论文总结（4）：An Efficient Optimal Neural Network-Based Moving Vehicle Detection in Traffic Video Surveill

Keywords: Traffic information system（交通信息系统） traffic surveillance（交通监控）nighttime surveillance（夜间监控）vehicle detection vehicle tracking

Abstract

 

提出了一种有效的交通视频监控系统，用于交通场景中车辆的检测。道路移动车辆识别过程用于车辆跟踪、计数、每辆车辆的正常速度、运动检查和车辆分类目标，并可在各种情况下执行。在本文中，我们提出了一种新的混合人工神经网络(ANN)和相对引力搜索优化算法(ANN- ogsa)的运动车辆检测(MVD)系统。该系统包括背景生成和车辆检测两个主要阶段。在这里，首先，我们开发了一个有效的方法来生成背景。背景生成完成后，我们使用ANN-OGSA模型对运动车辆进行检测。为了提高神经网络分类器的性能，我们使用OGSA算法对权重值进行了优化选择。为了证明系统的有效性，我们将我们提出的算法与不同的算法进行了比较，并利用三种类型的视频进行了实验分析。与现有的GSA-ANN和ANN相比，ANN- ogsa方法的精度分别提高了3%和6%以上。同样，基于gsa - ann的MVD系统对视频1、视频2和视频3的召回率分别达到89%、91%和91%。

作者使用了一个Ann网络去处理图像，然后输入到作者自己的设计的MVD框架里面，有一个权重优化的过程，说OGSA算法是GSA算法和OBL策略的结合。

算法评估的方式主要有四个：

precision 、recall 、F1-Measure 、similarity 

度量值基于真阳性(TP)、真阴性(TN)、假阳性(FP)和假阴性(FN)。

 

做的对比实验：

OGSA–ANN算法、ANN-based MVD算法、GSA-based MVD.算法

测试的视频使用的是 a video 1 (EW), b video 2 (HW), and c video 3 (FW)

“expressway (EW),” 、“highway (HW),” 、“freeway (FW).”

 

首先是做了三个算法的精度对比，然后做了召回率的对比，后面做了基于F-Measure的对比，最后做了基于Similarity的对比。

精度（precision）

召回（recall）

F-measure

similarity

总结下：

我感觉这货在水文章

 

下面的内容不看也罢（草稿）：

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

提出利用OGSA-ANN模型进行车辆检测本研究的主要目的是结合ANN-OGSA进行MVD。在智能交通框架中，MVD框架是一个重要的研究参数，它将车辆信息提供给驾驶同事框架。此外，MVD是目标识别的子部分。它是一个基本的建筑，阻碍或交通监控和许多不同的应用。该系统包括两个模块，即(1)背景生成模块和(2)MVD模块。图2给出了采用OGSA-ANN模型的MVD系统，下面讨论了所提出的工作步骤。

背景生成是MVD系统的重要过程。本节的主要目的是创建输入视频Vin的背景。在本文中，我们开发了一种高效的后台生成方法。假设输入视频的帧数为n (Vin = [Vi, Vz，…])Vn))。每一帧有一个恒定过程和一个移动过程。因此，这些帧有两种类型的像素，如背景像素和移动像素。比较这两个像素在所有帧，我们观察到背景像素包含相同的像素值为所有帧，而移动对象像素包含不同的像素

 

 

 

 

 

 

下面部分不看都行

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

基于视频的监控框架的一个值得注意的用途是交通监控。长期以来，研究人员一直在探索基于视觉的智能交通系统(ITS)、交通安排、交通设计等应用，提取出有用的、准确的交通数据，用于交通图片调查和交通流控制，如车辆统计、车辆方向、车辆跟踪、车流、车辆排列、交通密度、车速、交通路径变化、车牌识别等[1- 10,17,33]。所有视频处理算法的实时实现被映射到可靠的现场可编程门阵列设备上，并使用适当的纠错码[1,3 - 7,33]。对安全的兴趣不断扩大，为更多的智能监控研究铺平了道路。智能监视有着广泛的用途，例如移动项目检测[111，目标跟踪[28]，运动分割[13]，目标分类识别[15]，场合检测[16]，并对[14]进行理解和描绘。移动车辆的检测与跟踪是交通监控中一个迫切需要解决的问题。它被用来在视频中寻找移动的物体，从而避免在交通堵塞中发生碰撞。这个程序对管理是至关重要的，例如，智能停车系统，自动驾驶框架，交通参数的估计，或运动时间[35]的估计。

可靠而强大的车辆检测是交通监控的重要组成部分，但在交通信息系统中，车辆定位仍存在一些问题。由于车辆外观和姿态的不同，很难建立统一的检测模型。复杂的城市环境，恶劣的气候，明亮的变化，以及糟糕的/坚实的照明条件严重地破坏了场地的执行。具体来说，对于交通拥堵，车辆之间相互阻碍，目标是不同的车辆可以毫不费力地汇聚成一个单独的车辆。（遮挡问题）用于学习车辆发现的参数也是一个基本问题。参数复杂的定位技术通常是不合理的。为了检测目标，一些研究人员首先计算出对检测过程有用的显著特征。因此，很多研究都是利用车辆的视觉特征来识别静止图像中的车辆[19,20]。特征，例如Gabor，阴影，边缘和角落通常用于检测车辆。在这一点上，它们被培养成一个确定性分类器和一个生成模型来识别车辆。此外，大部分专家使用两阶段技术（说的是tow-stage也就是maskRcnn之类的），包括假设生成和假设验证[26]，来定位飞行器。这种方法在白天可以很好地工作，但在光照条件差的情况下(如夜间)可能会失败。

