隨著科技的發(fā)展,智能交通管理系統(tǒng)應(yīng)運(yùn)而生。其最主要的組成部分車(chē)輛的檢測(cè)、車(chē)輛顏色的識(shí)別與車(chē)輛軌跡的關(guān)聯(lián)已成為廣大學(xué)者與研究人員研究的熱點(diǎn)。但是由于天氣狀況的多變性以及拍攝設(shè)備與角度的有限性等一系列問(wèn)題影響著智能交通管理系統(tǒng)的性能。本文主要由三個(gè)方面來(lái)組成,首先是基于Fast-RCNN卷積神經(jīng)網(wǎng)絡(luò)的車(chē)輛檢測(cè)系統(tǒng),其次是利用基于超像素分割與詞袋模型方法的車(chē)輛顏色識(shí)別系統(tǒng),最后基于最近鄰匹配標(biāo)準(zhǔn)的車(chē)輛軌跡關(guān)聯(lián)系統(tǒng)。本文的主要工作及研究成果包括以下三個(gè)方面:1、總結(jié)了常見(jiàn)的車(chē)輛檢測(cè)算法,增加了Fast-RCNN卷積神經(jīng)網(wǎng)絡(luò)層數(shù),修改了網(wǎng)絡(luò)參數(shù)使該框架適用于低質(zhì)量視頻中對(duì)車(chē)輛的檢測(cè),提高了遮擋情況下車(chē)輛檢測(cè)的識(shí)別率,增強(qiáng)了車(chē)輛檢測(cè)的魯棒性,較好地解決了惡劣環(huán)境下車(chē)輛識(shí)別率低的問(wèn)題,如對(duì)晚上車(chē)輛和雨天的車(chē)輛的檢測(cè)。實(shí)驗(yàn)結(jié)果表明相比較于傳統(tǒng)的車(chē)輛檢測(cè)方法Fast-RCNN對(duì)遮擋目標(biāo)的檢測(cè)效果顯著。2、提出了一種基于超像素分割與詞袋模型相結(jié)合的車(chē)輛顏色識(shí)別方法,該方法實(shí)現(xiàn)對(duì)車(chē)輛的顏色進(jìn)行自動(dòng)識(shí)別。主要包含了對(duì)車(chē)輛基于顏色相似性聚類(lèi)的分割方法、詞袋模型與HSV空間相結(jié)合形成車(chē)輛顏色特征向量的方法。實(shí)驗(yàn)結(jié)... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

顏色空間模型

而每個(gè)目標(biāo)行駛方向各不相同，所以難免會(huì)因?yàn)檎趽醵兊貌辉倏煽浚院竺娴能?chē)輛行簡(jiǎn)單的介紹。領(lǐng)域使用較多的一種方法，它還能應(yīng)用于圖像特征點(diǎn)檢測(cè)。角點(diǎn)即通常所知道的兩條邊相交的局部鄰域具有兩個(gè)不同區(qū)域的不同方向的邊點(diǎn)檢測(cè)方法大多是檢測(cè)擁有特定特征的圖像點(diǎn)。標(biāo)位置信息，并且還具有某些其他的特征，例征，顏色特征等。通俗的來(lái)說(shuō)，在圖像中，物些特征點(diǎn)即使視角發(fā)生改變依然能很好地描述

圖 2.6 滑動(dòng)窗口對(duì)內(nèi)部區(qū)域、邊界區(qū)域和角區(qū)域進(jìn)行掃描本質(zhì)就是取某個(gè)像素的固定窗口，將這個(gè)窗口在各個(gè)方向上進(jìn)行平均的像素灰度值的變化。其計(jì)算公式如下：E( ) = ∑ ( ) ( ) ( ) )是一個(gè)窗口函數(shù)， ( )是圖像在( )處的像素灰度值， 是窗是窗口在垂直方向上的偏移。 )進(jìn)行二維泰勒級(jí)數(shù)變換，變換結(jié)果如公式(2.2)所示：E( ) ∑ ( ) ( ) ( ) = ( )∑ ( ) 管 的取值如何，E( )都是變化最大的，此時(shí)的像素點(diǎn)就是要

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的車(chē)輛檢測(cè)方法[J]. 王德宇,徐友春,李永樂(lè),陸峰,鄭凱文.  計(jì)算機(jī)與現(xiàn)代化. 2017(08)
[2]復(fù)雜背景灰度圖像下的多特征融合運(yùn)動(dòng)目標(biāo)跟蹤[J]. 江山,張銳,韓廣良,孫海江.  中國(guó)光學(xué). 2016(03)
[3]基于顏色和空間信息的多特征融合目標(biāo)跟蹤算法[J]. 許婉君,侯志強(qiáng),余旺盛,張浪.  應(yīng)用光學(xué). 2015(05)
[4]一種基于運(yùn)動(dòng)檢測(cè)的行人多目標(biāo)跟蹤算法[J]. 鄒薇,趙勛杰,李權(quán),陸凱.  計(jì)算機(jī)應(yīng)用與軟件. 2014(08)
[5]基于MeanShift算法的航空影像聯(lián)合分割[J]. 許佳佳.  液晶與顯示. 2014(04)
[6]車(chē)輛顏色識(shí)別方法研究[J]. 趙紅波,張涵.  電視技術(shù). 2013(23)
[7]一種基于BP神經(jīng)網(wǎng)絡(luò)的顏色空間量化方案[J]. 李蘇梅,韓國(guó)強(qiáng),周詠梅.  廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(01)
[8]K-MEANS算法中的K值優(yōu)化問(wèn)題研究[J]. 楊善林,李永森,胡笑旋,潘若愚.  系統(tǒng)工程理論與實(shí)踐. 2006(02)
[9]CIELAB色度空間的均勻性研究[J]. 呂新廣,趙美京.  鄭州大學(xué)學(xué)報(bào)(理學(xué)版). 2002(01)
[10]基于聚類(lèi)分析的色彩量化新算法及其應(yīng)用[J]. 趙燕偉,王萬(wàn)良.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2000(05)

博士論文
[1]基于輪廓的目標(biāo)檢測(cè)研究[D]. 竇育民.電子科技大學(xué) 2016
[2]向量量化與圖像壓縮——理論分析、算法設(shè)計(jì)、應(yīng)用、實(shí)現(xiàn)[D]. 龐朝陽(yáng).電子科技大學(xué) 2002

碩士論文
[1]基于多圖像特征金字塔的車(chē)輛檢測(cè)[D]. 曹曉明.北京交通大學(xué) 2016
[2]基于屬性的車(chē)輛檢索算法研究[D]. 于明月.大連海事大學(xué) 2015
[3]基于支持向量機(jī)的車(chē)身顏色識(shí)別方法研究[D]. 楊峰.電子科技大學(xué) 2013
[4]關(guān)于運(yùn)動(dòng)目標(biāo)特征提取以及車(chē)輛顏色識(shí)別算法的研究[D]. 王琪.電子科技大學(xué) 2011
[5]基于Elman神經(jīng)網(wǎng)絡(luò)和聚類(lèi)算法的顏色識(shí)別研究[D]. 彭波.長(zhǎng)沙理工大學(xué) 2010
[6]基于BP神經(jīng)網(wǎng)絡(luò)的汽車(chē)顏色識(shí)別[D]. 楊丹.沈陽(yáng)工業(yè)大學(xué) 2009
[7]基于視頻的車(chē)輛目標(biāo)檢測(cè)與跟蹤技術(shù)研究[D]. 周愛(ài)軍.揚(yáng)州大學(xué) 2008



本文編號(hào)：3369711