题目：高清视频中车辆异常事件视觉感知方法研究

交通事件视觉感知是智能交通系统（Intelligent Transportation Systems，简称ITS）领域中一项前沿技术，具有十分重要的理论意义和应用价值。其中，异常交通事件检测是交通视频感知的重要研究内容。对车辆进行检测、识别，是对其交通行为进行分析判断的基础。近些年来，随着光电技术的发展，高清工业摄像机已逐步应用于智能交通领域。高清视频分辨率更高、信息更加丰富，但是也导致特征提取复杂度上升，计算量增加。因此，高清交通监控视频中异常交通事件的感知是一个具有挑战性的课题，其中包括提高车辆检测算法对高清视频的适应能力，以及通过提取交通视频的车辆特征来分析车辆行为和提取行为语义特征。本文从以下四个方面展开对高清交通视频监控中车辆检测和行为理解方法的研究：1. 对车辆检测方法进行研究。为解决高清视频中由于图像分辨率高、数据量大、细节特征丰富而引起的计算量增加、复杂度上升等问题，在预处理过程中兼顾算法实时性和抗干扰能力，以图像中角点为基础，根据约束边优先的快速三角剖分算法对图像进行分割和特征提取，提出了一种基于快速三角剖分的车辆检测方法（a Fast Constrained Delaunay Triangulation based Vehicle Detection algorithm，简称FCDT-VD）。实验结果表明，本方法所利用的边缘及角点特征不受环境光线变化的干扰，具有较强的适应性，可应用于交通场景中的车辆检测和粗略定位。2. 对车辆精确定位方法进行研究。车辆的粗略位置无法满足车辆行为分析对车辆位置精确度的需要，因此，本文通过分析车辆前后视图的空域特征提取车辆的Haar-like特征，提出一种基于Adaboost层叠式分类器的车辆前后视图精确定位方法，并将此方法与基于HSV颜色空间的车牌定位技术相结合，提出一种用于高清视频中的车牌定位方法。由于车牌区域较小，中心位置的绝对误差也较小。因此，本文以车牌中心坐标表示车辆位置。由于先定位车辆后定位车牌，过滤了背景环境中与车牌特征相似的区域，从而减少了车牌搜索时间。实验结果表明，在高清视频中本文提出的算法在抗干扰性和定位速度两方面都优于传统的车牌定位方法，并满足实时性要求。3. 根据车辆定位过程中所提取的特征向量对车辆行为建模。针对车辆行为建模过程中轨迹长短不一致、缺乏时序特性、异常事件分类不明确、人工干预过多等问题，本文采用基于高斯混合分布的隐马尔可夫模型（a Mixture of Gaussian Hidden Markov Model，简称MGHMM），设计了一种半监督的车辆行为异常检测方法（a Semi-Supervised Adapted Detection Modeling of Vehicle Events，简称SSADMVE）。既利用了监督学习在确定目标类型情况下可进行高效分类的特点，又利用了非监督学习可以有效解决样本不足引起的参数“欠学习”的特点，使得车辆行为模型更加准确。实验结果表明，与监督以及非监督的训练方法相比，论文提出的半监督模型可以有效地减少人工参与，对轨迹长短有一定的容忍度，能在大量视频数据中准确提取异常事件并进行分类，具有很强的实用性。4. 在分析车辆行为的基础上，通过对交通运动对象的语义抽象，定义了交通运动对象的语义关键字，提出一种基于原语的交通运动对象和事件语义描述方法。本方法以实现数据无缝交换为目标，从数据交换标准化的角度，通过对基于原语的语义交通运动对象进行分析，构建了基于XML的交通运动模型标记语言(Traffic Motion Marking Language，简称TMML)。然后，探讨了交通数据的层次化模型，并设计了TMML Schema。同时，通过对交通原语的分析，形成符合TMML Schema的TMML文档。在异构的系统之间，通过TMML完成数据交换。