摘 要

　　隨著(zhù)國力的增強以及人民的富裕，私家車(chē)的數量以及私家車(chē)出行正在逐漸取代公共交通工具出行方式，交通違章問(wèn)題是現代交通的核心關(guān)注點(diǎn)，也是保證人民財產(chǎn)以及人身安全的的關(guān)鍵。在現實(shí)中，交通執法者往往會(huì )面臨天氣等不可抗因素無(wú)法執行道路面對面的監督違法，需要快速及時(shí)的對車(chē)輛違章行為事件做出反應，就需要違章識別系統來(lái)輔助交通執法者對交通違章行為識別以及記錄，目前市面上的一些違章拍照系統過(guò)于單一且違章拍攝的準確度有待提高，在處理干擾事件時(shí)會(huì )被一些外因影響較大，因此在違章識別問(wèn)題上利用計算機視覺(jué)更加具有現實(shí)意義。

　　首先本文針對國內外的計算機視覺(jué)方向研究動(dòng)態(tài)進(jìn)行闡述，以目前的計算機現有運算能力以及網(wǎng)絡(luò )傳輸能力應對計算機視覺(jué)以及機器學(xué)習的問(wèn)題已經(jīng)可以完成，進(jìn)一步對圖像預處理的算法進(jìn)行研究，其中包括圖像的基本表示法，形態(tài)學(xué)操作以及邊緣檢測和直線(xiàn)檢測等，其中最主要的是形態(tài)學(xué)操作以及邊緣檢測和直線(xiàn)檢測，對后續的違章行為識別有著(zhù)關(guān)鍵作用。

　　然后分析日常生活中常見(jiàn)的違章行為比如違章停車(chē)，違章變道，違章逆行和安全帶的佩戴等依次分析和選擇設計監測方案，對于車(chē)輛識別算法做了多種比對，最后選取了識別效果及速度上最折中的 YOLO 算法對車(chē)輛進(jìn)行識別，然后對識別違章的算法進(jìn)行設計，但是僅僅可是識別車(chē)輛違章行為還是不夠的，還需對違章的車(chē)輛進(jìn)行記錄，其中涉及到了車(chē)輛牌照的識別，其中又涉及到了車(chē)牌的定位，車(chē)牌字符的分割以及單個(gè)字符的識別。改進(jìn)了占空比方式違章停車(chē)檢測方法，并運用在違章識別系統中。使用車(chē)輛識別方法加占空比方式識別，更加精確直觀(guān)的識別違章停車(chē)的車(chē)輛，從而提高了違章檢測的有效性。

　　最后收集大量車(chē)輛數據集并對數據集進(jìn)行標注處理，然后練訓識別權重，最后對于識別算法進(jìn)行比對，驗證了識別方案的有效性，同時(shí)根據實(shí)際情況開(kāi)發(fā)出 違章識別系統，將研究算法在系統中進(jìn)行了有效的應用。

　　關(guān)鍵詞： 計算機視覺(jué) 機器學(xué)習 違章識別 車(chē)牌識別

ABSTRACT

　　With the enhancement of national strength and the prosperity of the people, the number ofprivate cars and private car travel are gradually replacing the way of public transportation.

　　Traffic violations are the core concern of modern transportation, and also the key to ensurethe safety of people's property and personal safety. In reality, traffic law enforcers are oftenfaced with irresistible factors such as weather, unable to carry out the road face-to-facesupervision. They need to respond to the traffic violations quickly and timely. They need theviolation identification system to assist the traffic law enforcers in identifying and recordingthe traffic violations. At present, some violation photo systems on the market are too singleand accurate the degree needs to be improved, and it will be greatly influenced by someexternal factors when dealing with interference events, so it is more practical to use computervision in the problem of violation identification.

　　First of all, this paper describes the research trends of computer vision at home and abroad.

　　With the current computing power and network transmission capacity of computer, theproblem of computer vision and machine learning can be solved. Further research on thealgorithm of image preprocessing, including the basic representation of image, morphologicaloperation, edge detection and line detection Among them, the most important aremorphological operation, edge detection and line detection, which play a key role in thesubsequent illegal behavior recognition.

　　Then it analyzes the common violations in daily life, such as illegal parking, illegal lanechanging, illegal retrograde and the wearing of safety belt, analyzes and selects the designmonitoring scheme in turn, makes a variety of comparisons for the vehicle recognitionalgorithm, and finally selects the most compromised Yolo algorithm on the recognition effectand speed to identify the vehicle, and then designs the algorithm for identifying violations, butonly However, it is not enough to recognize vehicle violations. It is necessary to record thevehicles violating the regulations, which involves vehicle license plate recognition, includinglicense plate location, license plate character segmentation and single character recognition.

　　This paper improves the detection method of illegal parking based on duty cycle and applies itto the system of illegal parking recognition. Using the method of vehicle identification andduty cycle to identify the vehicles that stop illegally, which improves the effectiveness ofillegal detection.

　　Finally, a large number of vehicle data sets are collected and labeled, and then therecognition weights are trained. Finally, the recognition algorithm is compared to verify theeffectiveness of the recognition scheme. At the same time, a violation recognition system is developed according to the actual situation, and the research algorithm is effectively appliedin the system.

