智能交通系統(tǒng)（Intelligent Transportation System,ITS）是旨在充分利用先進(jìn)的信息技術(shù)、傳感器技術(shù)、人工智能技術(shù)等實(shí)現(xiàn)實(shí)時(shí)、高效、準(zhǔn)確的綜合交通運(yùn)輸及管理系統(tǒng)。其中一個(gè)關(guān)鍵的技術(shù)環(huán)節(jié)是車(chē)輛目標(biāo)跟蹤。車(chē)輛目標(biāo)跟蹤利用人工智能及圖像分析技術(shù)對(duì)車(chē)輛進(jìn)行跟蹤,不僅能夠節(jié)省安裝雷達(dá)等其他跟蹤設(shè)備的成本,還能為后續(xù)車(chē)流量檢測(cè)等高級(jí)任務(wù)提供數(shù)據(jù)。但是,由于車(chē)輛之間的外觀擁有極高相似性,以及擁擠車(chē)流造成車(chē)輛之間不同程度的遮擋,使得車(chē)輛跟蹤一直存在準(zhǔn)確率低的問(wèn)題。同時(shí),大多數(shù)結(jié)合人工智能的目標(biāo)跟蹤算法都依賴(lài)于高性能的硬件設(shè)備,而在智能交通系統(tǒng)中更多是由大量嵌入式設(shè)備組成,所以目前存在的算法并不適合直接應(yīng)用于功耗受限的嵌入式設(shè)備。為了提高跟蹤準(zhǔn)確率,確保在實(shí)際復(fù)雜監(jiān)控場(chǎng)景中具有更好的效果,探索在嵌入式設(shè)備上實(shí)現(xiàn)車(chē)輛跟蹤算法的可行性,本文進(jìn)行了以下研究:1.當(dāng)前主流的車(chē)輛跟蹤技術(shù)通常采用基于檢測(cè)的跟蹤策略。這種跟蹤策略存在的一個(gè)主要問(wèn)題是目標(biāo)檢測(cè)器的性能有限,從而在車(chē)輛檢測(cè)過(guò)程中會(huì)產(chǎn)生噪聲。本文提出一種基于孿生神經(jīng)網(wǎng)絡(luò)和反向預(yù)測(cè)驗(yàn)證的車(chē)輛實(shí)時(shí)跟蹤方法。該方法主要分為前向位置預(yù)... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)外車(chē)輛檢測(cè)算法技術(shù)研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)外跟蹤算法技術(shù)研究現(xiàn)狀
    1.3 論文的主要研究?jī)?nèi)容和組織結(jié)構(gòu)
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 組織結(jié)構(gòu)
第2章 研究基礎(chǔ)理論
    2.1 車(chē)輛檢測(cè)
        2.1.1 傳統(tǒng)目標(biāo)檢測(cè)
        2.1.2 深度學(xué)習(xí)目標(biāo)檢測(cè)
    2.2 深度學(xué)習(xí)相關(guān)技術(shù)基礎(chǔ)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
        2.2.2 損失函數(shù)和反向傳播
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)基本網(wǎng)絡(luò)模型
    2.3 目標(biāo)跟蹤
        2.3.1 初始化方法
        2.3.2 數(shù)據(jù)關(guān)聯(lián)
        2.3.3 跟蹤方法
    2.4 評(píng)估指標(biāo)
        2.4.1 精確率和召回率
        2.4.2 P-R曲線和平均精確率
        2.4.3 CLEAR-MOT指標(biāo)及UA-DETRAC指標(biāo)
    2.5 本章小結(jié)
第3章 基于孿生神經(jīng)網(wǎng)絡(luò)和反向預(yù)測(cè)的車(chē)輛跟蹤算法
    3.1 引言
    3.2 Siam IOU車(chē)輛跟蹤算法
        3.2.1 前向位置預(yù)測(cè)
        3.2.2 反向預(yù)測(cè)驗(yàn)證
        3.2.3 包圍框的加權(quán)融合
    3.3 實(shí)驗(yàn)分析
        3.3.1 UA-DETRAC數(shù)據(jù)集
        3.3.2 MOT17數(shù)據(jù)集
        3.3.3 算法消融實(shí)驗(yàn)
    3.4 本章小結(jié)
第4章 基于JetsonTX1 嵌入式平臺(tái)的車(chē)輛跟蹤系統(tǒng)實(shí)現(xiàn)
    4.1 JetsonTX1GPU處理平臺(tái)介紹
    4.2 車(chē)輛跟蹤系統(tǒng)設(shè)計(jì)
        4.2.1 車(chē)輛檢測(cè)模塊設(shè)計(jì)
        4.2.2 車(chē)輛跟蹤模塊設(shè)計(jì)
    4.3 車(chē)輛跟蹤系統(tǒng)實(shí)現(xiàn)
        4.3.1 JetsonTX1 系統(tǒng)配置與環(huán)境搭建
        4.3.2 JetsonTX1 編譯檢測(cè)模塊
        4.3.3 JetsonTX1 編譯跟蹤模塊
        4.3.4 簡(jiǎn)易車(chē)輛目標(biāo)跟蹤系統(tǒng)界面設(shè)計(jì)
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 未來(lái)研究展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]基于YOLO算法的車(chē)輛實(shí)時(shí)檢測(cè)[J]. 王宇寧,龐智恒,袁德明.  武漢理工大學(xué)學(xué)報(bào). 2016(10)
[2]基于背景差分法的視頻目標(biāo)檢測(cè)算法研究[J]. 汪國(guó)強(qiáng),蓋琪琳,于懷勇,文雪,任天威.  黑龍江大學(xué)工程學(xué)報(bào). 2014(04)
[3]基于幀間差分的自適應(yīng)運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J]. 薛麗霞,羅艷麗,王佐成.  計(jì)算機(jī)應(yīng)用研究. 2011(04)
[4]視覺(jué)跟蹤技術(shù)綜述[J]. 侯志強(qiáng),韓崇昭.  自動(dòng)化學(xué)報(bào). 2006(04)

碩士論文
[1]基于改進(jìn)光流場(chǎng)目標(biāo)檢測(cè)跟蹤系統(tǒng)的設(shè)計(jì)[D]. 孫娟.安徽理工大學(xué) 2017
[2]智能監(jiān)視中目標(biāo)檢測(cè)及跟蹤算法研究[D]. 侯暢.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[3]特征匹配與目標(biāo)跟蹤算法的研究[D]. 陳潔.南京郵電大學(xué) 2016
[4]基于視頻的車(chē)流量檢測(cè)[D]. 夏永祥.蘭州理工大學(xué) 2016
[5]智能交通監(jiān)控中的視頻處理方法與系統(tǒng)[D]. 秦為帥.東南大學(xué) 2015
[6]基于光流法的車(chē)輛檢測(cè)與跟蹤[D]. 王效文.江蘇科技大學(xué) 2015
[7]基于視頻圖像處理的智能交通監(jiān)控系統(tǒng)研究與設(shè)計(jì)[D]. 閻克棟.中國(guó)科學(xué)院大學(xué)（工程管理與信息技術(shù)學(xué)院） 2014



本文編號(hào)：3187462