顟B(tài)判別方法對(duì)提高高速公路通行能力和運(yùn)行安全具有重要的理論和實(shí)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?tīng)顟B(tài)判別對(duì)復(fù)雜環(huán)境下車輛目標(biāo)分割、目標(biāo)不完整時(shí)交通參數(shù)提取以及降低交通擁堵?tīng)顟B(tài)判別誤檢測(cè)的問(wèn)題鮮有研究。針對(duì)上述問(wèn)題,論文在深入分析現(xiàn)有交通擁堵?tīng)顟B(tài)判別算法的基礎(chǔ)上,重點(diǎn)研究了目標(biāo)提取和狀態(tài)判別,包括復(fù)雜場(chǎng)景下的背景建模、交通參數(shù)提取和降低交通擁堵?tīng)顟B(tài)判別誤檢測(cè)的問(wèn)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?tīng)顟B(tài)判別方法。
　　在車輛目標(biāo)提取方面,針對(duì)高速公路場(chǎng)景

3、復(fù)雜、視頻圖像易受環(huán)境影響的特點(diǎn),建立了非參數(shù)核密度估計(jì)方法的背景建模,同時(shí)給出了場(chǎng)景光線突變和漸變條件下的背景更新方案。此外,針對(duì)車流密度大而導(dǎo)致獲取的背景圖像質(zhì)量較差的問(wèn)題,提出了基于分形維數(shù)的初始車流密度檢測(cè)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(shí)驗(yàn)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(zhǔn)確性。
　　在交通擁堵?tīng)顟B(tài)判別方面,

4、提出了基于模糊C均值的擁堵?tīng)顟B(tài)判別方法。針對(duì)車輛目標(biāo)檢測(cè)不完整而導(dǎo)致交通參數(shù)獲取不準(zhǔn)確的問(wèn)題,通過(guò)對(duì)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(shí)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(lái)獲取擁堵?tīng)顟B(tài)的聚類中心,并利用歐式距離來(lái)得到當(dāng)前的交通擁堵?tīng)顟B(tài)。此外,為了降低交通擁堵?tīng)顟B(tài)的誤檢測(cè),提出了基于連通域分析的誤檢測(cè)識(shí)別算法和基于投票機(jī)制的擁堵判別方法,進(jìn)一步提高了交通擁堵?tīng)顟B(tài)判別算法