论文部分内容阅读
停车场作为人们日常生活中时常接触到的一个环境,由于各种因素的影响,使得其管理一直以来都是一个难以解决的问题。近年来,我国经济突飞猛进,人口数量持续扩大,汽车保有量和交通量也呈直线上升趋势。而城市中停车设施供给严重不足,导致了停车供需矛盾日益突出。如何高效识别停车场中的异常行为从而提高停车场的管理效率,降低管理成本的问题应运而生。因此,本文结合YOLOv3-Tiny算法和改进的KCF算法,并在其中提出运动过后静止的目标的判定,最终实现了对停车场内不按规定停车、违规占用车位、行人停车场内游荡、行人长时间车旁停留、停车场内潜在暴力事件的五种异常行为进行检测和识别。首先,针对本文特定情况采集了棍棒,蒙面,刀,枪,汽车五种目标各一百张总共五百张图片的数据集,再结合INRIA行人数据集组成本文所需新数据集。为了提高训练效果,使YOLOv3-Tiny能够学习到更多细节。本文采用了加入Fast Guided Filter的暗通道去雾算法对数据集图片进行优化。同时为了更好地利用计算资源,发挥YOLOv3-Tiny优势,在原有13×13和26×26两种尺寸的特征图基础上,借鉴YOLOv3增加了52×52的特征图。然后根据数据集中不同目标的宽高采用了K-means聚类算法获得最优anchor box的数量与宽高,并对比不同anchor box所得性能选取了最佳数量。从而对画面中的目标进行了有效的检测与识别,直接从持械和蒙面行为判定其是否存在停车场内潜在暴力行为。其次,为了判定停车场内不按规定停车、违规占用车位和行人长时间车旁停留三种异常行为,本文结合改进帧间差分算法和ViBe算法提出了一种静态目标目标检测算法。用以检测进入画面以后静止不动的目标物体。在视频帧中设定的ROI区域采用该算法判定其是否为静止前景目标,再将其与YOLOv3-Tiny识别目标进行匹配,从而判定其是否为上述两种异常行为。再计算静止行人与附近静止车辆的欧氏距离,判定其是否为长时间车旁停留。最后,本文研究了KCF目标跟踪算法,针对KCF算法应对快速运动的目标会出现跟踪失败,漂移的现象,本文提出了基于多特征的跟踪失误判断机制,对于判定为跟踪失误的目标。本文采用了多采样KFC目标跟踪算法,对跟踪失误的目标进行多个采样块的采样从而对目标进行重新检测。最终,描述出行人运动轨迹,根据行人的运行轨迹判定其是否为行人停车场内游荡。经过实验仿真证明本文算法能有有效检测本文所提出的五种异常行为且能够满足实时性。