导读:本文包含了交通事件检测算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:事件,算法,交通,智能交通,轨迹,通流,模型。
交通事件检测算法论文文献综述
李红伟,姜桂艳,李素兰,朱宏伟[1]（2019）在《基于突变强度的交通事件自动检测算法》一文中研究指出为设计1种检测率高的快速路交通事件自动检测(Automatic Incident Detection,AID)算法,基于突变强度理论,分析交通事件下流量、速度、占有率突变强度在纵向时间序列的变化特征,得出事件时段,交通参数突变强度值较大.本文以叁参数突变强度乘积为事件评价指数设计了1种快速路AID算法.新算法与3种AID算法对比得出:新算法检测率高(100.00%),误检率低(5.75%);与横向时间序列相比,纵向时间序列数据稳定性更好;参数数量的增加可提高检测率.新算法适用于各种流量,在低峰检测率为100.00%,误检率为0,检测效果最佳;高峰时段保持100.00%高检测率,误检率为5.66%,误检事件多发生在上下班早晚高峰和午休3个交通流量变化较大的时段.(本文来源于《交通运输系统工程与信息》期刊2019年05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）
王娴[3]（2019）在《基于机器学习算法的高速公路交通事件检测研究》一文中研究指出近年来,国家大力发展交通运输,高速公路产业发展迅猛,截至2018年底,我国的高速公路通车里程突破14万公里,里程规模位居世界第一。同时,随着交通网络的不断扩大和车辆的大规模增加,交通事故频繁发生,交通拥堵严重,损害了正常的交通秩序。及时准确的交通事件检测,能够有效缓解交通事件造成的交通拥堵,预防二次事故的发生,增加高速公路通行的安全性。交通事件自动检测(Automatic Incident Detection,AID)属于经典的二分类问题,可以将事件状态分为两种:正常运行和交通事件。现实场景中,交通事件数据一般远少于正常运行状态数据,因此,交通事件检测问题实质是不平衡分类问题。本文以基本的机器学习算法作为分类器,并结合不平衡数据集的处理算法,提出了几种交通事件检测模型。首先,将贝叶斯网络、逻辑回归、SVM、决策树、神经网络、AdaBoost、梯度提升树、随机森林分别作为分类器,并采用网格搜索方法进行参数优化,比较不同分类器的性能,筛选出综合性能更优的随机森林作为交通事件检测算法的分类器。其次,为了解决交通数据集的不平衡问题,提出基于合成少数过采样技术(Synthetic Minority Over-sampling Technique,SMOTE)的随机森林算法模型,使用少量样本来控制人工样本的生成和分布,以达到数据集均衡的目的,再通过随机森林分类器,实验获得相应的性能参数值,并与仅使用基本机器学习算法的模型进行对比分析。最后,考虑到SMOTE方法生成的样本存在重复项,从而容易导致模型过拟合的问题,于是引入数据清洗技术Tomek links和ENN(Edited Nearest Neighbor),可以清除重复样本。先使用SMOTE方法得到平衡数据集,再利用Tomek links或者ENN方法剔除平衡数据集中的噪声点,随后通过随机森林分类器,并与前面几种模型的检测性能进行对比分析。得出最终结论,基于SMOTE和Tomek links结合的随机森林算法事件检测模型的性能最优。本文的实验数据来源于京沪高速公路无锡检测点的真实数据库,实验算法以PyCharm软件为编程平台实验。实验结果表明,本文提出的基于SMOTE和Tomek links方法的随机森林交通事件检测模型能改善不平衡数据集的交通事件检测效果,提升事件检测效率,获得更佳的综合性能。(本文来源于《南京大学》期刊2019-05-21）
