基于车载视频的车辆越线行为智能识别技术研究
发布时间：2021-01-10 11:03
近年来,伴随着城市化进程的不断加快,我国交通发展日新月异,交通工具数量持续增多、种类日益丰富,道路基础设施不断完善。据公安部统计,截至2019年末,中国机动车保有量达3.48亿辆,其中汽车达到2.6亿辆,私家车（私人小微型载客汽车）首次突破两亿辆,全国汽车超过百万辆的城市已有66个。与10年前相比,机动车保有量增长超过80%、机动车驾驶人数量增加了 1倍。在机动车数量飞速增长给人们出行带来了极大便利同时,道路交通安全问题随之日益凸显,交通治理问题受到了全社会的更广泛关注。其中,车辆交通违章行为治理是交通治理的重要内容,而结合人工智能技术（AI）的智慧交通系统构建已成为提高交通违章行为治理能力的一大有效途径。交通违章行为自动识别识系统是智慧交通系统的重要组成部分,其研究重点是综合利用计算机视觉技术、人工智能技术实现对各类交通违章行为的自动判别与取证。本文聚焦于车辆越线行为自动检测,针对卡口式摄像机监控范围受限和容易被驾驶员故意躲避等问题,提出了一种基于车载视频的车辆越线行为智能识别技术,主要研究内容和研究成果包括:（1）针对复杂交通场景下的多车检测效率问题,基于Mask R-CNN神经网...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图１．２技术路线图??Ｆｉｇ．?１．２?Ｔｅｃｈｎｉｃａｌ?ｒｏｕｔｅ?ｆｉｇｕｒｅ??主耍研究内容包括：??
?基于车载视频的车辆越线行为智能识别技术研究???图２．２感知机网络??Ｆｉｇ．?２．２?Ｐｅｒｃｅｐｔｉｏｎ?ｎｅｔｗｏｒｋ??图２．２中，ｗｒ，ｗ２，?ｗ３Ｒ表每个连接上的权值，输出单元Ｚ１的计算结果如式（２．２）??所示。??ｚ，?＝?ｇ（ａ，?＊?ｗ，?＋?ａ２?＊?ｗ２?＋?ａ，?＊?ｗ３）?（２．２）??与神经元不同的是，感知机中的权值是通过训练得到的，因此可以像逻辑回归模型??一样做一些线性分类的任务。??２．１．３前馈神经网络??前馈神经网络（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＦＮＮ）又名多层感知机，其包含多层??结构，在每一层结构里都含有数量不等的神经元，每一个神经元通过接收前一层神经元??的信息，并将该信息单向传播到下一层。与感知机相比，它除了包含一个输人层和一个??输出层之外，还增加了中间层，也称为隐藏层。隐藏层可以是一层，也可以是多层。??图２．３为一个简化版的多层感知机结构．其中，Ｘｌ，?ｘ２，＼３表示这个前馈神经网络??的输人“＋１”代表偏置节点，即截距Ｌ为简化网络结构，只列举了三个输人、三个隐??藏和一个输出节点。但在实际应用中，神经网络在输出层不止一个输出，会有多个输出。??图２．３前馈神经网络??Ｆｉｇ．?２．３?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－１０－??
?基于车载视频的车辆越线行为智能识别技术研究???图２．２感知机网络??Ｆｉｇ．?２．２?Ｐｅｒｃｅｐｔｉｏｎ?ｎｅｔｗｏｒｋ??图２．２中，ｗｒ，ｗ２，?ｗ３Ｒ表每个连接上的权值，输出单元Ｚ１的计算结果如式（２．２）??所示。??ｚ，?＝?ｇ（ａ，?＊?ｗ，?＋?ａ２?＊?ｗ２?＋?ａ，?＊?ｗ３）?（２．２）??与神经元不同的是，感知机中的权值是通过训练得到的，因此可以像逻辑回归模型??一样做一些线性分类的任务。??２．１．３前馈神经网络??前馈神经网络（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＦＮＮ）又名多层感知机，其包含多层??结构，在每一层结构里都含有数量不等的神经元，每一个神经元通过接收前一层神经元??的信息，并将该信息单向传播到下一层。与感知机相比，它除了包含一个输人层和一个??输出层之外，还增加了中间层，也称为隐藏层。隐藏层可以是一层，也可以是多层。??图２．３为一个简化版的多层感知机结构．其中，Ｘｌ，?ｘ２，＼３表示这个前馈神经网络??的输人“＋１”代表偏置节点，即截距Ｌ为简化网络结构，只列举了三个输人、三个隐??藏和一个输出节点。但在实际应用中，神经网络在输出层不止一个输出，会有多个输出。??图２．３前馈神经网络??Ｆｉｇ．?２．３?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－１０－??
