利用無人機可以實現(xiàn)大范圍的交通數(shù)據(jù)采集,且機動靈活,可以及時應對突發(fā)交通事故和擁堵路段,方便交通管理部門進行監(jiān)測和管控,具有廣闊的應用前景和巨大的經濟價值,因此,本文對無人機平臺下的車輛檢測和跟蹤算法進行了研究。研究內容包括以下幾個方面:（1）無人機平臺下的車輛檢測算法研究�；贔aceBoxes網絡模型分析改進,設計了一種無人機平臺下的實時車輛檢測方法。首先,基于多特征融合思想對網絡結構進行重新設計,使得車輛預測可以包含更多的語義信息和特征細節(jié)信息。然后,基于車輛進行多尺度錨點設計,提高對不同車輛尺度和小目標車輛的適應性。最后,基于二值權重網絡對算法進行時間優(yōu)化。通過在航拍車輛數(shù)據(jù)集上進行實驗,說明本文算法在無人機平臺下具有較好的車輛檢測精確度和實時性。（2）無人機平臺下的車輛跟蹤算法研究。在車輛檢測的基礎上,針對核相關濾波算法分析研究,設計了一種基于核相關濾波的車輛跟蹤算法。首先,基于KCF算法建立車輛的狀態(tài)估計模型,提出了狀態(tài)估計可靠性判斷方法,在核相關濾波狀態(tài)估計不可靠時,利用車輛運動信息進行狀態(tài)估計。其次,對車輛狀態(tài)估計結果和改進的FaceBoxes網絡的車輛檢測結果進行數(shù)據(jù)... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

基于無人機的交通信息采集系統(tǒng)示意圖

東南大學碩士學位論文82.2FaceBoxes神經網絡模型分析FaceBoxes是作者借鑒了FasterRCNN的區(qū)域候選網絡（RegionProposalNetwork，RPN）結構以及SSD中基于特征金字塔的多尺度檢測思想，設計出的一個輕量型的CNN網絡如圖2-1，在人臉檢測的速度和精度上有一個較好的平衡�？紤]到目前計算量普遍巨大的檢測網絡，在無人機平臺下檢測效率低下，F(xiàn)aceBoxes對于在無人機平臺下利用深度學習算法實時檢測車輛提供了可行性。圖2-1FaceBoxes網絡結構2.2.1網絡結構介紹FaceBoxes模型主要有兩方面的貢獻，設計了快速消除卷積層(RapidlyDigestedConvolutionalLayers，RDCL)快速減小輸入空間的尺度大小，解決檢測速度問題；引入多尺度卷積層(MultipleScaleConvolutionalLayers，MSCL)豐富不同網絡層的離散錨點，用于多尺度檢測。1.RDCL層結構如圖2-1，RDCL層包含兩個卷積層和兩個池化層，引入一系列較大的步長，分別為4，2，2，2，使得輸入圖片尺度從1024迅速降到32，減小了32倍。同時，為了彌補空間尺度減小帶來的信息損失，選擇了相對較大的卷積核，而又不至于影響計算速度，在Conv1和Conv2層分別選用7×7,5×5的卷積核。在Conv1和Conv2層，選用C.ReLU激活函數(shù)使得輸出的通道數(shù)加倍，C.ReLU是一種改進的線性修正單元（RectifiedLinearUnit,ReLU）激活函數(shù)。C.ReLU作者[28]通過統(tǒng)計研究發(fā)現(xiàn)在神經網絡的底層，卷積核參數(shù)分布具有更強的負相關性，而隨著網絡加深，這種負相關性會逐漸衰減，然而傳統(tǒng)的ReLU函數(shù)[29-30]具有單側抑制特性，抹掉了所有負值，導致網絡底層卷積核的冗余，于是作者定義C.ReLU函數(shù)形式如公式2.2，其中表示神經元激活函數(shù)的輸入，使得C.ReLU的輸出維度在ReLU函數(shù)（公式2.1）的基礎上加倍。RDCL層利用C.ReLU激活通過簡單反轉拼接?

第二章無人機平臺下的車輛檢測算法研究9幾乎沒有下降的情況下提高了檢測速度。()={,>00,≤0(2.1)()=[(),()](2.2)2.MSCL層結構為了解決不同尺度的人臉檢測，作者借鑒了RPN網絡結構和SSD多尺度預測方法，共提出了兩部分的設計，首先設計三個串聯(lián)的Inceptionv2結構[31-33]使得關聯(lián)錨點的網絡層可以對應不同尺度的感受野，Inceptionv2結構如圖2-2所示，Inceptionv2結構擁有多個卷積分支，分別包含不同尺度的卷積核，使得拼接后的層包含不同尺寸的感受野，以此增加了網絡尺度的適應性。然后作者基于不同分辨率的網絡層進行多尺度設計，如圖2-1中分別關聯(lián)了Incepiton3，Conv3_2，Conv4_2層，這三個網絡層從低到高感受野依次增大，底層網絡包含更多的細節(jié)特征，更有利于預測小目標，而高層網絡具有更多的語義信息，更適合預測較大目標，作者結合這三個網絡層進行更有效的多尺度預測。圖2-2Inceptionv2結構圖2.2.2無人機平臺下的問題分析本節(jié)采用大疆M100無人機，搭載DJI妙算開發(fā)板（NVDIATK1,ubuntu14.04），在此平臺環(huán)境下，對FaceBoxes進行訓練測試。實驗采用的數(shù)據(jù)集為本實驗室采集的航拍車輛數(shù)據(jù)集，包括一個圖片樣本集和一個測試視頻集，其中圖片集共4000張圖片，有3000張訓練樣本和1000張測試樣本，測試視頻集包含10段航拍車輛視頻。本實驗訓練迭代次數(shù)為30000次，學習率為0.001，并在測試視頻集上進行測試，主要通過檢測精確度和檢測時間效率兩個方面對FaceBoxes網絡進行分析：

【參考文獻】：
期刊論文
[1]ReLU激活函數(shù)優(yōu)化研究[J]. 蔣昂波,王維維.  傳感器與微系統(tǒng). 2018(02)
[2]基于卡爾曼濾波的城市快速路交通密度估計與擁堵識別[J]. 張馳遠,陳陽舟,郭宇奇.  交通信息與安全. 2017(05)
[3]無人機廣域視頻的機動車交通參數(shù)計算及分析[J]. 周雨陽,龔藝,姚琳,李小勇.  交通運輸系統(tǒng)工程與信息. 2015(06)
[4]基于后驗HOG特征的多姿態(tài)行人檢測[J]. 劉威,段成偉,遇冰,柴麗穎,袁淮,趙宏.  電子學報. 2015(02)
[5]無人機視頻運動目標實時檢測及跟蹤[J]. 董晶,傅丹,楊夏.  應用光學. 2013(02)
[6]無人飛機在交通信息采集中的研究進展和展望[J]. 彭仲仁,劉曉鋒,張立業(yè),孫健.  交通運輸工程學報. 2012(06)
[7]基于ViBe的車流量統(tǒng)計算法[J]. 蔣建國,王濤,齊美彬,安紅新.  電子測量與儀器學報. 2012(06)
[8]卡爾曼一致濾波算法綜述[J]. 楊文,侍洪波,汪小帆.  控制與決策. 2011(04)
[9]基礎交通信息采集技術的研究[J]. 蘇潔.  制造業(yè)自動化. 2011(02)
[10]交通流預測方法綜述[J]. 劉靜,關偉.  公路交通科技. 2004(03)

碩士論文
[1]低空對地運動車輛檢測與運動特性分析[D]. 吳長俠.中國科學技術大學 2011



本文編號：2991515