为了实现智能交通领域异常车辆的自动识别,结合实际情况及大量的实验仿真,提出一种由目标车辆检测跟踪、车辆轨迹处理、车辆行为分析三部分组成的解决方案。首先采用改进的高斯模型背景差分算法来检测目标车辆,接着采用基于粒子滤波算法跟踪目标车辆,然后拟合跟踪轨迹以提取特征值,最后将特征样本输入随机森林算法生成分类器,对车辆行为进行分析。实验结果表明该方法能够实现对现实场景中车速过快和频繁变道两种异常行为的识别。 首先自适应背景更新的均值和方差初始值分别给0．08和0．01，稳定后的值分别为0．01和0．001，初始帧为N=80，j=20，检测的初始方差为12．5。 本文由公司网站滚圆机网站采集转载中国知网整理!   http://www.gunyuanji158.com/将当前帧图像转换到HSV颜色空间车辆行为分析方法-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机，将车辆区域和阴影区域的HSV颜色空间的S分量增加20%，然后再与对应区域的背景图像相减，最后对检测到的车辆目标进行形态学处理。实验选择vs2015平台工具，用opencv进行编程。结果如下图，图1为第120帧图像，图2为检测结果。图1原始图像图2检测结果1．2目标跟踪模块本文选用适合实际道路场景下多目标跟踪的粒子滤波算法［7－8］。其基本原理为:用一组带权随机样本及基于这些样本的估计来表示后验概率密度。当样本足够多时，这些具有权值的样本就完全能够描述后验概率分布，即能估计出目标位置。这些带权值的样本称为粒子。在车辆检测模块检测到车辆后，计算目标区域的ＲGB直方图，由于位于目标边缘的像素可能属于背景或被遮挡，为了增强颜色分布的可靠性，对离目标较远的像素赋予较小的权值，采用式下所示的核函数进行处理k(r)=1－r2{0(4)r为像素点距离区域中心的距离，其中为0的情况是r≥1时。位于x处的像素点颜色分布概率密度函数p(u)x=f?ni=1[k||xi－x0||]aδ［h(xi)－u］(5)其中n为选中的区域像素数，x0为区域中心坐标，f为归一化因子。δ［h(xi)－μ］是判断目标区域中像素xi是否属于第μ个单?车辆行为分析方法-电动折弯机数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机 本文由公司网站滚圆机网站采集转载中国知网整理!   http://www.gunyuanji158.com/