隨著我國的車輛保有量高速增長,以及交通監(jiān)控不斷完善,如何有效的利用計(jì)算機(jī)視覺的方法對視頻進(jìn)行分析以獲取交通信息,已成為智能交通中備受關(guān)注的問題。而獲取交通信息的關(guān)鍵技術(shù)就是對車輛進(jìn)行跟蹤。隨著GPU的普及和精度高、不用手動設(shè)置參數(shù)的深度學(xué)習(xí)在目標(biāo)檢測領(lǐng)域的成功,將深度學(xué)習(xí)的方法引入到多目標(biāo)跟蹤中,并且針對我國大城市中的復(fù)雜交通視頻進(jìn)行持續(xù)穩(wěn)定的跟蹤,有著非常重要的現(xiàn)實(shí)意義。本文將深度神經(jīng)網(wǎng)絡(luò)提取的目標(biāo)外觀特征和運(yùn)動特征納入多目標(biāo)跟蹤算法的數(shù)據(jù)關(guān)聯(lián)部分,并針對短時間檢測算法漏檢的情況改進(jìn)多目標(biāo)跟蹤算法。論文的主要工作有:（1）針對多目標(biāo)跟蹤實(shí)時性的需求和軌跡短時間之內(nèi)外觀相似的特點(diǎn),本文設(shè)計(jì)了提取有區(qū)分度外觀特征的卷積神經(jīng)網(wǎng)絡(luò)模型。通過在Caffe平臺訓(xùn)練孿生網(wǎng)絡(luò)來獲得魯棒的目標(biāo)外觀特征描述,以應(yīng)對復(fù)雜交通場景中目標(biāo)類間差異小而類內(nèi)差異大的挑戰(zhàn)。此外,不同于其他基于卷積神經(jīng)網(wǎng)絡(luò)的外觀特征提取方法,本文通過最后的全連接層將外觀特征降為兩維,在保證區(qū)分度的前提下獲得了更加緊湊的描述子。在公共數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,融入本文提取的深度外觀特征的多目標(biāo)跟蹤算法將目標(biāo)的錯誤匹配率減少了 11%,跟... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究工作
    1.4 論文結(jié)構(gòu)
2 交通數(shù)據(jù)集和相關(guān)技術(shù)分析
    2.1 數(shù)據(jù)集相關(guān)的目標(biāo)檢測算法
        2.1.1 DPM檢測算法
        2.1.2 ACF檢測算法
        2.1.3 R-CNN檢測算法
        2.1.4 CompACT檢測算法
        2.1.5 檢測算法在交通數(shù)據(jù)集上的檢測效果
    2.2 數(shù)據(jù)集相關(guān)的其他多目標(biāo)跟蹤技術(shù)
        2.2.1 GOG跟蹤方法
        2.2.2 基于IOU的跟蹤方法
    2.3 多目標(biāo)跟蹤評價指標(biāo)
    2.4 本章小結(jié)
3 基于深度學(xué)習(xí)的外觀特征模型設(shè)計(jì)
    3.1 深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)
        3.1.1 深度學(xué)習(xí)理論
        3.1.2 神經(jīng)網(wǎng)絡(luò)的反向傳播
        3.1.3 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.4 開源深度學(xué)習(xí)框架
    3.2 基于深度學(xué)習(xí)的提取外觀特征的網(wǎng)絡(luò)模型設(shè)計(jì)
        3.2.1 整體框架
        3.2.2 孿生網(wǎng)絡(luò)原理
        3.2.3 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備
        3.2.4 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)與訓(xùn)練
        3.2.5 外觀特征提取實(shí)驗(yàn)結(jié)果分析
    3.3 利用深度外觀特征的多目標(biāo)跟蹤算法
        3.3.1 多目標(biāo)跟蹤算法設(shè)計(jì)和流程
        3.3.2 實(shí)驗(yàn)數(shù)據(jù)和評價指標(biāo)
        3.3.3 結(jié)合深度特征的多目標(biāo)跟蹤結(jié)果分析
    3.4 本章小結(jié)
4 結(jié)合GRU網(wǎng)絡(luò)提取目標(biāo)運(yùn)動特征
    4.1 RNN網(wǎng)絡(luò)
        4.1.1 RNN網(wǎng)絡(luò)與時間序列數(shù)據(jù)
        4.1.2 LSTM網(wǎng)絡(luò)
        4.1.3 GRU網(wǎng)絡(luò)
    4.2 基于深度學(xué)習(xí)運(yùn)動特征預(yù)測
        4.2.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備
        4.2.2 訓(xùn)練模型
    4.3 結(jié)合GRU預(yù)測時序特征的多目標(biāo)跟蹤算法
        4.3.1 改進(jìn)的多目標(biāo)跟蹤算法
        4.3.2 實(shí)驗(yàn)數(shù)據(jù)和評價指標(biāo)
        4.3.3 結(jié)合預(yù)測特征的多目標(biāo)跟蹤結(jié)果分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來展望
參考文獻(xiàn)
作者簡歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號：3036020