車輛檢測與跟蹤是智能視頻監(jiān)控領(lǐng)域的研究熱點,在智能交通、交通管控、車輛追蹤等領(lǐng)域已得到了廣泛的應用。但由于監(jiān)控場景的復雜性,對視頻中運動車輛的檢測與跟蹤還有很多問題需要解決。為此,本文對復雜場景中運動車輛檢測與跟蹤方法進行了深入研究,提出了一些檢測跟蹤處理算法,在實際場景應用中取得較好的結(jié)果。論文的主要工作如下:(1)對混合高斯模型進行了深入研究,分析了算法在目標檢測的優(yōu)缺點,結(jié)合場景的實際情況,提出通過像素點的前景和背景變換頻率來調(diào)整該像素點高斯混合模型背景學習率,以達到快速適應不同區(qū)域的變化。(2)采集實際場景車輛數(shù)據(jù)集,訓練深度學習YOLO v2目標檢測模型,將其作為跟蹤算法中的車輛檢測子模塊,并將檢測結(jié)果對跟蹤過程中車輛出現(xiàn)姿態(tài)和尺度變化時的位置框進行修訂,減少車輛跟蹤過程中的錯誤率。(3)在分析目前常用算法優(yōu)缺點的基礎(chǔ)上,利用負反饋的方式將上一幀正確跟蹤到的車輛位置作為當前幀的學習模型,將特征點精確匹配率和區(qū)域重疊度作為當前區(qū)域計算的影響因子,修正當前幀的車輛跟蹤位置。(4)將已學習模型匹配的特征點作為正樣本放入容器,在車輛被遮擋或者位置偏移過大導致跟蹤預測位置失效時,依次將...

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 檢測研究現(xiàn)狀
        1.2.2 目標跟蹤研究現(xiàn)狀
    1.3 主要工作與創(chuàng)新
    1.4 論文結(jié)構(gòu)
2 車輛檢測算法
    2.1 基于背景建模的車輛檢測
        2.1.1 基礎(chǔ)知識
        2.1.2 混合高斯模型
        2.1.3 ViBe
    2.2 基于機器學習的車輛檢測
        2.2.1 圖像特征介紹
        2.2.2 分類器介紹
        2.2.3 基于HOG+SVM的車輛檢測
    2.3 基于深度學習的車輛檢測
        2.3.1 深度學習簡介
        2.3.2 YOLOv2方法簡述
        2.3.3 訓練YOLOv2車輛檢測模型
    2.4 本章小結(jié)
3 車輛跟蹤算法
    3.1 經(jīng)典跟蹤方法
    3.2 基于相關(guān)濾波跟蹤方法
        3.2.1 STC跟蹤算法
        3.2.2 KCF跟蹤算法
    3.3 基于深度學習跟蹤算法
        3.3.1 C-COT算法
        3.3.2 ECO跟蹤算法
    3.4 本章小節(jié)
4 算法思想與實驗集成
    4.1 自適應學習率改進
        4.1.1 理論分析
        4.1.2 改進思想
    4.2 基于相關(guān)濾波的車輛跟蹤改進方法
        4.2.1 特征點匹配
        4.2.2 學習模型更新算法
    4.3 實驗結(jié)果分析
        4.3.1 系統(tǒng)界面
        4.3.2 改進算法實驗
    4.4 本章小結(jié)
5 結(jié)論及展望
    5.1 結(jié)論
    5.2 展望
參考文獻
致謝
在校期間科研成果



本文編號：3791287