發(fā)布時間：2020-06-27 21:08

【摘要】：據(jù)統(tǒng)計,我國機動車保有量已達(dá)3.04億輛,駕駛員達(dá)3.71億人,全國高速公路通車?yán)锍踢_(dá)13.1萬公里,位居世界第一,中國已經(jīng)大踏步進入“汽車時代”。面對如此迅猛發(fā)展的龐大交通體系,人們對于智能交通系統(tǒng)(Intelligent Transportation System,ITS)的需求日漸迫切。ITS是由一系列以有線和無線為基礎(chǔ)的信息、控制和電子技術(shù)構(gòu)成,當(dāng)將這些技術(shù)集成到交通系統(tǒng)基礎(chǔ)設(shè)施和車內(nèi)時,這些技術(shù)幫助監(jiān)視和管理交通流、減少擁擠、為出行者提供可選路線、保障安全、節(jié)約時間和費用。對智能交通系統(tǒng)而言,車輛檢測技術(shù)和車輛識別技術(shù)直接決定了系統(tǒng)的實用性。技術(shù)層面上,實際交通道路中收集到的車輛圖像信息易受到不同程度光照、遮擋、角度、扭曲等客觀因素的影響,而這些干擾對提高車輛檢測和車輛識別的準(zhǔn)確性提出了更高的要求和挑戰(zhàn)。文章主要針對以上問題進行了深入研究。文章對單一不變場景條件下圖像中的車輛檢測方法進行了研究。針對由前、背景對比度較差導(dǎo)致的車輛目標(biāo)丟失、模板更新不及時等問題,提出了一種可實時更新的自適應(yīng)模板庫解決方案:先將從視頻中提取出的連續(xù)序列幀圖像做差分運算,得到多個待檢測目標(biāo),然后將這些目標(biāo)與模板庫中的模板進行逐一對比,計算其最大歸一化相關(guān)度,進而將相似度最高的目標(biāo)作為車輛提取出來。為了提高算法的時效性,在處理過程中采用了腐蝕計算、稀疏處理、全矩陣運算等方法。實驗結(jié)果表明,本文所提出的解決方案能夠有效實現(xiàn)復(fù)雜環(huán)境中的車輛檢測,并達(dá)到實時處理的要求,滿足實際應(yīng)用所需。進一步,為了解決上述方法中對于單一不變場景條件的限制,文章采用基于特征提取的方法,對基于深層卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Networks,D-CNN)的車輛檢測方法進行了研究:先對圖像進行預(yù)處理,將像素點按照一定規(guī)則合并成區(qū)域塊,再根據(jù)區(qū)域塊之間的相似性合并成待檢測框(即指定區(qū)域內(nèi)可能包含車輛的矩形框),然后在Caffe(Convolutional Architecture for Fast Feature Embedding)架構(gòu)下建立深層卷積神經(jīng)網(wǎng)絡(luò)來提取每一個待檢測框的深度特征信息,最后利用LibSVM分類器進行判斷實現(xiàn)對車輛的檢測。該方法與經(jīng)典的方向梯度直方圖(Histogram of Oriented Gradient,HOG)等方法進行了比較,實驗結(jié)果表明,在準(zhǔn)確率相同的條件下,本文方法能夠有效提升召回率(即查全率),實現(xiàn)對實際道路中常見的小轎車、面包車、大型卡車等各類車輛的檢測,有效克服光照、遮擋、角度等自然環(huán)境造成的干擾,表現(xiàn)出較好的普適性。更進一步,針對車輛多種屬性的分析問題,文章提出一種改進的基于加權(quán)多任務(wù)深層卷積神經(jīng)網(wǎng)絡(luò)的車輛多屬性聯(lián)合分析策略,將經(jīng)典的多任務(wù)學(xué)習(xí)機制(Multi-tasks Learning,MTL)與D-CNN相結(jié)合。與傳統(tǒng)的MTL方法不同,該方法對主要任務(wù)和輔助任務(wù)進行了分離處理并賦予了不同的加權(quán)值,使得對主要任務(wù)訓(xùn)練出的模型性能更優(yōu)。在公開的車輛數(shù)據(jù)集CompCars(Comprehensive Cars),以及從我國新疆省烏魯木齊地區(qū)采集到的車輛數(shù)據(jù)集上進行了單任務(wù)、雙任務(wù)、多任務(wù)等驗證性實驗,并通過主、輔任務(wù)分離實驗驗證了方法的有效性。實驗結(jié)果表明,本文所提出的方法可對車輛相關(guān)的多種內(nèi)部屬性及外部屬性進行聯(lián)合分析,在CompCars車輛數(shù)據(jù)集上,將車輛屬性識別、車輛預(yù)測等多項性能指標(biāo)的準(zhǔn)確率提升近10%,具有較好的應(yīng)用和推廣前景。
【學(xué)位授予單位】：中國科學(xué)院大學(xué)(中國科學(xué)院重慶綠色智能技術(shù)研究院)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;TP183
【圖文】：

進一步地將單兒格合件成空間上連通的更人的區(qū)間。每個區(qū)間的特的維數(shù)為其內(nèi)部所有單兒格的特征向量相加的總和，｜丨：Ｉ一化之后的區(qū)間即為ＨＯＧ的描述符．特別地．圖像中每個區(qū)間之間是有相互重疊的，說，每一個單元格會以小同的形式Ｍ現(xiàn)在最終的特征中。文獻(xiàn)（Ｄａｌａｉ邋ａｎｄ

＋）＝１，假設(shè)函數(shù)要滿足】的條件，并ｉｌ．另，＞表示為特征向量Ｘ到逡逑參數(shù)向量０上的投影，如圖１．２所示，則假設(shè)函數(shù)可以寫成內(nèi)積的形式，即逡逑？剛，而總體的損失函數(shù)可以簡化成如下形式：逡逑十這．＾！考邐…ｍ逡逑Ｚ邋．卜丨邐ｌ逡逑要使得損失函數(shù)的值盡可能的小，就要最小化參數(shù)向景榋的值，而在假設(shè)函數(shù)逡逑中要保證其值不小于１，因此就要另，＞的值盡量大。又Ｒ為參數(shù)向量０與所要逡逑找的決策邊界之間存在著垂直的關(guān)系，所以，，＞邋實際上就是決策面到某個類別逡逑中距離最近的樣本的距離，也就是要求得的類間間距，ｉｉ也正是最大間距分類逡逑器名稱由來的原因，那么對于負(fù)例數(shù)據(jù)來說，其相應(yīng)的參數(shù)是同理可求的。將逡逑此概念進一步的形象化，如２．１圖所示，就是ＳＶＭ線性分類器，其核函數(shù)是線逡逑性的。那么

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 李修志;吳健;崔志明;陳建明;;復(fù)雜交通場景中采用稀疏表示的車輛識別方法[J];中國圖象圖形學(xué)報;2012年03期

2 齊美彬;楊愛麗;蔣建國;李莉;;一種基于改進碼本的車輛檢測與跟蹤方法[J];中國圖象圖形學(xué)報;2011年03期

3 丁世飛;齊丙娟;譚紅艷;;支持向量機理論與算法研究綜述[J];電子科技大學(xué)學(xué)報;2011年01期

4 郭麗;高立群;劉o

本文編號：2732105