基于深度学习的交通视频分析系统的设计与实现

发布时间：2021-07-22 21:08

　　近年来,随着越来越多的汽车进入普通家庭,私人汽车在人们的日常占据着越来越重要的地位。同时,随着汽车数量的快速增加,与汽车相关的违法行为也越来越多,因此对于交通视频的分析成为安防领域迫切需求。随着人工智能技术的快速发展,智能安防领域得到了越来越多的重视。交通视频分析作为安防领域的重要内容,也一直备受关注。早期由于技术的不成熟,复杂场景的视频结构化分析一直很难实现。但是随着深度学习的出现,使得这种大规模复杂场景的视频分析变得可能。目前,深度学习已经被广泛使用在不同领域的研究和应用中,例如图像识别、语音识别、以及自然语言理解等。交通视频结构化主要依赖于计算对于监控视频的智能分析,并从视频中提取车辆的基本信息,包括车辆的颜色、品牌、车牌等信息。提取的信息将被保存到数据库,以供后期的分析和有效信息的挖掘。交通视频结构化化的过程中,涉及车辆和车牌检测、车牌识别、车辆品牌识别以及目标跟踪等问题。本文结合目前深度系学习在目标检测、OCR、图像分类的以及目标跟踪相关的最新技术,提出了一系列方法,用于解决交通视频结构化过程中需要解决的图像识别问题。同时在系统的开发过程中,开发了用于深度学习模型训练和推理的... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

车辆监控早期由于科学技术的不成熟，复杂场景的视频结构化分析一直很难实现

哈尔滨工业大学工程硕士学位论文出现了转机。目前，在图像识别的三个基本问题，分类、检测以及分上，深度学习都取得了长足的进步。而且在 2014 年的 IMAGENET 竞赛机在图像分类上首次超过了人类。目前计算机在人脸识别、语音识别域上的表现均超过了人类的平均水平。这也意味着以深度学习为基础能技术，在多个领域已经开始走向实用化。

哈尔滨工业大学工程硕士学位论文相遇并计算乘加计算。由于矩阵 A 和动，每经历一个时钟节拍，数据就往行乘加计算。当然为了保证对应的数阵 A 的行数据不是同时进入阵列而是也是依次间隔一个时钟进入阵列。如果加计算，那么对于一个 N*N 大小的阵经历 2N 个计算周期。例如 Google 的完成 256x256 大小的两个矩阵相乘只的 CPU 需要的计算周期是 256x256x2 ASIC 芯片效率之高。

【参考文献】：
博士论文
[1]脱机中文手写识别—从孤立汉字到真实文本[D]. 苏统华.哈尔滨工业大学 2008



本文编号：3297901