隨著智能交通系統(tǒng)的發(fā)展與交通部門對道路監(jiān)控實(shí)現(xiàn)前端智能的需求,基于圖像信息的道路車流量檢測算法的研究與實(shí)現(xiàn)成為非常迫切的需求,道路車流量檢測為智能交通系統(tǒng)提供基礎(chǔ)決策數(shù)據(jù),有助于交通管理部門對交通進(jìn)行優(yōu)化調(diào)度。本課題在研究運(yùn)動目標(biāo)檢測算法基礎(chǔ)上,針對混合高斯模型與多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)模型在車輛檢測中存在的若干問題進(jìn)行分析與改進(jìn);并提出了融合混合高斯模型與多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)模型的車流量檢測策略;最終實(shí)現(xiàn)一款能在多種復(fù)雜環(huán)境下對道路車流量進(jìn)行高精度檢測的車流量檢測算法,并成功將其移至到Hi3516D平臺。本文的主要研究內(nèi)容為:（1）針對混合高斯模型背景建模存在的高斯分布分量分配不合理、僅對孤立點(diǎn)建模忽視像素點(diǎn)鄰域各點(diǎn)關(guān)聯(lián)性、無法準(zhǔn)確檢測緩慢運(yùn)動或短暫靜止的運(yùn)動目標(biāo)等若干問題,提出了自適應(yīng)高斯分布分量策略、時(shí)域空域混合建模策略、雙路動態(tài)更新學(xué)習(xí)率建模策略三種改進(jìn)方案,加快了背景建模速度,實(shí)現(xiàn)了在較為復(fù)雜環(huán)境下對于緩慢運(yùn)動目標(biāo)和暫時(shí)靜止目標(biāo)的準(zhǔn)確檢測。同時(shí),本課題提出凹點(diǎn)匹配的粘連目標(biāo)檢測分割算法解決車輛相互粘連問題,提出基于卡爾曼軌跡跟蹤的車流量統(tǒng)計(jì)方法,實(shí)現(xiàn)對道路車流量的檢測;并設(shè)計(jì)了多組實(shí)... 

【文章來源】：南京航空航天大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：99 頁

【學(xué)位級別】：碩士

【圖文】：

P,R值不同時(shí)LBP算子形式

2.3.3 CNN法深度學(xué)習(xí)方法相對于 SVM 與 Adaboost 等方法，不需要手動選擇特征，且對于車輛等目標(biāo)的檢測精度高，目前廣泛應(yīng)用于目標(biāo)的檢測與跟蹤中。卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）[70]、深度神經(jīng)網(wǎng)絡(luò)（DNN）[71]等。DNN 網(wǎng)絡(luò)層數(shù)較深，運(yùn)算量大，主要用在單幅圖像等對實(shí)時(shí)性要求較低的處理中；RNN 主要用于處理與時(shí)間關(guān)系密切的樣本類型，如自然語言處理、語音識別等領(lǐng)域；CNN 作為一類能夠有效實(shí)現(xiàn)目標(biāo)檢測的深度學(xué)習(xí)算法，已經(jīng)被廣泛應(yīng)用于目標(biāo)檢測領(lǐng)域中，因而本節(jié)重點(diǎn)分析 CNN。并在后續(xù)的章節(jié)中，采用基于 CNN 的深度學(xué)習(xí)衍生方法進(jìn)行改進(jìn)與實(shí)驗(yàn)。CNN 屬于多層有監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，由卷積層、池化層、激勵層、全連接層、損失層等構(gòu)成的一個(gè)層級結(jié)構(gòu)，包括前向傳播與反向傳播兩個(gè)過程[72]。前向傳播中，輸入的數(shù)據(jù)經(jīng)過卷積層提取圖像特性信息，經(jīng)由激勵層做非線性映射，由池化層進(jìn)行降維操作減少過擬合，輸出到全連接層進(jìn)行一個(gè)類似“分類器”的操作，最后由損失層計(jì)算損失函數(shù)。反向傳播中，采用復(fù)合函數(shù)求導(dǎo)的鏈?zhǔn)椒▌t，更新各層級結(jié)構(gòu)的權(quán)重與偏置，最終不斷的收斂損失函數(shù)的計(jì)算值，使其逼近于 0，其主要結(jié)構(gòu)如圖 2.4。

