基于車載視頻的車輛越線行為智能識(shí)別技術(shù)研究
發(fā)布時(shí)間：2021-01-10 11:03
近年來(lái),伴隨著城市化進(jìn)程的不斷加快,我國(guó)交通發(fā)展日新月異,交通工具數(shù)量持續(xù)增多、種類日益豐富,道路基礎(chǔ)設(shè)施不斷完善。據(jù)公安部統(tǒng)計(jì),截至2019年末,中國(guó)機(jī)動(dòng)車保有量達(dá)3.48億輛,其中汽車達(dá)到2.6億輛,私家車（私人小微型載客汽車）首次突破兩億輛,全國(guó)汽車超過(guò)百萬(wàn)輛的城市已有66個(gè)。與10年前相比,機(jī)動(dòng)車保有量增長(zhǎng)超過(guò)80%、機(jī)動(dòng)車駕駛?cè)藬?shù)量增加了 1倍。在機(jī)動(dòng)車數(shù)量飛速增長(zhǎng)給人們出行帶來(lái)了極大便利同時(shí),道路交通安全問(wèn)題隨之日益凸顯,交通治理問(wèn)題受到了全社會(huì)的更廣泛關(guān)注。其中,車輛交通違章行為治理是交通治理的重要內(nèi)容,而結(jié)合人工智能技術(shù)（AI）的智慧交通系統(tǒng)構(gòu)建已成為提高交通違章行為治理能力的一大有效途徑。交通違章行為自動(dòng)識(shí)別識(shí)系統(tǒng)是智慧交通系統(tǒng)的重要組成部分,其研究重點(diǎn)是綜合利用計(jì)算機(jī)視覺(jué)技術(shù)、人工智能技術(shù)實(shí)現(xiàn)對(duì)各類交通違章行為的自動(dòng)判別與取證。本文聚焦于車輛越線行為自動(dòng)檢測(cè),針對(duì)卡口式攝像機(jī)監(jiān)控范圍受限和容易被駕駛員故意躲避等問(wèn)題,提出了一種基于車載視頻的車輛越線行為智能識(shí)別技術(shù),主要研究?jī)?nèi)容和研究成果包括:（1）針對(duì)復(fù)雜交通場(chǎng)景下的多車檢測(cè)效率問(wèn)題,基于Mask R-CNN神經(jīng)網(wǎng)...
【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校
【文章頁(yè)數(shù)】：82 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
圖１．２技術(shù)路線圖??Ｆｉｇ．?１．２?Ｔｅｃｈｎｉｃａｌ?ｒｏｕｔｅ?ｆｉｇｕｒｅ??主耍研究?jī)?nèi)容包括：??
?基于車載視頻的車輛越線行為智能識(shí)別技術(shù)研究???圖２．２感知機(jī)網(wǎng)絡(luò)??Ｆｉｇ．?２．２?Ｐｅｒｃｅｐｔｉｏｎ?ｎｅｔｗｏｒｋ??圖２．２中，ｗｒ，ｗ２，?ｗ３Ｒ表每個(gè)連接上的權(quán)值，輸出單元Ｚ１的計(jì)算結(jié)果如式（２．２）??所示。??ｚ，?＝?ｇ（ａ，?＊?ｗ，?＋?ａ２?＊?ｗ２?＋?ａ，?＊?ｗ３）?（２．２）??與神經(jīng)元不同的是，感知機(jī)中的權(quán)值是通過(guò)訓(xùn)練得到的，因此可以像邏輯回歸模型??一樣做一些線性分類的任務(wù)。??２．１．３前饋神經(jīng)網(wǎng)絡(luò)??前饋神經(jīng)網(wǎng)絡(luò)（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＦＮＮ）又名多層感知機(jī)，其包含多層??結(jié)構(gòu)，在每一層結(jié)構(gòu)里都含有數(shù)量不等的神經(jīng)元，每一個(gè)神經(jīng)元通過(guò)接收前一層神經(jīng)元??的信息，并將該信息單向傳播到下一層。與感知機(jī)相比，它除了包含一個(gè)輸人層和一個(gè)??輸出層之外，還增加了中間層，也稱為隱藏層。隱藏層可以是一層，也可以是多層。??圖２．３為一個(gè)簡(jiǎn)化版的多層感知機(jī)結(jié)構(gòu)．其中，Ｘｌ，?ｘ２，＼３表示這個(gè)前饋神經(jīng)網(wǎng)絡(luò)??的輸人“＋１”代表偏置節(jié)點(diǎn)，即截距Ｌ為簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，只列舉了三個(gè)輸人、三個(gè)隱??藏和一個(gè)輸出節(jié)點(diǎn)。但在實(shí)際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)在輸出層不止一個(gè)輸出，會(huì)有多個(gè)輸出。??圖２．３前饋神經(jīng)網(wǎng)絡(luò)??Ｆｉｇ．?２．３?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－１０－??
