視頻監(jiān)控已成為公共安全領域中的一道至關重要的屏障,尤其在交通場景的應用中更加普遍,隨著汽車數(shù)量的不斷增多,交通場景中的相關問題也得到了越來越多的重視。交通擁堵不僅嚴重降低了出行效率還增加了引發(fā)交通事故的可能性,準確地掌握城市路段的車流量有利于緩解城市擁堵狀況,方便交通管理部門為市民規(guī)劃出行路線。由于交通場景具有很高的復雜性,不同時間段的光照強度差別較大,同時對算法處理的速度要求較高,因此給目標檢測任務帶來了巨大的挑戰(zhàn)。傳統(tǒng)的目標檢測算法基于滑動窗口的區(qū)域選擇方式缺乏一定的針對性,存在大量的冗余窗口,使得算法的復雜性程度較高,運行時間較長,不利于對視頻流數(shù)據(jù)的快速處理。此外,由于特征依賴于手工設計,使得其在面對復雜的交通情景時不具備良好的魯棒性。伴隨著人工智能時代的到來,諸如自動駕駛、人臉識別、智慧醫(yī)療等越來越多的相關領域開啟了AI化的研究進程,深度學習技術得到了迅猛的發(fā)展,基于該技術的目標檢測算法也為解決復雜的交通場景問題提供了更多的選擇。在交通場景的車輛檢測任務中,以RCNN為代表的兩階段目標檢測算法和以YOLO為代表的單階段目標檢測算法都為車輛檢測任務提供了新的解決思路,有利于我們...

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 論文組織結構
第二章 神經(jīng)網(wǎng)絡理論基礎
    2.1 神經(jīng)網(wǎng)絡基本原理
    2.2 卷積神經(jīng)網(wǎng)絡的原理
    2.3 經(jīng)典網(wǎng)絡模型
    2.4 本章小結
第三章 目標檢測算法原理
    3.1 傳統(tǒng)目標檢測算法
    3.2 非極大值抑制算法
    3.3 RCNN系列目標檢測算法
    3.4 YOLO系列目標檢測算法
    3.5 本章小結
第四章 交通場景下的車輛計數(shù)
    4.1 改進的YOLOv3 目標檢測算法
    4.2 鄰幀中心匹配的車輛計數(shù)算法
    4.3 數(shù)據(jù)采集與網(wǎng)絡訓練
    4.4 計數(shù)系統(tǒng)功能實現(xiàn)
    4.5 實驗結果分析
    4.6 本章小結
第五章 總結與展望
    5.1 研究工作總結
    5.2 未來工作展望
參考文獻
致謝
個人簡介



本文編號：3946967