高速行驶车辆的实时检测识别方法研究

发布时间：2021-08-13 16:23

　　视频监控作为智能交通系统的重要组成部分,通过全天候不间断的工作,收集着道路交通画面,为道路交通管理者们提供了真实可靠的辅助研判信息,有效的提高了道路管理效率,降低了管理者们的工作压力。与此同时,视频监控的数量及其产生的数据也在激增,不仅对管理者来说难以高效的利用,而且对长时间的存储也带来的巨大压力。种种因素使得这种传统的视频监控数据已经无法满足管理者的日常需求,因此需要一些工具来从这些视频画面中抽丝剥茧,提取有用信息,过滤掉大部分冗余信息。为此,本文首先收集了不同路况和不同天气下监控摄像头录制的真实场景数据,其中有城市道路,高速道路,晴天,雨天,多云,夜晚,拥堵等常见场景。多样化的数据是训练模型的基础,也是检验模型性能的基础。随后开展了高速行驶车辆的实时检测算法研究,并在实时检测及车辆定位精度高的基础上做了联合车辆检测与车辆多属性识别一体化的研究,最后通过这些真实场景下的监控数据来验证了本算法研究的可行性和高效性。高速行驶车辆的实时检测算法研究。首先通过K-means++聚类方法,优化anchor预设值,让网络在训练阶段能更好的适应真实场景下的车辆尺寸变化。然后设计了快速下采样特征提取... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：100 页

【学位级别】：硕士

【部分图文】：

研究[35]中提出的基于卷积神经网络的颜色识别解决方案

第一章绪论7间中有各自擅长的颜色，但是平均准确度最高的还是RGB空间，最终在研究[34]提出的数据集上取得94.47%的平均准确度。图1-3研究[36]中使用的双路CNN模型1.2.2.2车辆类型识别研究现状车型识别，不同于颜色识别，它更专注于车辆局部细节。而颜色识别，由于类和类之间区别大，可分辨程度高，使得其更加关注整个目标区域，而不是目标的局部细节。2016年，来自芬兰坦佩雷科技大学的学者在研究[37]中同样是将CNN模型引入实验替代传统方法作为车辆类型识别模型，并且在该文自建的测试集上达到98.06%的准确度。相比于动则十数层或者多路的CNN，以及两三百甚至数千分辨率的输入情况，作者仅仅使用了4层网络(两个卷积层，两个全连接层96*96的小尺寸输入，详情见图1-4。图1-4研究[37]设计的一个只有两层卷积层、两层全连接层的微型CNN2016年，来自中国西交利物浦大学的学者在研究[38]中指出，整车图像的光照、姿态等信息与车辆类型信息之间有一定的联系，提取这些辅助信息有利于车辆类型的判别。于是该研究创新性的通过多任务学习机制将光照和姿态信息融合到CNN模型，详情见图1-5。通过EdgeBoxes算法[39]和随机森林分类器(Random

第一章绪论7间中有各自擅长的颜色，但是平均准确度最高的还是RGB空间，最终在研究[34]提出的数据集上取得94.47%的平均准确度。图1-3研究[36]中使用的双路CNN模型1.2.2.2车辆类型识别研究现状车型识别，不同于颜色识别，它更专注于车辆局部细节。而颜色识别，由于类和类之间区别大，可分辨程度高，使得其更加关注整个目标区域，而不是目标的局部细节。2016年，来自芬兰坦佩雷科技大学的学者在研究[37]中同样是将CNN模型引入实验替代传统方法作为车辆类型识别模型，并且在该文自建的测试集上达到98.06%的准确度。相比于动则十数层或者多路的CNN，以及两三百甚至数千分辨率的输入情况，作者仅仅使用了4层网络(两个卷积层，两个全连接层96*96的小尺寸输入，详情见图1-4。图1-4研究[37]设计的一个只有两层卷积层、两层全连接层的微型CNN2016年，来自中国西交利物浦大学的学者在研究[38]中指出，整车图像的光照、姿态等信息与车辆类型信息之间有一定的联系，提取这些辅助信息有利于车辆类型的判别。于是该研究创新性的通过多任务学习机制将光照和姿态信息融合到CNN模型，详情见图1-5。通过EdgeBoxes算法[39]和随机森林分类器(Random

【参考文献】：
期刊论文
[1]基于三帧差法和交叉熵阈值法的车辆检测[J]. 李秋林,何家峰.  计算机工程. 2011(04)



本文编号：3340756