基于FCOS的车辆追踪研究与实现
发布时间：2021-12-30 15:39
当今社会,随着科技的快速发展,人们的生活水平不断提高,车辆数目也不断增加,给交通造成了很大的压力,因此智能交通系统（Intelligent Traffic System,ITS）应运而生。智能交通系统利用计算机视觉、人工智能等技术,利用计算机的高性能处理能力,协助人们对交通进行监督和管理,及时发现道路拥堵、交通事故等问题并采取措施,减少了人力、物力、财力的投入,使城市交通更加安全、顺畅。对道路监控视频中的车辆进行识别和追踪作为智能交通系统中最重要的环节之一,受到了国内外学者的广泛关注。本文研究的是在单摄像头场景下的车辆追踪问题,算法整体框架包括车辆检测和车辆追踪两部分。在车辆检测方面,本文首先对比了传统车辆检测算法和基于深度学习的车辆检测算法,提出采用Fully Convolutional One-Stage Object Detection（FCOS）算法进行车辆检测,并与目前广泛应用的几种车辆检测算法进行了实验上的对比,最后通过实验结果验证了FCOS算法在车辆检测中的适用性。在车辆追踪方面,主要包括特征提取算法和车辆关联算法两部分。为了更准确地比较车辆相似度,本文分析了多种特征提取...
【文章来源】：重庆邮电大学重庆市
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
DBT车辆追踪框架
重庆邮电大学硕士学位论文第2章相关理论与技术83.利用数据关联算法结合车辆位置信息和特征信息关联不同帧上的相同车辆，生成车辆轨迹，完成车辆追踪任务。2.2车辆检测算法2.2.1传统算法在传统的车辆检测算法中，通常采用背景分割的方法从图像中提取出车辆前景区域。目前最常用的三种方法是：帧间差分法、光流场(OpticalFlow)法[18]和高斯混合模型法(GaussianMixtureModel，GMM)法[19]，下面分别对这三类方法进行详细介绍。1.帧间差分法帧间差分法用于道路车辆检测的主要思想是：由于监控摄像头拍摄的视频是连续的，当视频中没有车辆行驶时，像素值的变化非常微弱；相反如果有车辆行驶，像素值的变化就会变得非常明显。因此利用图像差分计算可以提取出连续帧中像素值变化较大的区域，也就是车辆区域。帧间差分法分为两帧差分法[20]和三帧差分法[21]。两帧差分法是对连续的两帧图像进行差分运算，而三帧差分法是在连续的三帧图像上进行差分运算。两帧差分法比较适用于车辆移动缓慢的情况，通常检测的准确度不如三帧差分法，因为连续三帧图像的差分运算能够提取到更加可靠的信息。三帧差分法计算流程如图2.2所示。图2.2三帧差分法计算流程三帧差分法首先计算两次差分运算，以第t帧图像和第t1帧图像为例，图像差分计算公式如下所示：
重庆邮电大学硕士学位论文第2章相关理论与技术9|),(),(|),(11yxfyxfyxDttt(2.1)式中),(1yxDt代表计算后的差分图像对应位置的像素值，yxf),(t和),(1yxft表示输入图像对应位置的像素值。在得到两张差分图像后，需要进行与运算，并对获得的图像进行二值化处理来提取车辆区域。在进行二值化处理前需要设定阈值T，由于差分图像中车辆区域像素值较大而背景区域像素值较小，因此通过阈值T这一判决条件可以提取出车辆区域。如式(2.2)所示，通过二值化处理将像素值为255的点判断为前景点，像素值为0的点判断为背景点，从而得到二值图yxR),(t。最后进行连通性分析，得到包含完整运动目标的图像，并通过轮廓判别，完成车辆检测。elseTyxDyxRtt,0),(,255),("(2.2)帧差法的算法复杂度非常低，而且计算所需空间非常少，因此可以应用在单片机这种处理能力低下的嵌入式环境中。但是也因为算法的简单产生了很多缺点，由上面的分析可以看出，在帧差法中阈值T的选取较为关键，它将直接影响到车辆检测准确率。如果选取的阈值过小，则差分图像中会夹杂较多的噪声，影响判断，并且最终结果中也会包含非车辆区域部分；如果选取的阈值过大，则可能会遗漏车辆信息，导致最终获得的车辆区域不完整。由于算法是基于帧间差的运算，因此只能提取到车辆的轮廓信息，导致算法的鲁棒性较差，不仅无法在复杂的道路环境下应用，而且当车辆运动速度过快或者过慢时，都会导致车辆检测失败。综上，由于帧间差分法缺点太多，导致其实际应用场景非常少。图2.3给出了一张实例图片及三帧差分法车辆检测效果，从图中可以看出帧差法只检测出了部分车辆。图2.3三帧差分法车辆检测效果
【参考文献】：
期刊论文
[1]基于帧差法与中值法的运动目标背景提取算法[J]. 吴天友,殷志祥. 怀化学院学报. 2019(11)
[2]Faster-RCNN的车型识别分析[J]. 桑军,郭沛,项志立,罗红玲,陈欣. 重庆大学学报. 2017(07)
