题目：交通监控系统车辆行为理解基础和关键技术研究

交通视频监控系统中车辆行为理解技术是计算机视觉领域一个新兴的应用方向和备受关注的前沿课题，其以运动目标检测、运动目标跟踪所提取的底层特征为基础，真正实现视频监控系统的“智能性”。目前行为理解技术在理论和应用上都面临着很多难题，其中包括如何从复杂的室外场景下提取运动目标有效的底层特征,如何通过分析视频的低中层特征，跨越“语义鸿沟”来对目标高级语义特征进行分析等等。 论文针对交通监控系统中运动目标检测，目标跟踪，轨迹分析和行为理解四个方面进行了深入的研究，具体内容包括： 1、复杂场景下运动目标检测算法的研究。 复杂场景下运动目标检测是智能监控系统中的关键问题，为适应室外复杂监控场景，提出一种基于核密度估计的时空场景建模方法（Spatio-Temporal Kernel Destiny Estimation Scene Modeling，简称ST）。该方法首先创新地提出了一种贝叶斯场景融合算法，将针对动态背景的背景模型和针对运动目标的前景模型进行统一；其次，背景建模方法在核密度估计的基础上加入邻域空间信息，前景建模采用单高斯函数模型描述运动目标的空间相关性；最终，提出了合理的参数选择和场景模型更新算法。实验结果表明，算法能够有效克服动态场景中的噪声干扰，准确提取出运动目标，具有较高的执行效率，能够有效地应用于复杂环境的检测系统。 2、车辆运动轨迹提取和分析算法研究。 为提取车辆轨迹，建立轨迹数据库，提出一种基于前景像素权重的分层跟踪方法（Weighted-Foreground Pixel Layer Tracking Algorithm）。通过改进CamShift算法，在跟踪过程中利用运动目标检测结果提高前景像素点在颜色模板中的权重。通过运动预测器学习目标的运动信息，包括速度、车身方向等，在CamShift算法失灵的情况下对其进行修正或者作为替换算法。实验结果表明该跟踪方法能够解决目标形变、部分遮挡和实时跟踪的问题，满足大量轨迹样本的提取需求。 3、车辆运动轨迹分析算法研究。 轨迹分析是视频监控场景理解的基础，它为目标行为理解、异常检测等高级视觉应用提供了依据。由于遮挡等原因，跟踪过程会出现不完整的噪声轨迹，导致分析结果不准确。针对此类问题提出一种基于长度比例的有向Hausdorff轨迹相似性度量方法（Length Scale Directive Hausdorff，简称LSD-Hausdorff）方法。首先对轨迹进行编码，而后利用等比例长度概念，利用轨迹的空间特征和速度方向特征作为衡量轨迹相似度度量标准。其次采用层次聚类算法，最终得到符合实际情况的聚类结果，将在空间上接近且具有相似速度特征的轨迹划分为同一场景区域。最后在真实场景下，验证了该聚类算法的有效性和普遍适用性。 4、交通场景复杂行为理解技术和描述方法研究。 提出原子行为和复杂行为的概念。针对单一运动目标原子行为，提出一种基于高斯混合分布的隐马尔科夫模型（Mixture of Gaussian Hidden Markov Model，简称MGHMM）的轨迹行为识别方法。在场景划分的基础上，根据提取的轨迹样本，训练目标行为的MGHMM模型，从学习样本中获得参考行为序列。计算测试样本对于各个模型的最大似然概率，用于轨迹识别与异常检测。实验结果表明：论文提出的方法可以有效地将车辆正常行为分类，并准确的识别异常事件。 复杂行为理解研究场景中各目标的行为和它们之间的相互关系，并对目标行为进行自然语言描述。本文提出了一种基于上下文信息的交通运动对象复杂行为描述方法。将对象的各个属性和上下文信息转换为带参数的原语，建立一套完备的原语集。其次，将原子行为转换成原语序列。最终，通过逻辑语句将原子行为组合为复杂行为描述，形成交通行为描述语言（Traffic Behavior Description Language，简称TBDL），并基于XML文档实现异构系统之间的数据交换和整合。 综上所述，通过以上四种关键算法的提出有效地解决了交通视频监控系统中行为理解的的几个关键问题，对相关研究和应用系统实施具有一定的理论和项目指导意义。