21圖 2. 5 本文算法整體架構(gòu)（1）GMM 車輛檢測模塊。在此模塊中，本文首先進(jìn)行 GMM 模型設(shè)計(jì)，相比較傳統(tǒng) GMM方法對于車輛檢測精度不高的問題本文進(jìn)行三種策略的改進(jìn)，分別為自適應(yīng)高斯分布分量策略、時(shí)域空域混合建模策略與雙路動態(tài)更新學(xué)習(xí)率建模策略。對于輸入的視頻序列，采用本文通過使用改進(jìn)的 GMM 模型提取出運(yùn)動前景目標(biāo)。然后將提取的前景目標(biāo)信息傳遞到 MTCNN 車輛檢測模塊的道路擁堵判別環(huán)節(jié)。（2）MTCNN 車輛檢測模塊。此模塊中，本文首先對 MTCNN 模型進(jìn)行設(shè)計(jì)，相比較傳統(tǒng)MTCNN 不適宜檢測車輛的問題，本文提出內(nèi)部級聯(lián)結(jié)構(gòu)與雙流卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對 MTCNN的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行設(shè)計(jì)。并創(chuàng)建適合于本文 MTCNN 模型的車輛樣本集。通過較長時(shí)間的 MTCNN分類器訓(xùn)練從而得到適合于復(fù)雜環(huán)境下車輛檢測的模型。為了解決 MTCNN 模型可能存在的運(yùn)

【參考文獻(xiàn)】：
期刊論文
[1]智能視頻監(jiān)控技術(shù)研究綜述[J]. 賈寧.  數(shù)字通信世界. 2018(07)
[2]一種自下而上的人臉檢測算法[J]. 張寧,伍萍輝.  計(jì)算機(jī)應(yīng)用研究. 2019(06)
[3]基于深度學(xué)習(xí)物體檢測的視覺跟蹤方法[J]. 唐聰,凌永順,楊華,楊星,鄭超.  紅外與激光工程. 2018(05)
[4]基于凸包Graham掃描法的多系統(tǒng)融合精密單點(diǎn)定位快速選星算法[J]. 楊松,張顯云,杜寧,龍新,胡思華.  大地測量與地球動力學(xué). 2018(02)
[5]基于高斯局部二值模式的紋理特征分類方法[J]. 黃辰,費(fèi)繼友,劉曉東.  電子技術(shù)應(yīng)用. 2018(01)
[6]基于多條件隨機(jī)場的短時(shí)交通流預(yù)測模型[J]. 鄧箴,任靜,劉立波.  計(jì)算機(jī)工程與設(shè)計(jì). 2017(10)
[7]基于優(yōu)化視覺詞袋模型的圖像分類方法[J]. 張永,楊浩.  計(jì)算機(jī)應(yīng)用. 2017(08)
[8]高斯混合模型的運(yùn)動目標(biāo)檢測與跟蹤算法[J]. 杜鵑,吳芬芬.  南京理工大學(xué)學(xué)報(bào). 2017(01)
[9]基于極坐標(biāo)計(jì)盒維數(shù)的圓形通孔缺陷檢測[J]. 周強(qiáng),杜晞盟,胡江濤.  陜西科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)
[10]基于幀差法和背景差法的運(yùn)動目標(biāo)檢測[J]. 張應(yīng)輝,劉養(yǎng)碩.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(02)

碩士論文
[1]基于Hi3516A處理器的KVM終端軟件設(shè)計(jì)[D]. 鄭陽.浙江工業(yè)大學(xué) 2016
[2]一種Lucas-Kanade光流金字塔算法的偽特征點(diǎn)移除方法[D]. 李喆.吉林大學(xué) 2016
[3]基于視頻的人臉檢測與跟蹤技術(shù)的研究及應(yīng)用[D]. 余佳偉.電子科技大學(xué) 2016
[4]高速公路擁堵事件檢測中的背景建模及狀態(tài)判別方法研究[D]. 徐云飛.重慶大學(xué) 2014



本文編號：3291060