到目前为止，专家们已经开始利用视频处理系统进行车辆检测[21-25]。神经系统已广泛应用于交通控制框架[27,29 -31]。交通位置证明了利用利用吸引运动的传感器[27]所产生的神经系统的有效性。智能专家框架的主要目的是控制流量[29]。为了控制交通信号，应用了混合计算智能技术和模糊神经网络。该方法显著地减少了交通过程中的等待时间。此外，交通流预测在文献[30]中得到发展。同样，卡尔曼滤波(KF)大部分是在抗议后的pro

 

在本文中，我们开发了一个有效的运动车辆检测(MVD)系统使用最优人工神经网络(OANN)。该系统由两个模块组成，即背景生成和基于ANN和相对引力搜索优化(OGSA)的MVD，即ANN-OGSA分类器。在这里，首先，我们将背景从输入的交通视频中分离出来。然后，将帧数和帧背景信息输入到OANN分类器中。OANN分类器是OGSA和ANN的结合。利用OGSA算法对神经网络分类器的权值进行优化选择。本文的其余部分组织如下:第2节简要回顾了一些关于目标检测技术的文献。第3节解释了研究的背景，第4节描述了提出的MVD。实验结果和性能评价的讨论将在第5节中提供。最后，在第6节对结论进行了总结。

 

许多研究人员对MVD系统进行了分析。我们现在就这方面的一些研究工作进行讨论。Tian等人在[34]中阐述了在复杂的城市监控中，将多个部分相结合的后视镜车辆检测与跟踪。后视镜车辆检测与跟踪方法是一种基于多车辆显著部件的车辆检测与跟踪方法。他们表明，这些车辆部件的空间建模对整体性能至关重要。首先，将车辆视为由多个显著部件组成的物体，包括车牌和后灯。这些部分用它们独特的颜色、纹理和区域特征进行了本土化。将检测到的零件作为图节点，利用马尔可夫随机场模型构造概率图。然后，利用环路信念传播算法推导出各部分的边缘后验点，得到最终的车辆检测结果。最后，利用KF估计了车辆的轨迹，实现了一种基于跟踪的检测技术。在实际城市情景中进行了不同天气条件下的实验。

Wei等人[36]阐述了基于无人机采集图像数据的车辆检测与跟踪系统。该系统使用连续的帧来生成车辆的动态信息，如位置和速度。在此基础上开发了图像配准、图像特征提取、车体形状检测和车辆跟踪四个主要模块。在系统中引入一些独特的特性，自定义车辆和交通流，并在多个连续图像中共同使用，以提高系统检测和跟踪车辆的准确性。

类似地，Hu等人[12]也解释了visual中验证的自适应方法对象跟踪。在具有遮挡和大外观的视觉目标跟踪中，目标跟踪中不可预测特征验证的不确定性是一项具有挑战性的任务变异。为了解决这种不确定性，他们引入了一种自适应的方法使用基于遮挡和失真参数的更新模型。在的情况下遮挡或较大的外观变化，该方法使用逆向模型验证
它更新无效的外观，然后验证目标特征模型。如果目标特征没有经历任何类型的杂波或变形，它只是验证，然后使用前向特征验证更新外观模型。的实验结果表明了该方法的有效性在重叠率和中心定位误差方面与其他相关现有的算法。

Zhang等人介绍了基于遮光功率隔离的道路车辆检测方法。这项战略包括两个阶段。首先，利用图像帧中的路面或车道等细节提取感兴趣区域;此外，还提出了另一个通道，该通道使用功率数据来从移除的阴谋区域中通道亮化品种、阴影和混杂的基础，并以这种方式识别车辆。

在参考[38]中，Hu解释了移动摄像机捕捉到的视频中的移动目标检测和跟踪。运动目标检测相对比较困难因为摄像机运动和物体运动混合了，所以被移动摄像机捕捉到的视频。该方法首先在图像帧中找到特征点，然后将其分类为前景特征或背景特征。然后，利用基于前景特征点和特征点的融合方案获得运动目标区域。前景区域，使用图像差分方案获得。然后,提出了一种基于连续三帧运动轮廓运动历史的补偿方案，以增加运动对象的区域。使用细化方案和最小边框检测移动目标。最后，利用基于KF的算法实现了运动目标的跟踪在最小边界框中移动对象区域的重心上。实验结果表明，该方法是可靠的。

Zhou等人的[39]已经引入了移动车辆的识别，以及通过在光线或合法照明条件下使用单独的摄像机来估计它们的速率。该方法识别并跟踪车辆通过侦察区域，并保存车辆位置的记录。本文证明了车辆的跟随取决于车辆在背靠背中的相对位置。这些数据被用在自动车牌识别系统中，用于选择那些速度限制侵权发生的关键外壳。