莱芜市智慧交通系统中目标识别和跟踪技术研究
发布时间：2021-08-17 12:03
随着国家经济的快速发展,近年来我国的乘用车增长保持较高的速度,然而随着汽车数目数量的增加,交通管理也面临着诸多问题。在复杂的交通网络中存在大量的汽车交通拥堵问题,因此目标识别和跟踪技术尤为重要,尤其是在犯罪跟踪和目标识别方面。本文以莱芜市智慧交通系统为例,主要研究基于智慧交通网络下的全方位目标识别和跟踪技术。对智慧交通网络及目标识别和跟踪的国内外现状进行了调研,结合国内外智慧交通系统发展,完成了莱芜市智慧交通系统设计。本文对交通监控网络中图像的预处理和后处理技术手段进行了详细的介绍,介绍了图像特征提取方法,提出了基于自适应遗传的图像特征提取算法。该方法克服了传统方法容易陷入局部最优的缺点,通过使用符号回归实验对其特征提取的效果进行了验证。研究了智慧交通监控中的目标检测算法,提出了基于自编码神经网络和softmax的移动目标检测算法,该级联式深度神经网络算法经过训练后可以快速和有效地识别移动物体。经过所在市的交通相机拍摄算法屏幕验证,效果非常显著。最后进行了基于智慧交通监控网络的目标跟踪算法的研究,提出来基于EKF预测采样的粒子滤波和基于卡尔曼滤波的特征匹配跟踪算法,结合这两种算法进行了...
【文章来源】：青岛理工大学山东省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
电子警察系统架构图
青岛理工大学工程硕士学位论文8图2.2车牌识别原理图2.3.2微卡口监控系统微型卡口监控系统是复合高清视频监控系统。在满足常规道路监控系统的视频监控要求以完全覆盖路段和全天候高清视频记录的要求的同时，引入了多种行业领先的视频智能技术，例如全屏视频检测，视频跟踪和车牌识别。该系统具有记录机动车交通，捕获图片并同时自动提取车辆的特征属性(车牌号，车牌颜色)以及自动叠加要素属性的视频标签。微型卡口监控系统如图2.3所示，负责收集，编码，压缩和上传路段的高清视频图像，并完成汽车的信息收集和识别。包括车辆特征照片，车牌号和车牌颜色等。并完成图像信息识别，图像缓存和压缩上传等功能，主要由智能监控单元组成。
青岛理工大学工程硕士学位论文9图2.3微卡口监控子系统架构图2.3.3高清卡口系统高清智能卡口系统如图2.4所示，它负责收集车辆，非机动车，行人等全面信息，包括目标特征照片，车牌号和车牌颜色等，并完成图像信息的功能识别，图像缓存和压缩上传。它由一个识别处理单元(卡口捕捉单元和补光灯)，一个前端图像处理和上载单元(终端服务器)组成。图2.4高清卡口系统架构图2.3.4移动采集系统
【参考文献】：
期刊论文
[1]基于激光扫描的智能交通系统中运动目标检测跟踪研究[J]. 阮文惠,李志浩,黄珍. 激光杂志. 2019(04)
[2]国际智能交通系统研发热点[J]. 王笑京,张纪升,宋向辉,汪林. 科技导报. 2019(06)
[3]基于线性解码和深度回归预测的图像分类算法[J]. 张鸿,伍萍. 计算机应用与软件. 2016(11)
[4]一种基于改进粒子滤波的多目标检测与跟踪方法[J]. 周明,涂宏斌. 华东交通大学学报. 2016(02)
[5]基于栈式降噪自编码神经网络的车牌字符识别[J]. 贾文其,李明,朱美强,王军. 计算机工程与设计. 2016(03)
[6]一种稀疏降噪自编码神经网络研究[J]. 张成刚,姜静清. 内蒙古民族大学学报(自然科学版). 2016(01)
[7]基于自编码神经网络的高分辨率距离像降维法[J]. 张建强,汪厚祥,杨红梅. 解放军理工大学学报(自然科学版). 2016(01)
[8]基于神经网络和光流场的嵌入式高速目标识别与跟踪（英文）[J]. 苏金泷,HERBERT H C IU,FERNANDO T. 中国公路学报. 2015(11)
[9]基于主成分分析和Softmax回归模型的人脸识别方法[J]. 汪海波,陈雁翔,李艳秋. 合肥工业大学学报(自然科学版). 2015(06)
[10]基于深度学习的交通拥堵预测模型研究[J]. 谭娟,王胜春. 计算机应用研究. 2015(10)
博士论文
[1]基于特征学习的目标检测、跟踪、识别算法研究[D]. 喻晓源.华中科技大学 2014
[2]基于激光雷达的智能车辆目标识别与跟踪关键技术研究[D]. 周俊静.北京工业大学 2014
硕士论文
[1]复杂环境下基于图像特征的交通事件检测算法研究[D]. 王祥波.华南理工大学 2015
[2]运动车辆目标提取与跟踪技术研究[D]. 龚香.电子科技大学 2015
[3]智能视频的目标检测与目标跟踪算法研究[D]. 陈海涛.电子科技大学 2015
[4]视频多目标跟踪方法研究[D]. 段红岩.西安电子科技大学 2014
[5]基于自编码神经网络的极化SAR影像地物分类[D]. 刘宸荣.西安电子科技大学 2014
