基于图像信息的道路车流量检测算法研究与实现
发布时间：2021-07-19 16:48
随着智能交通系统的发展与交通部门对道路监控实现前端智能的需求,基于图像信息的道路车流量检测算法的研究与实现成为非常迫切的需求,道路车流量检测为智能交通系统提供基础决策数据,有助于交通管理部门对交通进行优化调度。本课题在研究运动目标检测算法基础上,针对混合高斯模型与多任务卷积神经网络模型在车辆检测中存在的若干问题进行分析与改进;并提出了融合混合高斯模型与多任务卷积神经网络模型的车流量检测策略;最终实现一款能在多种复杂环境下对道路车流量进行高精度检测的车流量检测算法,并成功将其移至到Hi3516D平台。本文的主要研究内容为:（1）针对混合高斯模型背景建模存在的高斯分布分量分配不合理、仅对孤立点建模忽视像素点邻域各点关联性、无法准确检测缓慢运动或短暂静止的运动目标等若干问题,提出了自适应高斯分布分量策略、时域空域混合建模策略、双路动态更新学习率建模策略三种改进方案,加快了背景建模速度,实现了在较为复杂环境下对于缓慢运动目标和暂时静止目标的准确检测。同时,本课题提出凹点匹配的粘连目标检测分割算法解决车辆相互粘连问题,提出基于卡尔曼轨迹跟踪的车流量统计方法,实现对道路车流量的检测;并设计了多组实...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：99 页
【学位级别】：硕士
【图文】：
P,R值不同时LBP算子形式
2.3.3 CNN法深度学习方法相对于 SVM 与 Adaboost 等方法，不需要手动选择特征，且对于车辆等目标的检测精度高，目前广泛应用于目标的检测与跟踪中。卷积神经网络（CNN）、循环神经网络（RNN）[70]、深度神经网络（DNN）[71]等。DNN 网络层数较深，运算量大，主要用在单幅图像等对实时性要求较低的处理中；RNN 主要用于处理与时间关系密切的样本类型，如自然语言处理、语音识别等领域；CNN 作为一类能够有效实现目标检测的深度学习算法，已经被广泛应用于目标检测领域中，因而本节重点分析 CNN。并在后续的章节中，采用基于 CNN 的深度学习衍生方法进行改进与实验。CNN 属于多层有监督学习神经网络，由卷积层、池化层、激励层、全连接层、损失层等构成的一个层级结构，包括前向传播与反向传播两个过程[72]。前向传播中，输入的数据经过卷积层提取图像特性信息，经由激励层做非线性映射，由池化层进行降维操作减少过拟合，输出到全连接层进行一个类似“分类器”的操作，最后由损失层计算损失函数。反向传播中，采用复合函数求导的链式法则，更新各层级结构的权重与偏置，最终不断的收敛损失函数的计算值，使其逼近于 0，其主要结构如图 2.4。
21图 2. 5 本文算法整体架构（1）GMM 车辆检测模块。在此模块中，本文首先进行 GMM 模型设计，相比较传统 GMM方法对于车辆检测精度不高的问题本文进行三种策略的改进，分别为自适应高斯分布分量策略、时域空域混合建模策略与双路动态更新学习率建模策略。对于输入的视频序列，采用本文通过使用改进的 GMM 模型提取出运动前景目标。然后将提取的前景目标信息传递到 MTCNN 车辆检测模块的道路拥堵判别环节。（2）MTCNN 车辆检测模块。此模块中，本文首先对 MTCNN 模型进行设计，相比较传统MTCNN 不适宜检测车辆的问题，本文提出内部级联结构与双流卷积神经网络结构，对 MTCNN的网络结构进行设计。并创建适合于本文 MTCNN 模型的车辆样本集。通过较长时间的 MTCNN分类器训练从而得到适合于复杂环境下车辆检测的模型。为了解决 MTCNN 模型可能存在的运
【参考文献】：
期刊论文
[1]智能视频监控技术研究综述[J]. 贾宁. 数字通信世界. 2018(07)
[2]一种自下而上的人脸检测算法[J]. 张宁,伍萍辉. 计算机应用研究. 2019(06)
[3]基于深度学习物体检测的视觉跟踪方法[J]. 唐聪,凌永顺,杨华,杨星,郑超. 红外与激光工程. 2018(05)
[4]基于凸包Graham扫描法的多系统融合精密单点定位快速选星算法[J]. 杨松,张显云,杜宁,龙新,胡思华. 大地测量与地球动力学. 2018(02)
[5]基于高斯局部二值模式的纹理特征分类方法[J]. 黄辰,费继友,刘晓东. 电子技术应用. 2018(01)
[6]基于多条件随机场的短时交通流预测模型[J]. 邓箴,任静,刘立波. 计算机工程与设计. 2017(10)
[7]基于优化视觉词袋模型的图像分类方法[J]. 张永,杨浩. 计算机应用. 2017(08)
[8]高斯混合模型的运动目标检测与跟踪算法[J]. 杜鹃,吴芬芬. 南京理工大学学报. 2017(01)
[9]基于极坐标计盒维数的圆形通孔缺陷检测[J]. 周强,杜晞盟,胡江涛. 陕西科技大学学报(自然科学版). 2017(01)
