當(dāng)今社會,隨著科技的快速發(fā)展,人們的生活水平不斷提高,車輛數(shù)目也不斷增加,給交通造成了很大的壓力,因此智能交通系統(tǒng)（Intelligent Traffic System,ITS）應(yīng)運而生。智能交通系統(tǒng)利用計算機(jī)視覺、人工智能等技術(shù),利用計算機(jī)的高性能處理能力,協(xié)助人們對交通進(jìn)行監(jiān)督和管理,及時發(fā)現(xiàn)道路擁堵、交通事故等問題并采取措施,減少了人力、物力、財力的投入,使城市交通更加安全、順暢。對道路監(jiān)控視頻中的車輛進(jìn)行識別和追蹤作為智能交通系統(tǒng)中最重要的環(huán)節(jié)之一,受到了國內(nèi)外學(xué)者的廣泛關(guān)注。本文研究的是在單攝像頭場景下的車輛追蹤問題,算法整體框架包括車輛檢測和車輛追蹤兩部分。在車輛檢測方面,本文首先對比了傳統(tǒng)車輛檢測算法和基于深度學(xué)習(xí)的車輛檢測算法,提出采用Fully Convolutional One-Stage Object Detection（FCOS）算法進(jìn)行車輛檢測,并與目前廣泛應(yīng)用的幾種車輛檢測算法進(jìn)行了實驗上的對比,最后通過實驗結(jié)果驗證了FCOS算法在車輛檢測中的適用性。在車輛追蹤方面,主要包括特征提取算法和車輛關(guān)聯(lián)算法兩部分。為了更準(zhǔn)確地比較車輛相似度,本文分析了多種特征提取... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【部分圖文】：

DBT車輛追蹤框架

重慶郵電大學(xué)碩士學(xué)位論文第2章相關(guān)理論與技術(shù)83.利用數(shù)據(jù)關(guān)聯(lián)算法結(jié)合車輛位置信息和特征信息關(guān)聯(lián)不同幀上的相同車輛，生成車輛軌跡，完成車輛追蹤任務(wù)。2.2車輛檢測算法2.2.1傳統(tǒng)算法在傳統(tǒng)的車輛檢測算法中，通常采用背景分割的方法從圖像中提取出車輛前景區(qū)域。目前最常用的三種方法是：幀間差分法、光流場(OpticalFlow)法[18]和高斯混合模型法(GaussianMixtureModel，GMM)法[19]，下面分別對這三類方法進(jìn)行詳細(xì)介紹。1.幀間差分法幀間差分法用于道路車輛檢測的主要思想是：由于監(jiān)控攝像頭拍攝的視頻是連續(xù)的，當(dāng)視頻中沒有車輛行駛時，像素值的變化非常微弱；相反如果有車輛行駛，像素值的變化就會變得非常明顯。因此利用圖像差分計算可以提取出連續(xù)幀中像素值變化較大的區(qū)域，也就是車輛區(qū)域。幀間差分法分為兩幀差分法[20]和三幀差分法[21]。兩幀差分法是對連續(xù)的兩幀圖像進(jìn)行差分運算，而三幀差分法是在連續(xù)的三幀圖像上進(jìn)行差分運算。兩幀差分法比較適用于車輛移動緩慢的情況，通常檢測的準(zhǔn)確度不如三幀差分法，因為連續(xù)三幀圖像的差分運算能夠提取到更加可靠的信息。三幀差分法計算流程如圖2.2所示。圖2.2三幀差分法計算流程三幀差分法首先計算兩次差分運算，以第t幀圖像和第t1幀圖像為例，圖像差分計算公式如下所示：

重慶郵電大學(xué)碩士學(xué)位論文第2章相關(guān)理論與技術(shù)9|),(),(|),(11yxfyxfyxDttt(2.1)式中),(1yxDt代表計算后的差分圖像對應(yīng)位置的像素值，yxf),(t和),(1yxft表示輸入圖像對應(yīng)位置的像素值。在得到兩張差分圖像后，需要進(jìn)行與運算，并對獲得的圖像進(jìn)行二值化處理來提取車輛區(qū)域。在進(jìn)行二值化處理前需要設(shè)定閾值T，由于差分圖像中車輛區(qū)域像素值較大而背景區(qū)域像素值較小，因此通過閾值T這一判決條件可以提取出車輛區(qū)域。如式(2.2)所示，通過二值化處理將像素值為255的點判斷為前景點，像素值為0的點判斷為背景點，從而得到二值圖yxR),(t。最后進(jìn)行連通性分析，得到包含完整運動目標(biāo)的圖像，并通過輪廓判別，完成車輛檢測。elseTyxDyxRtt,0),(,255),("(2.2)幀差法的算法復(fù)雜度非常低，而且計算所需空間非常少，因此可以應(yīng)用在單片機(jī)這種處理能力低下的嵌入式環(huán)境中。但是也因為算法的簡單產(chǎn)生了很多缺點，由上面的分析可以看出，在幀差法中閾值T的選取較為關(guān)鍵，它將直接影響到車輛檢測準(zhǔn)確率。如果選取的閾值過小，則差分圖像中會夾雜較多的噪聲，影響判斷，并且最終結(jié)果中也會包含非車輛區(qū)域部分；如果選取的閾值過大，則可能會遺漏車輛信息，導(dǎo)致最終獲得的車輛區(qū)域不完整。由于算法是基于幀間差的運算，因此只能提取到車輛的輪廓信息，導(dǎo)致算法的魯棒性較差，不僅無法在復(fù)雜的道路環(huán)境下應(yīng)用，而且當(dāng)車輛運動速度過快或者過慢時，都會導(dǎo)致車輛檢測失敗。綜上，由于幀間差分法缺點太多，導(dǎo)致其實際應(yīng)用場景非常少。圖2.3給出了一張實例圖片及三幀差分法車輛檢測效果，從圖中可以看出幀差法只檢測出了部分車輛。圖2.3三幀差分法車輛檢測效果

【參考文獻(xiàn)】：
期刊論文
[1]基于幀差法與中值法的運動目標(biāo)背景提取算法[J]. 吳天友,殷志祥.  懷化學(xué)院學(xué)報. 2019(11)
[2]Faster-RCNN的車型識別分析[J]. 桑軍,郭沛,項志立,羅紅玲,陳欣.  重慶大學(xué)學(xué)報. 2017(07)
[3]基于改進(jìn)的三幀差分法運動目標(biāo)檢測[J]. 丁磊,宮寧生.  電視技術(shù). 2013(01)
[4]匈牙利算法在多目標(biāo)分配中的應(yīng)用[J]. 柳毅,佟明安.  火力與指揮控制. 2002(04)

碩士論文
[1]區(qū)域卷積神經(jīng)網(wǎng)絡(luò)在車輛檢測中的應(yīng)用研究[D]. 張鶴鶴.西安理工大學(xué) 2018
[2]監(jiān)控視頻中車輛行為語義分析[D]. 蔣恩源.吉林大學(xué) 2016
[3]基于圖像處理的繼電器外觀檢測技術(shù)[D]. 陳樂峰.廈門理工學(xué)院 2015



本文編號：3558500