信息技术与计算机技术论文提纲

论文题目：基于计算机视觉的行人交通信息智能检测理论和关键技术研究

摘要：随着视频监控系统的普及和视频图像处理技术的进步,以计算机视觉技术为基础的智能交通系统应用研究越来越受到重视,它综合利用图像处理、模式识别、人工智能等技术对监控系统采集到的视频图像序列进行处理和分析,智能化地理解视频内容并做出处理,能处理诸如事故信息判断、行人和车辆分类、交通流参数检测、运动目标跟踪等各种问题,促使智能交通系统更加智能实用,并为交通管理与控制提供全面、实时的交通状态信息。因此,基于计算机视觉的交通信息检测的方法研究具有重要的理论价值和现实意义。尽管智能视频监控技术已经研究了很多年,但基于计算机视觉的智能化交通信息检测系统仍处于发展阶段,在某些关键技术环节尚需进一步研究。目前还没有一个标准的、健壮的、精确的、高性能的目标检测和跟踪方法,还不能实时、有效的采集行人交通数据,难以智能的分析和判断行人交通的运行规律,不能对交通环境进行有效的管理和控制。在此背景下,基于计算机视觉的交通信息检测领域的研究逐步展开,并展现出良好的应用前景。本论文基于国家高技术研究发展计划（863计划）和博士科研基金项目,对基于计算机视觉技术的智能交通系统的基本理论和关键技术展开研究,结合计算机视觉的前沿研究理论,在学习使用计算机视觉开发平台Matlab的基础上,以交通视频中行人为研究对象,针对运动目标的检测、提取、跟踪、识别及交通流参数的计算与分析等问题进行了探索和研究,为ITS的智能化提供技术支持。主要研究内容包括以下几个方面：（1）首先根据计算机视觉和交通信息智能检测相关理论知识,采用图像语义层次法对行人交通语义信息智能检测过程重新进行分层,将其分成底层视觉层、中层视觉层、高层视觉层和应用层,并对每层的功能进行定义；从交通信息系统研究领域及交通信息处理流程两方面归纳和设计交通信息智能检测关键技术结构,对本文应用到的交通信息采集技术和交通数字图像处理技术进行描述；综合应用智能视频监控相关技术,构建了交通信息智能监控系统的体系结构,搭建了交通信息智能监控系统硬件和软件平台,实现理论到实践的转化,为改善和提高交通视频监控能力提供了基础。（2）根据实际交通场景中获得可靠的背景图像是比较困难的问题,提出了一种融合光流速度场的自适应背景建模方法,把光流引入背景建模中,结合背景差分结果的并运算和“死角”灰度处理来实时更新背景,实现背景建模,该模型能够精确的提取到背景图像,有效的消除噪音问题：然后,在背景拟合的基础上,提出一种基于时域和空域信息的前景目标分割方法,采用相邻多帧时域变化和Canny边缘检测法得到初始检测掩模图像,有效的解决差值局部化和噪声问题；在提取空域信息时,引入二次重构和内外标记技术对梯度图像进行修正和分水岭变换,得到空域掩模图像,有效的提高空域分割精度,消除过分割现象；最后将时空分割结果进行融合和形态学修正,精确的提取出前景目标区域。（3）在运动目标检测部分,提出一种基于形态学连通域的行人检测和底层交通语义信息提取方法,采用形态学连通域识别法,根据连通域特征进行判别,删除不相关区域,提取出交通视频图像中运动目标个数,从而精确的提取出运动行人的底层交通语义信息,为后续工作提供数据支撑；针对遮挡状态下的行人运动特性,提出一种基于人头颜色模型和轮廓信息的行人检测方法,采用RGB和YCbCr颜色空间中的聚类情况和帧差运动信息,提取候选人头区域,利用Canny边缘检测和Hough变换进行人头定位,实现目标信息统计。（4）在运动目标跟踪部分,针对Mean Shift算法存在的问题,提出基于Mean Shift目标跟踪的改进算法。构建多线索信息融合的目标表观模型,融合行人外观、空间结构和运动等多线索信息描述目标,增强特征描述能力,提高跟踪精度；从背景和目标双重角度设定目标尺度变化区域判断准则,调整算法核窗口尺寸,克服跟踪中背景干扰；采用Bhattacharyya系数判别跟踪状态,针对遮挡丢失状态,提出一种基于四部搜索策略的行人遮挡处理方法,以重新捕获丢失目标。并基于改进的目标跟踪算法,对跟踪到的行人进行中层交通语义信息提取,包括行人位移、步行速度、加速度、轨迹等；在采集信息阶段,建立ROI区域和目标链,提出基于目标跟踪的行人计数和流量统计方法,获得ROI区域的人流信息。（5）在目标底层和中层交通语义信息提取的基础上,提出一种基于递阶遗传算法改进BP神经网络的行人识别方法,采用四级递阶染色体结构描述网络结构和参数,根据构建的HGA-BP单分类器来识别交通视频图像中运动目标的种类与数量；然后在已构建的HGA-BP单分类器基础上,基于“由粗到精”的识别思想进行级联识别,构建Cascade-HGA-BP组合分类器,在底层传递高层时,采用三分检测法,实现运动行人的最终分类识别。该方法在交通场景内行人、车辆等并存的情况下,对运动行人的识别取得了很好的效果。

