基于視頻流的違章目標檢測跟蹤
發(fā)布時間：2021-01-14 10:42
基于我國交通路口違章事件日益增多的現(xiàn)狀,利用視頻流對交通違章目標進行檢測跟蹤獲取違章證據(jù),憑此處罰教育可有效提高公民交通安全意識和降低事故發(fā)生率。視頻流的交通違章目標檢測存在人群密度過高易誤檢的現(xiàn)狀,跟蹤過程存在遮擋等因素導致的跟蹤成功率和精準度下降問題。對于上述問題現(xiàn)狀,本文研究了以下三個方面的內容:1、針對違章目標誤檢問題,提出一種基于YOLOv3目標檢測算法的邊框回歸方法。通過結合膚色檢測及人臉檢測,利用位置得分函數(shù)對行人非機動車目標進行預測邊框回歸操作。2、提出一種自適應加權系數(shù)的互補跟蹤算法,利用相關濾波響應和理想高斯響應的相似度實現(xiàn)最終響應得分函數(shù)的加權系數(shù)自適應。3、針對跟蹤過程中違章目標易受到遮擋等現(xiàn)狀,提出一種基于軌跡預測方程和濾波模板記憶網絡的遮擋重跟蹤方法。在遮擋幀建立記憶濾波模板,將從軌跡預測方程得到的候選目標預測框分別與濾波模板和記憶濾波模板進行響應計算,根據(jù)響應對比結果確定目標位置,同時利用濾波模板記憶單元更新濾波模板和記憶濾波模板。通過對寧波市交通部門的部分路口監(jiān)控視頻數(shù)據(jù)處理與對比分析,驗證了本文方法對遮擋跟蹤有良好的處理效果,同時具有誤檢率低、跟蹤成功...
【文章來源】：浙江工商大學浙江省
【文章頁數(shù)】：68 頁
【學位級別】：碩士
【部分圖文】：
cell單元和block單元如圖2-2所示，最小單位的正方形網格表示像素點，細邊正方形網格單元表示cell，
8圖2-4原始圖像及不同cell大小的HOG特征圖如圖2-4所示，采用的cell大小分別為4×4，8×8和16×16�？梢园l(fā)現(xiàn)不同大小的cell對圖像的方向梯度特征表現(xiàn)不同：cell組成的像素點越少，圖像block個數(shù)越多，保留的特征信息越多。但是，特征信息量增多導致計算量過大與耗時過多，影響處理的實時性。本文違章目標跟蹤中，選取8×8個像素點組成的cell。2.1.2FHOG特征使用范圍為的對方向敏感或者范圍為對方向不敏感，將每個像素的梯度方向離散化為值之一。傳統(tǒng)的HOG特征采用的是方向不敏感，在角度范圍內離散化為9個方向值。和的取值方式如下：(2-6)(2-7)其中和分別表示在像素點處的梯度大小和梯度方向。不同于HOG特征以block為單位進行特征計算，改進的FHOG特征以cell為單位進行計算和特征統(tǒng)計[61]。(2-8)公式2-8中表示歸一化因子，。特征向量表示基于第行第列cell的特征映射，即一個cell的特征。所以每個歸一化因子都包含四個cell的能量。歸一化的方式圖公式2-9所示，其中表示向量被階段后形成的新向量，截斷表示幅度限制，具體操作是將特征向量中大于的元素值全部降低為。將新的特征向量串聯(lián)可得到新的cell特征。(2-9)
10圖2-5卷積神經網絡2.3本章小結本章節(jié)介紹了一些行人檢測跟蹤的理論知識。首先介紹圖像目標的特征提取，包括方向梯度特征以及以此改進的FHOG特征。其次介紹了行人檢測中卷積神經網絡的基礎理論，包括卷積神經網絡中的卷積，池化等原理。
【參考文獻】：
期刊論文
[1]高置信度互補學習的實時目標跟蹤[J]. 郭偉,邢宇哲,曲海成. 中國圖象圖形學報. 2019(08)
[2]基于AlexNet卷積神經網絡的激光雷達飛機尾渦識別研究[J]. 潘衛(wèi)軍,段英捷,張強,吳鄭源,劉皓晨. 光電工程. 2019(07)
[3]基于多互補特征融合的視頻跟蹤算法[J]. 張君昌,張登,萬錦錦. 西北工業(yè)大學學報. 2019(02)
[4]我國道路交通安全防護體系現(xiàn)狀與探析[J]. 郭麗東. 山東工業(yè)技術. 2019(05)
[5]基于深層殘差網絡的加速圖像超分辨率重建[J]. 席志紅,侯彩燕,袁昆鵬,薛卓群. 光學學報. 2019(02)
[6]基于YCRCb色彩空間的手語圖像分割[J]. 鄭方梅,魏延. 電腦知識與技術. 2019(02)
[7]基于特征點匹配的背景建模運動目標檢測[J]. 鐘劉翔,朱桂斌,高立,蔣僑. 信息通信. 2018(12)
