【摘要】：智能交通系統(tǒng)(Intelligent Transportation System,ITS)集成了計(jì)算機(jī)、電子、通訊、汽車制造、人工智能等多學(xué)科理論與技術(shù),以提供創(chuàng)新的運(yùn)輸方式以及交通管理智能服務(wù)。這一系統(tǒng)可以更好地改善城市交通狀況,使其更加協(xié)調(diào)、安全和人性化,同時提高出行效率。本文基于智能交通中視覺感知系統(tǒng)采集的視頻數(shù)據(jù),深入研究車輛監(jiān)控以及無人駕駛中的目標(biāo)檢測與跟蹤問題。文章圍繞背景提取算法,建立相應(yīng)的自適應(yīng)參數(shù)調(diào)節(jié)機(jī)制。利用圖像提出特征融合分類模型與目標(biāo)跟蹤算法。優(yōu)化深度學(xué)習(xí)參數(shù)計(jì)算結(jié)構(gòu)控制無人駕駛方向盤轉(zhuǎn)角。本論文的主要貢獻(xiàn)如下:(1)提出“閃爍模型”以及“目標(biāo)概率”耦合模型以自適應(yīng)調(diào)節(jié)背景提取模型的超參數(shù)。在智能交通車輛監(jiān)控技術(shù)中,首先根據(jù)像素級信息建立背景模型,從而進(jìn)行目標(biāo)檢測。傳統(tǒng)的背景建模,根據(jù)經(jīng)驗(yàn)設(shè)定出固定超參數(shù),不能保證適用于多種不同場景。針對此類問題,提出了雙模型耦合超參數(shù)自適應(yīng)調(diào)節(jié)方法,使其能夠更好地適應(yīng)背景閃爍、樹葉搖動、陰影干擾以及圖像噪聲多種場景。(2)提出并構(gòu)建多特征融合學(xué)習(xí)模型提高車載攝像頭的目標(biāo)識別率以及檢測率。無人駕駛中單圖像特征很難滿足其復(fù)雜動態(tài)的目標(biāo)檢測的要求。針對此問題,通過篩選圖像多種跨級別特征進(jìn)行決策,并加入梯度提升模型,共同創(chuàng)建特征融合分類器提高了目標(biāo)識別率以及檢測率。(3)提出了基于粒子濾波的變尺度搜索框與三閾值模板更新策略的目標(biāo)跟蹤算法。在智能交通視覺跟蹤問題中,由于目標(biāo)物近大遠(yuǎn)小的視覺差,在長時間的視頻流當(dāng)中目標(biāo)物在尺度以及外觀上會有明顯的變化。因此,本文提出全新的利用多區(qū)域快速顏色直方圖集成的圖像特征提取方法,并借助粒子濾波算法尋找最佳搜索框尺度大小。并提出三閾值目標(biāo)模板更新策略,有效改善了視頻目標(biāo)跟蹤不穩(wěn)定的問題。(4)提出了參數(shù)壓縮的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)降低模型整體存儲空間、提高執(zhí)行速度。深度學(xué)習(xí)是圖像識別、檢測等任務(wù)最常用的方法。但是在無人駕駛?cè)蝿?wù)中,需要減少參數(shù)、降低模型規(guī)模以節(jié)約計(jì)算成本,才能降低對硬件需求和提高實(shí)時性能保障。針對此問題,根據(jù)MobileNets網(wǎng)絡(luò)核心思想,進(jìn)一步壓縮和優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),以便訓(xùn)練需要存儲空間更小的網(wǎng)絡(luò)執(zhí)行計(jì)算。并將壓縮的神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于控制方向盤轉(zhuǎn)角任務(wù)。在保持精度基本不變的前提下,模型計(jì)算速度得以有效提升。最后,對全文中所研究的智能交通中目標(biāo)檢測與跟蹤問題做了總結(jié),并對該領(lǐng)域研究的發(fā)展方向和研究方法做了展望。
【圖文】：

路標(biāo)識別數(shù)據(jù)展示
【學(xué)位授予單位】：東華大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：U495;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 張可,齊彤巖,劉冬梅,王春燕,賀瑞華,劉浩;中國智能交通系統(tǒng)(ITS)體系框架研究進(jìn)展[J];交通運(yùn)輸系統(tǒng)工程與信息;2005年05期

，

本文編號：2683617