视频序列中车辆的分类及行为分析研究
发布时间：2020-12-10 13:01
随着国家交通网络的日趋完善,交通工程的信息化和智能化已经成为当今发展的主流,而车辆的分类以及车辆的行为识别作为其中的关键技术,在工业领域和学术领域同样受到了广泛关注。在车辆分类的过程中,车辆之间的相互遮挡和天气条件等因素影响着其结果的准确性和稳定性;在对车辆进行行为分析时,其结果的鲁棒性和准确性往往取决于视频源拍摄的角度与质量,这些都对车辆的分类及其行为识别技术提出了更高的要求。因此本文分别对车辆的分类算法和车辆的行为识别算法进行了研究,主要贡献如下:针对视频序列中车辆的分类问题,本文提出一种基于改进YOLOv3网络的车辆分类方法。在YOLOv3目标检测网络的基础上,借鉴密集连接卷积网络的设计思想,将原网络中的残差层替换为密集卷积模块,并对网络的设计结构以及网络的特征最小分辨尺度进行调整与改进,参照金字塔网络模型对车辆特征进行多尺度的预测。利用Softmax函数作为分类器,将卷积层与对应尺度密集卷积模块融合的车辆特征进行分类,基于锚点框机制标注车辆的边界框。根据单帧图像的分类结果,设计目标匹配跟踪函数对视频序列中的车辆进行持续稳定的检测。针对视频序列中车辆的行为分析问题,提出一种基于车...
【文章来源】：长春理工大学吉林省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
162）权值共享权值共享也称作参数共享，通常卷积核能够提取图像中的纹理、颜色等特征，增加卷积核的个数可以实现对图像中多种特征的提取，权值共享通过将各个卷积核的参数进行确定，以实现改变卷积核的个数和尺寸达到调节卷积神经网络参数的目的，加快网络的训练速度。如图2.12所示，若第m+1层的每个神经元节点与第m层的部分神经元节点相连接，而在此基础上通过权值共享的方式进行处理，能够进一步降低权值参数的数量。W1W1W1W1W2W2W2W2W3W3W3W3第m层第m+1层W1W3W2图2.12权值共享示意图3）多特征图多特征图也称作多卷积核，利用线性卷积核在图像区域中进行卷积运算并增加偏置顶，最后将所得结果与非线性函数映射得到特征图，多特征图可以对原图像的不同特征进行刻画。通常利用一个卷积核与图像进行卷积操作可以获得图像的一个特征响应，利用多个卷积核与图像进行卷积运算可以得到多个特征响应，其具体计算过程如图2.13所示。对于第m层特征图1w中像素点(i,j)位置的响应数值，需要利用第m-1层4个特征图在像素点(i,j)的数值与4个卷积核进行卷积操作相加获取，对于第m层特征图w2的计算方式操作同特征图1w。图2.13多特征图计算示意图2.3.3基于区域的目标检测模型基于区域的目标检测模型为两阶段目标检测方法，即把目标检测的过程分为生成候选框和识别框内物体两个部分，本节对经典的两阶段目标检测方法的检测原理进行概述。1）R-CNNR-CNN算法[49]最先实现了将深度学习应用到目标检测领域，为卷积神经网络在
ㄖ械幕??翱谌哂辔侍狻?通过R-CNN算法实现目标检测的具体过程如图2.14所示，首先，通过选择性搜索算法从原始的图像中搜索并提取候选区域判定框；然后，针对需要处理的候选区域判定框，在缩放成固定维度的特征矩阵的基础上再输入到CNN网络中，并通过支持向量机SVM算法实现对判定框获得的CNN特征的分类；最后，根据候选区域的得分结果判断原始图像中目标的所属类别，并利用边界回归的思想对目标的位置进行计算。由于需要对每个候选区域框进行特征提取与分类，因此通过R-CNN算法实现目标检测的过程计算量大、检测速度慢。图2.14R-CNN算法流程图2）FastR-CNNFastR-CNN算法[50]可以视为R-CNN算法的进阶版，其在R-CNN网络的基础上参考了SPPNet网络[51]的设计思想，引入ROI池化层的概念，同时在FastR-CNN算法中将边框回归预测与目标分类两个任务进行归一化处理，并一起加入到CNN网络中进行训练。FastR-CNN实现目标检测的原理如图2.15所示。具体地，将原始图像和经过处理的候选区域判定窗口输入到FastR-CNN网络中，即完成对原始图像的信息整合工作；然后，将候选区域判定窗口映射到CNN网络的卷积特征图上，并通过ROI池化层降采样为固定尺寸传递至全连接层中；最后，采用并行连接的方式通过Softmax分类层输出目标类别，结合回归层的输出结果获取目标的位置信息。FastR-CNN由于省略特征的保存过程，因此节省了大量的存储空间，在一定程度上提高了检测的速度。但候选区域窗口的获取依然为一个独立的过程，并且该过程占据了整个检测步骤的大量时间，仍然存在速度瓶颈的现象。图2.15FastR-CNN算法流程图
