计算机视觉在违章识别系统的研究与应用

摘 要

　　随着国力的增强以及人民的富裕，私家车的数量以及私家车出行正在逐渐取代公共交通工具出行方式，交通违章问题是现代交通的核心关注点，也是保证人民财产以及人身安全的的关键。在现实中，交通执法者往往会面临天气等不可抗因素无法执行道路面对面的监督违法，需要快速及时的对车辆违章行为事件做出反应，就需要违章识别系统来辅助交通执法者对交通违章行为识别以及记录，目前市面上的一些违章拍照系统过于单一且违章拍摄的准确度有待提高，在处理干扰事件时会被一些外因影响较大，因此在违章识别问题上利用计算机视觉更加具有现实意义。

　　首先本文针对国内外的计算机视觉方向研究动态进行阐述，以目前的计算机现有运算能力以及网络传输能力应对计算机视觉以及机器学习的问题已经可以完成，进一步对图像预处理的算法进行研究，其中包括图像的基本表示法，形态学操作以及边缘检测和直线检测等，其中最主要的是形态学操作以及边缘检测和直线检测，对后续的违章行为识别有着关键作用。

　　然后分析日常生活中常见的违章行为比如违章停车，违章变道，违章逆行和安全带的佩戴等依次分析和选择设计监测方案，对于车辆识别算法做了多种比对，最后选取了识别效果及速度上最折中的 YOLO 算法对车辆进行识别，然后对识别违章的算法进行设计，但是仅仅可是识别车辆违章行为还是不够的，还需对违章的车辆进行记录，其中涉及到了车辆牌照的识别，其中又涉及到了车牌的定位，车牌字符的分割以及单个字符的识别。改进了占空比方式违章停车检测方法，并运用在违章识别系统中。使用车辆识别方法加占空比方式识别，更加精确直观的识别违章停车的车辆，从而提高了违章检测的有效性。

　　最后收集大量车辆数据集并对数据集进行标注处理，然后练训识别权重，最后对于识别算法进行比对，验证了识别方案的有效性，同时根据实际情况开发出 违章识别系统，将研究算法在系统中进行了有效的应用。

　　关键词： 计算机视觉 机器学习 违章识别 车牌识别

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 录

　　第 1 章 绪论

　　1.1 选题背景

　　自 1978 年改革开放以来，我国国民经济得到广泛提升，社会经济得到了持续且高速度的发展，我国人民的生活水平也得到了大幅度提高，曾经少见的机动车如今也走进了千家万户，越来越多的人在日常出行上都选择了方便快捷的汽车而不是大众化的公交车或者地铁，尤其是没有地铁的城市，私家车出行已经成为首选，这就导致了我国的私家车数量急剧增加，根据我国公安部统计：截止到 2018 年中国全国的机动车保有量达到了 3.27 亿辆之多，其中小型载客汽车首次突破 2 亿辆；持有机动车驾驶证的人员突破4 亿人口，达到了 4.09 亿人。从机动车辆的类型来看，小型家用载客汽车的保有量达 2.01亿辆，是我国首次突破 2 亿辆，也是促使汽车保有量增长的主要部分；从分布情况来看，全国共有 61 个城市的汽车保有量超过了百万辆，有 27 个城市超过了 200 万辆，在其中北京等 8 个大型城市超过了 300 万辆[1].汽车数量增长虽然为人民群众的生活带来了极大的便利，但是另一方面来看这也给城市和交通带来了很多的问题，汽车增长速度超过了基本道路所能承受的上限，巨大的交通压力不仅给大众的出行造成了很大的困扰，也给交通管制的执法者带来了难题，而在这些交通难题中，最令执法者头痛的问题便是交通违章，紧紧依靠着传统的交警出勤或者人工视频监控等措施已经很难应对当下的交通状况。

