基于多域卷积神经网络的交通车辆跟踪算法研究

发布时间：2021-01-11 17:34

　　智能交通系统能准确、高效地综合道路上的各种交通信息,提高运输效率,在道路交通中发挥着重要作用。交通车辆跟踪是智能交通系统的重要组成部分,通过对交通视频中的目标车辆进行跟踪,可以获取到车辆的位置、运行速度、运行加速度、运行方向等信息,并由此来分析车辆的闯红灯、违规停车、超速行驶等违规行为。因此,实现对车辆进行准确、稳定的跟踪,对于智能交通系统的发展尤为重要。然而,实际交通场景通常比较复杂,视频中的车辆在行驶过程中经常会受到相似目标车辆、尺度变化等一系列因素的干扰,从而影响车辆跟踪的准确性和鲁棒性。基于此,本文展开了对交通车辆跟踪的研究。论文的主要研究内容和成果如下:将多域卷积神经网络引入交通车辆跟踪中,并针对其存在无法有效应对相似车辆干扰和尺寸变化的问题,提出融合DenseNet和注意力机制的改进多域卷积神经网络车辆跟踪算法。首先,使用DenseNet121网络前端的两个密集块和一个转换层替换原始多域卷积神经网络的主干网络,利用密集连接的方式将不同层的特征进行融合,提取出更加细微的特征和丰富的空间信息,实现对目标车辆的精确定位,改善尺寸变化对跟踪效果的影响;然后,在网络中加入通道注意力机... 

【文章来源】：长安大学陕西省 211工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

视频车辆跟踪中部分难点图像示例图

深度学习框架

完整的卷积神经网络示例图

【参考文献】：
期刊论文
[1]基于VGG-M网络模型的前方车辆跟踪[J]. 刘国辉,张伟伟,吴训成,宋晓琳,许莎,温培刚.  汽车工程. 2019(01)
[2]结合密集神经网络与长短时记忆模型的中文识别[J]. 张艺玮,赵一嘉,王馨悦,董兰芳.  计算机系统应用. 2018(11)
[3]Branch-Activated Multi-Domain Convolutional Neural Network for Visual Tracking[J]. 陈一民,陆蓉蓉,邹一波,张燕辉.  Journal of Shanghai Jiaotong University（Science）. 2018(03)
[4]基于多域卷积神经网络与自回归模型的空中小目标自适应跟踪方法[J]. 蔺素珍,郑瑶,禄晓飞,曾建潮.  光学学报. 2017(12)
[5]基于搜索区域条件概率CNN的精确目标探测方法[J]. 熊丽婷,张青苗,沈克永.  计算机工程与应用. 2017(20)
[6]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[7]基于光流法的运动目标检测与跟踪算法[J]. 肖军,朱世鹏,黄杭,谢亚男.  东北大学学报(自然科学版). 2016(06)
[8]深度学习理论综述[J]. 韩小虎,徐鹏,韩森森.  计算机时代. 2016(06)
[9]复杂环境基于多信息融合的车辆跟踪方法[J]. 刘阳,王忠立,蔡伯根.  交通运输系统工程与信息. 2015(06)
[10]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)

硕士论文
[1]基于粒子滤波的车辆跟踪算法研究[D]. 郭新新.山东师范大学 2018
[2]基于卷积神经网络的空中目标跟踪技术研究[D]. 郑瑶.中北大学 2018
[3]基于深度学习的视觉目标跟踪系统设计与实现[D]. 张明喆.北京邮电大学 2018
[4]基于形状模板匹配的实时目标检测与跟踪算法研究[D]. 任菲菲.华中科技大学 2017
[5]基于粒子滤波的视频目标跟踪算法研究[D]. 王兆光.南京航空航天大学 2010
[6]基于光流的图像目标跟踪方法研究[D]. 万文静.西北工业大学 2006



本文编号：2971197