隨著城市社會的發(fā)展,機動車數(shù)量不斷增加,城市道路堵塞情況日益嚴重,行人出行的安全風險也隨之上升。智能交通系統(tǒng)的應用逐漸受到人們的廣泛關注,對車輛與行人的安全檢測是其重要的組成部分。車輛行人安全檢測系統(tǒng)核心由車輛與行人目標檢測、軌跡跟蹤等模型組成,因此,提高對車輛行人目標識別的召回率與準確率、增強對目標運動方向的識別等優(yōu)化方式能夠顯著提升車輛行人安全檢測系統(tǒng)的穩(wěn)定性、準確性。本文分析了基于視頻的車輛行人檢測系統(tǒng)的核心技術組成,并研究了其核心技術的現(xiàn)有方法,其中包括目標檢測、目標軌跡跟蹤,對上述技術的原有實現(xiàn)手段進行了研究總結,分析原有實現(xiàn)手段的優(yōu)缺點,并針對研究場景進行優(yōu)化。本文的主要研究工作如下:1)本文提出一種基于YOLO v3的改進目標識別算法,針對車輛行人目標檢測場景中的問題進行兩點優(yōu)化:（1）優(yōu)化非極大值抑制算法,提升算法對被遮擋目標的檢測能力。（2）優(yōu)化YOLO v3網(wǎng)絡結構,提升對小目標及多尺度目標的識別能力。相較于傳統(tǒng)YOLO v3算法,提升了召回率與準確率。2)本文將改進后的YOLO v3算法與Deep-Sort目標跟蹤算法進行結合,構造出對小目標識別效果好、對被遮擋目... 

【文章來源】：北方工業(yè)大學北京市

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 目標檢測技術
        1.2.2 目標跟蹤算法的研究現(xiàn)狀
    1.3 本文研究內容
    1.4 本文結構安排
第二章 相關技術
    2.1 基于卷積神經網(wǎng)絡的目標檢測算法
        2.1.1 卷積層
        2.1.2 卷積層權值共享
        2.1.3 激活函數(shù)
        2.1.4 池化層
        2.1.5 損失函數(shù)
        2.1.6 反向傳播算法
    2.2 目標檢測算法
        2.2.1 候選框生成
        2.2.2 Faster-RCNN目標檢測算法
        2.2.3 SSD目標檢測算法
    2.3 目標跟蹤算法主流框架
        2.3.1 運動模型組件
        2.3.2 外觀模型組件
        2.3.3 觀察模型組件
        2.3.4 聚類方法組件
第三章 改進YOLOV3的目標檢測算法
    3.1 引言
    3.2 YOLOV3算法
    3.3 高分辨率、預測尺度詳細的YOLOV3特征提取網(wǎng)絡
    3.4 高斯衰減的NMS算法
    3.5 實驗
        3.5.1 實驗條件與數(shù)據(jù)集
        3.5.2 模型訓練
        3.5.3 實驗結果分析
    3.6 本章總結
第四章 改進DEEP-SORT目標跟蹤算法
    4.1 DEEP-SORT目標跟蹤算法
    4.2 改進YOLO V3的DEEP-SORT目標跟蹤算法研究
    4.3 車輛行人跟蹤算法的對比實驗
        4.3.1 目標跟蹤算法的性能指標
        4.3.2 MOT16測試數(shù)據(jù)集
        4.3.3 實驗環(huán)境
        4.3.4 實驗結果分析
    4.4 本章小結
第五章 車輛行人安全檢測系統(tǒng)的設計與實現(xiàn)
    5.1 車輛行人安全檢測系統(tǒng)功能概述
    5.2 系統(tǒng)管理模塊
    5.3 車輛行人安全檢測模塊
        5.3.1 車輛行人數(shù)量實時統(tǒng)計
        5.3.2 車輛行人分時流量數(shù)據(jù)統(tǒng)計存儲
        5.3.3 車輛行人運動軌跡跟蹤功能
        5.3.4 車輛行人安全事件監(jiān)控功能
        5.3.5 車輛行人安全事件預警功能
    5.4 車輛行人安全檢測數(shù)據(jù)管理模塊
        5.4.1 車輛行人分時流量歷史數(shù)據(jù)查看
        5.4.2 車輛行人安全事件歷史查看
    5.5 本章小結
第六章 總結與展望
    6.1 工作總結
    6.2 研究展望
參考文獻
在學期間的研究成果
致謝


【參考文獻】：
期刊論文
[1]基于YOLO v3的機場場面飛機檢測方法[J]. 郭進祥,劉立波,徐峰,鄭斌.  激光與光電子學進展. 2019(19)
[2]基于Faster RCNN和YOLO的交通場景下的車輛檢測[J]. 徐亮,黃李波,白杰.  佳木斯大學學報(自然科學版). 2019(02)
[3]提取目標區(qū)域詞袋特征的圖像分類方法[J]. 王娜娜,李曉旭,曹潔.  計算機工程與應用. 2018(20)
[4]大型三維交通場景道路的自動構建[J]. 王賢隆,柳有權,李浩宇,董飛.  計算機仿真. 2016(10)
[5]基于改進匈牙利算法的多技能人員調度方法[J]. 李廷鵬,錢彥嶺,李岳.  國防科技大學學報. 2016(02)
[6]以數(shù)據(jù)為中心的智慧城市研究綜述[J]. 王靜遠,李超,熊璋,單志廣.  計算機研究與發(fā)展. 2014(02)



本文編號：3175166