發(fā)布時間：2023-04-16 10:13

　　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(yīng)用。但由于監(jiān)控場景的復(fù)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(fù)雜場景中運動車輛檢測與跟蹤方法進(jìn)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(yīng)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(jìn)行了深入研究,分析了算法在目標(biāo)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(xué)習(xí)率,以達(dá)到快速適應(yīng)不同區(qū)域的變化。(2)采集實際場景車輛數(shù)據(jù)集,訓(xùn)練深度學(xué)習(xí)YOLO v2目標(biāo)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(jìn)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(fù)反饋的方式將上一幀正確跟蹤到的車輛位置作為當(dāng)前幀的學(xué)習(xí)模型,將特征點精確匹配率和區(qū)域重疊度作為當(dāng)前區(qū)域計算的影響因子,修正當(dāng)前幀的車輛跟蹤位置。(4)將已學(xué)習(xí)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(dǎo)致跟蹤預(yù)測位置失效時,依次將...

【文章頁數(shù)】：70 頁

【學(xué)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(biāo)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(jī)器學(xué)習(xí)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(xué)習(xí)的車輛檢測
        2.3.1 深度學(xué)習(xí)簡介
        2.3.2 YOLOv2方法簡述
        2.3.3 訓(xùn)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(xué)習(xí)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(yīng)學(xué)習(xí)率改進(jìn)
        4.1.1 理論分析
        4.1.2 改進(jìn)思想
    4.2 基于相關(guān)濾波的車輛跟蹤改進(jìn)方法
        4.2.1 特征點匹配
        4.2.2 學(xué)習(xí)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(jìn)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(xiàn)
致謝
在校期間科研成果



本文編號：3791287