● 摘要
计算机视觉技术在智能交通中应用研究是智能交通系统的重要前沿研究领域，道路交叉口智能化视频监控是计算机视觉技术在交通领域中一个重要的应用方向，具有十分重要的应用价值。目前，许多学者对交通视频监视领域进行了很多的研究和探索，并且取得了大量的研究成果。但在复杂交通场景条件下的交通视频监控问题无论是理论上或应用上还存在很多的问题。本文在这些研究的基础上，以道路交叉口视频监控为研究背景，对道路交叉口智能化视频监控系统涉及的关键技术进行了研究，主要包括复杂场景条件下的运动目标分割、多目标跟踪问题、目标分类以及交通行为识别。首先，对复杂场景条件下的运动目标检测问题进行了研究。采用一种基于变化检测和运动分割结合的运动目标分割算法。变化检测阶段首先采用帧差法得到帧差图像，对帧差图像建立Mumford-Shah能量模型，利用改进的水平集算法求解能量函数，检测出变化区域；运动分割阶段在当前帧运动变化区域的一个小窗口内进行运动分割，包括图像简化，区域分割，运动估计和运动融合。为避免分割区域细节过多，首先对图像进行简化，消除图像细节，然后利用一种改进的有权重的K均值算法进行区域分割，对分割出的区域通过计算连续帧的位移得到其运动矢量。由于区域分割易造成过分割，因此需要对区域进行融合，利用运动相似性进行融合，最终完整地检测出运动目标。接着，研究了道路交叉口条件下的多运动目标跟踪问题。提出了一种基于多假设方法的道路交叉口多目标跟踪方法。采用多假设方法完成封闭空间目标特征等级的跟踪，利用Hausdorff距离匹配方法在目标等级进行匹配。多假设方法算法能够在封闭的空间内对多个特征进行跟踪以解决遮挡问题和相似目标的跟踪，同时利用Hausdorff距离匹配算法以获得更鲁棒的跟踪。算法的另外一个特点就是同时对目标进行了分割和跟踪，边检测边跟踪，目标的检测和跟踪相结合，检测利用跟踪的信息处理对象区域，跟踪利用检测提供目标状态的观测数据。提出了一种基于抽样技术的金字塔结构的快速Hausdorff距离匹配算法。然后，对道路交叉口视频监控条件下的运动目标分类问题进行了研究，由于目标特征提取过程存在诸多的不确定性，采用模糊积分的方法进行目标分类，利用运动目标分割信息和目标跟踪信息，选择合理的目标特征，并利用Choquet 模糊积分方法进行目标分类。由于同时利用目标的形状特征信息和运动特征信息，提高分类器的分类精度。分类器不仅满足一定的分类精度，而且计算简单。对道路交叉口智能化视频监控的行为理解进行了初步研究。利用目标检测、跟踪和分类的信息，结合建立的场景模型库和行为模型库，系统没有采用常用的贝叶斯网络进行交通行为识别，而是采用一种更直观鲁棒的行为识别算法。高层行为理解的结果反馈给低层处理模块。由于低层模块受到高层模块的反馈信息，能够提高低层视觉的处理效率和稳定性。最后，系统采用Visual .net 2003开发工具，基于Directshow框架进行了系统开发，实现了文中的部分算法，开发的软件平台可以进行已有算法的分析，还可以在此基础上继续深入研究其它监控算法。利用开发的原型系统进行了实际的交通场景的实验验证。