基于我國(guó)交通路口違章事件日益增多的現(xiàn)狀,利用視頻流對(duì)交通違章目標(biāo)進(jìn)行檢測(cè)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(shí)和降低事故發(fā)生率。視頻流的交通違章目標(biāo)檢測(cè)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(dǎo)致的跟蹤成功率和精準(zhǔn)度下降問題。對(duì)于上述問題現(xiàn)狀,本文研究了以下三個(gè)方面的內(nèi)容:1、針對(duì)違章目標(biāo)誤檢問題,提出一種基于YOLOv3目標(biāo)檢測(cè)算法的邊框回歸方法。通過結(jié)合膚色檢測(cè)及人臉檢測(cè),利用位置得分函數(shù)對(duì)行人非機(jī)動(dòng)車目標(biāo)進(jìn)行預(yù)測(cè)邊框回歸操作。2、提出一種自適應(yīng)加權(quán)系數(shù)的互補(bǔ)跟蹤算法,利用相關(guān)濾波響應(yīng)和理想高斯響應(yīng)的相似度實(shí)現(xiàn)最終響應(yīng)得分函數(shù)的加權(quán)系數(shù)自適應(yīng)。3、針對(duì)跟蹤過程中違章目標(biāo)易受到遮擋等現(xiàn)狀,提出一種基于軌跡預(yù)測(cè)方程和濾波模板記憶網(wǎng)絡(luò)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(yù)測(cè)方程得到的候選目標(biāo)預(yù)測(cè)框分別與濾波模板和記憶濾波模板進(jìn)行響應(yīng)計(jì)算,根據(jù)響應(yīng)對(duì)比結(jié)果確定目標(biāo)位置,同時(shí)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(duì)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(duì)比分析,驗(yàn)證了本文方法對(duì)遮擋跟蹤有良好的處理效果,同時(shí)具有誤檢率低、跟蹤成功... 

【文章來源】：浙江工商大學(xué)浙江省

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)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(wǎng)格表示像素點(diǎn)，細(xì)邊正方形網(wǎng)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(duì)圖像的方向梯度特征表現(xiàn)不同：cell組成的像素點(diǎn)越少，圖像block個(gè)數(shù)越多，保留的特征信息越多。但是，特征信息量增多導(dǎo)致計(jì)算量過大與耗時(shí)過多，影響處理的實(shí)時(shí)性。本文違章目標(biāo)跟蹤中，選取8×8個(gè)像素點(diǎn)組成的cell。2.1.2FHOG特征使用范圍為的對(duì)方向敏感或者范圍為對(duì)方向不敏感，將每個(gè)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(nèi)離散化為9個(gè)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(diǎn)處的梯度大小和梯度方向。不同于HOG特征以block為單位進(jìn)行特征計(jì)算，改進(jìn)的FHOG特征以cell為單位進(jìn)行計(jì)算和特征統(tǒng)計(jì)[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(gè)cell的特征。所以每個(gè)歸一化因子都包含四個(gè)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?cái)啾硎痉认拗疲唧w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(jīng)網(wǎng)絡(luò)2.3本章小結(jié)本章節(jié)介紹了一些行人檢測(cè)跟蹤的理論知識(shí)。首先介紹圖像目標(biāo)的特征提取，包括方向梯度特征以及以此改進(jìn)的FHOG特征。其次介紹了行人檢測(cè)中卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論，包括卷積神經(jīng)網(wǎng)絡(luò)中的卷積，池化等原理。

【參考文獻(xiàn)】：
期刊論文
[1]高置信度互補(bǔ)學(xué)習(xí)的實(shí)時(shí)目標(biāo)跟蹤[J]. 郭偉,邢宇哲,曲海成.  中國(guó)圖象圖形學(xué)報(bào). 2019(08)
[2]基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)的激光雷達(dá)飛機(jī)尾渦識(shí)別研究[J]. 潘衛(wèi)軍,段英捷,張強(qiáng),吳鄭源,劉皓晨.  光電工程. 2019(07)
[3]基于多互補(bǔ)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(xué)學(xué)報(bào). 2019(02)
[4]我國(guó)道路交通安全防護(hù)體系現(xiàn)狀與探析[J]. 郭麗東.  山東工業(yè)技術(shù). 2019(05)
[5]基于深層殘差網(wǎng)絡(luò)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(xué)學(xué)報(bào). 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(shí)與技術(shù). 2019(02)
[7]基于特征點(diǎn)匹配的背景建模運(yùn)動(dòng)目標(biāo)檢測(cè)[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(zhǎng)時(shí)間目標(biāo)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(shí)別技術(shù)研究[J]. 李良榮,榮耀祖,顧平,李震.  貴州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[10]中國(guó)城市軌道交通的發(fā)展現(xiàn)狀及機(jī)遇[J]. 周曉勤.  城市軌道交通. 2018(10)

博士論文
[1]機(jī)動(dòng)車闖紅燈事故發(fā)生規(guī)律及其車載預(yù)警技術(shù)研究[D]. 張玉婷.北京交通大學(xué) 2018
[2]基于Latent SVM的人體目標(biāo)檢測(cè)與跟蹤方法研究[D]. 胡振邦.中國(guó)地質(zhì)大學(xué) 2013



本文編號(hào)：2976752