[6]基于视频的车辆检测与跟踪技术研究[D]. 吴小康.兰州交通大学 2014
[7]基于智能体模型的行人跟踪算法研究[D]. 张蝶.燕山大学 2014
[8]移动摄像下目标检测与跟踪研究[D]. 郭义凡.厦门大学 2014
[9]基于机器视觉的车辆前方危险目标识别及风险评估研究[D]. 杨方宜.昆明理工大学 2014
[10]复杂场景下车辆（动目标）的识别和跟踪技术研究[D]. 戴夏强.南京航空航天大学 2014
本文编号：3347729
【文章来源】：青岛理工大学山东省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
电子警察系统架构图
青岛理工大学工程硕士学位论文8图2.2车牌识别原理图2.3.2微卡口监控系统微型卡口监控系统是复合高清视频监控系统。在满足常规道路监控系统的视频监控要求以完全覆盖路段和全天候高清视频记录的要求的同时，引入了多种行业领先的视频智能技术，例如全屏视频检测，视频跟踪和车牌识别。该系统具有记录机动车交通，捕获图片并同时自动提取车辆的特征属性(车牌号，车牌颜色)以及自动叠加要素属性的视频标签。微型卡口监控系统如图2.3所示，负责收集，编码，压缩和上传路段的高清视频图像，并完成汽车的信息收集和识别。包括车辆特征照片，车牌号和车牌颜色等。并完成图像信息识别，图像缓存和压缩上传等功能，主要由智能监控单元组成。
青岛理工大学工程硕士学位论文9图2.3微卡口监控子系统架构图2.3.3高清卡口系统高清智能卡口系统如图2.4所示，它负责收集车辆，非机动车，行人等全面信息，包括目标特征照片，车牌号和车牌颜色等，并完成图像信息的功能识别，图像缓存和压缩上传。它由一个识别处理单元(卡口捕捉单元和补光灯)，一个前端图像处理和上载单元(终端服务器)组成。图2.4高清卡口系统架构图2.3.4移动采集系统
【参考文献】：
期刊论文
[1]基于激光扫描的智能交通系统中运动目标检测跟踪研究[J]. 阮文惠,李志浩,黄珍. 激光杂志. 2019(04)
[2]国际智能交通系统研发热点[J]. 王笑京,张纪升,宋向辉,汪林. 科技导报. 2019(06)
[3]基于线性解码和深度回归预测的图像分类算法[J]. 张鸿,伍萍. 计算机应用与软件. 2016(11)
[4]一种基于改进粒子滤波的多目标检测与跟踪方法[J]. 周明,涂宏斌. 华东交通大学学报. 2016(02)
[5]基于栈式降噪自编码神经网络的车牌字符识别[J]. 贾文其,李明,朱美强,王军. 计算机工程与设计. 2016(03)
[6]一种稀疏降噪自编码神经网络研究[J]. 张成刚,姜静清. 内蒙古民族大学学报(自然科学版). 2016(01)
[7]基于自编码神经网络的高分辨率距离像降维法[J]. 张建强,汪厚祥,杨红梅. 解放军理工大学学报(自然科学版). 2016(01)
[8]基于神经网络和光流场的嵌入式高速目标识别与跟踪（英文）[J]. 苏金泷,HERBERT H C IU,FERNANDO T. 中国公路学报. 2015(11)
[9]基于主成分分析和Softmax回归模型的人脸识别方法[J]. 汪海波,陈雁翔,李艳秋. 合肥工业大学学报(自然科学版). 2015(06)
[10]基于深度学习的交通拥堵预测模型研究[J]. 谭娟,王胜春. 计算机应用研究. 2015(10)
博士论文
[1]基于特征学习的目标检测、跟踪、识别算法研究[D]. 喻晓源.华中科技大学 2014
[2]基于激光雷达的智能车辆目标识别与跟踪关键技术研究[D]. 周俊静.北京工业大学 2014
硕士论文
[1]复杂环境下基于图像特征的交通事件检测算法研究[D]. 王祥波.华南理工大学 2015
[2]运动车辆目标提取与跟踪技术研究[D]. 龚香.电子科技大学 2015
[3]智能视频的目标检测与目标跟踪算法研究[D]. 陈海涛.电子科技大学 2015
[4]视频多目标跟踪方法研究[D]. 段红岩.西安电子科技大学 2014
[5]基于自编码神经网络的极化SAR影像地物分类[D]. 刘宸荣.西安电子科技大学 2014
[6]基于视频的车辆检测与跟踪技术研究[D]. 吴小康.兰州交通大学 2014
[7]基于智能体模型的行人跟踪算法研究[D]. 张蝶.燕山大学 2014
[8]移动摄像下目标检测与跟踪研究[D]. 郭义凡.厦门大学 2014
[9]基于机器视觉的车辆前方危险目标识别及风险评估研究[D]. 杨方宜.昆明理工大学 2014
[10]复杂场景下车辆（动目标）的识别和跟踪技术研究[D]. 戴夏强.南京航空航天大学 2014
本文编号：3347729
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3347729.html
