导读:本文包含了交通视频检测论文开题报告文献综述及选题提纲参考文献，主要关键词:交通视频监控,车辆检测,分割方式分析
交通视频检测论文文献综述
原晓伟[1]（2019）在《交通视频监控中的车辆检测与分割方法分析》一文中研究指出我们主要是对当前交通校测系统中检测到的车流量数据并没有和数据库进行相关性。在当前的检测系统来讲,是无法为其提供有组织,非监督的,可方便存取的多媒体数据信息。因此在当前我们需要使用多媒体数据挖掘技术来对交通车流量数据中发现的一些重要知识进行收集和整理,从而选择最为恰当的方式来进行决策。(本文来源于《黑龙江交通科技》期刊2019年10期）
汪霜霜[2]（2019）在《稀疏学习城市交通视频异常事件检测算法的研究》一文中研究指出随着公共区域监测仪器的快速发展,如今迫切需要全自动、无监控的异常检测系统,尤其是交通监控。高效的视频异常检测系统已成为目前不可忽视的视频异常检测系统之一。然而,交通监控视频中场景的多变性和事件的复杂状态使得异常事件检测的研究存在着一定的难度。在科技不断进步、智能交通系统迅速发展的影响下,利用科学检测技术进行交通异常的检测研究赢得学者、专家的青睐,并取得了一些突破。但是,由于交通环境的多变性,使得现在所提出的一些方法在现实应用中仍存在一些瓶颈,人们对于交通异常检测系统的研究还有很大的开发空间。本课题是在国内外研究成果的基础上,主要对基于视频图像的城市交通异常事件检测算法展开研究的。本文研究了城市交通视频流中实时、鲁棒的交通异常事件检测算法。为了提高边缘检测性能,提出了一种基于图像融合的多尺度形态与小波变换的边缘检测方法;另外,针对交通环境复杂下鲁棒性不够好的问题,提出了一种基于HSV和边缘梯度信息的目标检测方法,对传统的检测方法和对重影、空洞的问题进行改进;接着,设计了一种新的基于视频监控系统的车辆行为学习自适应稀疏重构方法,引用了_(/1)l_2正则化理论,并采用Half算法对稀疏解进行求解;最后,利用稀疏解和轨迹相似度的结合,设计了一种基于稀疏重构和相似度的轨迹分类器来学习车辆行为。基于对现有的从视频中自动学习车辆行为的学习和研究,本文的研究内容主要分为运动车辆检测、车辆行为轨迹学习和车辆行为轨迹识别这叁大部分。(1)运动车辆检测:通过视频图像预处理,利用改进的VIBE方法和叁帧差分法得到了运动车辆的前景图像,同时根据车辆图像的颜色信息和边缘梯度信息去除车辆在运动时产生的阴影部分。(2)车辆行为轨迹学习:设计了一种用于车辆行为学习的l_p(0<p<1)正则化稀疏重建模型,应用l_p(0<p<1)范数的下界理论获得更稀疏的重构系数向量,保证了对车辆行为轨迹的学习性能。(3)车辆行为轨迹识别:提出一种基于稀疏重构和相似度的轨迹分类器来进行车辆行为轨迹的识别。实验结果表明,提出的方法对于车辆行为进行分类识别有着较高的准确性。(本文来源于《广西科技大学》期刊2019-06-10）
黄金海,梁晓梅,桂邦豪[3]（2019）在《交通视频的移动目标检测算法研究》一文中研究指出对视频序列的目标进行识别和跟踪监控是计算机视觉领域的关键技术。依据图像处理和目标检测研究方向的热点算法,将帧间差分与混合高斯背景模型融合法应用于交通视频移动车辆的目标检测分析中。该算法通过背景差分求出光照影响的动态阈值范围,若光照检测阈值小于该动态阈值,选择混合高斯背景模型法,大于该动态阈值则选取帧间差分法。再通过开运算、闭运算、连通域计算,以及区域的凸包形态学运算即可准确描述目标。实验结果表明,该融合算法消除了鬼影现象,在光照环境改善的情况下可以有效应用于交通视频中移动车辆的目标检测。(本文来源于《现代电子技术》期刊2019年05期）