【参考文献】：
期刊论文
[1]数据标注研究综述[J]. 蔡莉,王淑婷,刘俊晖,朱扬勇. 软件学报. 2020(02)
[2]计算机视觉下的车辆目标检测算法综述[J]. 李明熹,林正奎,曲毅. 计算机工程与应用. 2019(24)
[3]基于改进Mask RCNN和Kinect的服务机器人物品识别系统[J]. 石杰,周亚丽,张奇志. 仪器仪表学报. 2019(04)
[4]基于Mask R-CNN的物体识别和定位[J]. 彭秋辰,宋亦旭. 清华大学学报(自然科学版). 2019(02)
[5]车辆识别技术综述[J]. 张强,李嘉锋,卓力. 北京工业大学学报. 2018(03)
[6]图像语义标注研究综述[J]. 陈金菊. 图书馆学研究. 2017(18)
[7]基于双线性插值法的图像缩放算法的设计与实现[J]. 张洋. 电子设计工程. 2016(03)
[8]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
[9]最小二乘法分段直线拟合[J]. 田垅,刘宗田. 计算机科学. 2012(S1)
博士论文
[1]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017
硕士论文
[1]基于深度学习的海上红外小目标检测方法研究[D]. 蒋志新.大连海事大学 2019
[2]基于车载图像的车辆压线检测方法研究[D]. 邱康.中国科学技术大学 2019
[3]基于深度学习的车道线检测算法研究[D]. 张道芳.贵州民族大学 2019
[4]基于深度学习的车道线检测技术研究[D]. 高轶康.北京邮电大学 2019
[5]基于深度学习的车道线和车辆检测[D]. 罗森.电子科技大学 2018
[6]基于机器视觉的车辆和车道线检测研究[D]. 董莹莹.湖南大学 2018
[7]基于CUDA加速的目标检测算法研究[D]. 王润强.电子科技大学 2018
[8]基于车载视频的前方车辆越线违章行为监测技术研究[D]. 唐静.大连海事大学 2018
[9]基于机器视觉和混杂系统理论的车道偏离辅助控制研究[D]. 蒋玉亭.合肥工业大学 2017
[10]基于空间线模型的红外与可见光联合道路识别方法研究[D]. 曹婷.南京理工大学 2017
本文编号：2968592
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图１．２技术路线图??Ｆｉｇ．?１．２?Ｔｅｃｈｎｉｃａｌ?ｒｏｕｔｅ?ｆｉｇｕｒｅ??主耍研究内容包括：??
?基于车载视频的车辆越线行为智能识别技术研究???图２．２感知机网络??Ｆｉｇ．?２．２?Ｐｅｒｃｅｐｔｉｏｎ?ｎｅｔｗｏｒｋ??图２．２中，ｗｒ，ｗ２，?ｗ３Ｒ表每个连接上的权值，输出单元Ｚ１的计算结果如式（２．２）??所示。??ｚ，?＝?ｇ（ａ，?＊?ｗ，?＋?ａ２?＊?ｗ２?＋?ａ，?＊?ｗ３）?（２．２）??与神经元不同的是，感知机中的权值是通过训练得到的，因此可以像逻辑回归模型??一样做一些线性分类的任务。??２．１．３前馈神经网络??前馈神经网络（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＦＮＮ）又名多层感知机，其包含多层??结构，在每一层结构里都含有数量不等的神经元，每一个神经元通过接收前一层神经元??的信息，并将该信息单向传播到下一层。与感知机相比，它除了包含一个输人层和一个??输出层之外，还增加了中间层，也称为隐藏层。隐藏层可以是一层，也可以是多层。??图２．３为一个简化版的多层感知机结构．其中，Ｘｌ，?ｘ２，＼３表示这个前馈神经网络??的输人“＋１”代表偏置节点，即截距Ｌ为简化网络结构，只列举了三个输人、三个隐??藏和一个输出节点。但在实际应用中，神经网络在输出层不止一个输出，会有多个输出。??图２．３前馈神经网络??Ｆｉｇ．?２．３?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－１０－??