　　2017 年 8 月，我国国务院安全生产委员会首次发布了我国的《道路交通安全 "十三五"规划》[2]（以下简称《规划》），《规划》指出"十二五"期间，我国发生造成人员伤亡的道路交通事故共 99.8 万起，导致了 29.7 万人的死亡、108.7 万人受伤，平均每年发生了 20 万起，造成 5.9 万人死亡、21.7 万人受伤？"十二五"期间，发生较大及以上道路交通事故共计 4641 起。《规划》同时要求到 2020 年时，建成并完善全国重点营运车辆动态安全管控体系，颁布实施重点车辆安装汽车电子标识的相关标准，国家道路主干线公路卡口必须连接互联网。

　　智能交通系统 ITS（ Intelligent Transportation System ）是目前现代交通的一项前沿科技，名称 1994 年正式确定，到今天为止已经发展了 20 多年，但是随着近年来在各种基础设施建立完善之后产生了重大进步，这些基础设施包括：计算机运算能力，网络传输效率，高清联网视频监控摄像头的广泛安装等[3].如今随着科技的迅速发展和消费者骤增的需求，智能交通系统领域出现了与创建之初不同的并且有着鲜明特色的技术方向以及研发热点。在 2018 年 5 月，在新加坡举行的 2018 年度智能交通世界大会理事会会议上，委员会根据最近几年大会收录的论文以及产业界提出的议题加上管理涉及问题做了报告，报告指出了最近 3 年内 ITS 业界的动向：车辆自动化、车辆与网络安全、出行服务[4].基于这样的背景，我们提出了一种基于计算机视觉以及机器学习技术的识别道路交通违章解决方案，解决目前智能识别道路交通违章问题。

　　1.2 研究意义

　　目前在世界上有关智能交通违章识别以及处理的系统是少之又少，现存的违章识别也仅仅能够识别车辆超速行驶，或者安全带的佩戴等问题，且大部分是人工检测，在视频流量巨大和车况复杂等基础上人工检测往往力不从心。

　　传统的车辆违章识别有感应线圈检测，磁力计检测，微波真实现场检测，微波多普勒检测，超声波检测，红外线检测等，各种方法有他们各自的优缺点，但是随着高清和超清摄像头的出现以及计算机网络传输速率和运算处理能力的增强，基于视频流的处理的智能交通车辆违章彰显出来这种方法的高效、低成本等显著优点，详情如下几点：

　　（1）高清道路监控摄像头的普及。目前在我国各级道路以及交叉路口都存在大量的联网高清监控摄像头，且各路段都会有归属部门来进行监管以及维护，这相比于其他技术要省去大量的物理设备的接入。

　　（2）摄像头等硬件便于安装，维护成本低于超声波，红外线等设备。

　　（3）易于处理。基于监控摄像头进行处理可以实现高速的图像传输，高速识别违章行为，并且违章抓拍等便于执法者识别违规行为。

　　（4）受环境因素干扰小。相比于利用波，红外线等进行违章识别的技术，监控摄像头的图像抗噪能力有强大的优势，也和图像梳理中一些成熟去噪的技术有关。

　　1.3 国内外研究动态

　　本节对计算机视觉以及机器学习的领域现有研究进行检索，梳理和总结。针对文章需要以及所涉及的算法进行综述，探讨研究方向相关问题国内外的研究现状。

　　目前我国的智能交通正处于瓶颈期，20 世纪末开始跟随国际智能交通发展趋势，不仅制定了交通发展战略，还对智能交通的框架进行了搭建，相应的研发技术和应用工程也紧随其后相继发展。1996 年北京市公安局实验成功闯红灯拍摄成功后国家开始对电子警察进行大力发展。在总体上，中国的智能交通跟随着国际发展，但是由于我国社会管理体系以及文化的不同，在具体技术和系统应用上有中国自己的特色。而近年来，随着我国互联网技术的飞速发展促使我国各行各业都有了极大的提升。2011 年以后，随着经济发展水平的提高和科技实力的增强，中国各方面均试图在智能交通领域有所突破，也开展了不少工作，但效果并不突出[4].最主要的原因便是低水平重复或者方向不明确。

