發(fā)布時(shí)間：2021-01-06 01:15

　　智能交通及道路智能監(jiān)控系統(tǒng)是目前信息技術(shù)的研究熱點(diǎn)之一,隨著我國車輛保有量的增加以及交通問題日益凸顯,得到了廣泛的應(yīng)用和關(guān)注。車輛追蹤識(shí)別作為相關(guān)領(lǐng)域中的重要基礎(chǔ)技術(shù),隨著圖像處理相關(guān)技術(shù)的逐漸發(fā)展成熟,也受到了越來越多研究人員的關(guān)注。本文以道路環(huán)境下的車輛追蹤識(shí)別問題為研究對象,通過理論研究和實(shí)驗(yàn)分析的手段,致力于更深入徹底的研究車輛追蹤識(shí)別問題,力求提升車輛追蹤識(shí)別的準(zhǔn)確率及魯棒性。本文綜合分析了國內(nèi)外車輛追蹤識(shí)別技術(shù)的研究進(jìn)展,從目標(biāo)追蹤和目標(biāo)識(shí)別兩個(gè)方面闡述了現(xiàn)有的技術(shù)及其對應(yīng)特點(diǎn)。重點(diǎn)分析了現(xiàn)有目標(biāo)追蹤方法中的候選目標(biāo)搜索問題,以及由于局部搜索距離產(chǎn)生的目標(biāo)遺漏、目標(biāo)形變不適應(yīng)的問題;論文針對基于單一攝像頭方法在道路場景中的局限性,提出了以下基于多攝像頭的車輛追蹤識(shí)別改進(jìn)方案。首先,針對局部搜索丟失目標(biāo)、對形變不魯棒的問題,提出了基于目標(biāo)檢測思路的全局搜索方法。該方案融合一階和二階深度目標(biāo)檢測方法的思想,結(jié)合追蹤目標(biāo)信息,在當(dāng)前幀全局信息中搜索候選目標(biāo),以提高搜索精度。其次,針對單一攝像頭無法處理車輛角度變化的缺點(diǎn),本文提出基于多攝像頭的車輛追蹤方法,利用多攝像頭追蹤結(jié)果在線... 

【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)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１卷積流程??Ｆｉｇ?２－１?Ｃｏｎｖｏｌｕｔｉｏｎ?Ｏｐｅｒａｔｉｏｎ??

加（２－３）??從圖２＿２（ｂ）中可以發(fā)現(xiàn)，ｔａｎｈ函數(shù)的均值為零，解決了?ｓｉｇｍｏｉｄ函數(shù)均值??不為零的問題，但ｔａｎｈ函數(shù)的導(dǎo)數(shù)大部分區(qū)域趨向于零，且ｔａｎｈ函數(shù)結(jié)構(gòu)復(fù)雜，??故梯度消失和冪運(yùn)算的問題仍存在。??Ｒｅｌｕ解析式如下：??Ｒｅｌｕ（ｘ）?＝?ｍａｘ（０，?ｘ）?（２－４）??從圖２－２（ｃ）中可以發(fā)現(xiàn)，Ｒｅｌｕ在負(fù)區(qū)間導(dǎo)數(shù)為零，在正區(qū)間導(dǎo)數(shù)為一，因??此在反向傳播時(shí)不會(huì)積累多個(gè)趨向于零的梯度，解決了梯度小時(shí)的問題；且Ｒｅｌｕ??函數(shù)結(jié)構(gòu)簡單，只需判斷是否大于零就可以得到導(dǎo)數(shù)，便于計(jì)算。但Ｒｅｌｕ的輸出??并非零均值，且Ｒｅｌｕ函數(shù)在學(xué)習(xí)速度過高時(shí)，由于Ｒｅｌｕ函數(shù)在負(fù)區(qū)間為零會(huì)導(dǎo)致??某些神經(jīng)元不會(huì)被激活。??Ｌｅａｋｙ?Ｒｅｌｕ解析式如下：??ＬｅａｋｙＲｅｌｕ（ｘ）?＝?ｍ＾＼｛ａｘ，ｘ）?（２－５）??如圖２＿２（ｄ）所示

