基于深度学习的实时车型匹配
发布时间:2022-04-28 23:11
随着智能交通系统的快速发展和交通监控摄像头的海量部署,交通监控视频爆炸式增长,在交通监控视频海量化、高清化的趋势下,当遇到交通事故等紧急情况时进行实时的车型匹配是很重要的,但传统的视频处理方法很难适应这种变化。传统的交通视频处理方法更多针对于较低层次的视频存储和管理,忽略了交通视频数据的分析、关联与挖掘,很难做到实时的处理并反馈结果。而深度学习是机器学习研究中一个新的领域,它可以让按照层级划分的计算模型学习具有多层次抽象数据的表示,模仿人脑的机制来理解数据,这就让计算机智能处理海量交通视频成为可能。在此背景下,本文提出了一种通用的车型匹配方法,对交通监控视频进行智能分析并得出匹配结果。首先将深度学习方法应用到车型特征提取上来,对SSD深度学习网络进行了改进,在进行车辆检测的同时,一次性提取图像中全部车型特征;并设计了一种新的卷积神经网络VTM-CNN(Vehicle Type Matching Convolutional Neural Network),用于车型特征匹配,提高了车型匹配方法的识别精度。但深度学习方法速度较慢,因为它会消耗大量的GPU资源,新兴的大数据和云计算技术可以并行...
【文章页数】:66 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
第一章 绪论
1.1 课题背景和研究意义
1.2 国内外研究现状
1.3 研究内容与方法
1.4 论文组织结构
第二章 相关概念及理论基础
2.1 深度学习相关概念及典型应用
2.1.1 深度学习相关概念
2.1.2 卷积神经网络介绍
2.1.3 深度学习目标检测方法
2.1.4 深度学习典型应用
2.2 实时分布式计算平台Storm相关概念及理论基础
2.2.1 Storm理论基础
2.2.2 Storm基本概念
2.3 本章小结
第三章 基于深度学习的车型匹配方法设计与实现
3.1 基于SSD的车辆检测定位与特征提取
3.2 基于传统方法的车型特征匹配
3.2.1 特征向量距离计算
3.2.2 基于人工神经网络的特征匹配
3.2.3 基于SVMs的特征匹配
3.3 基于深度学习方法的车型特征匹配
3.4 VTM-CNN的设计与与实现
3.5 本章小结
第四章 Storm实时处理平台的设计与实现
4.1 基于深度学习的实时车型匹配方法技术路线
4.1.1 顺序图
4.1.2 活动图
4.1.3 部署图
4.2 Storm实时处理平台的并行化设计及调度优化
4.2.1 Storm并行化设计
4.2.2 Storm调度缺陷分析
4.2.3 Storm调度算法优化
4.3 本章小结
第五章 基于深度学习的实时车型匹配方法的测试与分析
5.1 实验环境
5.1.1 硬件环境
5.1.2 软件环境
5.2 数据集
5.3 效果展示
5.4 算法测试
5.4.1 基于深度学习的实时车型匹配方法性能测试
5.4.2 Storm实时处理平台及调度算法容错性测试
5.4.3 基于深度学习的实时车型匹配可移植性测试
5.5 本章小结
总结与展望
课题主要完成的内容
课题创新点
后续研究工作
参考文献
攻读硕士学位期间取得的学术成果
致谢
【参考文献】:
期刊论文
[1]基于车辆侧向特征的视频监控车型分类的研究[J]. 吴彤,刘嘉新. 仪表技术. 2016(02)
[2]玻尔兹曼机研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机研究与发展. 2014(01)
[3]基于局部特征的汽车识别[J]. 黄灿. 微型电脑应用. 2010(08)
[4]中国智能交通系统发展战略研究[J]. 王笑京,沈鸿飞,汪林. 交通运输系统工程与信息. 2006(04)
博士论文
[1]互联网图像高效标注和解译的关键技术研究[D]. 夏丁胤.浙江大学 2010
硕士论文
[1]智能交通中的车型识别研究[D]. 崔莹莹.电子科技大学 2013
[2]车型识别技术在视频监控中的应用[D]. 马蓓.西安电子科技大学 2010
[3]基于视频的车型识别技术研究[D]. 余孔梁.浙江大学 2008
本文编号:3649722
【文章页数】:66 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
第一章 绪论
1.1 课题背景和研究意义
1.2 国内外研究现状
1.3 研究内容与方法
1.4 论文组织结构
第二章 相关概念及理论基础
2.1 深度学习相关概念及典型应用
2.1.1 深度学习相关概念
2.1.2 卷积神经网络介绍
2.1.3 深度学习目标检测方法
2.1.4 深度学习典型应用
2.2 实时分布式计算平台Storm相关概念及理论基础
2.2.1 Storm理论基础
2.2.2 Storm基本概念
2.3 本章小结
第三章 基于深度学习的车型匹配方法设计与实现
3.1 基于SSD的车辆检测定位与特征提取
3.2 基于传统方法的车型特征匹配
3.2.1 特征向量距离计算
3.2.2 基于人工神经网络的特征匹配
3.2.3 基于SVMs的特征匹配
3.3 基于深度学习方法的车型特征匹配
3.4 VTM-CNN的设计与与实现
3.5 本章小结
第四章 Storm实时处理平台的设计与实现
4.1 基于深度学习的实时车型匹配方法技术路线
4.1.1 顺序图
4.1.2 活动图
4.1.3 部署图
4.2 Storm实时处理平台的并行化设计及调度优化
4.2.1 Storm并行化设计
4.2.2 Storm调度缺陷分析
4.2.3 Storm调度算法优化
4.3 本章小结
第五章 基于深度学习的实时车型匹配方法的测试与分析
5.1 实验环境
5.1.1 硬件环境
5.1.2 软件环境
5.2 数据集
5.3 效果展示
5.4 算法测试
5.4.1 基于深度学习的实时车型匹配方法性能测试
5.4.2 Storm实时处理平台及调度算法容错性测试
5.4.3 基于深度学习的实时车型匹配可移植性测试
5.5 本章小结
总结与展望
课题主要完成的内容
课题创新点
后续研究工作
参考文献
攻读硕士学位期间取得的学术成果
致谢
【参考文献】:
期刊论文
[1]基于车辆侧向特征的视频监控车型分类的研究[J]. 吴彤,刘嘉新. 仪表技术. 2016(02)
[2]玻尔兹曼机研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机研究与发展. 2014(01)
[3]基于局部特征的汽车识别[J]. 黄灿. 微型电脑应用. 2010(08)
[4]中国智能交通系统发展战略研究[J]. 王笑京,沈鸿飞,汪林. 交通运输系统工程与信息. 2006(04)
博士论文
[1]互联网图像高效标注和解译的关键技术研究[D]. 夏丁胤.浙江大学 2010
硕士论文
[1]智能交通中的车型识别研究[D]. 崔莹莹.电子科技大学 2013
[2]车型识别技术在视频监控中的应用[D]. 马蓓.西安电子科技大学 2010
[3]基于视频的车型识别技术研究[D]. 余孔梁.浙江大学 2008
本文编号:3649722
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3649722.html