基于车载视频的道路车辆及行人检测
发布时间：2021-12-31 22:09
随着世界经济的飞速发展和生活质量的大幅度提升,人们普遍使用机动车出行去参与每天的社会活动。随之带来的是环境污染、道路拥挤和交通事故频发等社会不良现象。为缓解和解决上述相关问题,各国学者都致力于智能交通系统的研究。同时由于计算机硬件计算能力的大幅度提升,从而使得许多复杂算法的实时计算不再成为研究的障碍。作为无人驾驶辅助系统重要组成部分的车辆及行人检测技术的研究已经有了巨大的实际应用意义。对于车辆及行人检测技术中,由于车辆和行人目标的特征千差万别,很难通过某一种单一的特征提取分类方法将两类目标检测出来。而基于深度学习的目标检测方案通过复杂的神经网络计算出对于多类目标都能有效检测分类的特征集合,从而受到各国学者的青睐。在本文中,为了满足基于车载视频的道路车辆及行人检测的实时性等要求,提出利用深度学习回归网络YOLO对车辆及行人目标进行检测,并设计相应的数据集对模型进行训练测试。之后加入以Deep-SORT算法为核心的多目标实时跟踪方法,对检测到的目标进行一段时间的跟踪,从而克服YOLO在目标检测时忽略视频上下帧之间的关联信息的缺点。由于跟踪算法的引入,极大地缓解了YOLO在基于车载视频的目标...
【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】：76 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题背景以及意义
1.2 国内外研究现状
1.3 本文的主要内容及章节安排
第二章 图像预处理及车道线检测
2.1 图像预处理
2.1.1 灰度化处理
2.1.2 图像滤波
2.1.3 图像边缘检测
2.2 车道线检测
2.2.1 ROI区域提取
2.2.2 直线检测
2.2.3 直线聚类与拟合
2.3 本章小结
第三章 基于深度学习的车辆及行人目标检测
3.1 车载视频的道路目标检测算法思路设计
3.2 目标检测算法
3.2.1 目标检测指标
3.2.2 传统的目标检测方法
3.2.3 基于区域的深度学习目标检测方法
3.3 基于YOLO的目标检测
3.3.1 YOLO在车载视频道路目标检测中的优势
3.3.2 目标检测器设计
3.3.3 实验结果与分析
3.4 本章小结
第四章 多目标实时跟踪器设计
4.1 多目标实时跟踪算法思路设计
4.2 基于Deep-SORT的多目标跟踪
4.2.1 Deep-SORT算法在多目标跟踪中的优势
4.2.2 Deep-SORT算法结构分析
4.3 卡尔曼滤波跟踪算法
4.4 基于匈牙利算法的预测匹配
4.4.1 基于马氏距离的运动匹配
4.4.2 基于特征向量最小余弦距离的表观匹配
4.4.3 基于匈牙利算法的多目标分配
4.5 实验结果与分析
4.6 本章小结
第五章 系统实验平台开发与实验结果分析
5.1 实验开发环境
5.2 训练样本与测试样本
5.3 系统测试结果与分析
5.4 本章小结
第六章 总结与展望
6.1 论文总结
6.2 论文进一步的工作展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]基于双重ROI和变间距扫描的车道线检测[J]. 王鑫,刘玉超,海丹. 指挥与控制学报. 2017(02)
[2]基于改进匈牙利算法的多技能人员调度方法[J]. 李廷鹏,钱彦岭,李岳. 国防科技大学学报. 2016(02)
[3]背景差分与三帧差分结合的运动目标检测算法[J]. 卢章平,孔德飞,李小蕾,王军伟. 计算机测量与控制. 2013(12)
[4]基于余弦距离度量学习的伪K近邻文本分类算法[J]. 彭凯,汪伟,杨煜普. 计算机工程与设计. 2013(06)
[5]卡尔曼滤波器参数分析与应用方法研究[J]. 王学斌,徐建宏,张章. 计算机应用与软件. 2012(06)
[6]基于Hough变换的车道检测改进算法研究[J]. 李明,黄华,夏建刚. 计算机工程与设计. 2012(04)
[7]行人检测技术综述[J]. 苏松志,李绍滋,陈淑媛,蔡国榕,吴云东. 电子学报. 2012(04)
[8]车道线识别中的自适应Canny边缘检测及改进研究[J]. 陈阳舟,闫豪杰,辛乐. 交通信息与安全. 2012(01)
[9]视觉跟踪算法综述[J]. 杨戈,刘宏. 智能系统学报. 2010(02)
[10]基于卡尔曼滤波的动目标预测[J]. 严浙平,黄宇峰. 应用科技. 2008(10)
硕士论文
[1]基于机器视觉的交通标志检测与识别算法研究[D]. 敬斌.电子科技大学 2015
[2]摄像头运动状态下目标特征提取和跟踪的研究[D]. 欧晓文.华南理工大学 2015
[3]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015
[4]基于数字图像处理的车道线检测[D]. 张慧.新疆大学 2014
[5]基于计算机视觉的遥控器液晶屏图像检测[D]. 温李慧.电子科技大学 2013
