隨著世界經(jīng)濟的飛速發(fā)展和生活質(zhì)量的大幅度提升,人們普遍使用機動車出行去參與每天的社會活動。隨之帶來的是環(huán)境污染、道路擁擠和交通事故頻發(fā)等社會不良現(xiàn)象。為緩解和解決上述相關(guān)問題,各國學者都致力于智能交通系統(tǒng)的研究。同時由于計算機硬件計算能力的大幅度提升,從而使得許多復雜算法的實時計算不再成為研究的障礙。作為無人駕駛輔助系統(tǒng)重要組成部分的車輛及行人檢測技術(shù)的研究已經(jīng)有了巨大的實際應用意義。對于車輛及行人檢測技術(shù)中,由于車輛和行人目標的特征千差萬別,很難通過某一種單一的特征提取分類方法將兩類目標檢測出來。而基于深度學習的目標檢測方案通過復雜的神經(jīng)網(wǎng)絡計算出對于多類目標都能有效檢測分類的特征集合,從而受到各國學者的青睞。在本文中,為了滿足基于車載視頻的道路車輛及行人檢測的實時性等要求,提出利用深度學習回歸網(wǎng)絡YOLO對車輛及行人目標進行檢測,并設(shè)計相應的數(shù)據(jù)集對模型進行訓練測試。之后加入以Deep-SORT算法為核心的多目標實時跟蹤方法,對檢測到的目標進行一段時間的跟蹤,從而克服YOLO在目標檢測時忽略視頻上下幀之間的關(guān)聯(lián)信息的缺點。由于跟蹤算法的引入,極大地緩解了YOLO在基于車載視頻的目標... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題背景以及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要內(nèi)容及章節(jié)安排
第二章 圖像預處理及車道線檢測
    2.1 圖像預處理
        2.1.1 灰度化處理
        2.1.2 圖像濾波
        2.1.3 圖像邊緣檢測
    2.2 車道線檢測
        2.2.1 ROI區(qū)域提取
        2.2.2 直線檢測
        2.2.3 直線聚類與擬合
    2.3 本章小結(jié)
第三章 基于深度學習的車輛及行人目標檢測
    3.1 車載視頻的道路目標檢測算法思路設(shè)計
    3.2 目標檢測算法
        3.2.1 目標檢測指標
        3.2.2 傳統(tǒng)的目標檢測方法
        3.2.3 基于區(qū)域的深度學習目標檢測方法
    3.3 基于YOLO的目標檢測
        3.3.1 YOLO在車載視頻道路目標檢測中的優(yōu)勢
        3.3.2 目標檢測器設(shè)計
        3.3.3 實驗結(jié)果與分析
    3.4 本章小結(jié)
第四章 多目標實時跟蹤器設(shè)計
    4.1 多目標實時跟蹤算法思路設(shè)計
    4.2 基于Deep-SORT的多目標跟蹤
        4.2.1 Deep-SORT算法在多目標跟蹤中的優(yōu)勢
        4.2.2 Deep-SORT算法結(jié)構(gòu)分析
    4.3 卡爾曼濾波跟蹤算法
    4.4 基于匈牙利算法的預測匹配
        4.4.1 基于馬氏距離的運動匹配
        4.4.2 基于特征向量最小余弦距離的表觀匹配
        4.4.3 基于匈牙利算法的多目標分配
    4.5 實驗結(jié)果與分析
    4.6 本章小結(jié)
第五章 系統(tǒng)實驗平臺開發(fā)與實驗結(jié)果分析
    5.1 實驗開發(fā)環(huán)境
    5.2 訓練樣本與測試樣本
    5.3 系統(tǒng)測試結(jié)果與分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 論文進一步的工作展望
致謝
參考文獻
攻讀碩士學位期間取得的成果


【參考文獻】：
期刊論文
[1]基于雙重ROI和變間距掃描的車道線檢測[J]. 王鑫,劉玉超,海丹.  指揮與控制學報. 2017(02)
[2]基于改進匈牙利算法的多技能人員調(diào)度方法[J]. 李廷鵬,錢彥嶺,李岳.  國防科技大學學報. 2016(02)
[3]背景差分與三幀差分結(jié)合的運動目標檢測算法[J]. 盧章平,孔德飛,李小蕾,王軍偉.  計算機測量與控制. 2013(12)
[4]基于余弦距離度量學習的偽K近鄰文本分類算法[J]. 彭凱,汪偉,楊煜普.  計算機工程與設(shè)計. 2013(06)
[5]卡爾曼濾波器參數(shù)分析與應用方法研究[J]. 王學斌,徐建宏,張章.  計算機應用與軟件. 2012(06)
[6]基于Hough變換的車道檢測改進算法研究[J]. 李明,黃華,夏建剛.  計算機工程與設(shè)計. 2012(04)
[7]行人檢測技術(shù)綜述[J]. 蘇松志,李紹滋,陳淑媛,蔡國榕,吳云東.  電子學報. 2012(04)
[8]車道線識別中的自適應Canny邊緣檢測及改進研究[J]. 陳陽舟,閆豪杰,辛樂.  交通信息與安全. 2012(01)
[9]視覺跟蹤算法綜述[J]. 楊戈,劉宏.  智能系統(tǒng)學報. 2010(02)
[10]基于卡爾曼濾波的動目標預測[J]. 嚴浙平,黃宇峰.  應用科技. 2008(10)

碩士論文
[1]基于機器視覺的交通標志檢測與識別算法研究[D]. 敬斌.電子科技大學 2015
[2]攝像頭運動狀態(tài)下目標特征提取和跟蹤的研究[D]. 歐曉文.華南理工大學 2015
[3]基于深度學習的目標檢測算法研究及應用[D]. 萬維.電子科技大學 2015
[4]基于數(shù)字圖像處理的車道線檢測[D]. 張慧.新疆大學 2014
[5]基于計算機視覺的遙控器液晶屏圖像檢測[D]. 溫李慧.電子科技大學 2013
[6]基于機器視覺的車道線檢測與追蹤系統(tǒng)的研究[D]. 秦敏.中國海洋大學 2012
[7]多尺度改進非局部平均圖像去噪算法[D]. 路陽.西安電子科技大學 2012
[8]視頻監(jiān)控系統(tǒng)中運動目標檢測與跟蹤技術(shù)的研究[D]. 陳龍.南京郵電大學 2011
[9]基于車道線邊緣及分而特征的車道線識別算法研究與實現(xiàn)[D]. 張遠.東北大學 2010
[10]基于計算機視覺的智能抄表系統(tǒng)中的關(guān)鍵技術(shù)研究[D]. 錢洪娟.沈陽航空工業(yè)學院 2009



本文編號：3561076