　　Key Words:Computer Vision;Machine Learning;Illegal License;Plate Recognition

目 錄

　　第 1 章 緒論

　　1.1 選題背景

　　自 1978 年改革開(kāi)放以來(lái)，我國國民經(jīng)濟得到廣泛提升，社會(huì )經(jīng)濟得到了持續且高速度的發(fā)展，我國人民的生活水平也得到了大幅度提高，曾經(jīng)少見(jiàn)的機動(dòng)車(chē)如今也走進(jìn)了千家萬(wàn)戶(hù)，越來(lái)越多的人在日常出行上都選擇了方便快捷的汽車(chē)而不是大眾化的公交車(chē)或者地鐵，尤其是沒(méi)有地鐵的城市，私家車(chē)出行已經(jīng)成為首選，這就導致了我國的私家車(chē)數量急劇增加，根據我國公安部統計：截止到 2018 年中國全國的機動(dòng)車(chē)保有量達到了 3.27 億輛之多，其中小型載客汽車(chē)首次突破 2 億輛；持有機動(dòng)車(chē)駕駛證的人員突破4 億人口，達到了 4.09 億人。從機動(dòng)車(chē)輛的類(lèi)型來(lái)看，小型家用載客汽車(chē)的保有量達 2.01億輛，是我國首次突破 2 億輛，也是促使汽車(chē)保有量增長(cháng)的主要部分；從分布情況來(lái)看，全國共有 61 個(gè)城市的汽車(chē)保有量超過(guò)了百萬(wàn)輛，有 27 個(gè)城市超過(guò)了 200 萬(wàn)輛，在其中北京等 8 個(gè)大型城市超過(guò)了 300 萬(wàn)輛[1].汽車(chē)數量增長(cháng)雖然為人民群眾的生活帶來(lái)了極大的便利，但是另一方面來(lái)看這也給城市和交通帶來(lái)了很多的問(wèn)題，汽車(chē)增長(cháng)速度超過(guò)了基本道路所能承受的上限，巨大的交通壓力不僅給大眾的出行造成了很大的困擾，也給交通管制的執法者帶來(lái)了難題，而在這些交通難題中，最令執法者頭痛的問(wèn)題便是交通違章，緊緊依靠著(zhù)傳統的交警出勤或者人工視頻監控等措施已經(jīng)很難應對當下的交通狀況。

　　2017 年 8 月，我國國務(wù)院安全生產(chǎn)委員會(huì )首次發(fā)布了我國的《道路交通安全 "十三五"規劃》[2]（以下簡(jiǎn)稱(chēng)《規劃》），《規劃》指出"十二五"期間，我國發(fā)生造成人員傷亡的道路交通事故共 99.8 萬(wàn)起，導致了 29.7 萬(wàn)人的死亡、108.7 萬(wàn)人受傷，平均每年發(fā)生了 20 萬(wàn)起，造成 5.9 萬(wàn)人死亡、21.7 萬(wàn)人受傷？"十二五"期間，發(fā)生較大及以上道路交通事故共計 4641 起。《規劃》同時(shí)要求到 2020 年時(shí)，建成并完善全國重點(diǎn)營(yíng)運車(chē)輛動(dòng)態(tài)安全管控體系，頒布實(shí)施重點(diǎn)車(chē)輛安裝汽車(chē)電子標識的相關(guān)標準，國家道路主干線(xiàn)公路卡口必須連接互聯(lián)網(wǎng)。

　　智能交通系統 ITS（ Intelligent Transportation System ）是目前現代交通的一項前沿科技，名稱(chēng) 1994 年正式確定，到今天為止已經(jīng)發(fā)展了 20 多年，但是隨著(zhù)近年來(lái)在各種基礎設施建立完善之后產(chǎn)生了重大進(jìn)步，這些基礎設施包括：計算機運算能力，網(wǎng)絡(luò )傳輸效率，高清聯(lián)網(wǎng)視頻監控攝像頭的廣泛安裝等[3].如今隨著(zhù)科技的迅速發(fā)展和消費者驟增的需求，智能交通系統領(lǐng)域出現了與創(chuàng )建之初不同的并且有著(zhù)鮮明特色的技術(shù)方向以及研發(fā)熱點(diǎn)。在 2018 年 5 月，在新加坡舉行的 2018 年度智能交通世界大會(huì )理事會(huì )會(huì )議上，委員會(huì )根據最近幾年大會(huì )收錄的論文以及產(chǎn)業(yè)界提出的議題加上管理涉及問(wèn)題做了報告，報告指出了最近 3 年內 ITS 業(yè)界的動(dòng)向：車(chē)輛自動(dòng)化、車(chē)輛與網(wǎng)絡(luò )安全、出行服務(wù)[4].基于這樣的背景，我們提出了一種基于計算機視覺(jué)以及機器學(xué)習技術(shù)的識別道路交通違章解決方案，解決目前智能識別道路交通違章問(wèn)題。

　　1.2 研究意義

　　目前在世界上有關(guān)智能交通違章識別以及處理的系統是少之又少，現存的違章識別也僅僅能夠識別車(chē)輛超速行駛，或者安全帶的佩戴等問(wèn)題，且大部分是人工檢測，在視頻流量巨大和車(chē)況復雜等基礎上人工檢測往往力不從心。

　　傳統的車(chē)輛違章識別有感應線(xiàn)圈檢測，磁力計檢測，微波真實(shí)現場(chǎng)檢測，微波多普勒檢測，超聲波檢測，紅外線(xiàn)檢測等，各種方法有他們各自的優(yōu)缺點(diǎn)，但是隨著(zhù)高清和超清攝像頭的出現以及計算機網(wǎng)絡(luò )傳輸速率和運算處理能力的增強，基于視頻流的處理的智能交通車(chē)輛違章彰顯出來(lái)這種方法的高效、低成本等顯著(zhù)優(yōu)點(diǎn)，詳情如下幾點(diǎn)：

　　（1）高清道路監控攝像頭的普及。目前在我國各級道路以及交叉路口都存在大量的聯(lián)網(wǎng)高清監控攝像頭，且各路段都會(huì )有歸屬部門(mén)來(lái)進(jìn)行監管以及維護，這相比于其他技術(shù)要省去大量的物理設備的接入。

　　（2）攝像頭等硬件便于安裝，維護成本低于超聲波，紅外線(xiàn)等設備。

　　（3）易于處理。基于監控攝像頭進(jìn)行處理可以實(shí)現高速的圖像傳輸，高速識別違章行為，并且違章抓拍等便于執法者識別違規行為。

　　（4）受環(huán)境因素干擾小。相比于利用波，紅外線(xiàn)等進(jìn)行違章識別的技術(shù)，監控攝像頭的圖像抗噪能力有強大的優(yōu)勢，也和圖像梳理中一些成熟去噪的技術(shù)有關(guān)。