胡永[4]（2019）在《基于视频的公路交通事件检测算法研究》一文中研究指出本文针对当前公路交通事件检测算法,在识别交通事故时,对移动车辆图像纹理特征提取的稳定性较低的问题,设计了一种新的基于视频的公路交通事件智能图像检测算法,首先对公路摄像头采集的动态车辆视频图像进行预处理,利用环形线圈传感器与视频识别系统进行车辆图像数据采集,对数据视频图像进行数据处理以及灰度幅值特征、直方图统计特征的提取,通过稳态基本特征差异大小的判断,实现基于视频的公路交通事件检测算法,并通过实验验证了该算法的有效性。(本文来源于《现代信息科技》期刊2019年07期）
孙倩,郭忠印[5]（2018）在《基于离散时间信号相关性的交通事件检测算法》一文中研究指出提出了基于离散时间信号相关性的自动交通事件检测算法.将交通信息数据转化为离散时间信号并进行相关性计算,有效定位通过上、下游截面的同一组交通流.解释了互相关系数的特征,并采用仿真数据进行性能验证.结果表明:基于离散时间信号相关性的自动交通事件检测算法具有可视性且易于理解,在低饱和交通环境下表现依然稳健,具有很好的适应性.(本文来源于《同济大学学报(自然科学版)》期刊2018年11期）
凃强,李大韦,程琳[6]（2018）在《基于TAN分类算法的交通事件检测》一文中研究指出事件检测算法是交通事件管理系统的关键技术之一,提出一种基于树增强朴素贝叶斯(TAN)分类算法对交通事件进行检测,它的网络结构和参数通过数据学习确定,相比贝叶斯网络算法,对专家经验依赖较小。采用小波去噪、标准化和基于熵的离散化方法对原始交通数据进行预处理,将交通事件作为"0-1"分类变量,交通特征参数作为属性变量,构建TAN分类器。采用新加坡艾耶尔国王高速公路(AYE)的数据集对该算法进行了实例验证,实验结果表明TAN分类算法与多层前馈神经网络(MLF)算法的检测性能相当,它们的检测率分别为95.97%和98.8%,但TAN分类算法在模型训练和标定的速度上具有显着优势,且相比MLF算法,TAN分类算法的原理更加简单易懂,因此TAN分类算法具有更广泛的应用前景。(本文来源于《交通信息与安全》期刊2018年03期）
王卓[7]（2018）在《基于视觉显着性的交通事件检测算法研究》一文中研究指出交通事件自动检测系统作为智能交通系统的重要组成部分,对避免交通事故的发生及其处理和管控起到重要作用。近年来随着计算机视觉、数字图像处理技术在交通事件检测方面的应用,基于视频的交通事件检测算法逐渐成为智能交通领域的研究热点。交通事件检测算法的关键技术主要包括运动目标检测、运动目标跟踪和目标行为识别。本文对上述关键技术进行研究,设计满足可靠、准确、实时需求的智能交通事件检测算法。在运动目标检测方面,本文综合静态显着性模型和动态显着性模型的优点,提出了基于时空混合的动态显着性模型。通过Gabor滤波器和四元傅里叶变换获得静态显着性和动态显着性,检测出可能发生交通事件的目标。在运动目标跟踪方面,本文提出基于多特征匹配的卡尔曼滤波跟踪算法。通过卡尔曼滤波预测算法,对下一时刻目标的特征值进行预测,然后对目标进行搜索匹配,建立目标在连续帧中的对应关系,对可能发生交通事件的目标进行持续跟踪。在目标行为识别方面,本文设计了面向固定摄像机的道路交通状况及交通事件检测算法:通过分析轨迹瞬时速度变化趋势判断车辆超高速、超低速行驶以及违章停车件;通过比较轨迹运动方向与规定车道正确行驶方向夹角判断违章逆行事件;通过轨迹与固定车道线水平距离的波动程度判断违章变道事件;以道路统计平均速度为转换条件,实现道路交通状况的实时检测。对交通事件类型和交通状况进行精准识别。通过上述叁个方面的研究及仿真实验分析,表明本文所设计的基于视觉显着性的交通事件检测算法能够实时准确地检测各类交通事件及交通状况,具有较强的实用性。(本文来源于《长安大学》期刊2018-04-09）