[3]基于改进的三帧差分法运动目标检测[J]. 丁磊,宫宁生. 电视技术. 2013(01)
[4]匈牙利算法在多目标分配中的应用[J]. 柳毅,佟明安. 火力与指挥控制. 2002(04)
硕士论文
[1]区域卷积神经网络在车辆检测中的应用研究[D]. 张鹤鹤.西安理工大学 2018
[2]监控视频中车辆行为语义分析[D]. 蒋恩源.吉林大学 2016
[3]基于图像处理的继电器外观检测技术[D]. 陈乐峰.厦门理工学院 2015
本文编号：3558500
【文章来源】：重庆邮电大学重庆市
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
DBT车辆追踪框架
重庆邮电大学硕士学位论文第2章相关理论与技术83.利用数据关联算法结合车辆位置信息和特征信息关联不同帧上的相同车辆，生成车辆轨迹，完成车辆追踪任务。2.2车辆检测算法2.2.1传统算法在传统的车辆检测算法中，通常采用背景分割的方法从图像中提取出车辆前景区域。目前最常用的三种方法是：帧间差分法、光流场(OpticalFlow)法[18]和高斯混合模型法(GaussianMixtureModel，GMM)法[19]，下面分别对这三类方法进行详细介绍。1.帧间差分法帧间差分法用于道路车辆检测的主要思想是：由于监控摄像头拍摄的视频是连续的，当视频中没有车辆行驶时，像素值的变化非常微弱；相反如果有车辆行驶，像素值的变化就会变得非常明显。因此利用图像差分计算可以提取出连续帧中像素值变化较大的区域，也就是车辆区域。帧间差分法分为两帧差分法[20]和三帧差分法[21]。两帧差分法是对连续的两帧图像进行差分运算，而三帧差分法是在连续的三帧图像上进行差分运算。两帧差分法比较适用于车辆移动缓慢的情况，通常检测的准确度不如三帧差分法，因为连续三帧图像的差分运算能够提取到更加可靠的信息。三帧差分法计算流程如图2.2所示。图2.2三帧差分法计算流程三帧差分法首先计算两次差分运算，以第t帧图像和第t1帧图像为例，图像差分计算公式如下所示：
重庆邮电大学硕士学位论文第2章相关理论与技术9|),(),(|),(11yxfyxfyxDttt(2.1)式中),(1yxDt代表计算后的差分图像对应位置的像素值，yxf),(t和),(1yxft表示输入图像对应位置的像素值。在得到两张差分图像后，需要进行与运算，并对获得的图像进行二值化处理来提取车辆区域。在进行二值化处理前需要设定阈值T，由于差分图像中车辆区域像素值较大而背景区域像素值较小，因此通过阈值T这一判决条件可以提取出车辆区域。如式(2.2)所示，通过二值化处理将像素值为255的点判断为前景点，像素值为0的点判断为背景点，从而得到二值图yxR),(t。最后进行连通性分析，得到包含完整运动目标的图像，并通过轮廓判别，完成车辆检测。elseTyxDyxRtt,0),(,255),("(2.2)帧差法的算法复杂度非常低，而且计算所需空间非常少，因此可以应用在单片机这种处理能力低下的嵌入式环境中。但是也因为算法的简单产生了很多缺点，由上面的分析可以看出，在帧差法中阈值T的选取较为关键，它将直接影响到车辆检测准确率。如果选取的阈值过小，则差分图像中会夹杂较多的噪声，影响判断，并且最终结果中也会包含非车辆区域部分；如果选取的阈值过大，则可能会遗漏车辆信息，导致最终获得的车辆区域不完整。由于算法是基于帧间差的运算，因此只能提取到车辆的轮廓信息，导致算法的鲁棒性较差，不仅无法在复杂的道路环境下应用，而且当车辆运动速度过快或者过慢时，都会导致车辆检测失败。综上，由于帧间差分法缺点太多，导致其实际应用场景非常少。图2.3给出了一张实例图片及三帧差分法车辆检测效果，从图中可以看出帧差法只检测出了部分车辆。图2.3三帧差分法车辆检测效果
【参考文献】：
期刊论文
[1]基于帧差法与中值法的运动目标背景提取算法[J]. 吴天友,殷志祥. 怀化学院学报. 2019(11)
[2]Faster-RCNN的车型识别分析[J]. 桑军,郭沛,项志立,罗红玲,陈欣. 重庆大学学报. 2017(07)
[3]基于改进的三帧差分法运动目标检测[J]. 丁磊,宫宁生. 电视技术. 2013(01)
[4]匈牙利算法在多目标分配中的应用[J]. 柳毅,佟明安. 火力与指挥控制. 2002(04)
硕士论文
[1]区域卷积神经网络在车辆检测中的应用研究[D]. 张鹤鹤.西安理工大学 2018
[2]监控视频中车辆行为语义分析[D]. 蒋恩源.吉林大学 2016
[3]基于图像处理的继电器外观检测技术[D]. 陈乐峰.厦门理工学院 2015
本文编号：3558500
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3558500.html
最近更新
教材专著
