面向智能交通的目标检测与跟踪

发布时间：2020-05-27 13:40

【摘要】：智能交通系统(Intelligent Transportation System,ITS)集成了计算机、电子、通讯、汽车制造、人工智能等多学科理论与技术,以提供创新的运输方式以及交通管理智能服务。这一系统可以更好地改善城市交通状况,使其更加协调、安全和人性化,同时提高出行效率。本文基于智能交通中视觉感知系统采集的视频数据,深入研究车辆监控以及无人驾驶中的目标检测与跟踪问题。文章围绕背景提取算法,建立相应的自适应参数调节机制。利用图像提出特征融合分类模型与目标跟踪算法。优化深度学习参数计算结构控制无人驾驶方向盘转角。本论文的主要贡献如下:(1)提出“闪烁模型”以及“目标概率”耦合模型以自适应调节背景提取模型的超参数。在智能交通车辆监控技术中,首先根据像素级信息建立背景模型,从而进行目标检测。传统的背景建模,根据经验设定出固定超参数,不能保证适用于多种不同场景。针对此类问题,提出了双模型耦合超参数自适应调节方法,使其能够更好地适应背景闪烁、树叶摇动、阴影干扰以及图像噪声多种场景。(2)提出并构建多特征融合学习模型提高车载摄像头的目标识别率以及检测率。无人驾驶中单图像特征很难满足其复杂动态的目标检测的要求。针对此问题,通过筛选图像多种跨级别特征进行决策,并加入梯度提升模型,共同创建特征融合分类器提高了目标识别率以及检测率。(3)提出了基于粒子滤波的变尺度搜索框与三阈值模板更新策略的目标跟踪算法。在智能交通视觉跟踪问题中,由于目标物近大远小的视觉差,在长时间的视频流当中目标物在尺度以及外观上会有明显的变化。因此,本文提出全新的利用多区域快速颜色直方图集成的图像特征提取方法,并借助粒子滤波算法寻找最佳搜索框尺度大小。并提出三阈值目标模板更新策略,有效改善了视频目标跟踪不稳定的问题。(4)提出了参数压缩的深度学习网络结构降低模型整体存储空间、提高执行速度。深度学习是图像识别、检测等任务最常用的方法。但是在无人驾驶任务中,需要减少参数、降低模型规模以节约计算成本,才能降低对硬件需求和提高实时性能保障。针对此问题,根据MobileNets网络核心思想,进一步压缩和优化卷积神经网络结构,以便训练需要存储空间更小的网络执行计算。并将压缩的神经网络模型应用于控制方向盘转角任务。在保持精度基本不变的前提下,模型计算速度得以有效提升。最后,对全文中所研究的智能交通中目标检测与跟踪问题做了总结,并对该领域研究的发展方向和研究方法做了展望。
【图文】：

数据展示,路标识别

路标识别数据展示
【学位授予单位】：东华大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：U495;TP391.41

【参考文献】