刘严磊[8]（2017）在《交通事件检测California算法的改进及参数自整定研究》一文中研究指出交通事件检测算法是把握道路异常运行状态、进行高速公路运营管理的前提和关键技术。其中California算法作为最早出现的交通事件检测算法,能在一定程度上较好地描述交通流实际运行状态,但在复杂场景中算法的误报警率还较高,并且当外界环境变化时算法的自适应性差。因此解决这些问题对改善交通事件检测效果和帮助提高高速公路管理水平具有重要的理论和实际意义。论文针对上述问题,以California算法为研究对象,通过分析算法检测特性改进算法模型,降低误报警率。进而提出一种基于智能算法的参数自整定方法,在此基础上设计一种检测灵敏度系数,并探讨了一种基于事件检测性能的自整定条件,改善算法自适应性。主要研究内容包括:(1)California算法及模型改进。本文首先对交通事件检测California算法的原理和基本流程进行描述,并总结现阶段California算法的改进现状,通过实验对现有的California算法模型进行分析和进一步改进,提出了一种改进的多参数California算法。(2)California算法及改进模型参数自整定。针对现有的研究趋势及缺陷,本文比较分析现有的智能学习算法,提出了一种基于智能算法的California算法参数自整定方法,离线和在线调整算法参数;同时为了帮助建立更高效的救援减少资源浪费,在自整定基础上提出一种检测灵敏度系数,调整误报率与漏报率之间的平衡,为管理者提供主观调节的使用参考。(3)基于事件检测性能的自整定条件研究。针对California算法参数自整定方法在整定过程中遇到的自整定条件设置问题,本文提出一种基于事件检测性能的自整定条件,在考虑时空影响因素的基础上,通过利用多元统计分析的方法,建立了基于事件检测性能的自整定条件模型。(4)参数自整定方法实例分析。将参数自整定方法加入California算法和本文改进的算法中,并运用于渝武高速公路部分路段上进行实例分析。针对多条路段多时间段,当外界环境发生变化时,本文提出的方法可以在一定时间内检测到算法性能变差,并自主整定算法的阈值参数,使检测率和误报率保持在原有水平。本文方法可以明显改善事件检测California算法的实用性和自适应性,帮助建立更高效的救援,减少资源浪费。(本文来源于《重庆大学》期刊2017-05-01）
隋靓[9]（2017）在《高速公路交通异常事件检测算法研究》一文中研究指出近年来,随着计算机存储和运算能力的不断提高,人工智能、模式识别技术的迅猛发展,基于视频的交通事件检测技术成为智能交通领域研究的热点问题。交通事件自动检测系统是交通视频监控系统智能化和自动化的关键,为快速处理交通事件、减少交通延误、避免二次交通事故的发生提供条件,为高速公路运营管理提供了新的突破口。但如何高效、准确、快速地实现交通事件自动检测,仍是当前智能交通领域面对的一大难题。本文从实际应用出发,以高速公路视频序列为研究对象,从运动目标检测、跟踪和异常行为描述等几个关键技术着手进行研究,设计了高速公路逆行、停车、变道异常事件自动检测算法。本文对上述叁种异常事件的研究主要包括以下几个方面的内容:在运动目标检测方面,采用均值法建立背景模型,以背景差法提取运动目标前景;针对存在阴影的运动目标前景,提出了一种基于边缘和HSV颜色空间相结合的方法去除阴影,并结合形态学处理方法提取出完整的运动目标前景,为有效的运动目标跟踪提供了基础。在运动目标跟踪方面,以车辆的质心和面积为基本特征对车辆进行跟踪,结合Kalman滤波算法寻求运动目标特征的最优估计,利用欧式距离计算运动目标的位置距离和面积大小差异寻找最佳匹配完成运动目标的跟踪;针对车辆间遮挡会使跟踪目标丢失的现象,本文提出了面积筛选的方法用不同的方式对车辆进行跟踪,最终获得车辆的运动轨迹,为异常事件的判断提供了依据。