北京交通大學(xué)碩士學(xué)位論文?車輛追蹤識(shí)別關(guān)鍵技術(shù)??（２）池化層??在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，卷積層后一般都會(huì)連接池化層。常用的池化方法包括??最大值池化，均值池化兩種。??當(dāng)使用２＊２的池化區(qū)域以及步長為２時(shí)，最大值池化如圖２－３（ａ）所示，均值??池化如圖２－３（ｂ）所示。與卷積層類似，池化方法按一定的步長，將赤化區(qū)域的所??有特征值合并為一個(gè)特征值輸出。在最大值池化方法中，輸出多個(gè)特征值中的最大??值，而在均值池化中，輸出所有特征值的均值。??池化層的主要目的的為特征矩陣降維，在卷積層的運(yùn)算中輸出中，相鄰的輸出??特征值的輸入之間相交部分較大，因此特征值之間存在一定的重復(fù)，經(jīng)過池化層，??可以消除冗余特征值，降低模型的復(fù)雜度，同時(shí)也擴(kuò)大了下個(gè)卷積層的感受野。??

【參考文獻(xiàn)】：
期刊論文
[1]基于Kalman算法改進(jìn)的Camshift運(yùn)動(dòng)目標(biāo)跟蹤算法[J]. 楊軍,湯全武,張昊楠.  信息通信. 2018(12)
[2]基于CamShift的監(jiān)控視頻中運(yùn)動(dòng)目標(biāo)跟蹤算法研究[J]. 李亞文,趙杰,張鑫.  艦船電子工程. 2018(09)
[3]一種基于MeanShift算法的目標(biāo)跟蹤系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 沈豪,莊建軍,鄭茜穎,吳建耀.  電子測量技術(shù). 2018(14)
[4]“直方圖”均衡化圖像增強(qiáng)技術(shù)研究綜述[J]. 丁暢,董麗麗,許文海.  計(jì)算機(jī)工程與應(yīng)用. 2017(23)
[5]基于五幀差分和改進(jìn)的Meanshift算法的運(yùn)動(dòng)目標(biāo)跟蹤[J]. 陳雙葉,王善喜.  計(jì)算機(jī)科學(xué). 2016(S1)
[6]SURF算法并行優(yōu)化及硬件實(shí)現(xiàn)[J]. 趙春陽,趙懷慈.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2015(02)
[7]直方圖均衡化的數(shù)學(xué)模型研究[J]. 吳成茂.  電子學(xué)報(bào). 2013(03)
[8]彩色圖像分割方法綜述[J]. 林開顏,吳軍輝,徐立鴻.  中國圖象圖形學(xué)報(bào). 2005(01)
[9]機(jī)器視覺中的顏色問題及應(yīng)用[J]. 陶霖密,徐光祐.  科學(xué)通報(bào). 2001(03)

博士論文
[1]基于結(jié)構(gòu)的紋理特征及應(yīng)用研究[D]. 夏瑜.中國科學(xué)技術(shù)大學(xué) 2014
[2]圖像直方圖特征及其應(yīng)用研究[D]. 汪啟偉.中國科學(xué)技術(shù)大學(xué) 2014
[3]基于輪廓特征的目標(biāo)識(shí)別研究[D]. 史思琦.西安電子科技大學(xué) 2012

碩士論文
[1]一種機(jī)動(dòng)目標(biāo)跟蹤濾波算法及其應(yīng)用研究[D]. 武必勝.南京理工大學(xué) 2008
[2]基于OpenCV的運(yùn)動(dòng)目標(biāo)檢測與跟蹤[D]. 吳曉陽.浙江大學(xué) 2008



本文編號(hào)：2959645