車輛是交通行為的主要參與者,獲取準(zhǔn)確有效的車輛位置和軌跡信息已經(jīng)成為交通信息提取中的重要任務(wù)。交通監(jiān)控設(shè)備的廣泛應(yīng)用,為計(jì)算機(jī)視覺在復(fù)雜交通場景下的應(yīng)用提供了良好的平臺基礎(chǔ)。本文通過基于卷積神經(jīng)網(wǎng)絡(luò)的交通視頻處理技術(shù)的研究,提出了一種基于Faster R-CNN和自適應(yīng)核相關(guān)濾波的車輛檢測跟蹤算法,實(shí)現(xiàn)了高效率的車輛檢測跟蹤。論文主要工作如下:(1)通過對基于卷積神經(jīng)網(wǎng)絡(luò)的檢測算法以及常用跟蹤算法進(jìn)行分析,結(jié)合交通場景的圖像特點(diǎn),提出了城市道路交通場景下基于視頻的車輛檢測跟蹤算法基本框架。(2)設(shè)計(jì)了一種基于Faster R-CNN車輛檢測的目標(biāo)跟蹤初始化系統(tǒng)。采用格式轉(zhuǎn)換后的KITTI車輛數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證,通過對不同網(wǎng)絡(luò)結(jié)構(gòu)的檢測精確度和速度進(jìn)行對比實(shí)驗(yàn)分析,選擇了在城市道路環(huán)境下能夠滿足跟蹤初始化實(shí)時(shí)性需求的網(wǎng)絡(luò)基礎(chǔ)架構(gòu)。(3)基于一種自適應(yīng)模型更新的單目標(biāo)核相關(guān)濾波跟蹤算法,以深度學(xué)習(xí)的檢測算法結(jié)果為初始化,生成多個(gè)核相關(guān)濾波跟蹤器,結(jié)合空間位置數(shù)據(jù)關(guān)聯(lián)算法,實(shí)現(xiàn)了一種適合復(fù)雜交通場景下的多目標(biāo)跟蹤算法,該算法能夠在一定程度上克服傳統(tǒng)算法在目標(biāo)遮擋時(shí)跟蹤誤差大的問題。本文在晴天、霧霾、黑夜等條件下采集城市道路交通視頻,并對視頻進(jìn)行間隔幀提取,制作數(shù)據(jù)集,用于Faster R-CNN檢測網(wǎng)絡(luò)訓(xùn)練和測試;融合檢測結(jié)果,在跟蹤算法上進(jìn)行實(shí)現(xiàn),獲取車輛的軌跡信息。文中方法在HP-Z640平臺搭建的Caffe框架下調(diào)用Opencv 2.4.13對采集到的交通場景視頻進(jìn)行測試,在20像素的誤差閾值條件下,與傳統(tǒng)核相關(guān)濾波跟蹤算法相比,白天和夜間單車跟蹤距離精度分別提高了14.7%和12.9%,成功率曲線面積分別提高了18.0%和12.5%。在晴天、霧霾和夜晚?xiàng)l件下,對于多車檢測跟蹤進(jìn)行實(shí)現(xiàn),平均處理速度達(dá)到37.2 fps,能夠?qū)崿F(xiàn)實(shí)時(shí)的多目標(biāo)檢測與跟蹤。
【學(xué)位單位】：長安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP391.41;U495
【部分圖文】：

圖 3.8 KITTI 數(shù)據(jù)集用 KITTI 數(shù)據(jù)集中的 7000 張大小為 1242×375 的車輛場景圖片，并將其標(biāo)改為 PASCAL VOC 格式，包括圖片大小信息、目標(biāo)車輛的邊框信息，將數(shù)據(jù)集對應(yīng)格式放入對應(yīng)的 Annotation，ImageSets，JPEGImages 中，數(shù)據(jù)為訓(xùn)練驗(yàn)證集（訓(xùn)練驗(yàn)證集中 80%為訓(xùn)練集，20%為驗(yàn)證集），其余集。