　　1.3 國內外研究動(dòng)態(tài)

　　本節對計算機視覺(jué)以及機器學(xué)習的領(lǐng)域現有研究進(jìn)行檢索，梳理和總結。針對文章需要以及所涉及的算法進(jìn)行綜述，探討研究方向相關(guān)問(wèn)題國內外的研究現狀。

　　目前我國的智能交通正處于瓶頸期，20 世紀末開(kāi)始跟隨國際智能交通發(fā)展趨勢，不僅制定了交通發(fā)展戰略，還對智能交通的框架進(jìn)行了搭建，相應的研發(fā)技術(shù)和應用工程也緊隨其后相繼發(fā)展。1996 年北京市公安局實(shí)驗成功闖紅燈拍攝成功后國家開(kāi)始對電子警察進(jìn)行大力發(fā)展。在總體上，中國的智能交通跟隨著(zhù)國際發(fā)展，但是由于我國社會(huì )管理體系以及文化的不同，在具體技術(shù)和系統應用上有中國自己的特色。而近年來(lái)，隨著(zhù)我國互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展促使我國各行各業(yè)都有了極大的提升。2011 年以后，隨著(zhù)經(jīng)濟發(fā)展水平的提高和科技實(shí)力的增強，中國各方面均試圖在智能交通領(lǐng)域有所突破，也開(kāi)展了不少工作，但效果并不突出[4].最主要的原因便是低水平重復或者方向不明確。

　　我國國家科技項目大多屬于常規交通技術(shù)內容的研究[4],能真正與日本或者美國歐盟等its 強國研究的內容對接部分以及本文研究的計算機視覺(jué)在機動(dòng)車(chē)違章方面的應用，是少之又少。而根據《2019 年計算機視覺(jué)行業(yè)市場(chǎng)前景研究報告》顯示，在中國企業(yè)人工智能技術(shù)細分占比中，有近 42%的企業(yè)目前應用著(zhù)計算機視覺(jué)領(lǐng)域技術(shù)。

　　商業(yè)以及應用方面，根據 IDC 市場(chǎng)跟蹤，2018 年我國計算機視覺(jué)技術(shù)輸出規模最大的三個(gè)行業(yè)是政府、金融和互聯(lián)網(wǎng)。隨著(zhù)我國計算機視覺(jué)的不斷發(fā)展，其也將與更多行業(yè)進(jìn)行全方位地深入融合，這意味著(zhù)計算機視覺(jué)市場(chǎng)仍有巨大的潛力；國外已經(jīng)有比較完善的系統由美國 ISS 的 Sutoscope[5]系統，Traficon[6]系統等；利用視頻監控在生活中進(jìn)行監控和預警，通過(guò)對視頻序列的分析，目標的自動(dòng)識別智能監控可以提取到對預警有用的關(guān)鍵性信息，減少了人為干預提高監控效率[7];現代化軍事的研究主要集中于精確制導[8]、飛行控制、無(wú)人機偵察[9]、靶場(chǎng)測量及武器觀(guān)測瞄準[8]等方面；智能汽車(chē)目前的研究主要集中在智能導航以及自動(dòng)駕駛方面，利用車(chē)輛四周的攝像頭或者其他的傳感器對周?chē)�的環(huán)境和運動(dòng)物體進(jìn)行檢測以及跟蹤[11],此項技術(shù)的要求對于檢測的實(shí)時(shí)性以及魯棒性要求極高，因為道路交通車(chē)輛運行速度較快，檢測速度提高安全性能也會(huì )大大提高，所以如何在攝像頭運動(dòng)時(shí)快速精確地檢測和跟蹤是智能視覺(jué)導航的研究重點(diǎn)。

　　計算機視覺(jué)的實(shí)現必須有圖像處理的幫助而圖像處理則依仗著(zhù)機器學(xué)習，機器學(xué)習是人工智能領(lǐng)域的一個(gè)重要分支，機器學(xué)習是研究計算機怎樣模擬或實(shí)現人類(lèi)的學(xué)習過(guò)程，學(xué)習到新的知識或技能，改進(jìn)原有的知識使得自身性能不斷改進(jìn)[12];機器學(xué)習又包含了深度學(xué)習，近幾年，深度學(xué)習憑借其優(yōu)秀的特征建模能力，在目標跟蹤領(lǐng)域取得了優(yōu)異成績(jì)[13].

　　目前機器學(xué)習的內容可以是一個(gè)能夠從輸入映射到輸出的函數，也可以是從無(wú)標記數據的隱含結構中進(jìn)行學(xué)習，通過(guò)比較新增實(shí)例與存儲在內存中的訓練好的數據，給新增實(shí)例賦予一個(gè)類(lèi)別的標記，而基于實(shí)例的學(xué)習不會(huì )再具體的實(shí)力上創(chuàng )造一層抽象[14].

　　按照人工干預程度機器學(xué)習目前可劃分為三類(lèi)：強化學(xué)習[15]（也稱(chēng)再勵學(xué)習，評價(jià)學(xué)習或增強學(xué)習），無(wú)監督學(xué)習[16],監督學(xué)習[17].

　　馬爾可夫決策過(guò)程[18]（Markov Decision Process, MDP）是最常見(jiàn)的強化學(xué)習模型，按照給定條件強化學(xué)習可將其分為基于模式的強化學(xué)習和無(wú)模式強化學(xué)習，以及主動(dòng)強化學(xué)習和被動(dòng)強化學(xué)習[19],深度學(xué)習模型可以在強化學(xué)習中得到使用，形成深度強化學(xué)習，簡(jiǎn)單來(lái)說(shuō)強化學(xué)習就是一種智能算法通過(guò)與外部環(huán)境進(jìn)行交互獲得獎勵，以嘗試的方式進(jìn)行學(xué)習[14],不斷試錯目的就是為了獲得最大獎勵。

　　無(wú)監督學(xué)習[20]是根據未知類(lèi)別的訓練樣本解決模式識別中的問(wèn)題，即只存在輸入變量不存在輸出變量，對數據中隱含的信息進(jìn)行模型構建，稱(chēng)為無(wú)監督學(xué)習[21].