[6]基于机器视觉的车道线检测与追踪系统的研究[D]. 秦敏.中国海洋大学 2012
[7]多尺度改进非局部平均图像去噪算法[D]. 路阳.西安电子科技大学 2012
[8]视频监控系统中运动目标检测与跟踪技术的研究[D]. 陈龙.南京邮电大学 2011
[9]基于车道线边缘及分而特征的车道线识别算法研究与实现[D]. 张远.东北大学 2010
[10]基于计算机视觉的智能抄表系统中的关键技术研究[D]. 钱洪娟.沈阳航空工业学院 2009
本文编号：3561076
【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】：76 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题背景以及意义
1.2 国内外研究现状
1.3 本文的主要内容及章节安排
第二章 图像预处理及车道线检测
2.1 图像预处理
2.1.1 灰度化处理
2.1.2 图像滤波
2.1.3 图像边缘检测
2.2 车道线检测
2.2.1 ROI区域提取
2.2.2 直线检测
2.2.3 直线聚类与拟合
2.3 本章小结
第三章 基于深度学习的车辆及行人目标检测
3.1 车载视频的道路目标检测算法思路设计
3.2 目标检测算法
3.2.1 目标检测指标
3.2.2 传统的目标检测方法
3.2.3 基于区域的深度学习目标检测方法
3.3 基于YOLO的目标检测
3.3.1 YOLO在车载视频道路目标检测中的优势
3.3.2 目标检测器设计
3.3.3 实验结果与分析
3.4 本章小结
第四章 多目标实时跟踪器设计
4.1 多目标实时跟踪算法思路设计
4.2 基于Deep-SORT的多目标跟踪
4.2.1 Deep-SORT算法在多目标跟踪中的优势
4.2.2 Deep-SORT算法结构分析
4.3 卡尔曼滤波跟踪算法
4.4 基于匈牙利算法的预测匹配
4.4.1 基于马氏距离的运动匹配
4.4.2 基于特征向量最小余弦距离的表观匹配
4.4.3 基于匈牙利算法的多目标分配
4.5 实验结果与分析
4.6 本章小结
第五章 系统实验平台开发与实验结果分析
5.1 实验开发环境
5.2 训练样本与测试样本
5.3 系统测试结果与分析
5.4 本章小结
第六章 总结与展望
6.1 论文总结
6.2 论文进一步的工作展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]基于双重ROI和变间距扫描的车道线检测[J]. 王鑫,刘玉超,海丹. 指挥与控制学报. 2017(02)
[2]基于改进匈牙利算法的多技能人员调度方法[J]. 李廷鹏,钱彦岭,李岳. 国防科技大学学报. 2016(02)
[3]背景差分与三帧差分结合的运动目标检测算法[J]. 卢章平,孔德飞,李小蕾,王军伟. 计算机测量与控制. 2013(12)
[4]基于余弦距离度量学习的伪K近邻文本分类算法[J]. 彭凯,汪伟,杨煜普. 计算机工程与设计. 2013(06)
[5]卡尔曼滤波器参数分析与应用方法研究[J]. 王学斌,徐建宏,张章. 计算机应用与软件. 2012(06)
[6]基于Hough变换的车道检测改进算法研究[J]. 李明,黄华,夏建刚. 计算机工程与设计. 2012(04)
[7]行人检测技术综述[J]. 苏松志,李绍滋,陈淑媛,蔡国榕,吴云东. 电子学报. 2012(04)
[8]车道线识别中的自适应Canny边缘检测及改进研究[J]. 陈阳舟,闫豪杰,辛乐. 交通信息与安全. 2012(01)
[9]视觉跟踪算法综述[J]. 杨戈,刘宏. 智能系统学报. 2010(02)
[10]基于卡尔曼滤波的动目标预测[J]. 严浙平,黄宇峰. 应用科技. 2008(10)
硕士论文
[1]基于机器视觉的交通标志检测与识别算法研究[D]. 敬斌.电子科技大学 2015
[2]摄像头运动状态下目标特征提取和跟踪的研究[D]. 欧晓文.华南理工大学 2015
[3]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015
[4]基于数字图像处理的车道线检测[D]. 张慧.新疆大学 2014
[5]基于计算机视觉的遥控器液晶屏图像检测[D]. 温李慧.电子科技大学 2013
[6]基于机器视觉的车道线检测与追踪系统的研究[D]. 秦敏.中国海洋大学 2012
[7]多尺度改进非局部平均图像去噪算法[D]. 路阳.西安电子科技大学 2012
[8]视频监控系统中运动目标检测与跟踪技术的研究[D]. 陈龙.南京邮电大学 2011
[9]基于车道线边缘及分而特征的车道线识别算法研究与实现[D]. 张远.东北大学 2010
[10]基于计算机视觉的智能抄表系统中的关键技术研究[D]. 钱洪娟.沈阳航空工业学院 2009
本文编号：3561076
本文链接：https://www.wllwen.com/kejilunwen/qiche/3561076.html
