【摘要】：近年來,隨著汽車數(shù)量的增加,城市中一些交通主干道路上的交通問題急劇增加。為了緩解上述交通問題,需要一個高效智能的交通管理系統(tǒng)來管理交通狀況。交通管理的一個領域是監(jiān)測道路的交通流量。傳統(tǒng)的一些監(jiān)測方法要求人們在高峰時間在每個路口手動計算車輛數(shù)量。然而,人力資源是昂貴的,并且長時間在監(jiān)視器中的工作人員將感到疲倦且效率下降,這會導致丟失道路中的各種車輛。為了克服這些缺點,學術界提出了幾個相關的工作,其中之一是關于車道上的車輛計數(shù)。請注意,傳統(tǒng)技術的準確性隨著車輛在車道線上的交叉運行而急劇下降。為了解決這個問題,本文使用Single Shot MultiBox Detector(SSD)檢測車輛。本文主要由三部分組成:(1)檢測算法部分,分別介紹了背景差分法等傳統(tǒng)目標檢測算法和基于以Regions with CNN features(R-CNN)為代表的深度學習的檢測算法。本文采用SSD算法檢測車輛,通過KITTI數(shù)據(jù)集樣本進行模型訓練。檢測算法實現(xiàn)從每幀中提取這些帶有邊界框和中心的車輛檢測框。(2)車輛跟蹤和計數(shù)部分,基于第一部分SSD檢測算法獲得車輛的中心和邊界框,提出了相應的跟蹤與計數(shù)算法。我們提出了一種基于圓的搜索算法來預測下一幀中移動車輛的可能位置,并尋找相關區(qū)域中的最佳點以減小目標搜索范圍。歐幾里德距離用于測量其中心之間的距離。SURF特征匹配用于解決車輛檢測存在的不連續(xù)問題。虛擬檢測算法的算法簡單且實時性較好,所以算法采用改進的虛擬線圈計算基于跟蹤的車輛數(shù)量。(3)實現(xiàn)部分,實現(xiàn)了車流量統(tǒng)計功能,用以驗證本文算法的準確性、實時性。對于準確性,本文特地選取了六個視頻(3個道路情況相對比較簡單的視頻和3個道路相對復雜的視頻),通過實驗證明本文提出的車流量檢測算法具有較高的精度。此算法在GPU為1080Ti的硬件條件下,達到了 48 FPS和82%以上的準確率。最后,本文將算法移植到NVIDIA Jetson TX2嵌入式平臺開發(fā)板中,為算法的進一步開發(fā)奠定基礎。
【圖文】：

是確定目標對象在給定圖像中的位置（目標定位）以類）。作為基本的計算機視覺問題之一，目標檢測能價值的信息，并且與許多應用有關，，包括圖像分類，時存在的主要影響因素有視點、姿勢、遮擋和光照器學習的一個新領域，目的是建立具有分析和學習文本、圖片等數(shù)據(jù)。與傳統(tǒng)方法完全不同，深度學習淺層更復雜的特征。此外，強大的訓練算法可以學習。目標檢測算法主要分為三大類。第一種是傳統(tǒng)目習目標檢測算法；第三種是端對端的深度學習目標檢測方法逡逑算法可以分為基于外觀和基于運動兩大類。基于外觀就是說，它們直接從像素到車輛。相反，基于運動的由于單目圖像缺乏直接的深度測量，基于外觀的方法

如下：首先輸入圖像；然后生成初始子分段，因此圖像中有多個區(qū)域；然后組合相似區(qū)逡逑域，形成更大的區(qū)域（基于顏色相似性，紋理相似性，尺寸相似性和形狀相似性）；最逡逑后，這些區(qū)域產(chǎn)生對象的最終位置（感興趣區(qū)域）。圖２．６是選擇性搜索如何工作的流逡逑程圖。逡逑選擇搜索算法的優(yōu)點如下：逡逑暑比滑窗法的計算效率高。逡逑＊因為采用子區(qū)域合并，所以得到的候選框涵蓋了圖像中的所有疑似物體。逡逑＊合并區(qū)域相似的指標多樣性，提高了檢測物體的概率。逡逑提取候選區(qū)域之后，需要對候選區(qū)域進行特征提取和分類工作。自從２０１２年逡逑ＩｍａｇｅＮｅｔ大規(guī)模視覺識別挑戰(zhàn)賽（ＩＬＳＶＲＣ）上，Ｇｅｏｆｆｒｅｙ邋Ｈｉｎｔｏｎ和Ｋｒｉｚｈｅｖｓｋｙ等人使逡逑用ＣＮＮ網(wǎng)絡在ＩＬＳＶＲＣ分類任務中的Ｔｏｐ－５錯誤降到了邋１５．３％，ＣＮＮ在圖像分類上的逡逑作用受到人們越來越多的重視。逡逑１６逡逑
【學位授予單位】：杭州電子科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP18;U495

【相似文獻】

相關期刊論文 前10條

1 張宏哲;;FFT算法的一種改進[J];長安大學學報(自然科學版);1988年01期

2 苑寶生,俞鐵城;連呼漢語識別研究[J];聲學學報;1989年06期

3 孫楊模;;操作系統(tǒng)常見的幾種算法舉例分析[J];湖北三峽職業(yè)技術學院學報;2010年02期

4 郜振華;吳昊;;一種改進的混合蝙蝠算法[J];南華大學學報(自然科學版);2019年01期

5 吳天行;郭鍵;;基于“反學習”理論的人工蜂群算法在訂單分批問題中的應用[J];物流技術;2017年12期

6 全燕;陳龍;;算法傳播的風險批判:公共性背離與主體扭曲[J];華中師范大學學報(人文社會科學版);2019年01期

7 肖海軍;成金華;何凡;;雙核因素蝙蝠算法[J];中南民族大學學報(自然科學版);2018年01期

8 張進;;一種快速雙對分邏輯運算算法[J];情報學報;1992年03期

9 陳廣江;用MUSIC算法處理非均勻間隔采樣數(shù)據(jù)[J];系統(tǒng)工程與電子技術;1998年09期

10 于浩;王芳;;ROHC算法在LWIP上的仿真與實現(xiàn)[J];計算機仿真;2017年12期

相關會議論文 前9條

1 李孟霖;余祥;巫岱s

本文編號：2702042