　　聚類(lèi)是最典型的無(wú)監督學(xué)習[22],目的是為了把有相似性的類(lèi)別聚在一起，并不關(guān)心這類(lèi)物體是什么或者用來(lái)干什么，因此簡(jiǎn)單的聚類(lèi)只需要計算相似度就可以[23].目前深度學(xué)習中的無(wú)監督學(xué)系主要分為兩大類(lèi)，一類(lèi)確定型的自編碼方法[24]及其改進(jìn)算法，另一類(lèi)是概率型的受限波爾茲曼機及其改進(jìn)算法[25].

　　監督學(xué)習是將訓練數據預先標注好進(jìn)行訓練使分類(lèi)器的參數達到要求性能的過(guò)程[24],也稱(chēng)為監督訓練或有教師學(xué)習[26].

　　監督學(xué)習是目前研究最為廣泛的一種機器學(xué)習方法，神經(jīng)網(wǎng)絡(luò )傳播算法[27]、決策樹(shù)學(xué)習算法[28]等已在許多領(lǐng)域中得到成功的應用但是缺點(diǎn)是需要給出不同環(huán)境下的期望輸出，完成的是與環(huán)境沒(méi)有交互的記憶和知識重組的功能，因此限制了該方法在復雜的優(yōu)化控制問(wèn)題中的應用[28].

　　由于目前的視頻監控是目標跟蹤技術(shù)最活躍的領(lǐng)域之一，而且目標追蹤方向近幾年的世界大賽上中國研發(fā)團隊常常名列前茅，比如 2017 年第一名的大連理工大學(xué)盧湖川教授隊伍提交的 LSART[29],第二名北京郵電大學(xué)代表隊的單卷積特征的相關(guān)濾波解決方案，2019 年奪冠的百度單目標跟蹤算法 ATP[30].目標跟蹤是通過(guò)在連續的視頻序列中估計跟蹤目標的位置，形狀以及所在位置，確定運動(dòng)目標的運行速度放方向以及軌跡，實(shí)現對目標行為的分析以及理解，以便完成更高級的任務(wù)[31].車(chē)輛行駛預測方面清華大學(xué)電子工程學(xué)院學(xué)者提出一種嵌入式實(shí)時(shí)視頻監控系統的實(shí)時(shí)算法，能夠有效地監測并追蹤到多個(gè)移動(dòng)目標，并別能夠利用算法快速預測到車(chē)輛即將行駛的路段區域[32].

　　杭州師范大學(xué)智能交通與信息安全實(shí)驗室學(xué)者提出一種可用于多個(gè)車(chē)輛跟蹤的自適應局部遮擋分割法，能夠應用于各種復雜的交通路段中[33];在車(chē)輛識別方面，SVM 前向車(chē)輛識別[34]是一個(gè)最新的研究成果，是通過(guò)分割提取車(chē)輛底部陰影對車(chē)輛行駛的區域進(jìn)行預測，并采取 SVM 支持向量機得到車(chē)輛分類(lèi)器對該區域進(jìn)行驗證，判斷該區域是否為車(chē)輛區域，此種方法與最近幾年出來(lái)并大熱的 YOLOv3[35]在性能上有著(zhù)不小的差距，YOLO 算法以算法運算速度快為名，首先是將物體檢測的問(wèn)題作為回歸問(wèn)題進(jìn)行求解，算法檢測是通過(guò)單個(gè)的網(wǎng)絡(luò )。YOLO 算法的另一個(gè)優(yōu)點(diǎn)是召回率低，具體的表現是背景誤檢率低。YOLO 能對整副圖片進(jìn)行掃描，得到完整的圖片信息，與其他的方法相比泛化能力是極強的，后期訓練效果也優(yōu)于其他算法。

　　1.4 本文主要研究?jì)热菁半y點(diǎn)分析

　　針對日常交通出行上會(huì )發(fā)生的一些安全事故問(wèn)題，重點(diǎn)放在研究高清視頻的檢測以及違章識別的算法，填補我國在計算機視覺(jué)在車(chē)輛違章方向上的空白，重點(diǎn)以及難點(diǎn)是視頻中的光線(xiàn)變化，車(chē)牌識別中的遮擋物處理，對于各種不同車(chē)型號的識別，穿著(zhù)打扮對安全帶識別的影響，背景變化對車(chē)輛的識別如何提高檢測率和正確率。

　　綜上所述，本文研究?jì)热莼�于視頻檢測，正確處理各項問(wèn)題的前提必定是在正確監控的基礎上，所以需要解決以下問(wèn)題：

　　（1）全天候的目標檢測在光照變化頻繁給檢測工作帶來(lái)了影響，需要選擇性能較好的目標檢測法跟蹤運動(dòng)目標。

　　（2）車(chē)輛運動(dòng)過(guò)程中，會(huì )在光線(xiàn)照射下產(chǎn)生陰影，陰影可能會(huì )對相鄰的車(chē)道上覆蓋，所以需要區分運動(dòng)的車(chē)輛以及陰影。

　　（3）背景的頻繁變化可能會(huì )對運動(dòng)車(chē)輛的識別上造成困擾，尤其是背景上有其他車(chē)輛進(jìn)入會(huì )加大識別上的困難，所以需要好的背景重建法搭建背景，以免造成影響正確識別違章的困難。

　　（4）車(chē)牌識別以及定位的困難：車(chē)牌的字符識別需要經(jīng)歷圖像采集，車(chē)牌定位，字符分割，字符識別等，車(chē)牌的定位是最為關(guān)鍵以及復雜的一步，需要在目標車(chē)輛周?chē)�消除各種對于識別上產(chǎn)生的干擾，尤其是光照情況下可能會(huì )對字符分割及識別上造成的干擾。

