隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展,人民生活水平不斷提高,汽車已經(jīng)成為人們?nèi)粘３鲂械谋匾煌üぞ?由此道路上車流量日益增加,節(jié)假日期間交通擁堵現(xiàn)象十分普遍,為了緩解這一現(xiàn)象,需要構(gòu)建一套智能化的交通監(jiān)控系統(tǒng),而車速估計(jì)就是其中的一個(gè)焦點(diǎn)和難點(diǎn)問(wèn)題�，F(xiàn)有的利用單目攝像頭來(lái)估測(cè)車速的方法都是基于camera calibration的方法,但該方法有許多不足之處。首先,相機(jī)校正對(duì)環(huán)境很敏感,這意味著標(biāo)定結(jié)果的精確度會(huì)隨環(huán)境的改變而改變,需要定期進(jìn)行參數(shù)初始化。其次,大部分相機(jī)校正的方法需要人工測(cè)量一些物理數(shù)據(jù),對(duì)相機(jī)安裝的位置和拍攝角度有一定要求。此外,基于相機(jī)校正的方法依賴于車輛的檢測(cè)和跟蹤算法。為了克服上述問(wèn)題,本文提出了一種基于3D卷積神經(jīng)網(wǎng)絡(luò)的車速估計(jì)方法。該方法是基于視頻圖像對(duì)車速進(jìn)行估計(jì)的。我們的方法有以下特點(diǎn):1)我們?cè)谀Ｐ椭屑尤肱c卷積網(wǎng)絡(luò)形成互補(bǔ)的non-local模塊,用來(lái)更好的捕獲時(shí)空長(zhǎng)期依賴關(guān)系;2)我們構(gòu)建了多尺度卷積來(lái)融合多樣化的特征信息;3)由于光流代表著圖像中像素運(yùn)動(dòng)的速度和方向信息,我們將光流作為模型輸入的一部分。我們所構(gòu)建的IR(2+l)D-cNLms模型能夠很好的提取...

【文章頁(yè)數(shù)】：53 頁(yè)

【學(xué)位級(jí)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 常見(jiàn)方法
    1.3 研究的問(wèn)題和挑戰(zhàn)
    1.4 本文的組織結(jié)構(gòu)
第2章 視頻動(dòng)作識(shí)別相關(guān)模型及non-local算法
    2.1 視頻動(dòng)作識(shí)別常用方法
    2.2 Non-local算法的發(fā)展
第3章 卷積和光流的相關(guān)介紹
    3.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.1 3D卷積網(wǎng)絡(luò)
        3.1.2 Inflated 3D卷積
        3.1.3 (2+1)D卷積
    3.2 光流的相關(guān)介紹
        3.2.1 光流和光流場(chǎng)
        3.2.2 光流算法的原理
第4章 模型介紹
    4.1 R(2+1)D50模型
    4.2 Non-local神經(jīng)網(wǎng)絡(luò)
        4.2.1 數(shù)學(xué)公式表達(dá)
        4.2.2 實(shí)例化
        4.2.3 Non-local Block
    4.3 Multi-scale卷積
第5章 實(shí)驗(yàn)和結(jié)果分析
    5.1 數(shù)據(jù)集介紹
    5.2 實(shí)驗(yàn)具體細(xì)節(jié)
    5.3 實(shí)驗(yàn)
        5.3.1 實(shí)驗(yàn)一: 不同3D卷積的比較
        5.3.2 實(shí)驗(yàn)二: 不同輸入的比較
        5.3.3 實(shí)驗(yàn)三: non-local和multi-scale
        5.3.4 實(shí)驗(yàn)四: 與其他方法的比較
第6章 結(jié)論和未來(lái)工作
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果



本文編號(hào)：3965589