?基于車載視頻的車輛越線行為智能識(shí)別技術(shù)研究???圖２．２感知機(jī)網(wǎng)絡(luò)??Ｆｉｇ．?２．２?Ｐｅｒｃｅｐｔｉｏｎ?ｎｅｔｗｏｒｋ??圖２．２中，ｗｒ，ｗ２，?ｗ３Ｒ表每個(gè)連接上的權(quán)值，輸出單元Ｚ１的計(jì)算結(jié)果如式（２．２）??所示。??ｚ，?＝?ｇ（ａ，?＊?ｗ，?＋?ａ２?＊?ｗ２?＋?ａ，?＊?ｗ３）?（２．２）??與神經(jīng)元不同的是，感知機(jī)中的權(quán)值是通過(guò)訓(xùn)練得到的，因此可以像邏輯回歸模型??一樣做一些線性分類的任務(wù)。??２．１．３前饋神經(jīng)網(wǎng)絡(luò)??前饋神經(jīng)網(wǎng)絡(luò)（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＦＮＮ）又名多層感知機(jī)，其包含多層??結(jié)構(gòu)，在每一層結(jié)構(gòu)里都含有數(shù)量不等的神經(jīng)元，每一個(gè)神經(jīng)元通過(guò)接收前一層神經(jīng)元??的信息，并將該信息單向傳播到下一層。與感知機(jī)相比，它除了包含一個(gè)輸人層和一個(gè)??輸出層之外，還增加了中間層，也稱為隱藏層。隱藏層可以是一層，也可以是多層。??圖２．３為一個(gè)簡(jiǎn)化版的多層感知機(jī)結(jié)構(gòu)．其中，Ｘｌ，?ｘ２，＼３表示這個(gè)前饋神經(jīng)網(wǎng)絡(luò)??的輸人“＋１”代表偏置節(jié)點(diǎn)，即截距Ｌ為簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，只列舉了三個(gè)輸人、三個(gè)隱??藏和一個(gè)輸出節(jié)點(diǎn)。但在實(shí)際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)在輸出層不止一個(gè)輸出，會(huì)有多個(gè)輸出。??圖２．３前饋神經(jīng)網(wǎng)絡(luò)??Ｆｉｇ．?２．３?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－１０－??
【參考文獻(xiàn)】：
期刊論文
[1]數(shù)據(jù)標(biāo)注研究綜述[J]. 蔡莉,王淑婷,劉俊暉,朱揚(yáng)勇. 軟件學(xué)報(bào). 2020(02)
[2]計(jì)算機(jī)視覺(jué)下的車輛目標(biāo)檢測(cè)算法綜述[J]. 李明熹,林正奎,曲毅. 計(jì)算機(jī)工程與應(yīng)用. 2019(24)
[3]基于改進(jìn)Mask RCNN和Kinect的服務(wù)機(jī)器人物品識(shí)別系統(tǒng)[J]. 石杰,周亞麗,張奇志. 儀器儀表學(xué)報(bào). 2019(04)
[4]基于Mask R-CNN的物體識(shí)別和定位[J]. 彭秋辰,宋亦旭. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[5]車輛識(shí)別技術(shù)綜述[J]. 張強(qiáng),李嘉鋒,卓力. 北京工業(yè)大學(xué)學(xué)報(bào). 2018(03)
[6]圖像語(yǔ)義標(biāo)注研究綜述[J]. 陳金菊. 圖書館學(xué)研究. 2017(18)
[7]基于雙線性插值法的圖像縮放算法的設(shè)計(jì)與實(shí)現(xiàn)[J]. 張洋. 電子設(shè)計(jì)工程. 2016(03)
[8]AdaBoost算法研究進(jìn)展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳. 自動(dòng)化學(xué)報(bào). 2013(06)
[9]最小二乘法分段直線擬合[J]. 田垅,劉宗田. 計(jì)算機(jī)科學(xué). 2012(S1)
博士論文
[1]基于遷移學(xué)習(xí)與深度卷積特征的圖像標(biāo)注方法研究[D]. 宋光慧.浙江大學(xué) 2017
碩士論文
[1]基于深度學(xué)習(xí)的海上紅外小目標(biāo)檢測(cè)方法研究[D]. 蔣志新.大連海事大學(xué) 2019