　　（5）對車(chē)道的提取與建模。行車(chē)道的建模以及提取在每個(gè)監控攝像頭有不同的樣子，一個(gè)好的模型可以更加精確的檢測到目標車(chē)輛是否違規，車(chē)道線(xiàn)的提取需要使用的方法為基于車(chē)道線(xiàn)區域監測和基于模型的檢測方法，不同的顏色深度都需要盡可能地識別出來(lái)也為建模造成了一定的困難。

　　1.5 本章小結

　　本章為緒論部分，主要介紹了論文的研究背景，意義和國內外對于計算機視覺(jué)在違章識別方向上的發(fā)展現狀以及本文的主要研究難點(diǎn)以及重點(diǎn)，為后面的論文主體內容的開(kāi)展確立了良好的開(kāi)端。

　　第 2 章 圖像預處理算法的研究

　　2.1 圖像基本表示方法

　　2.1.1 二值圖像

　　2.1.2 灰度圖像

　　2.1.3 彩色圖像

　　2.2 圖像基本處理

　　2.2.1 彩色圖像轉灰度圖像

　　2.2.2 二值圖像的轉化

　　2.2.3 圖像去噪

　　2.3 形態(tài)學(xué)操作

　　2.3.1 腐蝕

　　2.3.2 膨脹

　　2.3.3 開(kāi)運算與閉運算

　　2.4 圖像的邊緣檢測

　　2.4.1 Canny 邊緣檢測

　　2.4.2 Sobel 算子

　　2.5 圖像中直線(xiàn)檢測

　　2.5.1 霍夫變換

　　2.5.2 概率霍夫變換

　　2.6 圖像金字塔

　　2.7 本章小結

　　第 3 章 違章行為的分析與檢測設計

　　3.1 違章停車(chē)的檢測與判別

　　3.1.1 均值方差閾值方式檢測違章停車(chē)

　　3.1.2 占空比方式檢測違章停車(chē)

　　3.2 違章變道的檢測與判別

　　3.2.1 巴氏度量車(chē)輛違章變道檢測

　　3.2.2 分水嶺加軌跡違章變道檢測

　　3.3 違章逆行的檢測與判別

　　3.3.1 質(zhì)心坐標檢測法

　　3.3.2 卷積神經(jīng)網(wǎng)絡(luò )的車(chē)輛逆行檢測

　　3.4 安全帶佩戴的檢測與判別

　　3.4.1 基于霍夫變換的安全帶檢測

　　3.4.2 卷積神經(jīng)網(wǎng)絡(luò )的安全帶識別

　　3.4.3 顯著(zhù)梯度圖檢測安全帶

　　3.4.4 結合 YOLO 的駕駛員安全帶檢測

　　3.5 本章小結

　　第 4 章 車(chē)牌識別算法的研究

　　4.1 車(chē)牌定位算法的研究

　　4.1.1 圖像二值化

　　4.1.2 邊緣檢測

　　4.1.3 閉運算與車(chē)牌定位

　　4.2 車(chē)輛牌照字符的分割

　　4.2.1 模板匹配法

　　4.2.2 垂直投影法

　　4.3 單個(gè)字符的識別

　　4.4 神經(jīng)網(wǎng)絡(luò )識別車(chē)牌

　　4.4.1 特征值的提取

　　4.4.2 BP 神經(jīng)網(wǎng)絡(luò )的訓練

　　4.5 車(chē)輛牌照分類(lèi)識別

　　4.5.1 RGB 圖像轉換 HSV 類(lèi)型

　　4.5.2 形態(tài)統計學(xué)識別車(chē)牌顏色

　　4.6 本章小結

　　第 5 章 車(chē)輛識別及跟蹤算法的確定

　　5.1 SVM 分類(lèi)法識別車(chē)輛

　　5.1.1 基于 HOG 特征和 SVM 的車(chē)輛識別

　　5.1.2 HOG 特征提取

　　5.1.3 HOG 特征提取的實(shí)現方法

　　5.1.4 HOG 特征提取與計算步驟

　　5.1.5 SVM 車(chē)輛分類(lèi)器訓練

　　5.2 YOLO 目標檢測算法

　　5.2.1 YOLOv3 目標檢測算法原理

　　5.2.3 Darknet-53 神經(jīng)網(wǎng)絡(luò )

　　5.2.4 YOLOv3 的多尺度特征目標識別

　　5.3 SVM+HOG VS YOLOv3

　　5.4 圖像標注及權重訓練

　　5.4.1 增加數據集及圖像信息標注

　　5.4.2 訓練數據集

　　5.4.3 訓練結果分析

　　5.5 車(chē)輛追蹤算法確定

　　5.5.1 多目標跟蹤算法

　　5.6 本章小結

　　第 6 章 違章識別系統的設計

　　6.1 軟件需求分析

　　6.1.1 用戶(hù)需求分析

　　6.1.2 界面需求分析

　　6.2 系統模塊及架構設計

　　6.2.1 系統模塊設計

　　6.2.2 系統架構設計

　　6.3 系統功能的實(shí)現

　　6.3.1 軟件開(kāi)發(fā)環(huán)境

　　6.3.2 UI 設計

　　6.4 軟件檢測結果分析

　　6.5 本章小結

總結和展望

　　在互聯(lián)網(wǎng)人工智能大趨勢下，大量的傳統行業(yè)正在向智能化，信息化轉型，以適應日益激烈的行業(yè)競爭。違章識別系統問(wèn)題作為交通行業(yè)的核心問(wèn)題之一，成為了當下的研究熱點(diǎn)。本文研究了違章停車(chē)、違章變道、違章逆行以及安全帶駕駛的行為并經(jīng)過(guò)比對選取了較好的解決方案聯(lián)合了車(chē)牌識別算法，實(shí)現了基于計算機視覺(jué)的違章識別系統系統。論文成果如下：

　　（1） 本文改進(jìn)了占空比方式違章停車(chē)檢測方法，并運用在違章識別系統中。該方法使用車(chē)輛識別方法加占空比方式識別，更加精確直觀(guān)的識別違章停車(chē)的車(chē)輛，從而提高了違章檢測的有效性。