[10]基于帧差法和背景差法的运动目标检测[J]. 张应辉,刘养硕. 计算机技术与发展. 2017(02)
硕士论文
[1]基于Hi3516A处理器的KVM终端软件设计[D]. 郑阳.浙江工业大学 2016
[2]一种Lucas-Kanade光流金字塔算法的伪特征点移除方法[D]. 李喆.吉林大学 2016
[3]基于视频的人脸检测与跟踪技术的研究及应用[D]. 余佳伟.电子科技大学 2016
[4]高速公路拥堵事件检测中的背景建模及状态判别方法研究[D]. 徐云飞.重庆大学 2014
本文编号：3291060
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：99 页
【学位级别】：硕士
【图文】：
P,R值不同时LBP算子形式
2.3.3 CNN法深度学习方法相对于 SVM 与 Adaboost 等方法，不需要手动选择特征，且对于车辆等目标的检测精度高，目前广泛应用于目标的检测与跟踪中。卷积神经网络（CNN）、循环神经网络（RNN）[70]、深度神经网络（DNN）[71]等。DNN 网络层数较深，运算量大，主要用在单幅图像等对实时性要求较低的处理中；RNN 主要用于处理与时间关系密切的样本类型，如自然语言处理、语音识别等领域；CNN 作为一类能够有效实现目标检测的深度学习算法，已经被广泛应用于目标检测领域中，因而本节重点分析 CNN。并在后续的章节中，采用基于 CNN 的深度学习衍生方法进行改进与实验。CNN 属于多层有监督学习神经网络，由卷积层、池化层、激励层、全连接层、损失层等构成的一个层级结构，包括前向传播与反向传播两个过程[72]。前向传播中，输入的数据经过卷积层提取图像特性信息，经由激励层做非线性映射，由池化层进行降维操作减少过拟合，输出到全连接层进行一个类似“分类器”的操作，最后由损失层计算损失函数。反向传播中，采用复合函数求导的链式法则，更新各层级结构的权重与偏置，最终不断的收敛损失函数的计算值，使其逼近于 0，其主要结构如图 2.4。
21图 2. 5 本文算法整体架构（1）GMM 车辆检测模块。在此模块中，本文首先进行 GMM 模型设计，相比较传统 GMM方法对于车辆检测精度不高的问题本文进行三种策略的改进，分别为自适应高斯分布分量策略、时域空域混合建模策略与双路动态更新学习率建模策略。对于输入的视频序列，采用本文通过使用改进的 GMM 模型提取出运动前景目标。然后将提取的前景目标信息传递到 MTCNN 车辆检测模块的道路拥堵判别环节。（2）MTCNN 车辆检测模块。此模块中，本文首先对 MTCNN 模型进行设计，相比较传统MTCNN 不适宜检测车辆的问题，本文提出内部级联结构与双流卷积神经网络结构，对 MTCNN的网络结构进行设计。并创建适合于本文 MTCNN 模型的车辆样本集。通过较长时间的 MTCNN分类器训练从而得到适合于复杂环境下车辆检测的模型。为了解决 MTCNN 模型可能存在的运
【参考文献】：
期刊论文
[1]智能视频监控技术研究综述[J]. 贾宁. 数字通信世界. 2018(07)
[2]一种自下而上的人脸检测算法[J]. 张宁,伍萍辉. 计算机应用研究. 2019(06)
[3]基于深度学习物体检测的视觉跟踪方法[J]. 唐聪,凌永顺,杨华,杨星,郑超. 红外与激光工程. 2018(05)
[4]基于凸包Graham扫描法的多系统融合精密单点定位快速选星算法[J]. 杨松,张显云,杜宁,龙新,胡思华. 大地测量与地球动力学. 2018(02)
[5]基于高斯局部二值模式的纹理特征分类方法[J]. 黄辰,费继友,刘晓东. 电子技术应用. 2018(01)
[6]基于多条件随机场的短时交通流预测模型[J]. 邓箴,任静,刘立波. 计算机工程与设计. 2017(10)
[7]基于优化视觉词袋模型的图像分类方法[J]. 张永,杨浩. 计算机应用. 2017(08)
[8]高斯混合模型的运动目标检测与跟踪算法[J]. 杜鹃,吴芬芬. 南京理工大学学报. 2017(01)
[9]基于极坐标计盒维数的圆形通孔缺陷检测[J]. 周强,杜晞盟,胡江涛. 陕西科技大学学报(自然科学版). 2017(01)
[10]基于帧差法和背景差法的运动目标检测[J]. 张应辉,刘养硕. 计算机技术与发展. 2017(02)
硕士论文
[1]基于Hi3516A处理器的KVM终端软件设计[D]. 郑阳.浙江工业大学 2016
[2]一种Lucas-Kanade光流金字塔算法的伪特征点移除方法[D]. 李喆.吉林大学 2016
[3]基于视频的人脸检测与跟踪技术的研究及应用[D]. 余佳伟.电子科技大学 2016
[4]高速公路拥堵事件检测中的背景建模及状态判别方法研究[D]. 徐云飞.重庆大学 2014
本文编号：3291060
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3291060.html