在异常事件检测方面,通过分析车辆的运动轨迹可以直观的了解车辆的运动方向,将车辆的运动方向与道路规定的正方向进行比较判断车辆逆行事件;通过分析车辆的运动轨迹可以间接获得车辆的瞬时速度、加速度、质心位置变化等交通参数,分析这些交通参数的变化判断车辆是否发生违章停车事件;通过分析车辆运动轨迹与基准车道线间距离的离散程度判断车辆是否发生变道事件。本文对不同路段高速公路实际交通视频序列进行测试,实验结果验证了本文异常事件自动检测算法行之有效,能够准确的检测出逆行、停车、变道异常事件,具有很好的实用性。(本文来源于《兰州交通大学》期刊2017-04-01）
梁帅[10]（2017）在《基于机器视觉的交通异常事件检测算法研究》一文中研究指出交通事故检测是智能交通系统中最重要的部分之一,实时且鲁棒的交通事故检测方法可以在减少人员伤亡和减少财产损失上做出巨大贡献。随着智能交通系统的快速发展,基于计算机视觉技术和图像处理技术的交通事故检测系统的研究吸引了广泛的注意力,许多研究者在这个领域中也取得了重大进展。然而,由于交通环境的复杂性,目前提出的一些方法在实际应用中仍然存在一定的限制。为了保证对交通事故快速和精确地检测,并且达到实际运用的目的,一些挑战性的问题就需要被解决。这样的一种交通事故检测算法必须达到叁个要求。第一,能够处理复杂的交通环境,包括较差的天气、不同的光照条件、复杂的道路状况和不同的交通参与者;第二,能够处理不同的交通流状态,也就是不同程度的交通拥堵;第叁,能够实时性运行。在本文中,我们研究在交通视频流中实时和鲁棒的交通事故检测算法。传统的方法要么就是运行速度不够快,要么就是在复杂的交通环境下鲁棒性不够好。我们提出了一种新颖的基于监控视频的交通事故检测方法,该方法的主要观察点在于交通事故的发生不仅会引起局部目标的运动方向混乱,也会造成全局交通流的混乱。在我们的方法中,一共有叁步。第一,对每一帧视频构建对应的光流场;第二,基于光流场构建全局交通流描述子高斯模型和局部运动方向图高斯模型,来对交通事故的全局特征和局部特征进行检测,从而对视频帧中发生的交通事故进行检测与定位;第叁,构建了一个检验模块来进一步验证交通事故的发生,并排除事故误报的情况。我们的方法具有实时性运行、高精度、漏报少、误报率低以及对不同交通环境和光照条件具有鲁棒性等优点,后期通过广泛的量化评估实验验证了以上优点,并且展示了在这个领域中的巨大进步。(本文来源于《电子科技大学》期刊2017-03-28）
交通事件检测算法论文开题报告
（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。
交通事件检测算法论文参考文献
[1].李红伟,姜桂艳,李素兰,朱宏伟.基于突变强度的交通事件自动检测算法[J].交通运输系统工程与信息.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].王娴.基于机器学习算法的高速公路交通事件检测研究[D].南京大学.2019
[4].胡永.基于视频的公路交通事件检测算法研究[J].现代信息科技.2019
[5].孙倩,郭忠印.基于离散时间信号相关性的交通事件检测算法[J].同济大学学报(自然科学版).2018
[6].凃强,李大韦,程琳.基于TAN分类算法的交通事件检测[J].交通信息与安全.2018
[7].王卓.基于视觉显着性的交通事件检测算法研究[D].长安大学.2018
[8].刘严磊.交通事件检测California算法的改进及参数自整定研究[D].重庆大学.2017
[9].隋靓.高速公路交通异常事件检测算法研究[D].兰州交通大学.2017
[10].梁帅.基于机器视觉的交通异常事件检测算法研究[D].电子科技大学.2017
论文知识图
