基于改进稀疏表示与多特征融合的道路监控视频中车辆信息感知

In view of vehicle tracking in complex scene traffic video with low performance, and vehicle intelligent analysis is difficult. vehicle tracking and behavior perception in traffic surveillance video as the research objects, vehicle features learning mechanism based on deep learning framework with massive video images and method of vehicle features representation based on hierarchical sparse encoding are proposed. Target vehicle characteristics recognition and vehicle tracking under complex scene will be studied. Main research contents: (1)Traffic image feature representation based on hierarchical sparse coding, construct bottom-up training framework for traffic image features abstract representation. (2)Create sustainable tracked object deformation contour model, construct quantitative analysis model function, achieve robust moving object tracking method. (3)Build hierarchical detection with multi-algorithm fusion, automatic incremental learning mechanism, to improve the efficiency of vehicle detection. (4)Research on road surface recognition model based on CNN, establish state model to identify the target vehicle in video image sequences, to recognition speed mutation, position mutation and other abnormal conditions. The high discrimination rate of vehicles characteristics will be obtained, accuracy of vehicle tracking in complex scenarios will be improved, and project research results will lay theoretical basis further for real time intelligent analysis of vehicle behavior in video surveillance.

针对道路监控视频复杂场景中车辆持续跟踪精准相对较低，且难以对跟踪车辆进行信息智能感知与分析的问题，本研究以道路监控中车辆的跟踪和信息智能感知为研究目标，提出监控视频中车辆特征学习机制和分层稀疏编码车辆图像特征表示方法，研究复杂场景下车辆持续跟踪与行为分析。主要研究内容为：（1）基于图像局部簇块聚类的判别性稀疏编码，研究自底向上交通图像特征抽象表示训练框架；（2）研究可持续跟踪的车辆形变轮廓与匹配模型，使车辆领域判断与追踪具有高度柔韧性与鲁棒性；（3）车辆与背景联合稀疏的表示，研究算法分级检测和自动增量学习机制，提高车辆检测的时效性；（4）构建CNN路面识别模型，建立车辆在视频序列中带有行为状态的时空模型。本项目预期可提高车辆特征判别性能及其在复杂场景下的车辆跟踪精度并感知车辆行驶行为与状态，项目研究成果可为视频中车辆的实时智能分析进一步奠定理论和方法基础。

项目主要围绕道路监控视频进行有效信息分析，实现了道路监控视频数据的目标特性提取和行为分析，并构建了精准的信息处理与决策框架。项目主要研究了道路监控视频数据的时空信息目标存储与检索框架、信息挖掘算法、模型构建等内容。. 本项目重点研究了在背景相对复杂的情况下对监控视频领域特定目标检测、跟踪的相关算法，提高了检测系统在实际应用中的可靠性。提出基于处理轮廓概要模型生成具有鲁棒性的对象模板，使得车辆领域判断具有高度柔韧性。另外，项目研究了控制点的设定以及特征抽取过程中车辆检测的高度匹配等问题，同时基于局部自我相关函数对能有效消减局部线性照明变化的物理特性，基于光照等影响因素消减在车辆检测系统中的检测率比较也是项目研究工作的一个重点，从而进一步验证了基于局部自我相关函数在光照变化下的车辆检测的有效性。. 在特征分类、目标检测及跟踪方面研究和探讨了基于水平边缘特征的车辆检测；对图像序列中移动物体检测与追踪进行了研究，提出基于控制点进行轮廓形变，实现不同车辆轮廓之间的快速转换；提出基于车辆跟踪框架简化为背景建模候选目标提醒、图像特征表示、图像分类，提高了车辆跟踪的准确性。研究了基于分层稀疏特征表示，构建了基于深度学习的车辆特征检测和形变轮廓模型结合的车辆跟踪框架，进一步提高检测与跟踪精度。. 项目研究成果可应用在监控视频数据的快速获取和处理分析，可实现在大量摄像头采集的监控视频中有效的依据目标特性进行精准检索和信息分析，可在提高监控视频信息存储、目标信息挖掘、安全预警，及基于有效视频数据信息提升决策水平和管理效率等方面提供借鉴和参考。