　　我国国家科技项目大多属于常规交通技术内容的研究[4],能真正与日本或者美国欧盟等its 强国研究的内容对接部分以及本文研究的计算机视觉在机动车违章方面的应用，是少之又少。而根据《2019 年计算机视觉行业市场前景研究报告》显示，在中国企业人工智能技术细分占比中，有近 42%的企业目前应用着计算机视觉领域技术。

　　商业以及应用方面，根据 IDC 市场跟踪，2018 年我国计算机视觉技术输出规模最大的三个行业是政府、金融和互联网。随着我国计算机视觉的不断发展，其也将与更多行业进行全方位地深入融合，这意味着计算机视觉市场仍有巨大的潜力；国外已经有比较完善的系统由美国 ISS 的 Sutoscope[5]系统，Traficon[6]系统等；利用视频监控在生活中进行监控和预警，通过对视频序列的分析，目标的自动识别智能监控可以提取到对预警有用的关键性信息，减少了人为干预提高监控效率[7];现代化军事的研究主要集中于精确制导[8]、飞行控制、无人机侦察[9]、靶场测量及武器观测瞄准[8]等方面；智能汽车目前的研究主要集中在智能导航以及自动驾驶方面，利用车辆四周的摄像头或者其他的传感器对周围的环境和运动物体进行检测以及跟踪[11],此项技术的要求对于检测的实时性以及鲁棒性要求极高，因为道路交通车辆运行速度较快，检测速度提高安全性能也会大大提高，所以如何在摄像头运动时快速精确地检测和跟踪是智能视觉导航的研究重点。

　　计算机视觉的实现必须有图像处理的帮助而图像处理则依仗着机器学习，机器学习是人工智能领域的一个重要分支，机器学习是研究计算机怎样模拟或实现人类的学习过程，学习到新的知识或技能，改进原有的知识使得自身性能不断改进[12];机器学习又包含了深度学习，近几年，深度学习凭借其优秀的特征建模能力，在目标跟踪领域取得了优异成绩[13].

　　目前机器学习的内容可以是一个能够从输入映射到输出的函数，也可以是从无标记数据的隐含结构中进行学习，通过比较新增实例与存储在内存中的训练好的数据，给新增实例赋予一个类别的标记，而基于实例的学习不会再具体的实力上创造一层抽象[14].

　　按照人工干预程度机器学习目前可划分为三类：强化学习[15]（也称再励学习，评价学习或增强学习），无监督学习[16],监督学习[17].

　　马尔可夫决策过程[18]（Markov Decision Process, MDP）是最常见的强化学习模型，按照给定条件强化学习可将其分为基于模式的强化学习和无模式强化学习，以及主动强化学习和被动强化学习[19],深度学习模型可以在强化学习中得到使用，形成深度强化学习，简单来说强化学习就是一种智能算法通过与外部环境进行交互获得奖励，以尝试的方式进行学习[14],不断试错目的就是为了获得最大奖励。

　　无监督学习[20]是根据未知类别的训练样本解决模式识别中的问题，即只存在输入变量不存在输出变量，对数据中隐含的信息进行模型构建，称为无监督学习[21].

　　聚类是最典型的无监督学习[22],目的是为了把有相似性的类别聚在一起，并不关心这类物体是什么或者用来干什么，因此简单的聚类只需要计算相似度就可以[23].目前深度学习中的无监督学系主要分为两大类，一类确定型的自编码方法[24]及其改进算法，另一类是概率型的受限波尔兹曼机及其改进算法[25].

　　监督学习是将训练数据预先标注好进行训练使分类器的参数达到要求性能的过程[24],也称为监督训练或有教师学习[26].