苏贵民[4]（2018）在《基于交通视频和深度学习的车辆检测和跟踪》一文中研究指出车辆目标检测和跟踪是智能交通的关键技术,目前已有的车辆检测和跟踪算法种类繁多但是性能各异,难以同时满足交通视频监控中的实时性和高精度要求。该文采集多段交通监控视频,标注多种类型的车辆目标。在此数据集上从多种维度考查多种基于深度学习的车辆检测算法和多种流行的跟踪算法在交通视频上的表现,其中SSD算法满足实时性要求且mAP达0.878。并提出基于SSD和MEDIANFLOW的车流量实时检测方法。经实验证明,该方法在保证实时性情况下车流量的检测准确率达到94.5%。(本文来源于《交通与港航》期刊2018年04期）
李树林[5]（2018）在《基于无人机交通视频分析的车辆目标检测技术研究》一文中研究指出随着全球经济的快速发展,人们的生活水平越来越高,全球的汽车保有量急剧增长。虽然汽车的普及给人们的出行带来了方便,但也随之引发出一系列问题,比如交通堵塞越来越严重,交通事故发生频率越来越高。为了解决这些问题,智能交通系统(ITS)伴随而生。车辆检测是ITS中最为基础并且最为关键的技术之一,对于ITS的发展起着至关重要的作用。目前大多数车辆检测算法都是基于固定的道路监控摄像头,固定的摄像头存在灵活性差、视野局限并且安装成本较高等弊端。无人机有着较高的灵活性,可以很好得应用到ITS当中,例如在紧急情况下帮助监控一些未设置监控摄像头的区域。因此,基于航拍的车辆检测技术引起了广泛的关注。本文对基于无人机交通视频的车辆检测技术进行研究与分析,主要完成的工作如下:(1)提出了一个融合多层CNN特征的车辆检测网络。网络将不同层次的CNN特征融合在一起,并通过自主学习的方式对融合后的所有特征通道进行加权,较大提升了网络的检测效果。通过在无人机交通视频上进行多个实验对比之后,验证了本文所提出的车辆检测网络相比已有的其它车辆检测方法具有相对较好的检测结果。(2)针对无人机交通视频中的车辆检测问题,结合上述所提出的基于加权CNN特征融合的车辆检测网络,提出了两种优化方式。一是利用分数重标定,找回部分因得分较低而被过滤掉的目标;二是把车辆跟踪与检测相融合,互为补充,可有效提升视频车辆检测的速度与效果。通过在无人机视频数据集上的对比实验证明,这两种优化方法都可以有效提升视频车辆检测的效果。此外,针对无人机交通视频分析,我们自行采集了一个数据集,数据集包含了 50段由无人机拍摄的交通视频,用于验证所提出的车辆检测网络及其优化方法的有效性和准确性。(本文来源于《北京邮电大学》期刊2018-03-15）
强永军,熊艳梅[6]（2017）在《基于交通视频监控的车辆异常行为检测方法研究》一文中研究指出经济水平的不断提高和城市化建设进程的加快推动了交通道路的快速发展,同时国民拥有的汽车数量也呈现逐渐增长的趋势。但交通拥堵和高发的交通事故以及汽车污染等交通问题对社会的进步和经济的可持续发展造成了严重的阻碍。因此,通过视频监控的形式对交通道路上发生异常事故和行为异常的车辆进行有效的检测和实时监控显得尤为重要。本文主要针对视频监控检测手段的特点和存在的问题进行分析,围绕交通监控视频的发生异常行为的车辆检测技术进行深入性的探讨,并提出解决问题的有效对策,为提高交通车辆的安全性和道路通畅性提供参考。(本文来源于《报刊荟萃》期刊2017年06期）
孟进军[7]（2017）在《基于交通视频数据的车辆检测算法研究与应用》一文中研究指出随着交通视频监控网的覆盖面越来越广,仅仅依赖人工难以做到对所有监控点进行在线监控,因此通过信息采集、模式识别和信息融合技术对交通网实施智能化监管,已经成为智能交通系统(IntelligentTraffic System,ITS)未来发展的趋势。论文以智能交通为背景,利用计算机视觉技术,对地面视频数据和卫星视频数据进行运动目标检测和应用方法的研究,实现对监控区域内运动车辆的检测、统计与分析。