圖 3.8 KITTI 數(shù)據(jù)集中的 7000 張大小為 1242×375 的車輛場景圖VOC 格式，包括圖片大小信息、目標(biāo)車輛的式放入對應(yīng)的 Annotation，ImageSets，JPE集（訓(xùn)練驗(yàn)證集中 80%為訓(xùn)練集，20%為驗(yàn)

的近似聯(lián)合的方式來實(shí)現(xiàn)檢測網(wǎng)絡(luò)的訓(xùn)練。在 Windows 7 系統(tǒng)，NVIDIA GTX1070 TI 8G GPU 條件下，配置好 Caffe 框架相關(guān)的依賴項(xiàng)，獲取 Faster R-CNN 的 python 版本源代碼，以及在 ImageNet 上通用模型，這里是 ZF 模型和 VGG-16 模型，然后分別使用兩種模型參數(shù)進(jìn)行化。檢測目標(biāo)是交通場景下的車輛，因此，input_data 層中的類別數(shù)量和 cls_scor出數(shù)量都修改為 2 類，即車輛和背景。bbox_pred 層中的輸出數(shù)量也相應(yīng)的修為 8，即車輛的中心坐標(biāo)和寬高信息。采取 anchor 交并比大于 0.7 作為正樣本，比小于 0.3 作為負(fù)樣本，學(xué)習(xí)率初始化為 0.001，迭代次數(shù)設(shè)置為 50000，其他默認(rèn)值。結(jié)果及性能對比訓(xùn)練完成后使用 KITTI 數(shù)據(jù)集下測試集中的圖片對兩中模型的 Faster R-CNN檢測。圖 3.10 和圖 3.11 是從檢測結(jié)果中選取的兩張圖片。
【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 胡昭華;邢衛(wèi)國;何軍;張秀再;;多通道核相關(guān)濾波的實(shí)時(shí)跟蹤方法[J];計(jì)算機(jī)應(yīng)用;2015年12期

2 陳珍;夏靖波;柏駿;徐敏;;基于進(jìn)化深度學(xué)習(xí)的特征提取算法[J];計(jì)算機(jī)科學(xué);2015年11期

3 徐超;高夢珠;查宇鋒;曹利民;;基于HOG和SVM的公交乘客人流量統(tǒng)計(jì)算法[J];儀器儀表學(xué)報(bào);2015年02期

4 黃凱奇;陳曉棠;康運(yùn)鋒;譚鐵牛;;智能視頻監(jiān)控技術(shù)綜述[J];計(jì)算機(jī)學(xué)報(bào);2015年06期

5 楊戈;劉宏;;視覺跟蹤算法綜述[J];智能系統(tǒng)學(xué)報(bào);2010年02期

6 蘇禮坤;陳懷新;;中值濾波的視頻背景更新[J];光電工程;2010年01期

7 劉東;ITS中的車輛檢測技術(shù)[J];中國人民公安大學(xué)學(xué)報(bào)(自然科學(xué)版);2000年04期

8 張學(xué)工;關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J];自動化學(xué)報(bào);2000年01期

相關(guān)博士學(xué)位論文 前1條

1 姚劍敏;粒子濾波跟蹤方法研究[D];中國科學(xué)院研究生院（長春光學(xué)精密機(jī)械與物理研究所）;2005年

相關(guān)碩士學(xué)位論文 前4條

1 倪杰;基于核相關(guān)濾波跟蹤算法的研究與實(shí)現(xiàn)[D];電子科技大學(xué);2017年

2 顧培婷;基于核相關(guān)濾波的視覺跟蹤算法研究[D];華僑大學(xué);2017年

3 張文桂;基于深度學(xué)習(xí)的車輛檢測方法研究[D];華南理工大學(xué);2016年

4 董亮;視頻多目標(biāo)跟蹤的理論與方法[D];西安電子科技大學(xué);2014年

本文編號：2855511