　　监督学习是目前研究最为广泛的一种机器学习方法，神经网络传播算法[27]、决策树学习算法[28]等已在许多领域中得到成功的应用但是缺点是需要给出不同环境下的期望输出，完成的是与环境没有交互的记忆和知识重组的功能，因此限制了该方法在复杂的优化控制问题中的应用[28].

　　由于目前的视频监控是目标跟踪技术最活跃的领域之一，而且目标追踪方向近几年的世界大赛上中国研发团队常常名列前茅，比如 2017 年第一名的大连理工大学卢湖川教授队伍提交的 LSART[29],第二名北京邮电大学代表队的单卷积特征的相关滤波解决方案，2019 年夺冠的百度单目标跟踪算法 ATP[30].目标跟踪是通过在连续的视频序列中估计跟踪目标的位置，形状以及所在位置，确定运动目标的运行速度放方向以及轨迹，实现对目标行为的分析以及理解，以便完成更高级的任务[31].车辆行驶预测方面清华大学电子工程学院学者提出一种嵌入式实时视频监控系统的实时算法，能够有效地监测并追踪到多个移动目标，并别能够利用算法快速预测到车辆即将行驶的路段区域[32].

　　杭州师范大学智能交通与信息安全实验室学者提出一种可用于多个车辆跟踪的自适应局部遮挡分割法，能够应用于各种复杂的交通路段中[33];在车辆识别方面，SVM 前向车辆识别[34]是一个最新的研究成果，是通过分割提取车辆底部阴影对车辆行驶的区域进行预测，并采取 SVM 支持向量机得到车辆分类器对该区域进行验证，判断该区域是否为车辆区域，此种方法与最近几年出来并大热的 YOLOv3[35]在性能上有着不小的差距，YOLO 算法以算法运算速度快为名，首先是将物体检测的问题作为回归问题进行求解，算法检测是通过单个的网络。YOLO 算法的另一个优点是召回率低，具体的表现是背景误检率低。YOLO 能对整副图片进行扫描，得到完整的图片信息，与其他的方法相比泛化能力是极强的，后期训练效果也优于其他算法。

　　1.4 本文主要研究内容及难点分析

　　针对日常交通出行上会发生的一些安全事故问题，重点放在研究高清视频的检测以及违章识别的算法，填补我国在计算机视觉在车辆违章方向上的空白，重点以及难点是视频中的光线变化，车牌识别中的遮挡物处理，对于各种不同车型号的识别，穿着打扮对安全带识别的影响，背景变化对车辆的识别如何提高检测率和正确率。

　　综上所述，本文研究内容基于视频检测，正确处理各项问题的前提必定是在正确监控的基础上，所以需要解决以下问题：

　　（1）全天候的目标检测在光照变化频繁给检测工作带来了影响，需要选择性能较好的目标检测法跟踪运动目标。

　　（2）车辆运动过程中，会在光线照射下产生阴影，阴影可能会对相邻的车道上覆盖，所以需要区分运动的车辆以及阴影。

　　（3）背景的频繁变化可能会对运动车辆的识别上造成困扰，尤其是背景上有其他车辆进入会加大识别上的困难，所以需要好的背景重建法搭建背景，以免造成影响正确识别违章的困难。

　　（4）车牌识别以及定位的困难：车牌的字符识别需要经历图像采集，车牌定位，字符分割，字符识别等，车牌的定位是最为关键以及复杂的一步，需要在目标车辆周围消除各种对于识别上产生的干扰，尤其是光照情况下可能会对字符分割及识别上造成的干扰。

　　（5）对车道的提取与建模。行车道的建模以及提取在每个监控摄像头有不同的样子，一个好的模型可以更加精确的检测到目标车辆是否违规，车道线的提取需要使用的方法为基于车道线区域监测和基于模型的检测方法，不同的颜色深度都需要尽可能地识别出来也为建模造成了一定的困难。

　　1.5 本章小结

　　本章为绪论部分，主要介绍了论文的研究背景，意义和国内外对于计算机视觉在违章识别方向上的发展现状以及本文的主要研究难点以及重点，为后面的论文主体内容的开展确立了良好的开端。