论文的主要工作包括以下几个方面:(1)分析比较地面交通视频数据与视频卫星数据的不同特征点,选择适应数据特点的预处理方法,包括图像灰度化、图像滤波以及图像形态学处理,并提出一种基于粒子滤波方法去除视频卫星数据中的运动噪声。(2)深入分析了混合高斯模型(Gaussian Mixture Model,GMM)和 ViBe(Visual Background Extractor,ViBe)的运动车辆检测算法。使用地面交通视频数据和视频卫星数据比较分析这两种算法,得出GMM的算法适应光线变化能力强但是计算量较大、难于实现实时监测的结论;而ViBe算法计算量小、抗噪性好,可以实时地进行运动车辆检测,但ViBe算法使用一帧图像进行初始化背景模型,容易引入“鬼影”(Ghost)现象。针对GMM算法的计算量大问题和ViBe算法的“鬼影”问题,本文提出了 GMM-ViBe方法。首先,采用多帧图像初始化背景模型,代替ViBe算法的单帧图像初始化;然后在ViBe算法的背景模型更新方法的基础上,提出自适应计算阈值方法,该方法可以根据背景的复杂度计算得出阈值,然后再进一步判断像素属于背景还是前景。该方法在解决计算量大问题的同时也消除了“鬼影”现象,并且检测精度也有所提高。(3)研究了交通参数因子提取与分析方法。利用本文的车辆检测方法,提取了车速、车道占有率、交通密度及交通拥堵度量等交通参数因子,为实际应用提供有实际价值的参考数据。(4)最后将GMM-ViBe方法应用到车辆实时监测监控数据处理模块。本模块的开发是结合公路交通领域军民融合应用项目,在Qt Creator 4.0.1集成开发环境下,利用OpenCV3.1.0计算机视觉库以及GDAL2.1.1库实现的。该模块实现了数据存储与管理功能、数据预处理功能、运动车辆检测功能以及交通参数提取与综合分析功能,测试数据运行效果良好,具有重要的实际应用价值。(本文来源于《辽宁工程技术大学》期刊2017-06-01）
楚翔宇[8]（2017）在《基于深度学习的交通视频检测及车型分类研究》一文中研究指出随着汽车保有量的急剧增加,交通问题越来越突出。与此同时,在互联网大数据时代的背景下,深度学习获得了迅猛发展,给模式识别任务带来了巨大的变革,它还给许多领域提供了一种新的解决方案。因此,将深度学习应用到解决交通问题已经成为一种研究趋势。本文利用深度学习中的卷积神经网络方法来解决交通视频中的交通目标检测及车型分类问题,为智能交通系统提供技术支持从而缓解交通拥堵等问题。本文主要内容如下:首先介绍了深度学习的基本模型,主要分为深度置信网络、栈式自编码网络和卷积神经网络,主要重点研究了卷积神经网络的构成、卷积神经网络区别于传统神经网络的特点,以及卷积神经网络的训练机制。针对利用人工设计的学习特征进行交通目标检测时,会存在学习特征设计过程繁琐、适应范围受限制等问题,本文采用卷积神经网络来自动提取特征。以基于区域的卷积神经网络(RCNN)为基础,设计了交通视频检测方案,结合了Fast RCNN框架和RPN区域建议网络的优点。针对交通目标轮廓形状各异的特点,本文对交通视频检测网络中的共享卷积网络进行了改进,主要是加深了卷积网络的深度,从5层卷积加深到13层。在交通训练样本中取得了较好的效果,交通目标的平均检测率提升了超过3%。针对已有的车型分类手段只将车辆进行粗略分类,已经无法满足车联网对车辆信息需求的问题,本文采用深度残差神经网络对车型进行精细型分类,车辆品牌可达64种,车型可达281种。在设计车型分类网络的过程中,分析了常用图像分类卷积神经网络,并在两套数据集上进行了性能对比,最终选择了深度残差网络作为车型分类网络的主体框架。利用标准车型数据集CompCars对车型分类网络进行可学习参数微调,训练后的车型分类网络的前五准确率在CompCars数据集上可达97.3%,在Vehicle ID数据集上可达89.4%,验证了车型分类网络的有效性。最后,对本文设计的基于交通视频的检测网络和车型分类网络分别在图像和视频上进行了检验。检测网络能在晴天、黑夜、雨天和拥堵等不同状态获得较高的检测率,在有效视野中车辆检测率最高可达98.7%,并具有一定的鲁棒性。分类网络在基于视频产生的车辆图像测试集中,获得了最高达到88%的前五准确率。实验结果表明,本文所设计的检测网络和分类网络具有一定的实用价值。(本文来源于《哈尔滨工业大学》期刊2017-06-01）
