交通管理系统中的运动目标识别跟踪系统.docVIP

交通管理系统中的运动目标识别跟踪系统 可行性研究报告 一、立项的背景和意义 上世纪末，图像处理技术突飞猛进，研究图像处理的文献层出不穷，形成了许多经典的静态图像处理技术。近十年来，视频技术飞速发展，视频图像处理技术研究如火如荼，视频产品随处可见，最深入人心的就是视频监控---那个摄像头。 视频监控逐渐影响人们的方方面面，驾车闯红灯有视频记录，超市购物钱包被偷可查视频记录，银行钱被冒领可以查视频监控信息等等。但是，有许多情况，视频监控信息是很难查到你所需要的。比如，雨天发生一起交通肇事者逃逸案，虽然交通摄像头记录下当时情景，但由于视频监控设备质量不高，雨天环境也差，成像效果差，最关键的是拍摄角度不好，使得肇事车辆很难识别，更谈不上车牌号之类信息。这时可以从公安机关调来事故前后的周围大量摄像头拍摄到超大量视频信息。面对上万幅的视频图像，人工辨认几乎无法实现，虽然很多时候就是人工辨认的。导致的结果是，要么放弃，要么花费大量的人力物力，找来大量的车主来询问。 这类问题很难找到很满意的解决方案，但在如今随处可见的视频监控面前，这类问题必须解决，如何快速定位哪些视频图像是与肇事者有关的或可能有关的是解决这类问题的一个突破口。比如，怎么从50000幅视频图像中筛选出100幅可能与肇事者有关的视频图像，这将大大提高有哪些信誉好的足球投注网站效率。 这是个视频图像的模式识别问题，研究还很少，特别是在数学上进行研究的文献很难找到。在数学上可以归属于聚类问题，可以看成是多维度向量的匹配问题，本项目引入神经网络模型中的自组织特征映射神经网络来进行自适应的模糊匹配。 二、国内外研究现状和发展趋势 本项目主要研究两方面，一方面是面向问题的运动目标特征信息提取，构成特征信息向量，这属于基于内容的视频特征提取，是一种视频图像中的数据挖掘技术。另一方面是对这些向量进行自适应聚类，这是多维度数据分类问题，可以利用神经网络模型来实现。这两方面都是当前的研究热点。 1. 特征信息提取技术 视频信息的特征分为静态特征和动态特征。静态特征可以提取视频图像的颜色、纹理、形状、边缘、梯度等，可以通过静态图像处理技术来提取静态特征；动态特征反映了视频数据的时间和空间变化，分析这种时域变化的运动特征分析方法主要有基于光流方程的方法、基于块的方法、贝叶斯方法等。 2. 特征信息向量的构建 为了运用优化模型，需要对视频数据做良好的数据处理。面向具体问题，自适应地构建多维度的特征信息向量，这个向量的每一维对应提取的某项特征信息值。根据具体问题，这些特征向量的有效分量可以是不同的。比如，对于只拍摄到交通肇事者背面信息，那特征信息构成中就不需要其脸部特征等。有了特征信息向量这个数学元素以后，就把整个问题的研究转化到多维度数据的聚类问题研究上去，这可以利用SOM神经网络模型来解决。 3. SOM神经网络介绍 自组织特征映射（Self-Organizing Feature Maps，简称SOM）神经网络，由芬兰赫尔辛基大学神经网络专家Kohonen教授在1981年提出的，所以也称Kohonen神经网络，SOM网络是一种无导师学习的网络，主要用于对输入向量进行区域分类。它不但能识别视频信息的近似特征，还研究输入特征信息向量的分布特性和拓扑结构。这种网络模拟大脑神经系统自组织特征映射的功能，是一种竞争型网络，并在学习中能无导师进行自组织学习。 目前神经网络由于其良好的自学习、自组织与自适应性，具有联想记忆、非线性映射、分类和识别、优化计算、知识处理的功能，广泛应用于信息处理、自动化、工程、经济、医学等领域。 4. 竞争学习规则 自组织网络的自组织功能是通过竞争学习（Competitive Learning）来实现的，自组织学习(Self-Organized Learning)是通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构的过程。竞争学习规则可描述为学习网络中的输出神经元之间相互竞争以求被激活，结果在每一时刻只有一个输出神经元被激活，这个被激活的神经元称为竞争获胜神经元，而其它神经元的状态被抑制。 5. 竞争学习过程描述 1） 向量归一化：首先将当前输入模式向量X和竞争层中各神经元对应的内星向量Wj 全部进行归一化处理； 2） 寻找获胜神经元 当网络得到一个输入模式向量时，竞争层的所有神经元对应的内星权向量均与其进行相似性比较，并将最相似的内星权向量判为竞争获胜神经元。欲使两单位向量最相似，可以选择欧式距离最短作为相似性测量度量标准，推理可得，只须求两向量点积最大者即为最相似的向量。即： 3） 网络输出与权值调整： 网络输出: ， 权值调整: ； 步骤3）完成后回到步骤1）继续训练，直到学习率衰减到0。 6. Kohonen 学习算法描述 1）初始化：对输出层各权向量赋小随机数并进行