?基于车载视频的车辆越线行为智能识别技术研究???图２．２感知机网络??Ｆｉｇ．?２．２?Ｐｅｒｃｅｐｔｉｏｎ?ｎｅｔｗｏｒｋ??图２．２中，ｗｒ，ｗ２，?ｗ３Ｒ表每个连接上的权值，输出单元Ｚ１的计算结果如式（２．２）??所示。??ｚ，?＝?ｇ（ａ，?＊?ｗ，?＋?ａ２?＊?ｗ２?＋?ａ，?＊?ｗ３）?（２．２）??与神经元不同的是，感知机中的权值是通过训练得到的，因此可以像逻辑回归模型??一样做一些线性分类的任务。??２．１．３前馈神经网络??前馈神经网络（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＦＮＮ）又名多层感知机，其包含多层??结构，在每一层结构里都含有数量不等的神经元，每一个神经元通过接收前一层神经元??的信息，并将该信息单向传播到下一层。与感知机相比，它除了包含一个输人层和一个??输出层之外，还增加了中间层，也称为隐藏层。隐藏层可以是一层，也可以是多层。??图２．３为一个简化版的多层感知机结构．其中，Ｘｌ，?ｘ２，＼３表示这个前馈神经网络??的输人“＋１”代表偏置节点，即截距Ｌ为简化网络结构，只列举了三个输人、三个隐??藏和一个输出节点。但在实际应用中，神经网络在输出层不止一个输出，会有多个输出。??图２．３前馈神经网络??Ｆｉｇ．?２．３?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－１０－??
【参考文献】：
期刊论文
[1]数据标注研究综述[J]. 蔡莉,王淑婷,刘俊晖,朱扬勇. 软件学报. 2020(02)
[2]计算机视觉下的车辆目标检测算法综述[J]. 李明熹,林正奎,曲毅. 计算机工程与应用. 2019(24)
[3]基于改进Mask RCNN和Kinect的服务机器人物品识别系统[J]. 石杰,周亚丽,张奇志. 仪器仪表学报. 2019(04)
[4]基于Mask R-CNN的物体识别和定位[J]. 彭秋辰,宋亦旭. 清华大学学报(自然科学版). 2019(02)
[5]车辆识别技术综述[J]. 张强,李嘉锋,卓力. 北京工业大学学报. 2018(03)
[6]图像语义标注研究综述[J]. 陈金菊. 图书馆学研究. 2017(18)
[7]基于双线性插值法的图像缩放算法的设计与实现[J]. 张洋. 电子设计工程. 2016(03)
[8]AdaBoost算法研究进展与展望[J]. 曹莹,苗启广,刘家辰,高琳. 自动化学报. 2013(06)
[9]最小二乘法分段直线拟合[J]. 田垅,刘宗田. 计算机科学. 2012(S1)
博士论文
[1]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017
硕士论文
[1]基于深度学习的海上红外小目标检测方法研究[D]. 蒋志新.大连海事大学 2019
[2]基于车载图像的车辆压线检测方法研究[D]. 邱康.中国科学技术大学 2019
[3]基于深度学习的车道线检测算法研究[D]. 张道芳.贵州民族大学 2019
[4]基于深度学习的车道线检测技术研究[D]. 高轶康.北京邮电大学 2019
[5]基于深度学习的车道线和车辆检测[D]. 罗森.电子科技大学 2018
[6]基于机器视觉的车辆和车道线检测研究[D]. 董莹莹.湖南大学 2018
[7]基于CUDA加速的目标检测算法研究[D]. 王润强.电子科技大学 2018
[8]基于车载视频的前方车辆越线违章行为监测技术研究[D]. 唐静.大连海事大学 2018
[9]基于机器视觉和混杂系统理论的车道偏离辅助控制研究[D]. 蒋玉亭.合肥工业大学 2017
[10]基于空间线模型的红外与可见光联合道路识别方法研究[D]. 曹婷.南京理工大学 2017
本文编号：2968592
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/2968592.html
