基于視頻數(shù)據(jù)的智能跟蹤與目標行為分析等技術(shù)目前已經(jīng)成為了智能交通系統(tǒng)中的新興研究方向,借助計算機對監(jiān)控網(wǎng)絡(luò)下的視頻序列進行信息學(xué)習(xí)與組合,可以有效判斷目標車輛的行駛軌跡、行為類別或潛在風(fēng)險,并加以有效處理。但是監(jiān)控網(wǎng)絡(luò)中攝像機的切換也會帶來視角、光照或其他變化因素導(dǎo)致目標在多攝像位點下的跟蹤精度低。而對于龐大的視頻數(shù)據(jù)量進行處理也會造成跟蹤過程冗長緩慢。所以本文的研究思路在于首先利用專業(yè)的檢測模型將視頻圖像進行檢測,篩選候選車輛集合。再利用車輛重識別及檢索的思路,通過多特征融合形成車輛描述子。通過車輛描述子的聯(lián)合距離度量并排序,從而選定候選車輛集中的最優(yōu)解判定為目標車輛進行跨攝像頭之間的車輛跟蹤。為了驗證課題選定的研究路線的有效性,進而構(gòu)建出精度高、魯棒性強的單一車輛跨攝像頭跟蹤系統(tǒng),論文進行了多方面、多角度的研究工作。（1）選用SSD模型作為基礎(chǔ)架構(gòu)進行車輛檢測模塊部分的構(gòu)建。在對原網(wǎng)絡(luò)存在的不足之處進行深入的理解與剖析之后,結(jié)合最新的技術(shù)路線（例如密集模塊、融合多尺度特征、歸一化損失函數(shù)等）建立了Inception-dense-SSD網(wǎng)絡(luò)結(jié)構(gòu),并利用專業(yè)數(shù)據(jù)集進行有效地訓(xùn)練。通過在... 

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 車輛檢測現(xiàn)狀
            1.2.1.1 傳統(tǒng)車輛檢測
            1.2.1.2 深度學(xué)習(xí)車輛檢測
        1.2.2 單攝像頭車輛跟蹤現(xiàn)狀
        1.2.3 跨攝像頭車輛重識別跟蹤現(xiàn)狀
    1.3 研究內(nèi)容與目標
    1.4 論文結(jié)構(gòu)
第2章 相關(guān)理論與技術(shù)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 車輛檢測
        2.2.1 傳統(tǒng)車輛檢測算法
        2.2.2 機器學(xué)習(xí)車輛檢測算法
    2.3 車輛跟蹤
        2.3.1 基于核相關(guān)濾波的跟蹤算法
        2.3.2 基于特征匹配的跟蹤算法
        2.3.3 全卷積孿生神經(jīng)網(wǎng)絡(luò)跟蹤算法
    2.4 特征算子提取
        2.4.1 全局特征
        2.4.2 局部特征
        2.4.3 深度學(xué)習(xí)特征
        2.4.4 特征總結(jié)
    2.5 本章小結(jié)
第3章 基于密集模塊的改進SSD車輛檢測算法
    3.1 引言
    3.2 SSD檢測模型及改進策略
        3.2.1 SSD模型
        3.2.2 inception網(wǎng)絡(luò)與密集網(wǎng)絡(luò)
        3.2.3 改進策略
            3.2.3.1 多尺度融合與網(wǎng)絡(luò)設(shè)計
            3.2.3.2 加入inception與密集模塊
            3.2.3.3 增加不同尺度的特征圖輸出
            3.2.3.4 默認映射框設(shè)置
            3.2.3.4 損失函數(shù)改進
    3.3 實驗結(jié)果與分析
        3.3.1 實驗數(shù)據(jù)集
        3.3.2 評價指標
        3.3.3 訓(xùn)練過程
        3.3.4 性能對比與分析
        3.3.5 其他汽車數(shù)據(jù)集下的測試效果
    3.4 本章小結(jié)
第4章 基于多任務(wù)學(xué)習(xí)框架的車輛細粒度特征提取研究
    4.1 辨識模型與驗證模型
    4.2 度量學(xué)習(xí)方法
        4.2.1 度量約束
        4.2.2 距離度量
    4.3 多任務(wù)協(xié)同度量學(xué)習(xí)策略
        4.3.1 多任務(wù)模型結(jié)構(gòu)設(shè)計
        4.3.2 損失函數(shù)
    4.4 數(shù)據(jù)集設(shè)置及實驗分析
        4.4.1 數(shù)據(jù)集
        4.4.2 相似度計算
        4.4.3 模型訓(xùn)練設(shè)置
        4.4.4 評價指標及實驗結(jié)果分析
    4.5 本章小結(jié)
第5章 基于多特征重識別策略的跨攝像頭車輛跟蹤
    5.1 單目標車輛跨攝像頭跟蹤算法總述
    5.2 車輛重識別特征選取
        5.2.1 基于外觀模型的車輛粗粒度特征
            5.2.1.1 基于HSV空間的顏色特征
            5.2.1.2 SURF特征
        5.2.2 基于多任務(wù)聯(lián)合網(wǎng)絡(luò)的車輛細粒度特征
    5.3 實驗結(jié)果及分析
    5.4 本章小結(jié)
第6章 結(jié)論與展望
    6.1 結(jié)論及創(chuàng)新點
    6.2 展望
參考文獻
攻讀碩士學(xué)位期間取得的成果
致謝



本文編號：3709555