一种基于深度学习的车流量嵌入式检测算法的实现

发布时间：2020-06-07 21:40

【摘要】：近年来,随着汽车数量的增加,城市中一些交通主干道路上的交通问题急剧增加。为了缓解上述交通问题,需要一个高效智能的交通管理系统来管理交通状况。交通管理的一个领域是监测道路的交通流量。传统的一些监测方法要求人们在高峰时间在每个路口手动计算车辆数量。然而,人力资源是昂贵的,并且长时间在监视器中的工作人员将感到疲倦且效率下降,这会导致丢失道路中的各种车辆。为了克服这些缺点,学术界提出了几个相关的工作,其中之一是关于车道上的车辆计数。请注意,传统技术的准确性随着车辆在车道线上的交叉运行而急剧下降。为了解决这个问题,本文使用Single Shot MultiBox Detector(SSD)检测车辆。本文主要由三部分组成:(1)检测算法部分,分别介绍了背景差分法等传统目标检测算法和基于以Regions with CNN features(R-CNN)为代表的深度学习的检测算法。本文采用SSD算法检测车辆,通过KITTI数据集样本进行模型训练。检测算法实现从每帧中提取这些带有边界框和中心的车辆检测框。(2)车辆跟踪和计数部分,基于第一部分SSD检测算法获得车辆的中心和边界框,提出了相应的跟踪与计数算法。我们提出了一种基于圆的搜索算法来预测下一帧中移动车辆的可能位置,并寻找相关区域中的最佳点以减小目标搜索范围。欧几里德距离用于测量其中心之间的距离。SURF特征匹配用于解决车辆检测存在的不连续问题。虚拟检测算法的算法简单且实时性较好,所以算法采用改进的虚拟线圈计算基于跟踪的车辆数量。(3)实现部分,实现了车流量统计功能,用以验证本文算法的准确性、实时性。对于准确性,本文特地选取了六个视频(3个道路情况相对比较简单的视频和3个道路相对复杂的视频),通过实验证明本文提出的车流量检测算法具有较高的精度。此算法在GPU为1080Ti的硬件条件下,达到了 48 FPS和82%以上的准确率。最后,本文将算法移植到NVIDIA Jetson TX2嵌入式平台开发板中,为算法的进一步开发奠定基础。
【图文】：

检测方法

是确定目标对象在给定图像中的位置（目标定位）以类）。作为基本的计算机视觉问题之一，目标检测能价值的信息，并且与许多应用有关，，包括图像分类，时存在的主要影响因素有视点、姿势、遮挡和光照器学习的一个新领域，目的是建立具有分析和学习文本、图片等数据。与传统方法完全不同，深度学习浅层更复杂的特征。此外，强大的训练算法可以学习。目标检测算法主要分为三大类。第一种是传统目习目标检测算法；第三种是端对端的深度学习目标检测方法逡逑算法可以分为基于外观和基于运动两大类。基于外观就是说，它们直接从像素到车辆。相反，基于运动的由于单目图像缺乏直接的深度测量，基于外观的方法

流程图,物体检测,滑窗,流程图

如下：首先输入图像；然后生成初始子分段，因此图像中有多个区域；然后组合相似区逡逑域，形成更大的区域（基于颜色相似性，纹理相似性，尺寸相似性和形状相似性）；最逡逑后，这些区域产生对象的最终位置（感兴趣区域）。图２．６是选择性搜索如何工作的流逡逑程图。逡逑选择搜索算法的优点如下：逡逑暑比滑窗法的计算效率高。逡逑＊因为采用子区域合并，所以得到的候选框涵盖了图像中的所有疑似物体。逡逑＊合并区域相似的指标多样性，提高了检测物体的概率。逡逑提取候选区域之后，需要对候选区域进行特征提取和分类工作。自从２０１２年逡逑ＩｍａｇｅＮｅｔ大规模视觉识别挑战赛（ＩＬＳＶＲＣ）上，Ｇｅｏｆｆｒｅｙ邋Ｈｉｎｔｏｎ和Ｋｒｉｚｈｅｖｓｋｙ等人使逡逑用ＣＮＮ网络在ＩＬＳＶＲＣ分类任务中的Ｔｏｐ－５错误降到了邋１５．３％，ＣＮＮ在图像分类上的逡逑作用受到人们越来越多的重视。逡逑１６逡逑
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;U495

【相似文献】