林祥清[9]（2017）在《基于大气散射原理构建模型检测夜间交通视频多景深车灯》一文中研究指出近几年来,由于夜间事故的频发和其环境的复杂性,夜间车辆检测作为系统中的一部分,加上智能交通系统车辆检测技术越发娴熟,对该方面的研究越来越受国内外学者以及企业的关注和重视。夜间交通环境下,照明条件不足,导致车辆如轮廓、颜色等信息的丢失,这些因素极大的限制了夜间车辆的检测。车辆在运动过程中,车灯的相对于车辆其它特征信息而言较为稳定、可靠,因此目前关于夜间车辆的检测大多数以车灯作为研究的主要特征选择。但是由于夜间场景中环境光及车灯强反射光的干扰,以及视野远处的车辆车灯容易粘连。针对以上的这些问题,本文提出了基于大气散射原理构建模型检测夜间交通视频多景深车灯的方法,以解决提高检测率的基础上延长车辆车灯的检测范围。我们主要是通过对夜间场景下所有光源及其对图像成像过程中的影响进行了分析,并根据大气散射原理构建了车灯复原模型,以实现夜间车辆的检测。通过所构建的模型对夜间交通视频的车灯复原时,需要先对模型中透射率、环境光以及场景景深等参量的估计:透射率的估计是通过对原始图像取反归一化得到.,本文中所定义的环境光不仅是指夜间场景中如路灯、广告牌等光源形成的环境光,还有车辆行驶过程中车灯的本身散射以及车灯在路面的反射光引起场景光源变化的环境光,即背景环境光和车灯区域环境光,然后对图像经相应的处理之后分别通过暗原色通道原理估计得到;在同一场景中不同景深的车灯在传输过程中经大气散射的程度不同,本文在模型中引入了场景景深参量,并根据透射率公式估计该参量。最后通过复原模型得到了车灯复原结果。由于场景中强反射光与车灯的亮度值相近,会同车灯一起被复原,因此需要进一步筛选。本文考虑到不同景深对车灯的影响,车灯的特征信息也会因不同景深而不同,所以划分区域分别对相应区域的光斑进行筛选,使车灯与路面强反射光分离,从而达到车灯检测的目的。通过对9段视频,共14492帧进行测试,结果表明,在延长了检测距离的同时,本文所提模型与同类先进算法相比,平均检测率提高了 31.39%,平均漏检率降低了 20.93%,平均误检率降低了 10.46%。(本文来源于《天津工业大学》期刊2017-02-19）
方玲玉[10]（2017）在《交通视频车辆检测与追踪系统设计与实现》一文中研究指出随着城市交通智能化的发展,为了构建交通安全城市,必须解决城市车辆被盗、丢失的问题。本文设计并实现了交通视频车牌检测与追踪系统,该系统首先对交通卡口拍摄到车牌图像建立图片库,采用颜色点对提取,形态学处理,连通域分析叁个融合方法提取车牌;然后通过水平投影和垂直投影粗略分割车牌上的字符,并结合字符纹理特征、车牌先验知识对粗略分割中的粘连、分裂字符判断,把粘连、分裂字符采用垂直投影的间距方法处理;接着使用SVM分类方法对字符进行识别;最后在识别的基础上实现了车辆轨迹追踪。主要的研究内容有:(1)分析现有车牌提取方法,针对车牌提取效果差的问题,采用颜色点对提取,形态学处理,连通域分析叁个融合方法对车牌粗提取获得车牌候选区域,利用灰度跳变法确定上下边界和垂直投影法确定左右边界的方式排除非车牌区域。(2)分析现有车牌识别方法,针对车牌中的相似字符识别率低的问题,采用SVM对汉字,英文字母、数字分类识别,对汉字字符扫描黑色像素点提取汉字字符的质心、横竖撇捺特征;对英文字母、数字采用SVM与纠错输出编码算法相结合,构建编码矩阵,可以解决英文字母与相似的数字字符识别率低的问题。(3)研究车辆追踪方法,将待追踪的车牌号码与数据库中识别好的车牌号码匹配,利用百度地图API,将查询的结果在地图上标记,并用百度地图的连线功能,显示车辆轨迹。(本文来源于《江苏科技大学》期刊2017-01-03）