　　第 2 章 图像预处理算法的研究

　　2.1 图像基本表示方法

　　2.1.1 二值图像

　　2.1.2 灰度图像

　　2.1.3 彩色图像

　　2.2 图像基本处理

　　2.2.1 彩色图像转灰度图像

　　2.2.2 二值图像的转化

　　2.2.3 图像去噪

　　2.3 形态学操作

　　2.3.1 腐蚀

　　2.3.2 膨胀

　　2.3.3 开运算与闭运算

　　2.4 图像的边缘检测

　　2.4.1 Canny 边缘检测

　　2.4.2 Sobel 算子

　　2.5 图像中直线检测

　　2.5.1 霍夫变换

　　2.5.2 概率霍夫变换

　　2.6 图像金字塔

　　2.7 本章小结

　　第 3 章 违章行为的分析与检测设计

　　3.1 违章停车的检测与判别

　　3.1.1 均值方差阈值方式检测违章停车

　　3.1.2 占空比方式检测违章停车

　　3.2 违章变道的检测与判别

　　3.2.1 巴氏度量车辆违章变道检测

　　3.2.2 分水岭加轨迹违章变道检测

　　3.3 违章逆行的检测与判别

　　3.3.1 质心坐标检测法

　　3.3.2 卷积神经网络的车辆逆行检测

　　3.4 安全带佩戴的检测与判别

　　3.4.1 基于霍夫变换的安全带检测

　　3.4.2 卷积神经网络的安全带识别

　　3.4.3 显著梯度图检测安全带

　　3.4.4 结合 YOLO 的驾驶员安全带检测

　　3.5 本章小结

　　第 4 章 车牌识别算法的研究

　　4.1 车牌定位算法的研究

　　4.1.1 图像二值化

　　4.1.2 边缘检测

　　4.1.3 闭运算与车牌定位

　　4.2 车辆牌照字符的分割

　　4.2.1 模板匹配法

　　4.2.2 垂直投影法

　　4.3 单个字符的识别

　　4.4 神经网络识别车牌

　　4.4.1 特征值的提取

　　4.4.2 BP 神经网络的训练

　　4.5 车辆牌照分类识别

　　4.5.1 RGB 图像转换 HSV 类型

　　4.5.2 形态统计学识别车牌颜色

　　4.6 本章小结

　　第 5 章 车辆识别及跟踪算法的确定

　　5.1 SVM 分类法识别车辆

　　5.1.1 基于 HOG 特征和 SVM 的车辆识别

　　5.1.2 HOG 特征提取

　　5.1.3 HOG 特征提取的实现方法

　　5.1.4 HOG 特征提取与计算步骤

　　5.1.5 SVM 车辆分类器训练

　　5.2 YOLO 目标检测算法

　　5.2.1 YOLOv3 目标检测算法原理

　　5.2.3 Darknet-53 神经网络

　　5.2.4 YOLOv3 的多尺度特征目标识别

　　5.3 SVM+HOG VS YOLOv3

　　5.4 图像标注及权重训练

　　5.4.1 增加数据集及图像信息标注

　　5.4.2 训练数据集

　　5.4.3 训练结果分析

　　5.5 车辆追踪算法确定

　　5.5.1 多目标跟踪算法

　　5.6 本章小结

　　第 6 章 违章识别系统的设计

　　6.1 软件需求分析

　　6.1.1 用户需求分析

　　6.1.2 界面需求分析

　　6.2 系统模块及架构设计

　　6.2.1 系统模块设计

　　6.2.2 系统架构设计

　　6.3 系统功能的实现

　　6.3.1 软件开发环境

　　6.3.2 UI 设计

　　6.4 软件检测结果分析

　　6.5 本章小结

总结和展望

　　在互联网人工智能大趋势下，大量的传统行业正在向智能化，信息化转型，以适应日益激烈的行业竞争。违章识别系统问题作为交通行业的核心问题之一，成为了当下的研究热点。本文研究了违章停车、违章变道、违章逆行以及安全带驾驶的行为并经过比对选取了较好的解决方案联合了车牌识别算法，实现了基于计算机视觉的违章识别系统系统。论文成果如下：

