基于深度学习的复杂交通视频的多目标跟踪

发布时间：2021-02-16 02:54

　　随着我国的车辆保有量高速增长,以及交通监控不断完善,如何有效的利用计算机视觉的方法对视频进行分析以获取交通信息,已成为智能交通中备受关注的问题。而获取交通信息的关键技术就是对车辆进行跟踪。随着GPU的普及和精度高、不用手动设置参数的深度学习在目标检测领域的成功,将深度学习的方法引入到多目标跟踪中,并且针对我国大城市中的复杂交通视频进行持续稳定的跟踪,有着非常重要的现实意义。本文将深度神经网络提取的目标外观特征和运动特征纳入多目标跟踪算法的数据关联部分,并针对短时间检测算法漏检的情况改进多目标跟踪算法。论文的主要工作有:（1）针对多目标跟踪实时性的需求和轨迹短时间之内外观相似的特点,本文设计了提取有区分度外观特征的卷积神经网络模型。通过在Caffe平台训练孪生网络来获得鲁棒的目标外观特征描述,以应对复杂交通场景中目标类间差异小而类内差异大的挑战。此外,不同于其他基于卷积神经网络的外观特征提取方法,本文通过最后的全连接层将外观特征降为两维,在保证区分度的前提下获得了更加紧凑的描述子。在公共数据集上的实验结果表明,融入本文提取的深度外观特征的多目标跟踪算法将目标的错误匹配率减少了 11%,跟... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
1 引言
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要研究工作
    1.4 论文结构
2 交通数据集和相关技术分析
    2.1 数据集相关的目标检测算法
        2.1.1 DPM检测算法
        2.1.2 ACF检测算法
        2.1.3 R-CNN检测算法
        2.1.4 CompACT检测算法
        2.1.5 检测算法在交通数据集上的检测效果
    2.2 数据集相关的其他多目标跟踪技术
        2.2.1 GOG跟踪方法
        2.2.2 基于IOU的跟踪方法
    2.3 多目标跟踪评价指标
    2.4 本章小结
3 基于深度学习的外观特征模型设计
    3.1 深度学习和卷积神经网络
        3.1.1 深度学习理论
        3.1.2 神经网络的反向传播
        3.1.3 卷积神经网络
        3.1.4 开源深度学习框架
    3.2 基于深度学习的提取外观特征的网络模型设计
        3.2.1 整体框架
        3.2.2 孪生网络原理
        3.2.3 实验数据准备
        3.2.4 网络结构设计与训练
        3.2.5 外观特征提取实验结果分析
    3.3 利用深度外观特征的多目标跟踪算法
        3.3.1 多目标跟踪算法设计和流程
        3.3.2 实验数据和评价指标
        3.3.3 结合深度特征的多目标跟踪结果分析
    3.4 本章小结
4 结合GRU网络提取目标运动特征
    4.1 RNN网络
        4.1.1 RNN网络与时间序列数据
        4.1.2 LSTM网络
        4.1.3 GRU网络
    4.2 基于深度学习运动特征预测
        4.2.1 实验数据准备
        4.2.2 训练模型
    4.3 结合GRU预测时序特征的多目标跟踪算法
        4.3.1 改进的多目标跟踪算法
        4.3.2 实验数据和评价指标
        4.3.3 结合预测特征的多目标跟踪结果分析
    4.4 本章小结
5 总结与展望
    5.1 工作总结
    5.2 未来展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集



本文编号：3036020