关键词：行人交通;计算机视觉;语义信息采集;背景建模和目标分割;行人检测;跟踪;识别;Mean Shift;Cascade-HGA-BP神经网络

学科专业：交通运输规划与管理

致谢

摘要

ABSTRACT

1 绪论

1.1 研究背景

1.2 研究目的及意义

1.3 国内外研究现状

1.3.1 交通信息采集研究现状

1.3.2 基于计算机视觉的行人检测方法研究现状

1.3.3 基于计算机视觉的行人跟踪方法研究现状

1.3.4 基于计算机视觉的行人识别方法研究现状

1.4 论文的主要研究方法和内容

1.4.1 研究技术路线

1.4.2 主要研究内容

1.5 小结

2 基于计算机视觉的交通信息检测理论与技术研究

2.1 基于计算机视觉的交通信息检测理论基础

2.1.1 计算机视觉基础知识

2.1.2 基于计算机视觉的交通信息检测过程分层

2.1.3 行人交通语义信息定义

2.2 基于计算机视觉的交通信息检测关键技术

2.2.1 交通信息检测技术

2.2.2 数字图像处理技术

2.3 交通信息智能监控系统构建

2.3.1 交通信息智能监控体系结构设计

2.3.2 交通信息智能监控系统软件结构设计

2.4 小结

3 交通场景背景提取与目标分割方法研究

3.1 交通视频图像背景分析与建模

3.1.1 背景建模理论分析

3.1.2 融合光流速度场的自适应背景建模

3.1.3 融合光流速度场的自适应背景建模算法

3.1.4 算例分析

3.2 运动目标分割分析与设计

3.2.1 目标分割理论分析

3.2.2 目标分割模型算法设计

3.3 运动目标分割建模

3.3.1 融合边缘信息的时域分割

3.3.2 基于二次重构和内外标记的分水岭空域分割

3.3.3 基于时域和空域信息的目标分割算法

3.3.4 算例分析

3.4 小结

4 行人智能检测与底层交通语义信息提取方法研究

4.1 行人检测模型分析与设计

4.2 行人检测和底层交通语义信息提取

4.2.1 基于形态学和连通域的行人检测

4.2.2 底层交通语义信息检测

4.3 遮挡状态下行人检测

4.3.1 遮挡状态下的行人检测方法分析

4.3.2 基于人头颜色空间和轮廓形状的行人检测

4.3.3 人数统计

4.4 实验结果与分析

4.4.1 行人检测实验1

4.4.2 行人检测实验2

4.5 小结

5 行人智能跟踪与中层交通语义信息提取方法研究

5.1 目标跟踪理论分析

5.1.1 背景介绍

5.1.2 Mean Shift算法原理介绍

5.2 改进Mean-Shift行人跟踪算法

5.2.1 自动选择跟踪目标模板

5.2.2 多线索信息融合的目标跟踪建模

5.2.3 目标尺度变化的自适应调整

5.2.4 目标遮挡和搜索策略设置

5.2.5 目标跟踪算法设计

5.3 中层交通语义信息提取

5.3.1 行人交通参数提取

5.3.2 目标链建立

5.4 基于多目标跟踪的行人统计

5.4.1 检测区域的建立与设置

5.4.2 行人流量统计

5.4.3 行人计数

5.5 实验结果与分析

5.5.1 多线索信息融合的目标表观建模实验

5.5.2 单目标跟踪实验

5.5.3 多目标跟踪实验

5.5.4 中层交通语义信息提取实验

5.6 小结

6 行人目标智能识别与检索方法研究

6.1 目标识别理论分析

6.1.1 背景介绍

6.1.2 BP神经网络基础知识

6.1.3 遗传算法基础理论

6.2 目标分类识别分析与建模

6.2.1 目标输入特征设置

6.2.2 基于HGA-BP网络的识别分类器构建

6.2.3 基于HGA-BP网络的行人识别算法

6.3 基于级联分类器结构的行人层级识别

6.3.1 Cascade级联分类器

6.3.2 基于行人识别的Cascade-HGA-BP分类器构建

6.3.3 基于Cascade-HGA-BP分类器行人识别算法

6.4 实验结果与分析

6.4.1 样本集

6.4.2 分类器训练

6.4.3 目标识别和人数统计

6.5 小结

7 总结与展望

7.1 主要研究成果

7.2 主要创新点

7.3 研究展望

参考文献