2018年底,廣西高速公路已建及在建總里程超過7800公里,平均每10公里安裝一個高清視頻監(jiān)控系統(tǒng)來獲取實時交通信息。然而這些監(jiān)控系統(tǒng)中,具備道路信息自動獲取以及車輛異常行為檢測等功能的不足三分之一,大量監(jiān)控視頻仍需人工分析,監(jiān)管效率低,不利于引導交通流、規(guī)范車輛行駛行為、減少交通事故。針對以上問題,本文基于深度學習目標檢測方法和多目標視覺跟蹤方法設計了一種智能交通視頻監(jiān)控系統(tǒng)。該系統(tǒng)可對高速公路上的交通目標進行位置檢測、類型識別和多目標運動軌跡跟蹤,具有多車型流量統(tǒng)計、車輛異常行為檢測和行人抓拍等功能。主要研究內容有:（1）交通目標檢測。研究了YOLO系列3種主要目標檢測模型YOLOv1、YOLOv2、YOLOv3和基于高斯混合模型的運動目標檢測方法原理并進行實驗驗證。實驗結果表明,YOLOv3檢測模型對交通目標中的小車、貨車、客車、行人4類進行定位與類型識別準確率最高,達80%,比基于高斯混合模型的檢測方法準確率提高了40%。（2）單目標視覺跟蹤。首先介紹了單目標跟蹤方法的分類及基本思想,然后分析了Camshift和DSST單目標跟蹤方法原理,最后實驗驗證了Camshift、DSS... 

【文章頁數】：70 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    §1.1 課題背景及意義
        §1.1.1 研究背景
        §1.1.2 研究意義
    §1.2 國內外研究現狀
        §1.2.1 智能交通視頻監(jiān)控系統(tǒng)研究現狀
        §1.2.2 目標檢測研究現狀
        §1.2.3 視覺單目標跟蹤研究現狀
    §1.3 論文主要工作和結構安排
第二章 視覺目標檢測方法
    §2.1 YOLO系列目標檢測方法
        §2.1.1 YOLOv1原理
        §2.1.2 YOLOv2原理
        §2.1.3 YOLOv3原理
    §2.2 基于混合高斯模型的目標檢測方法
        §2.2.1 單高斯背景建模
        §2.2.2 混合高斯模型背景建模
    §2.3 實驗與分析
        §2.3.1 深度學習類目標檢測方法的評價指標
        §2.3.2 YOLO目標檢測實驗
        §2.3.3 基于GMM運動目標檢測實驗
        §2.3.4 綜合分析
    §2.4 本章小結
第三章 單目標視覺跟蹤方法
    §3.1 單目標視覺跟蹤簡介
        §3.1.1 早期經典跟蹤方法簡介
        §3.1.2 基于相關濾波器的跟蹤方法簡介
        §3.1.3 基于深度學習的跟蹤算法簡介
        §3.1.4 三類跟蹤方法總結
    §3.2 Camshift跟蹤算法
        §3.2.1 Mean Shift算法原理
        §3.2.2 Cam Shift算法原理
    §3.3 DSST跟蹤算法
        §3.3.1 MOSSE算法原理
        §3.3.2 DSST算法原理
    §3.4 實驗與分析
        §3.4.1 實驗過程
        §3.4.2 實驗分析
    §3.5 本章小結
第四章 基于DSST的多目標跟蹤方法
    §4.1 多目標跟蹤方法框架
    §4.2 多目標匹配方法
        §4.2.1 基于最近鄰的匹配方法
        §4.2.2 基于目標特征相似度的匹配方法
    §4.3 多目標跟蹤過程分析
        §4.3.1 新目標出現判別
        §4.3.2 DSST跟蹤器更新
        §4.3.3 跟蹤目標離開判別
    §4.4 實驗與分析
    §4.5 本章小結
第五章 智能交通視頻監(jiān)控系統(tǒng)
    §5.1 YOLOv3模型訓練
        §5.1.1 數據集建立
        §5.1.2 數據集標記
        §5.1.3 模型訓練方法
        §5.1.4 YOLOv3訓練結果分析
    §5.2 多車型流量統(tǒng)計
        §5.2.1 高速公路車流量統(tǒng)計實驗
        §5.2.2 實驗結果分析
    §5.3 車輛異常行為檢測和行人抓拍
        §5.3.1 車輛運動方向檢測
        §5.3.2 車輛速度檢測及停車判別
        §5.3.3 行人抓拍
        §5.3.4 實驗結果分析
    §5.4 本章小結
第六章 總結與展望
    §6.1 總結
    §6.2 展望
參考文獻
致謝
作者在攻讀碩士期間的主要研究成果


【參考文獻】：
期刊論文
[1]目標跟蹤算法綜述[J]. 孟琭,楊旭.  自動化學報. 2019(07)
[2]基于改進幀間差分與局部Camshift相結合的目標跟蹤算法[J]. 周文靜,陳瑋.  軟件導刊. 2018(03)
[3]一種新穎的基于軌跡分析和類型識別的車流量統(tǒng)計方法[J]. 白天,許曉瓏,丁箐,葉勇,石竹.  計算機應用與軟件. 2016(12)
[4]基于自適應虛擬線圈的多車道車流量檢測算法[J]. 甘玲,李瑞.  計算機應用. 2016(12)
[5]智能視頻監(jiān)控技術綜述[J]. 黃凱奇,陳曉棠,康運鋒,譚鐵牛.  計算機學報. 2015(06)

碩士論文
[1]視頻中行人檢測與跟蹤方法研究[D]. 田娟娟.西安理工大學 2018
[2]區(qū)域卷積神經網絡在車輛檢測中的應用研究[D]. 張鶴鶴.西安理工大學 2018
[3]基于車載視頻的道路車輛及行人檢測[D]. 唐詩.電子科技大學 2018
[4]基于改進YOLOv2網絡的遺留物檢測算法研究[D]. 張俊為.浙江理工大學 2018
[5]智能視頻監(jiān)控中多目標跟蹤算法研究及應用[D]. 張曉斌.蘇州大學 2017
[6]智能交通下的車道線檢測及車輛檢測與跟蹤技術研究[D]. 魏兆敏.河南大學 2017
[7]監(jiān)控視頻中多類目標檢測與多目標跟蹤算法研究[D]. 周紀強.哈爾濱工業(yè)大學 2017
[8]面向智能交通的惡劣天氣圖像增強方法研究[D]. 丁若修.沈陽工業(yè)大學 2017
[9]高速公路交通異常事件檢測算法研究[D]. 隋靚.蘭州交通大學 2017
[10]霧天條件下高速公路視頻事件檢測技術研究[D]. 周軼凡.東南大學 2017



本文編號：3733512