基于稀疏约束深度学习的交通目标跟踪

发布时间：2017-06-06 15:14

  本文关键词：基于稀疏约束深度学习的交通目标跟踪，，由笔耕文化传播整理发布。

【摘要】：针对车辆视觉跟踪过程中普遍存在背景复杂、光线变化、尺度旋转等干扰,而现有跟踪算法抗扰动能力差、鲁棒性低的问题,构造了一种基于稀疏约束及深度学习的车辆目标跟踪算法,采用去噪自编码神经网络对包含正负样本的训练集进行特征提取。在正向传播过程中对隐层进行稀疏约束,反向传播微调阶段,对连接矩阵进行权值衰减的稀疏调整,增加神经网络的鲁棒性,实现神经网络不同隐层特征的高效提取,将网络的输出作为Logistics分类器的输入,学习获得车辆分类器,并采用粒子滤波在线跟踪目标。试验结果表明:对连接矩阵和隐层进行稀疏约束的去噪自编码神经网络具有较高的跟踪精度和较强的跟踪鲁棒性,在场景光照剧烈变化、车辆发生遮挡、三维旋转、尺度变化及快速移动时都能进行较好的跟踪,平均中心位置误差远小于对比方法,仅为2.3像素;而增量式学习(IVT)跟踪、在线自适应增强(OAB)跟踪、多示例学习(MIL)跟踪算法的平均中心位置误差分别为17.52像素、28.76像素和17.66像素;该方法的平均重叠率达83%,较IVT跟踪、MIL跟踪和OAB跟踪算法分别提高24.5%、42.2%、28.8%,满足智能交通监控的实际需求。
【作者单位】： 西北工业大学自动化学院;
【关键词】： 交通工程 智能交通 深度学习 稀疏约束 权值衰减 目标跟踪
【基金】：教育部高等学校博士学科点专项科研基金项目(20096102110027) 航天科技创新基金项目(CASC201104) 航空科学基金项目(2012ZC53043)
【分类号】：U495
【正文快照】： 0引言交通目标的检测与跟踪是智能交通研究领域的关键问题。智能交通系统根据所采集的视频图像进行交通流量控制、检测车辆异常行为及行人行为判定等任务,其交通目标的准确检测与跟踪对交通安全和智能车辆管理具有重要意义[1-3]。目前,常用的对运动车辆进行跟踪的算法主要有基

【相似文献】

中国期刊全文数据库 前10条

1 林栋;赵奕东;;智能交通集成方案——以海外某国某市为例[J];电子技术与软件工程;2014年02期

2 ;安全中的头等大事[J];工业设计;2008年08期

3 刘洪;智能交通自动监控及通信综合营运系统简介[J];重庆交通学院学报(社会科学版);2003年S1期

4 ;武汉的智慧行动三年内逐步展开[J];物联网技术;2011年02期

5 胡晓艳;;浅析城市智能交通管理系统及经济效益[J];经营管理者;2012年02期

6 吴丰慧;;城市交通智能化发展探析[J];机电信息;2014年12期

7 董桥;刘照峰;;高速公路路政智能化协同化管理方案研究[J];山东交通科技;2007年03期

8 王尚杰;;以太网通信技术在智能交通中的应用[J];甘肃科技;2012年17期

9 李若翩;阮雅端;陈启美;;基于位置上下文的ITS服务推荐应用[J];电子测量技术;2014年06期

10 杨蕊;张建军;李亮;马昭;;长隧监控系统界面分析与设计[J];电子测试;2013年23期

中国重要会议论文全文数据库 前2条

1 王小林;薛芳;赵晓红;;宝鸡市道路几何网络模型研究[A];提高全民科学素质、建设创新型国家——2006中国科协年会论文集（下册）[C];2006年

2 王小林;薛芳;赵晓红;;宝鸡市道路几何网络模型研究[A];中国测绘学会2006年学术年会论文集[C];2006年

  本文关键词：基于稀疏约束深度学习的交通目标跟踪，由笔耕文化传播整理发布。

本文编号：426738