原文传递
基于移动智能终端的行车监控系统研究与实现
| 论文题名： | 基于移动智能终端的行车监控系统研究与实现 |
| 关键词： | 车载监控系统;移动智能终端;识别算法;行车安全 |
| 摘要： | 随着国家车辆保有量快速发展，城市交通问题变得日益严峻，对交通监控方面也提出了更高的要求。另一方面，随着车载监控技术的发展和移动智能终端的普及，使得构建一整基于移动智能终端的车载监控系统成为可能。其中，车辆识别作为车载视频监控系统的核心也是关键的难点，已经吸引了国内外学者从事相关的研究。目前主流的识别算法包括根据背景差分法、帧差分法、光流法以及基于学习的车辆识别算法。这些算法各有优缺点，适合不同的识别场景。 我们希望能够在车辆行驶过程中对视频进行录制，同时进行视频分析检测出在道路上行驶的车辆。由于行车过程中天气和光照往往千变万化，环境较为复杂。同时车辆外形也相对有着明显区别。不宜适用背景差分法和帧差分法。同时光流法由于其复杂度太高，需要较大硬件成本，不适用于普通的行车监控系统中。根据我们所要检测的场景，通过分析确定了使用基于学习的车辆识别算法。 通过调研国内外相关工作，我们最终选择了在车辆识别领域比较主流的两种算法:Hog+SVM和类Haar+AdaBoost。其中，Hog+SVM算法比较准确，但是和类Haar+AdaBoost相比速度较慢。根据对车载监控视频进行特征分析后发现，车辆在行驶过程中，车在监控画面中的大小会发生变化，远处的车辆在画面中显示较小，而近处车辆则显示较大，因此必须选择不同大小的识别区域，同时考虑到远处车辆过小需要有较高的识别准确度的检测方法。基于上述分析，最终决定将Hog+SVM和类Haar+AdaBoost两种算法相结合，针对不同的识别对象发挥其各自的优势。在算法优化方面，我们主要基于Kalman算法来进行待检测区预测，同时进行跳帧处理。在不影响检测准确率的情况下，进一步优化算法的性能，进而提升系统的用户体验。 此外，我们对上述算法进行封装，并在基于Android系统的智能移动终端初步实现了一个相对完整的监控系统，包括了对视频数据流的实时处理、对识别算法的封装和调用、视频回放功能以及最近加油站查找功能。另外，系统对于移动端的数据存储，也做了一定的优化处理。 最后，我们在目前主流的Android平台上进行实验，进一步测试和分析系统的系统。在实验过程中，采集了3000多张正负样本训练集进行训练，直接把结果集成到相关移动端的系统中。实验结果表明:10次平均处理耗时为121.679毫秒，基本能够满足一般应用中处理速度的需求。5次实验结果表明，部分检测率为90.41％、完全检测34.25％。因此，算法的完全准确率有待提高，需要通过更多样本进行训练。 |
| 作者： | 阮天波 |
| 专业： | 软件工程 |
| 导师： | 毛郁欣 |
| 授予学位： | 硕士 |
| 授予学位单位： | 浙江工商大学 |
| 学位年度： | 2015 |
| 正文语种： | 中文 |
检索历史
应用推荐
