原文传递
基于HMM和基于GMM的高速公路交通事件检测
| 论文题名： | 基于HMM和基于GMM的高速公路交通事件检测 |
| 关键词： | 交通事件;高速公路;自动检测;数据采集;HMM模型;GMM模型 |
| 摘要： | 交通事件是造成道路通行能力下降的主要原因,由于交通事件的发生时间地点是随机的、不可预测的，我们难以及时检测到它，更难以采取相关措施救援，故极易引发二次事故。因此，检测交通事件并采取有效的救援措施是交通管理与控制的重要组成部分。 本文首先介绍了交通事件的检测方法的发展与现状，在此基础上提出了基于HMM和GMM的事件检测方法，阐述了交通事件自动检测系统的结构，对交通事件数据采集中使用的检测器进行了详细介绍，对检测的交通参数进行了概述，描述了检测器的选用原则，说明了事件检测算法的性能评价指标。 本文提出了两种检测交通事件的方法，即基于HMM（隐马尔可夫模型）和基于GMM(高斯混合模型）的交通事件检测方法。基于HMM的交通事件检测分别用正常以及异常交通流建立了HMM模型，然后在此模型的基础上提出了用于交通事件检测的训练算法，以及该模型的识别算法。这个算法的优点是准确率较高，算法简单，占用的存储空间很小，适合用于交通事件的实时检测。运用采集到的交通数据，分别做了两个实验。根据第一个实验的正常HMM 求得loglik（模型和数据吻合似然度），如果loglik大于给定阈值，该模型认为没有交通事件发生，否则有交通事件发生。根据第二个实验的正常以及异常HMM，分别求得loglik1和loglik2，如果loglik1大于loglik2，该模型认为没有交通事件发生，否则有交通事件发生。通过两个实验的对比，发现后者方法较好，准确率较高。 基于GMM的交通事件检测同样分别用正常以及异常交通流建立了GMM模型，然后在此模型的基础上提出了该模型的训练算法以及识别算法。通过训练分别得到使模型最优的λ，检测时将采集的交通数据分别根据正常以及异常GMM求得loglik1和loglik2，如果loglik1小于loglik2，该模型认为没有交通事件发生，否则有交通事件发生。这个算法的优点是模型训练时间短，识别率高，检测时间短。 文章在最后对全文进行了总结，说明了本文的创新之处，并且指出了其中的不足之处，提出了今后改进的方向。 |
| 作者： | 高莲 |
| 专业： | 电子科学与技术；电路与系统 |
| 导师： | 陈淑燕 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京师范大学 |
| 学位年度： | 2009 |
| 正文语种： | 中文 |
检索历史
应用推荐