　　（2） 針對違章變道問(wèn)題，車(chē)輛識別算法結合了巴氏度量方法。該方法解決了識別車(chē)輛變道角度難題，并能進(jìn)行高效的多目標檢測。將該方法應用在違章變道的檢測算法中，替代分水嶺車(chē)輛軌跡算法中的計算軌跡步驟用于求解車(chē)輛角度，有效減少了計算時(shí)間以及程序復雜度。

　　（3） 采用基于霍夫變換的安全帶檢測方法對安全帶進(jìn)行檢測。該算法結合改進(jìn)的霍夫變換提出了改進(jìn)檢測安全帶的方法，降低了算法陷入局部最優(yōu)的概率。根據安全帶的特性，加入了閾值判斷方法，提升了算法的性能。

　　（4） 車(chē)輛牌照識別上采用了神經(jīng)網(wǎng)絡(luò )的方法對車(chē)輛牌照進(jìn)行識別，在原有算法的基礎上增加了對車(chē)輛牌照顏色對應的分類(lèi)的識別。

　　（5）車(chē)輛識別算法選取了跟蹤效果和跟蹤速度上都較優(yōu)的 KFC 算法并應用在違章識別系統。

　　本文在車(chē)輛違章行為方面進(jìn)行了研究，但面對實(shí)際復雜的交通環(huán)境情況仍不夠全面，主要表現如下：

　　（1） 環(huán)境干擾方面，本文中面對外部環(huán)境因素的影響檢測效果可能會(huì )有誤差，比如車(chē)牌遮擋導致檢測結果錯誤，安全帶檢測受到的問(wèn)題還有待進(jìn)一步研究。

　　（2） 車(chē)輛識別方面，本文車(chē)輛識別使用的是 YOLO 算法，在有大量車(chē)輛積壓的情況下會(huì )明顯導致算法的檢測效率變低，所以需要對出現大量車(chē)輛堆積的情況進(jìn)行算法改進(jìn)。

參 考 文 獻

　　[1] 第三季度全國機動(dòng)車(chē)和駕駛人保持平穩增長(cháng)[J].道路交通管理，2018（11）：9.

　　[2] 國務(wù)院安委會(huì )印發(fā)《道路交通安全"十三五"規劃》[J]. 中國應急管理， 2017（9）：21-28.

　　[3] 趙娜，袁家斌，徐晗。智能交通系統綜述[J].計算機科學(xué)，2014,41（11）：7-11+45.

　　[4] 王笑京，張紀升，宋向輝，汪林。國際智能交通系統研發(fā)熱點(diǎn)[J].科技導報，2019,37（06）：36-43.

　　[5] 鞏建國， 趙琳娜。 日本 vics 系統簡(jiǎn)介與借鑒[J]. 汽車(chē)與安全， 2015（1）：101-105.}

　　[6] 陳超， 呂植勇， 付姍姍， Et Al. 國內外車(chē)路協(xié)同系統發(fā)展現狀綜述[J]. 交通信息與安全， 2011,29（1）：102-105.

　　[7] Lill, D., Schappacher, M., Gutjahr, A., Sikora, A Development Of A Wireless Communication AndLocalization System For Vru Esafety[P]. Communication Systems Networks And Digital Signal Processing（Csndsp）， 2010 7th International Symposium On,2010.

　　[8] 趙久奮，王明海。紅外探測陣列對固體導彈尾焰跟蹤定位的研究。固體火箭技術(shù)，2000,23（ 4） :64-68.

　　[9] 盧莉萍。目標跟蹤算法與檢測處理技術(shù)研究。博士學(xué)位論文。南京：南京理工大學(xué)，2012.

　　[10] 國家重點(diǎn)研發(fā)計劃"綜合交通運輸與智能交通"重點(diǎn)專(zhuān)項 2018 年度項目申報指南[Eb/Ol].[2018-06-07].

　　[11] Redmon J , Divvala S , Girshick R , Et Al. You Only Look Once: Unified, Real-Time ObjectDetection[J]. 2015.

　　[12] 帕科爾， J.R.）。 圖像處理與計算機視覺(jué)算法及應用（第 2 版）[M]. 清華大學(xué)出版社， 2012.

　　[13] 盧湖川， 李佩霞， 王棟。 Visual Object Tracking: A Survey%目標跟蹤算法綜述[J]. 模式識別與人工智能， 2018, 031（001）：61-76.

　　[14] 郭成。機器學(xué)習算法比較[J].信息與電腦（理論版），2019（05）：49-50.

　　[15] 劉全， 翟建偉， 章宗長(cháng)，等。 深度強化學(xué)習綜述[J]. 計算機學(xué)報， 2018, 041（001）：1-27.

　　[16] Al Gharakhanian, 張含陽(yáng)。 無(wú)監督學(xué)習、Gan 和強化學(xué)習將構建機器學(xué)習的未來(lái)[J]. 機器人產(chǎn)業(yè)，2017（2）：22-25.

　　[17] 王萬(wàn)良， 張兆娟， 高楠，等。 基于人工智能技術(shù)的大數據分析方法研究進(jìn)展[J]. 計算機集成制造系統， 2019, 25（03）：5-23.

　　[18] C.C.White. 馬爾可夫決策過(guò)程[J]. 數學(xué)譯林， 2016, 9（04）。

　　[19] Fern, X., Reinforcement Learning. In Cs 434: Machine Learning And Data Miningschool Of ElectricalEngineering And Computer Science, Oregon State University .2008

　　[20] 王改華， 李濤， 呂朦，等。 采用無(wú)監督學(xué)習算法與卷積的圖像分類(lèi)模型[J]. 華僑大學(xué)學(xué)報：自然科學(xué)版， 2018, V.39;No.159（01）：152-157.

　　[21] 王建新， 錢(qián)宇華。 符號數據的無(wú)監督學(xué)習：一種空間變換方法[J]. 計算機科學(xué)， 2016,V.43（01）：95-99+127.

