面向城市OD调查的车辆再识别

发布时间：2024-02-27 20:25

　　城市OD调查,即城市交通起止点调查,是一项对于城市道路交通管理,城市建设规划都具有重要意义的调查。O为origin,D为destination。它包括城市道路交通流量调查和车辆出行起止点调查。以往的城市OD调查多采用发放调查问卷以及上门采访的形式。这些方法不仅会消耗大量的人力物力也会浪费很多时间。随着科技的发展,使用机器辅助人工完成工作已经成为可能。本文将研究如何利用城市内大量存在的道路交通监控设备结合计算机视觉技术,设计一个能够节省人力物力的城市OD调查系统。进行交通流量调查,可以使用基于深度学习的目标检测技术对监控图像进行检测,获取目标类别、数目以及各种属性。但是训练一个深度神经网络往往需要大量数据,而对大量的数据进行标注同样也是一项无趣且费时的工作。针对此问题,本文设计了一个能够在线学习的辅助标记网络。这一网络基于目标检测网络,能够检测出输入图像中感兴趣的目标的位置、类别等属性。这些检测结果可辅助人工对图像进行标记。同时,人工标记后的结果可以反过来用于训练该网络,使网络预测结果更加接近人工标记结果。这样,经过多次训练的网络,可以更好地辅助人工对图像进行标记。进行车辆出行起止点调查...

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

图2-4YOLO模型结构

3192256512102410241024409630卷积层下采样层卷积层下采样层卷积层下采样层卷积层下采样层卷积层卷积层全连接层全连接层图2-4YOLO模型结构上图可以看出，YOLO的网络结构与传统的用于目标分类的网络类似，都个卷积层提取特征后经过一个或多个全连接....

图2-5SSD模型结构

310241024512256256256图2-5SSD模型结构从上图可以看出，SSD使用了VGG进行最基础的特征提取，之后加入了不尺度的卷积层，经过这些卷积层可以获得不同尺度的特征图。对于每一个卷积，都可以使用一系列卷积核在该层获得的特征图上进行预测，每个卷积核都会

图2-6将行人再识别视作二分类问题的再识别网络

也更容易找出不同类之间特征的不同点以及想同类特征之间的相似处。该文章中提到的网络模型如图2-6：606016060120208787252573735073*5卷积及下采样卷积及下采样局部邻域差分73505081500接连全相同不同相图2-6将行人再识别视作二分类问题的再识别....

图2-7行人再识别特征融合网络模型

用于行人再识别的特征融合网络(FeatureFusionNetwork,FFN)[44]使用了这种方法。FFN的模型结构如图2-7：[224,224,3]提取深度特征原始图片分为多个横向条状图调整大小并裁剪五个卷积层提取颜色和纹理特征连接柱状图缓冲层融合层4096Softm....

本文编号：3912931