　　（1） 本文改进了占空比方式违章停车检测方法，并运用在违章识别系统中。该方法使用车辆识别方法加占空比方式识别，更加精确直观的识别违章停车的车辆，从而提高了违章检测的有效性。

　　（2） 针对违章变道问题，车辆识别算法结合了巴氏度量方法。该方法解决了识别车辆变道角度难题，并能进行高效的多目标检测。将该方法应用在违章变道的检测算法中，替代分水岭车辆轨迹算法中的计算轨迹步骤用于求解车辆角度，有效减少了计算时间以及程序复杂度。

　　（3） 采用基于霍夫变换的安全带检测方法对安全带进行检测。该算法结合改进的霍夫变换提出了改进检测安全带的方法，降低了算法陷入局部最优的概率。根据安全带的特性，加入了阈值判断方法，提升了算法的性能。

　　（4） 车辆牌照识别上采用了神经网络的方法对车辆牌照进行识别，在原有算法的基础上增加了对车辆牌照颜色对应的分类的识别。

　　（5）车辆识别算法选取了跟踪效果和跟踪速度上都较优的 KFC 算法并应用在违章识别系统。

　　本文在车辆违章行为方面进行了研究，但面对实际复杂的交通环境情况仍不够全面，主要表现如下：

　　（1） 环境干扰方面，本文中面对外部环境因素的影响检测效果可能会有误差，比如车牌遮挡导致检测结果错误，安全带检测受到的问题还有待进一步研究。

　　（2） 车辆识别方面，本文车辆识别使用的是 YOLO 算法，在有大量车辆积压的情况下会明显导致算法的检测效率变低，所以需要对出现大量车辆堆积的情况进行算法改进。

参 考 文 献

　　[1] 第三季度全国机动车和驾驶人保持平稳增长[J].道路交通管理，2018（11）：9.

　　[2] 国务院安委会印发《道路交通安全"十三五"规划》[J]. 中国应急管理， 2017（9）：21-28.

　　[3] 赵娜，袁家斌，徐晗。智能交通系统综述[J].计算机科学，2014,41（11）：7-11+45.

　　[4] 王笑京，张纪升，宋向辉，汪林。国际智能交通系统研发热点[J].科技导报，2019,37（06）：36-43.

　　[5] 巩建国， 赵琳娜。 日本 vics 系统简介与借鉴[J]. 汽车与安全， 2015（1）：101-105.}

　　[6] 陈超， 吕植勇， 付姗姗， Et Al. 国内外车路协同系统发展现状综述[J]. 交通信息与安全， 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] 赵久奋，王明海。红外探测阵列对固体导弹尾焰跟踪定位的研究。固体火箭技术，2000,23（ 4） :64-68.

　　[9] 卢莉萍。目标跟踪算法与检测处理技术研究。博士学位论文。南京：南京理工大学，2012.

　　[10] 国家重点研发计划"综合交通运输与智能交通"重点专项 2018 年度项目申报指南[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] 帕科尔， J.R.）。 图像处理与计算机视觉算法及应用（第 2 版）[M]. 清华大学出版社， 2012.

　　[13] 卢湖川， 李佩霞， 王栋。 Visual Object Tracking: A Survey%目标跟踪算法综述[J]. 模式识别与人工智能， 2018, 031（001）：61-76.

　　[14] 郭成。机器学习算法比较[J].信息与电脑（理论版），2019（05）：49-50.

　　[15] 刘全， 翟建伟， 章宗长，等。 深度强化学习综述[J]. 计算机学报， 2018, 041（001）：1-27.