【参考文献】：
期刊论文
[1]基于车道信息融合的车辆行为识别[J]. 宋士奇,朴燕,王健. 液晶与显示. 2020(01)
[2]基于改进YOLOv3的复杂场景车辆分类与跟踪[J]. 宋士奇,朴燕,蒋泽新. 山东大学学报(工学版). 2020(02)
[3]网联共享车路协同智能交通系统综述[J]. 郭戈,许阳光,徐涛,李丹丹,王云鹏,袁威. 控制与决策. 2019(11)
[4]基于长短期记忆的车辆行为动态识别网络[J]. 卫星,乐越,韩江洪,陆阳. 计算机应用. 2019(07)
[5]智能交通信息物理融合云控制系统[J]. 夏元清,闫策,王笑京,宋向辉. 自动化学报. 2019(01)
[6]基于感兴趣区域模型的车道线快速检测算法[J]. 钱基德,陈斌,钱基业,陈刚. 电子科技大学学报. 2018(03)
[7]基于混合贝塞尔曲线模型的车道检测算法[J]. 韩浩,王舜燕. 计算机工程与设计. 2018(03)
[8]基于协同表示的声振传感器网络车辆分类识别[J]. 王瑞,刘宾,周天润,杨羽. 上海交通大学学报. 2018(01)
[9]基于Fg-CarNet的车辆型号精细分类研究[J]. 余烨,金强,傅云翔,路强. 自动化学报. 2018(10)
[10]基于Haar-like和MB-LBP特征分区域多分类器车辆检测[J]. 朱彬,王少平,梁华为,袁胜,杨静,黄俊杰. 模式识别与人工智能. 2017(06)
博士论文
[1]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
[2]复杂交通视频场景中的车辆轨迹提取及行为分析[D]. 卢胜男.长安大学 2016
硕士论文
[1]基于深度卷积神经网络的目标检测算法研究[D]. 周天怡.哈尔滨工业大学 2019
[2]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[3]基于深度学习的目标检测算法研究[D]. 李明攀.浙江大学 2018
[4]基于深度学习的交通视频检测及车型分类研究[D]. 楚翔宇.哈尔滨工业大学 2017
本文编号：2908739
【文章来源】：长春理工大学吉林省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
162）权值共享权值共享也称作参数共享，通常卷积核能够提取图像中的纹理、颜色等特征，增加卷积核的个数可以实现对图像中多种特征的提取，权值共享通过将各个卷积核的参数进行确定，以实现改变卷积核的个数和尺寸达到调节卷积神经网络参数的目的，加快网络的训练速度。如图2.12所示，若第m+1层的每个神经元节点与第m层的部分神经元节点相连接，而在此基础上通过权值共享的方式进行处理，能够进一步降低权值参数的数量。W1W1W1W1W2W2W2W2W3W3W3W3第m层第m+1层W1W3W2图2.12权值共享示意图3）多特征图多特征图也称作多卷积核，利用线性卷积核在图像区域中进行卷积运算并增加偏置顶，最后将所得结果与非线性函数映射得到特征图，多特征图可以对原图像的不同特征进行刻画。通常利用一个卷积核与图像进行卷积操作可以获得图像的一个特征响应，利用多个卷积核与图像进行卷积运算可以得到多个特征响应，其具体计算过程如图2.13所示。对于第m层特征图1w中像素点(i,j)位置的响应数值，需要利用第m-1层4个特征图在像素点(i,j)的数值与4个卷积核进行卷积操作相加获取，对于第m层特征图w2的计算方式操作同特征图1w。图2.13多特征图计算示意图2.3.3基于区域的目标检测模型基于区域的目标检测模型为两阶段目标检测方法，即把目标检测的过程分为生成候选框和识别框内物体两个部分，本节对经典的两阶段目标检测方法的检测原理进行概述。1）R-CNNR-CNN算法[49]最先实现了将深度学习应用到目标检测领域，为卷积神经网络在