交通视频检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着公共区域监测仪器的快速发展,如今迫切需要全自动、无监控的异常检测系统,尤其是交通监控。高效的视频异常检测系统已成为目前不可忽视的视频异常检测系统之一。然而,交通监控视频中场景的多变性和事件的复杂状态使得异常事件检测的研究存在着一定的难度。在科技不断进步、智能交通系统迅速发展的影响下,利用科学检测技术进行交通异常的检测研究赢得学者、专家的青睐,并取得了一些突破。但是,由于交通环境的多变性,使得现在所提出的一些方法在现实应用中仍存在一些瓶颈,人们对于交通异常检测系统的研究还有很大的开发空间。本课题是在国内外研究成果的基础上,主要对基于视频图像的城市交通异常事件检测算法展开研究的。本文研究了城市交通视频流中实时、鲁棒的交通异常事件检测算法。为了提高边缘检测性能,提出了一种基于图像融合的多尺度形态与小波变换的边缘检测方法;另外,针对交通环境复杂下鲁棒性不够好的问题,提出了一种基于HSV和边缘梯度信息的目标检测方法,对传统的检测方法和对重影、空洞的问题进行改进;接着,设计了一种新的基于视频监控系统的车辆行为学习自适应稀疏重构方法,引用了_(/1)l_2正则化理论,并采用Half算法对稀疏解进行求解;最后,利用稀疏解和轨迹相似度的结合,设计了一种基于稀疏重构和相似度的轨迹分类器来学习车辆行为。基于对现有的从视频中自动学习车辆行为的学习和研究,本文的研究内容主要分为运动车辆检测、车辆行为轨迹学习和车辆行为轨迹识别这叁大部分。(1)运动车辆检测:通过视频图像预处理,利用改进的VIBE方法和叁帧差分法得到了运动车辆的前景图像,同时根据车辆图像的颜色信息和边缘梯度信息去除车辆在运动时产生的阴影部分。(2)车辆行为轨迹学习:设计了一种用于车辆行为学习的l_p(0<p<1)正则化稀疏重建模型,应用l_p(0<p<1)范数的下界理论获得更稀疏的重构系数向量,保证了对车辆行为轨迹的学习性能。(3)车辆行为轨迹识别:提出一种基于稀疏重构和相似度的轨迹分类器来进行车辆行为轨迹的识别。实验结果表明,提出的方法对于车辆行为进行分类识别有着较高的准确性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
交通视频检测论文参考文献
[1].原晓伟.交通视频监控中的车辆检测与分割方法分析[J].黑龙江交通科技.2019
[2].汪霜霜.稀疏学习城市交通视频异常事件检测算法的研究[D].广西科技大学.2019
[3].黄金海,梁晓梅,桂邦豪.交通视频的移动目标检测算法研究[J].现代电子技术.2019
[4].苏贵民.基于交通视频和深度学习的车辆检测和跟踪[J].交通与港航.2018
[5].李树林.基于无人机交通视频分析的车辆目标检测技术研究[D].北京邮电大学.2018
[6].强永军,熊艳梅.基于交通视频监控的车辆异常行为检测方法研究[J].报刊荟萃.2017
[7].孟进军.基于交通视频数据的车辆检测算法研究与应用[D].辽宁工程技术大学.2017
[8].楚翔宇.基于深度学习的交通视频检测及车型分类研究[D].哈尔滨工业大学.2017
[9].林祥清.基于大气散射原理构建模型检测夜间交通视频多景深车灯[D].天津工业大学.2017
[10].方玲玉.交通视频车辆检测与追踪系统设计与实现[D].江苏科技大学.2017