　　[22] 謝娟英， 侯琦， 曹嘉文。 深度卷積自編碼圖像聚類(lèi)算法[J]. 計算機科學(xué)與探索， 2019,013（004）：586-595.

　　[23] 曹璐。 基于特征融合的行人檢測與圖像聚類(lèi)研究[D].

　　[24] 李恒， 張黎明， 蔣美容，等。 基于監督學(xué)習的全卷積神經(jīng)網(wǎng)絡(luò )多聚焦圖像融合算法[J]. 激光與光電子學(xué)進(jìn)展， 2020, 57（8）。

　　[25] 張春霞， 姬楠楠， 王冠偉。 受限波爾茲曼機？[J]. 工程數學(xué)學(xué)報， 2015, 000（002）：159-173.

　　[26] 蔡軼珩， 王雪艷， 胡紹斌，等。 基于多源圖像弱監督學(xué)習的 3d 人體姿態(tài)估計[J]. 北京航空航天大學(xué)學(xué)報， 2019, 45（12）：2375-2384.

　　[27] 楊鶴標， 龔文彥。 基于卷積神經(jīng)網(wǎng)絡(luò )的反向傳播算法改進(jìn)[J]. 計算機工程與設計， 2019,40（01）：134-138.

　　[28] 安葳鵬， 尚家澤。 決策樹(shù) c4.5 算法的改進(jìn)與分析[J]. 計算機工程與應用， 2019（12）：169-173.

　　[29] Sun C , Wang D , Lu H , Et Al. Learning Spatial-Aware Regressions For Visual Tracking[J]. 2017.

　　[30] 孫彥景， 石韞開(kāi)， 云霄， Et Al. 基于多層卷積特征的自適應決策融合目標跟蹤算法[J]. 電子與信息學(xué)報， 2019, 41（10）。

　　[31] 丁世飛，齊丙娟，譚紅艷。支持向量機理論與算法研究綜述[J].電子科技大學(xué)學(xué)報，2011,40（01）：2-10.

　　[32] 張強，張勇，劉芝國，周文軍，劉佳慧。基于改進(jìn) YOLOv3 的手勢實(shí)時(shí)識別方法[J/Ol].計算機工程：1-11[2019-12-31].Https://Doi.Org/10.19678/J.Issn.1000-3428.0054222.

　　[33] He, K., Zhang, X., Ren, S. And Sun, J., 2016. Deep Residual Learning For Image Recognition. InProceedings Of The Ieee Conference On Computer Vision And Pattern Recognition （Pp. 770-778）。 He, K.,Zhang, X., Ren, S. And Sun, J., 2016. Deep Residual Learning For Image Recognition. In Proceedings OfThe Ieee Conference On Computer Vision And Pattern Recognition （Pp. 770-778）。

　　[34] 王娜。 基于 SVM 算法的前方車(chē)輛視頻檢測[D]. 2016.

　　[35] 高云， 彭煒。 基于 keras 的分類(lèi)預測應用研究[J]. 山西大同大學(xué)學(xué)報：自然科學(xué)版， 2019（5）：26-30.

　　[36] 李立宗。OpenCV 輕松入門(mén)[M].電子工業(yè)出版社：北京，2019: 2019（8）：124-125[37] 高紅波， 王衛星。 一種二值圖像連通區域標記的新算法[J]. 計算機應用（11）：168-169+177.

　　[38] 曹麗琴， 商永星， 劉婷婷， Et Al. 局部自適應的灰度圖像彩色化[J]. 中國圖象圖形學(xué)報，2019（8）：1249-1257.

　　[39] 林開(kāi)顏， 吳軍輝， 徐立鴻。 彩色圖像分割方法綜述[J]. 中國圖象圖形學(xué)報， 2005, 10（1）。

　　[40] 劉慶祥，蔣天發(fā)。 彩色與灰度圖像間轉換算法的研究[J]. 武漢理工大學(xué)學(xué)報（交通科學(xué)與工程版）（3）：344-346.

　　[41] 陳偉。 智能交通圖像識別系統的研究[D].浙江大學(xué)，2002.

　　[42] Moridvaisi H , Razzazi F , Pourmina M A , Et Al. An Extended Kcf Tracking Algorithm Based OnTld Structure In Low Frame Rate Videos[J]. Multimedia Tools And Applications:1-18.

　　[43] 湯一平，陳耀宇。基于計算機視覺(jué)的違章停車(chē)智能監控系統[J].計算機測量與控制，2009,17（08）：1505-1508.

　　[44] 王殿海，胡宏宇，李志慧，曲昭偉。違章停車(chē)檢測與識別算法[J].吉林大學(xué)學(xué)報（工學(xué)版），2010,40（01）：42-46.

　　[45] 曹妍妍，崔志明，吳健，孫涌。基于巴氏度量的車(chē)輛違章變道快速檢測方法[J].蘇州大學(xué)學(xué)報（工科版），2011,31（03）：1-7.

　　[46] 胡春海， 查琳琳， 陳華。 一種基于 orb 算法改進(jìn)的 tld 目標跟蹤算法[J]. 燕山大學(xué)學(xué)報， 2019,43（3）：263-270.

　　[47] 厲小潤， 楊平。 一種基于視頻檢測技術(shù)的車(chē)輛違法變道檢測方法[J], 2012（06）：134-136+177[48] 隋靚，黨建武。基于運動(dòng)目標軌跡的高速公路異常事件檢測算法研究[J].計算機應用與軟件，2018,35（01）：246-252.

　　[49] 阮雅端， 高妍， 趙博睿， Et Al. 基于深度卷積神經(jīng)網(wǎng)絡(luò )的車(chē)輛違停逆行檢測方法：.

　　[50] 潘世吉。 智能交通違章監測算法研究及軟件系統實(shí)現[D].哈爾濱工業(yè)大學(xué)，2016.