ㄖ械幕??翱谌哂辔侍狻?通过R-CNN算法实现目标检测的具体过程如图2.14所示，首先，通过选择性搜索算法从原始的图像中搜索并提取候选区域判定框；然后，针对需要处理的候选区域判定框，在缩放成固定维度的特征矩阵的基础上再输入到CNN网络中，并通过支持向量机SVM算法实现对判定框获得的CNN特征的分类；最后，根据候选区域的得分结果判断原始图像中目标的所属类别，并利用边界回归的思想对目标的位置进行计算。由于需要对每个候选区域框进行特征提取与分类，因此通过R-CNN算法实现目标检测的过程计算量大、检测速度慢。图2.14R-CNN算法流程图2）FastR-CNNFastR-CNN算法[50]可以视为R-CNN算法的进阶版，其在R-CNN网络的基础上参考了SPPNet网络[51]的设计思想，引入ROI池化层的概念，同时在FastR-CNN算法中将边框回归预测与目标分类两个任务进行归一化处理，并一起加入到CNN网络中进行训练。FastR-CNN实现目标检测的原理如图2.15所示。具体地，将原始图像和经过处理的候选区域判定窗口输入到FastR-CNN网络中，即完成对原始图像的信息整合工作；然后，将候选区域判定窗口映射到CNN网络的卷积特征图上，并通过ROI池化层降采样为固定尺寸传递至全连接层中；最后，采用并行连接的方式通过Softmax分类层输出目标类别，结合回归层的输出结果获取目标的位置信息。FastR-CNN由于省略特征的保存过程，因此节省了大量的存储空间，在一定程度上提高了检测的速度。但候选区域窗口的获取依然为一个独立的过程，并且该过程占据了整个检测步骤的大量时间，仍然存在速度瓶颈的现象。图2.15FastR-CNN算法流程图
【参考文献】：
期刊论文
[1]基于车道信息融合的车辆行为识别[J]. 宋士奇,朴燕,王健. 液晶与显示. 2020(01)
[2]基于改进YOLOv3的复杂场景车辆分类与跟踪[J]. 宋士奇,朴燕,蒋泽新. 山东大学学报(工学版). 2020(02)
[3]网联共享车路协同智能交通系统综述[J]. 郭戈,许阳光,徐涛,李丹丹,王云鹏,袁威. 控制与决策. 2019(11)
[4]基于长短期记忆的车辆行为动态识别网络[J]. 卫星,乐越,韩江洪,陆阳. 计算机应用. 2019(07)
[5]智能交通信息物理融合云控制系统[J]. 夏元清,闫策,王笑京,宋向辉. 自动化学报. 2019(01)
[6]基于感兴趣区域模型的车道线快速检测算法[J]. 钱基德,陈斌,钱基业,陈刚. 电子科技大学学报. 2018(03)
[7]基于混合贝塞尔曲线模型的车道检测算法[J]. 韩浩,王舜燕. 计算机工程与设计. 2018(03)
[8]基于协同表示的声振传感器网络车辆分类识别[J]. 王瑞,刘宾,周天润,杨羽. 上海交通大学学报. 2018(01)
[9]基于Fg-CarNet的车辆型号精细分类研究[J]. 余烨,金强,傅云翔,路强. 自动化学报. 2018(10)
[10]基于Haar-like和MB-LBP特征分区域多分类器车辆检测[J]. 朱彬,王少平,梁华为,袁胜,杨静,黄俊杰. 模式识别与人工智能. 2017(06)
博士论文
[1]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
[2]复杂交通视频场景中的车辆轨迹提取及行为分析[D]. 卢胜男.长安大学 2016
硕士论文
[1]基于深度卷积神经网络的目标检测算法研究[D]. 周天怡.哈尔滨工业大学 2019
[2]基于深度卷积神经网络和图像传感器的道路多目标检测研究[D]. 谢一德.北京交通大学 2018
[3]基于深度学习的目标检测算法研究[D]. 李明攀.浙江大学 2018
[4]基于深度学习的交通视频检测及车型分类研究[D]. 楚翔宇.哈尔滨工业大学 2017
本文编号：2908739
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2908739.html