　　[16] Al Gharakhanian, 张含阳。 无监督学习、Gan 和强化学习将构建机器学习的未来[J]. 机器人产业，2017（2）：22-25.

　　[17] 王万良， 张兆娟， 高楠，等。 基于人工智能技术的大数据分析方法研究进展[J]. 计算机集成制造系统， 2019, 25（03）：5-23.

　　[18] C.C.White. 马尔可夫决策过程[J]. 数学译林， 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] 王改华， 李涛， 吕朦，等。 采用无监督学习算法与卷积的图像分类模型[J]. 华侨大学学报：自然科学版， 2018, V.39;No.159（01）：152-157.

　　[21] 王建新， 钱宇华。 符号数据的无监督学习：一种空间变换方法[J]. 计算机科学， 2016,V.43（01）：95-99+127.

　　[22] 谢娟英， 侯琦， 曹嘉文。 深度卷积自编码图像聚类算法[J]. 计算机科学与探索， 2019,013（004）：586-595.

　　[23] 曹璐。 基于特征融合的行人检测与图像聚类研究[D].

　　[24] 李恒， 张黎明， 蒋美容，等。 基于监督学习的全卷积神经网络多聚焦图像融合算法[J]. 激光与光电子学进展， 2020, 57（8）。

　　[25] 张春霞， 姬楠楠， 王冠伟。 受限波尔兹曼机？[J]. 工程数学学报， 2015, 000（002）：159-173.

　　[26] 蔡轶珩， 王雪艳， 胡绍斌，等。 基于多源图像弱监督学习的 3d 人体姿态估计[J]. 北京航空航天大学学报， 2019, 45（12）：2375-2384.

　　[27] 杨鹤标， 龚文彦。 基于卷积神经网络的反向传播算法改进[J]. 计算机工程与设计， 2019,40（01）：134-138.

　　[28] 安葳鹏， 尚家泽。 决策树 c4.5 算法的改进与分析[J]. 计算机工程与应用， 2019（12）：169-173.

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

　　[30] 孙彦景， 石韫开， 云霄， Et Al. 基于多层卷积特征的自适应决策融合目标跟踪算法[J]. 电子与信息学报， 2019, 41（10）。

　　[31] 丁世飞，齐丙娟，谭红艳。支持向量机理论与算法研究综述[J].电子科技大学学报，2011,40（01）：2-10.

　　[32] 张强，张勇，刘芝国，周文军，刘佳慧。基于改进 YOLOv3 的手势实时识别方法[J/Ol].计算机工程：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 算法的前方车辆视频检测[D]. 2016.

　　[35] 高云， 彭炜。 基于 keras 的分类预测应用研究[J]. 山西大同大学学报：自然科学版， 2019（5）：26-30.

　　[36] 李立宗。OpenCV 轻松入门[M].电子工业出版社：北京，2019: 2019（8）：124-125[37] 高红波， 王卫星。 一种二值图像连通区域标记的新算法[J]. 计算机应用（11）：168-169+177.

　　[38] 曹丽琴， 商永星， 刘婷婷， Et Al. 局部自适应的灰度图像彩色化[J]. 中国图象图形学报，2019（8）：1249-1257.

　　[39] 林开颜， 吴军辉， 徐立鸿。 彩色图像分割方法综述[J]. 中国图象图形学报， 2005, 10（1）。

　　[40] 刘庆祥，蒋天发。 彩色与灰度图像间转换算法的研究[J]. 武汉理工大学学报（交通科学与工程版）（3）：344-346.

　　[41] 陈伟。 智能交通图像识别系统的研究[D].浙江大学，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] 汤一平，陈耀宇。基于计算机视觉的违章停车智能监控系统[J].计算机测量与控制，2009,17（08）：1505-1508.

　　[44] 王殿海，胡宏宇，李志慧，曲昭伟。违章停车检测与识别算法[J].吉林大学学报（工学版），2010,40（01）：42-46.

