基于双目立体视觉的车辆速度轨迹智能测量

发布时间：2020-06-28 14:22

【摘要】：随着社会经济和信息技术的发展,道路交通压力的增大使得对于智能交通网络的需求越来越迫切。对于机动车辆行驶状态的测量是智能交通网络非常重要和基本的功能之一。目前常用的雷达测速、地感线圈测速等方式或多或少地存在测速角度限制多、安装施工复杂、成本高、不能多目标同时测速等问题。通过分析对比传统测速技术的不足,本文提出了一种基于立体视觉的车速测量系统。通过一个标定过的双目立体视觉系统捕获两路存在一定视差的视频,利用一个优化的SSD网络在捕获的两路视频中检测车牌,对检测到的车牌目标进行跟踪和立体匹配,以快速提取立体匹配点对,再利用标定参数计算出准确的立体匹配点对所对应的空间点的三维坐标。最后,根据车辆在一定时间内通过的距离来测量车速。车辆移动方向则通过描述跨多个帧连接选定的三维点来实现。该系统实现了非侵入式和不可探测的车辆运行状态测量,克服了多车道多车同时在不同方向、不同运动状态下的测速难题。该系统在五种不同的实际情况下进行了测试,通过专业的卫星测速仪获取相关的真实速度。测得的速度误差范围为[-1.6,+1.1]km/h,最大误差率为3.80%,符合中国国家标准GB/T 21555-2007中误差低于6%的应用要求。实验结果表明,该方法具有较高的精度和有效性。此外,为了解决越来越多的监控设备以及越来越高的监控设备分辨率带来的视频处理、传输和储存压力,提高监控视频的压缩速率,本文还提出一种将人物和车辆作为感兴趣目标区域,在HEVC视频编码标准下针对感兴趣区域的CU划分优化策略,在保证视频主要内容质量的同时,大幅节省了压缩时间。
【学位授予单位】：中原工学院
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;U495
【图文】：

示意图,边界,步骤,示意图

Ｒ－ＣＮＮ的检测效果要比滑动窗口等传统方法更快速、更准确。逡逑最后，为了提高目标定位的准确性，Ｒ－ＣＮＮ还加入了一个边界回归模型，逡逑利用全连接层的线性回归器，用以对目标检测的边界框进行回归。如图２．１所示，逡逑绿色候选框包含了整个车辆目标，但是明显过大，包含了部分背景区域，再利用逡逑边界回归模型逐步回归到较为贴近目标边沿橙色框位置。逡逑：二逡逑图２．１边界回归示意图逡逑经过上述多个步骤的提取、分类、回归操作，使得Ｒ－ＣＮＮ网络具有很好的逡逑特征检测、提取和分类的能力。但是，也存在一些问题：１）多候选区域对应的逡逑原始图像需要预先提取，对数据储存资源占用较大；２）传统ＣＮＮ网络需要输入逡逑尺寸固定的图像，归一化操作则会产生物体截断或拉伸，这将导致部分输入特征逡逑信息丢失；３）每一个候选区域都需要进入ＣＮＮ网络计算，这上千个区域之间存逡逑在大量重叠范围，对这些重复特征的提

网络结构图,特征图,卷积,损失函数

＿｝逦１逦（回归器）逡逑图２．２邋Ｆａｓｔ邋Ｒ－ＣＮＮ网络结构图逡逑由图２．２可以看出，与Ｒ－ＣＮＮ框架对比，ＦａｓｔＲ－ＣＮＮ在结构上主要进行了逡逑两处修改：１）在最后一个卷积层之后添加了邋ＲＯＩ池化层；２）使用多任务损失函逡逑数作为损失函数，在ＣＮＮ网络中直接加入边界回归进行训练：逡逑（１）邋ＲＯＩ池化层实际是ＳＰＰ－ＮＥＴ网络的一个精简版，ＳＰＰ－ＮＥＴ对每个候选区逡逑使用了大小不同的金字塔映射，而ＲＯＩ池化层只需要一个下采样到７ｘ７分辨率逡逑的特征图，应用ＲＯＩ池化将不同大小的ＲＯＩ转换为固定大小。对于ＶＧＧ１６网络逡逑卷积层ｃｏｎｖ５＿３有５１２个特征图，这样所有候选区域就各自对应了一个７ｘ７ｘ５１２逡逑维度的特征向量

【参考文献】