隨著科技發(fā)展,交通問(wèn)題日益成為城市建設(shè)中的重要一環(huán)。因此智能交通系統(tǒng)（Intelligent Transportation System,ITS）應(yīng)運(yùn)而生。ITS旨在利用計(jì)算機(jī)的海量數(shù)據(jù)處理能力,為疏散交通擁堵提供解決方案,減輕城市道路監(jiān)管方面的人力物力,使城市交通變得易于監(jiān)管和調(diào)度。在視頻中進(jìn)行車(chē)輛追蹤與再識(shí)別作為智能交通系統(tǒng)中的重要一環(huán),成為了計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)。單攝像頭中的車(chē)輛追蹤已經(jīng)有較多研究,而目前智能交通系統(tǒng)中的研究熱點(diǎn)在于多攝像頭中的車(chē)輛再識(shí)別與追蹤問(wèn)題。對(duì)于車(chē)輛檢測(cè)方面,學(xué)術(shù)界已經(jīng)有了很多研究成果。本文對(duì)傳統(tǒng)車(chē)輛檢測(cè)算法和基于機(jī)器學(xué)習(xí)的車(chē)輛檢測(cè)算法進(jìn)行調(diào)研比對(duì),提出了基于YOLOv2的車(chē)輛檢測(cè)算法。對(duì)于車(chē)輛再識(shí)別方面,雖然研究成果較少,但借助行人再識(shí)別問(wèn)題的啟發(fā),提出了結(jié)合多種特征的車(chē)輛再識(shí)別策略。基于YOLOv2的車(chē)輛檢測(cè)算法考慮了車(chē)輛檢測(cè)場(chǎng)景的特殊性,力圖在檢測(cè)精確度、運(yùn)算速度方面對(duì)YOLOv2算法進(jìn)行優(yōu)化。在文中,分析了車(chē)輛檢測(cè)場(chǎng)景的特點(diǎn)及YOLOv2算法在此場(chǎng)景下可以進(jìn)行優(yōu)化的方面,提出了針對(duì)這一場(chǎng)景的改進(jìn)YOLOv2算法,并通過(guò)實(shí)驗(yàn)證明了其有效性。結(jié)合多... 

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 單攝像頭車(chē)輛追蹤研究現(xiàn)狀
        1.2.2 跨攝像頭車(chē)輛再識(shí)別研究現(xiàn)狀
    1.3 研究目標(biāo)與研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)
第二章 相關(guān)理論與技術(shù)
    2.1 車(chē)輛檢測(cè)算法
        2.1.1 傳統(tǒng)車(chē)輛檢測(cè)算法
            2.1.1.1 假設(shè)生成
            2.1.1.2 假設(shè)驗(yàn)證
        2.1.2 機(jī)器學(xué)習(xí)算法
        2.1.3 傳統(tǒng)算法與機(jī)器學(xué)習(xí)算法的優(yōu)缺點(diǎn)比較
    2.2 車(chē)牌識(shí)別算法
        2.2.1 車(chē)牌檢測(cè)算法
        2.2.2 車(chē)牌切分算法
        2.2.3 字符識(shí)別算法
    2.3 超分辨率重建算法
        2.3.1 超分辨率重建算法概述
        2.3.2 VESPCN算法
            2.3.2.1 子像素卷積SR
            2.3.2.2 時(shí)空網(wǎng)絡(luò)
            2.3.2.3 空間變換運(yùn)動(dòng)補(bǔ)償
    2.4 特征提取算法
        2.4.1 顏色特征
        2.4.2 紋理特征
        2.4.3 HOG特征
        2.4.4 深度學(xué)習(xí)特征
    2.5 本章小結(jié)
第三章 基于YOLO算法的車(chē)輛檢測(cè)算法
    3.1 引言
    3.2 YOLO算法及其演進(jìn)
        3.2.1 YOLOv2算法
        3.2.2 改進(jìn)策略
            3.2.2.1 錨箱的選取
            3.2.2.2 損失函數(shù)改進(jìn)
            3.2.2.3 網(wǎng)格尺寸擴(kuò)展
            3.2.2.4 網(wǎng)絡(luò)設(shè)計(jì)
    3.3 實(shí)驗(yàn)
        3.3.1 數(shù)據(jù)集
        3.3.2 訓(xùn)練
        3.3.3 實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第四章 結(jié)合多重特征的車(chē)輛再識(shí)別策略
    4.1 引言
    4.2 車(chē)輛再識(shí)別特征選取研究
        4.2.1 總述
        4.2.2 車(chē)牌特征
            4.2.2.1 超分辨率重建
            4.2.2.2 車(chē)牌檢測(cè)
            4.2.2.3 車(chē)牌字符提取與識(shí)別
        4.2.3 外觀模型特征
        4.2.4 DCNN特征
        4.2.5 車(chē)型特征
    4.3 實(shí)驗(yàn)
        4.3.1 數(shù)據(jù)集
        4.3.2 訓(xùn)練
        4.3.3 測(cè)試效果及指標(biāo)評(píng)判
    4.4 本章小結(jié)
第五章 跨攝像頭車(chē)輛再識(shí)別與追蹤的平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)
    5.1 系統(tǒng)簡(jiǎn)介
        5.1.1 實(shí)現(xiàn)目標(biāo)
        5.1.2 開(kāi)發(fā)環(huán)境
    5.2 設(shè)計(jì)方案
        5.2.1 整體設(shè)計(jì)
        5.2.2 車(chē)輛檢測(cè)模塊
        5.2.3 車(chē)輛再識(shí)別模塊
        5.2.4 跨攝像頭車(chē)輛軌跡規(guī)劃模塊
    5.3 系統(tǒng)測(cè)試
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄


【參考文獻(xiàn)】：
期刊論文
[1]Faster-RCNN的車(chē)型識(shí)別分析[J]. 桑軍,郭沛,項(xiàng)志立,羅紅玲,陳欣.  重慶大學(xué)學(xué)報(bào). 2017(07)
[2]快速運(yùn)動(dòng)目標(biāo)的Mean shift跟蹤算法[J]. 朱勝利,朱善安,李旭超.  光電工程. 2006(05)



本文編號(hào)：3692130