　　[45] 曹妍妍，崔志明，吴健，孙涌。基于巴氏度量的车辆违章变道快速检测方法[J].苏州大学学报（工科版），2011,31（03）：1-7.

　　[46] 胡春海， 查琳琳， 陈华。 一种基于 orb 算法改进的 tld 目标跟踪算法[J]. 燕山大学学报， 2019,43（3）：263-270.

　　[47] 厉小润， 杨平。 一种基于视频检测技术的车辆违法变道检测方法[J], 2012（06）：134-136+177[48] 隋靓，党建武。基于运动目标轨迹的高速公路异常事件检测算法研究[J].计算机应用与软件，2018,35（01）：246-252.

　　[49] 阮雅端， 高妍， 赵博睿， Et Al. 基于深度卷积神经网络的车辆违停逆行检测方法：.

　　[50] 潘世吉。 智能交通违章监测算法研究及软件系统实现[D].哈尔滨工业大学，2016.

　　[51] 詹益俊，陈光喜，黄勇，王佳鑫，吕方方。基于卷积神经网络的驾驶员检测和安全带识别[J].桂林电子科技大学学报，2019,39（03）：211-217.

　　[52] 周彬。 面向卡口监控的安全带图像检测的应用与研究[D].武汉科技大学，2018.

　　[53] 吴天舒，张志佳，刘云鹏，郭婉妍，王子韬。结合 YOLO 检测和语义分割的驾驶员安全带检测[J].计算机辅助设计与图形学学报，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，佘锡伟，余文进，杨文臣。字符多特征提取方法及其在车牌识别中的应用[J].计算机工程与应用，2011,47（23）：228-231.

　　[56] 孙君顶。 基于内容的图像检索技术研究[D].西安电子科技大学，2005.

　　[57] 周辰雨；张亚岐；李健。 基于 SVM 的车辆识别技术[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， 王绵沼。 基于 HOG 特征与 SVM 分类器的行人检测研究%Research On PedestrianDetection Based On HOG And SVM[J]. 中国有线电视， 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] 杨昉。 基于移动平台的目标检测与应用系统[D].

　　[64] 王春辉。 基于高斯混合模型的多源异类交通数据融合研究[D]. 2016.

　　[65] 李星，郭晓松，郭君斌。基于 HOG 特征和 SVM 的前向车辆识别方法[J].计算机科学，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， 杨旭。 目标跟踪算法综述[J]. 自动化学报， 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] 明军， 阮静， 杨杨。 基于特征库的彩色图像二值化方法[J]. 计算机工程与设计（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] 姚晓飞。 基于机器视觉的电容屏非可视区引线缺陷检测方法研究[D].南京理工大学，2014.

致 谢

　　本文的研究工作是在我的导师郑广海教授的耐心指导下完成的，首先衷心感谢导师在论文写作与修改过程中对我的培养和帮助！在这两年的研究生期间，您为我提供了良好的科研平台，指明了我所感兴趣的学术研究方向，并在科研和生活方面给予了多方面的关怀和照顾。自从硕士学习阶段师从导师，两年来的言传身教，我懂得了很多学习和做事的方法和道理，让我一生受益。

　　感谢答辩组的老师们，在我论文工作中给予了很多帮助和便利，衷心感谢各位老师们对我的研究工作的支持和帮助。

　　感谢研究生期间的同学们，和他们进行的探讨和交流启发了我的研究思路，感谢我的室友们，同你们一起度过了这两年难以忘怀的时光。还要特别感谢曲英伟老师，在我研究生期间的学习和论文规范写作上给了我十分关键的帮助。

　　感谢我的家人，你们在精神上给了我巨大的支持，在我面对困境时家人的照顾和陪伴让我能以最好的状态解决种种困难。

　　最后衷心感谢百忙之中评阅论文和参加答辩的各位专家和教授们！

（如您需要查看本篇毕业设计全文，请您联系客服索取）