　　[51] 詹益俊，陳光喜，黃勇，王佳鑫，呂方方。基于卷積神經(jīng)網(wǎng)絡(luò )的駕駛員檢測和安全帶識別[J].桂林電子科技大學(xué)學(xué)報，2019,39（03）：211-217.

　　[52] 周彬。 面向卡口監控的安全帶圖像檢測的應用與研究[D].武漢科技大學(xué)，2018.

　　[53] 吳天舒，張志佳，劉云鵬，郭婉妍，王子韜。結合 YOLO 檢測和語(yǔ)義分割的駕駛員安全帶檢測[J].計算機輔助設計與圖形學(xué)學(xué)報，2019,31（01）：126-131.

　　[54] Austin R J , Orr-Weaver T L , Bell S P . Drosophila Orc Specifically Binds To Ace3, An Origin OfDna Replication Control Element[J]. Genes & Development, 1999, 13（20）：2639-2649.

　　[55] 何兆成，佘錫偉，余文進(jìn)，楊文臣。字符多特征提取方法及其在車(chē)牌識別中的應用[J].計算機工程與應用，2011,47（23）：228-231.

　　[56] 孫君頂。 基于內容的圖像檢索技術(shù)研究[D].西安電子科技大學(xué)，2005.

　　[57] 周辰雨；張亞岐；李健。 基于 SVM 的車(chē)輛識別技術(shù)[J]. , 2012, 30（30）： 53-57.

　　[58]Qin, J. And He, Z.S., 2005, August. A SVM Face Recognition Method Based On Gabor-Featured KeyPoints. In Machine Learning And Cybernetics, 2005. Proceedings Of 2005 International Conference On（Vol. 8, Pp. 5144-5149）。 Ieee.

　　[59] 武光利， 王綿沼。 基于 HOG 特征與 SVM 分類(lèi)器的行人檢測研究%Research On PedestrianDetection Based On HOG And SVM[J]. 中國有線(xiàn)電視， 2017, 000（012）：1413-1415.

　　[60] Dalai N,Triggs B.Histograms Of Oriented Gradients For Human Detection[ C]∥Proceeding OfIeee International Conference On Computer Vision & Pattern Recognition.2005, 1:886 - 893[61] Wang H, Zhang Z. A Vehicle Real-Time Detection Algorithm Based On YOLOv2 Framework[C]//Real-Time Image & Video Processing. 2018.

　　[62] Redmon J , Farhadi A . YOLOv3: An Incremental Improvement[J]. 2018.

　　[63] 楊昉。 基于移動(dòng)平臺的目標檢測與應用系統[D].

　　[64] 王春輝。 基于高斯混合模型的多源異類(lèi)交通數據融合研究[D]. 2016.

　　[65] 李星，郭曉松，郭君斌。基于 HOG 特征和 SVM 的前向車(chē)輛識別方法[J].計算機科學(xué)，2013,40（S2）：329-332.

　　[66] Vehicle Tracking Using A Support Vector Machine Vs. YOLO By @KasparsakmannHttps://Link.Medium.Com/Yjmglcxrt2[67] Abadi M. Tensorflow: Learning Functions At Scale[J]. 2016, 51（9）：1-1.

　　[68] 孟琭， 楊旭。 目標跟蹤算法綜述[J]. 自動(dòng)化學(xué)報， 2019, 45（7）。

　　[69] Welch G, Bishop G. An Introduction To The Kalman Filter. Chapel Hill, Nc, Usa: University OfNorth Carolina At Chapel Hill, 2001.

　　[70] Nummiaro K, Koller-Meier E, Van Gool L. An Adaptive Color-Based Particle filter. Image AndVision Computing, 2003, 21（1）： 99?110

　　[71] Bolme D S, Beveridge J R, Draper B A, Lui Y M. Visual Object Tracking Using Adaptive Correlationfilters. In: Proceedings Of The 2010 Ieee Computer Society Conference On Computer Vision And PatternRecognition. San Francisco, Ca, Usa: Ieee, 2010. 2544?2550

　　[72] 明軍， 阮靜， 楊楊。 基于特征庫的彩色圖像二值化方法[J]. 計算機工程與設計（5）：344-347+362.

　　[73] Henriques J F, Caseiro R, Martins P, Batista J. High-Speed Tracking With Kernelized Correlationfilters. Ieee Transactions On Pattern Analysis And Machine Intelligence, 2015, 37（3）： 583?596

　　[74] 姚曉飛。 基于機器視覺(jué)的電容屏非可視區引線(xiàn)缺陷檢測方法研究[D].南京理工大學(xué)，2014.

致 謝

　　本文的研究工作是在我的導師鄭廣海教授的耐心指導下完成的，首先衷心感謝導師在論文寫(xiě)作與修改過(guò)程中對我的培養和幫助！在這兩年的研究生期間，您為我提供了良好的科研平臺，指明了我所感興趣的學(xué)術(shù)研究方向，并在科研和生活方面給予了多方面的關(guān)懷和照顧。自從碩士學(xué)習階段師從導師，兩年來(lái)的言傳身教，我懂得了很多學(xué)習和做事的方法和道理，讓我一生受益。

　　感謝答辯組的老師們，在我論文工作中給予了很多幫助和便利，衷心感謝各位老師們對我的研究工作的支持和幫助。

　　感謝研究生期間的同學(xué)們，和他們進(jìn)行的探討和交流啟發(fā)了我的研究思路，感謝我的室友們，同你們一起度過(guò)了這兩年難以忘懷的時(shí)光。還要特別感謝曲英偉老師，在我研究生期間的學(xué)習和論文規范寫(xiě)作上給了我十分關(guān)鍵的幫助。

　　感謝我的家人，你們在精神上給了我巨大的支持，在我面對困境時(shí)家人的照顧和陪伴讓我能以最好的狀態(tài)解決種種困難。

　　最后衷心感謝百忙之中評閱論文和參加答辯的各位專(zhuān)家和教授們！

（如您需要查看本篇畢業(yè)設計全文，請您聯(lián)系客服索取）