基于最小特征匹配代价的夜间车辆检测和追踪

针对夜间复杂环境下车辆追踪存在检测难、配对准确率低、追踪效果差等问题,提出一种新的夜间车辆检测与追踪算法。首先将频域的同态滤波与空域的阈值技术结合进行车灯检测;然后,利用几何特征对车灯进行跟踪;其次,将几何特征和运动特征相结合,利用最小特征匹配代价算法实现车灯配对;最后,根据车灯配对情况对车辆轨迹进行追踪,同时引入反馈修正机制对轨迹进行修正。实验表明该算法能够在不同照明和交通条件下有效检测车灯、跟踪车辆,平均检测率和跟踪率较高。

车辆轨迹的增量式建模与在线异常检测

针对智能交通系统中车辆轨迹自动异常检测问题,提出一种基于批处理(batch-mode)模型初始化的增量式轨迹建模,并将其应用到在线异常检测。首先采用改进的Hausdorff距离和谱聚类对初始轨迹集进行分类并建立初始轨迹模型库;然后对提取的新轨迹进行在线异常检测以及轨迹识别,通过增量式(incremental)EM算法更新轨迹类别的隐马尔可夫模型参数;最后进行模型结构更新。户外实际场景监控视频实验结果表明,与经典的batch-mode算法相比,增量式轨迹建模可以得到更加准确的轨迹模型库、更快的运算速度,同时该算法在异常检测方面具有更高的检测率和更低的虚警率,实现了在线异常检测、具有对初始轨迹集不敏感的特点。

基于轨迹多特征的运动模式学习及异常检测

为提高轨迹分类和异常检测的准确率,充分利用轨迹特征信息,提出基于轨迹多特征的运动模式分类和异常检测方法。首先通过由粗到细的分层聚类来提取轨迹运动模式,每层分别采用Bhattacharyya距离和基于线段插值的改进Hausdorff距离衡量轨迹间运动方向和空间位置的相似度,并引入Laplacian映射以降低计算复杂度并自动确定每层聚类数目。在此基础上,同时考虑待测轨迹与运动模式在起点分布、位置和方向上的差异,通过学习的起点分布模型和基于位置距离和方向距离的分类器在线判断起点、全局和局部异常。实验验证了提出的轨迹聚类算法和异常检测方法在聚类准确率和异常识别率上更优于传统方法。