[8]基于TLD和fDSST的長時間目標跟蹤算法[J]. 李軼錕,吳慶憲,丁晟輝,胡鯤. 電光與控制. 2019(04)
[9]基于SVM的車牌識別技術研究[J]. 李良榮,榮耀祖,顧平,李震. 貴州大學學報(自然科學版). 2018(05)
[10]中國城市軌道交通的發(fā)展現(xiàn)狀及機遇[J]. 周曉勤. 城市軌道交通. 2018(10)
博士論文
[1]機動車闖紅燈事故發(fā)生規(guī)律及其車載預警技術研究[D]. 張玉婷.北京交通大學 2018
[2]基于Latent SVM的人體目標檢測與跟蹤方法研究[D]. 胡振邦.中國地質大學 2013
本文編號：2976752
【文章來源】：浙江工商大學浙江省
【文章頁數(shù)】：68 頁
【學位級別】：碩士
【部分圖文】：
cell單元和block單元如圖2-2所示，最小單位的正方形網格表示像素點，細邊正方形網格單元表示cell，
8圖2-4原始圖像及不同cell大小的HOG特征圖如圖2-4所示，采用的cell大小分別為4×4，8×8和16×16�？梢园l(fā)現(xiàn)不同大小的cell對圖像的方向梯度特征表現(xiàn)不同：cell組成的像素點越少，圖像block個數(shù)越多，保留的特征信息越多。但是，特征信息量增多導致計算量過大與耗時過多，影響處理的實時性。本文違章目標跟蹤中，選取8×8個像素點組成的cell。2.1.2FHOG特征使用范圍為的對方向敏感或者范圍為對方向不敏感，將每個像素的梯度方向離散化為值之一。傳統(tǒng)的HOG特征采用的是方向不敏感，在角度范圍內離散化為9個方向值。和的取值方式如下：(2-6)(2-7)其中和分別表示在像素點處的梯度大小和梯度方向。不同于HOG特征以block為單位進行特征計算，改進的FHOG特征以cell為單位進行計算和特征統(tǒng)計[61]。(2-8)公式2-8中表示歸一化因子，。特征向量表示基于第行第列cell的特征映射，即一個cell的特征。所以每個歸一化因子都包含四個cell的能量。歸一化的方式圖公式2-9所示，其中表示向量被階段后形成的新向量，截斷表示幅度限制，具體操作是將特征向量中大于的元素值全部降低為。將新的特征向量串聯(lián)可得到新的cell特征。(2-9)
10圖2-5卷積神經網絡2.3本章小結本章節(jié)介紹了一些行人檢測跟蹤的理論知識。首先介紹圖像目標的特征提取，包括方向梯度特征以及以此改進的FHOG特征。其次介紹了行人檢測中卷積神經網絡的基礎理論，包括卷積神經網絡中的卷積，池化等原理。
【參考文獻】：
期刊論文
[1]高置信度互補學習的實時目標跟蹤[J]. 郭偉,邢宇哲,曲海成. 中國圖象圖形學報. 2019(08)
[2]基于AlexNet卷積神經網絡的激光雷達飛機尾渦識別研究[J]. 潘衛(wèi)軍,段英捷,張強,吳鄭源,劉皓晨. 光電工程. 2019(07)
[3]基于多互補特征融合的視頻跟蹤算法[J]. 張君昌,張登,萬錦錦. 西北工業(yè)大學學報. 2019(02)
[4]我國道路交通安全防護體系現(xiàn)狀與探析[J]. 郭麗東. 山東工業(yè)技術. 2019(05)
[5]基于深層殘差網絡的加速圖像超分辨率重建[J]. 席志紅,侯彩燕,袁昆鵬,薛卓群. 光學學報. 2019(02)
[6]基于YCRCb色彩空間的手語圖像分割[J]. 鄭方梅,魏延. 電腦知識與技術. 2019(02)
[7]基于特征點匹配的背景建模運動目標檢測[J]. 鐘劉翔,朱桂斌,高立,蔣僑. 信息通信. 2018(12)
[8]基于TLD和fDSST的長時間目標跟蹤算法[J]. 李軼錕,吳慶憲,丁晟輝,胡鯤. 電光與控制. 2019(04)
[9]基于SVM的車牌識別技術研究[J]. 李良榮,榮耀祖,顧平,李震. 貴州大學學報(自然科學版). 2018(05)
[10]中國城市軌道交通的發(fā)展現(xiàn)狀及機遇[J]. 周曉勤. 城市軌道交通. 2018(10)
博士論文
[1]機動車闖紅燈事故發(fā)生規(guī)律及其車載預警技術研究[D]. 張玉婷.北京交通大學 2018
[2]基于Latent SVM的人體目標檢測與跟蹤方法研究[D]. 胡振邦.中國地質大學 2013
本文編號：2976752
本文鏈接：http://sikaile.net/kejilunwen/daoluqiaoliang/2976752.html
