基于3D卷积和non-local算法的车速估计方法

发布时间：2024-04-27 19:09

　　随着社会经济的快速发展,人民生活水平不断提高,汽车已经成为人们日常出行的必要交通工具,由此道路上车流量日益增加,节假日期间交通拥堵现象十分普遍,为了缓解这一现象,需要构建一套智能化的交通监控系统,而车速估计就是其中的一个焦点和难点问题。现有的利用单目摄像头来估测车速的方法都是基于camera calibration的方法,但该方法有许多不足之处。首先,相机校正对环境很敏感,这意味着标定结果的精确度会随环境的改变而改变,需要定期进行参数初始化。其次,大部分相机校正的方法需要人工测量一些物理数据,对相机安装的位置和拍摄角度有一定要求。此外,基于相机校正的方法依赖于车辆的检测和跟踪算法。为了克服上述问题,本文提出了一种基于3D卷积神经网络的车速估计方法。该方法是基于视频图像对车速进行估计的。我们的方法有以下特点:1)我们在模型中加入与卷积网络形成互补的non-local模块,用来更好的捕获时空长期依赖关系;2)我们构建了多尺度卷积来融合多样化的特征信息;3)由于光流代表着图像中像素运动的速度和方向信息,我们将光流作为模型输入的一部分。我们所构建的IR(2+l)D-cNLms模型能够很好的提取...

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 常见方法
    1.3 研究的问题和挑战
    1.4 本文的组织结构
第2章 视频动作识别相关模型及non-local算法
    2.1 视频动作识别常用方法
    2.2 Non-local算法的发展
第3章 卷积和光流的相关介绍
    3.1 卷积神经网络
        3.1.1 3D卷积网络
        3.1.2 Inflated 3D卷积
        3.1.3 (2+1)D卷积
    3.2 光流的相关介绍
        3.2.1 光流和光流场
        3.2.2 光流算法的原理
第4章 模型介绍
    4.1 R(2+1)D50模型
    4.2 Non-local神经网络
        4.2.1 数学公式表达
        4.2.2 实例化
        4.2.3 Non-local Block
    4.3 Multi-scale卷积
第5章 实验和结果分析
    5.1 数据集介绍
    5.2 实验具体细节
    5.3 实验
        5.3.1 实验一: 不同3D卷积的比较
        5.3.2 实验二: 不同输入的比较
        5.3.3 实验三: non-local和multi-scale
        5.3.4 实验四: 与其他方法的比较
第6章 结论和未来工作
参考文献
致谢
在读期间发表的学术论文与取得的研究成果



本文编号：3965589