[2]基于車載圖像的車輛壓線檢測(cè)方法研究[D]. 邱康.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[3]基于深度學(xué)習(xí)的車道線檢測(cè)算法研究[D]. 張道芳.貴州民族大學(xué) 2019
[4]基于深度學(xué)習(xí)的車道線檢測(cè)技術(shù)研究[D]. 高軼康.北京郵電大學(xué) 2019
[5]基于深度學(xué)習(xí)的車道線和車輛檢測(cè)[D]. 羅森.電子科技大學(xué) 2018
[6]基于機(jī)器視覺(jué)的車輛和車道線檢測(cè)研究[D]. 董瑩瑩.湖南大學(xué) 2018
[7]基于CUDA加速的目標(biāo)檢測(cè)算法研究[D]. 王潤(rùn)強(qiáng).電子科技大學(xué) 2018
[8]基于車載視頻的前方車輛越線違章行為監(jiān)測(cè)技術(shù)研究[D]. 唐靜.大連海事大學(xué) 2018
[9]基于機(jī)器視覺(jué)和混雜系統(tǒng)理論的車道偏離輔助控制研究[D]. 蔣玉亭.合肥工業(yè)大學(xué) 2017
[10]基于空間線模型的紅外與可見(jiàn)光聯(lián)合道路識(shí)別方法研究[D]. 曹婷.南京理工大學(xué) 2017
本文編號(hào)：2968592
【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校
【文章頁(yè)數(shù)】：82 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
圖１．２技術(shù)路線圖??Ｆｉｇ．?１．２?Ｔｅｃｈｎｉｃａｌ?ｒｏｕｔｅ?ｆｉｇｕｒｅ??主耍研究?jī)?nèi)容包括：??
?基于車載視頻的車輛越線行為智能識(shí)別技術(shù)研究???圖２．２感知機(jī)網(wǎng)絡(luò)??Ｆｉｇ．?２．２?Ｐｅｒｃｅｐｔｉｏｎ?ｎｅｔｗｏｒｋ??圖２．２中，ｗｒ，ｗ２，?ｗ３Ｒ表每個(gè)連接上的權(quán)值，輸出單元Ｚ１的計(jì)算結(jié)果如式（２．２）??所示。??ｚ，?＝?ｇ（ａ，?＊?ｗ，?＋?ａ２?＊?ｗ２?＋?ａ，?＊?ｗ３）?（２．２）??與神經(jīng)元不同的是，感知機(jī)中的權(quán)值是通過(guò)訓(xùn)練得到的，因此可以像邏輯回歸模型??一樣做一些線性分類的任務(wù)。??２．１．３前饋神經(jīng)網(wǎng)絡(luò)??前饋神經(jīng)網(wǎng)絡(luò)（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＦＮＮ）又名多層感知機(jī)，其包含多層??結(jié)構(gòu)，在每一層結(jié)構(gòu)里都含有數(shù)量不等的神經(jīng)元，每一個(gè)神經(jīng)元通過(guò)接收前一層神經(jīng)元??的信息，并將該信息單向傳播到下一層。與感知機(jī)相比，它除了包含一個(gè)輸人層和一個(gè)??輸出層之外，還增加了中間層，也稱為隱藏層。隱藏層可以是一層，也可以是多層。??圖２．３為一個(gè)簡(jiǎn)化版的多層感知機(jī)結(jié)構(gòu)．其中，Ｘｌ，?ｘ２，＼３表示這個(gè)前饋神經(jīng)網(wǎng)絡(luò)??的輸人“＋１”代表偏置節(jié)點(diǎn)，即截距Ｌ為簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，只列舉了三個(gè)輸人、三個(gè)隱??藏和一個(gè)輸出節(jié)點(diǎn)。但在實(shí)際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)在輸出層不止一個(gè)輸出，會(huì)有多個(gè)輸出。??圖２．３前饋神經(jīng)網(wǎng)絡(luò)??Ｆｉｇ．?２．３?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－１０－??
?基于車載視頻的車輛越線行為智能識(shí)別技術(shù)研究???圖２．２感知機(jī)網(wǎng)絡(luò)??Ｆｉｇ．?２．２?Ｐｅｒｃｅｐｔｉｏｎ?ｎｅｔｗｏｒｋ??圖２．２中，ｗｒ，ｗ２，?ｗ３Ｒ表每個(gè)連接上的權(quán)值，輸出單元Ｚ１的計(jì)算結(jié)果如式（２．２）??所示。??ｚ，?＝?ｇ（ａ，?＊?ｗ，?＋?ａ２?＊?ｗ２?＋?ａ，?＊?ｗ３）?（２．２）??與神經(jīng)元不同的是，感知機(jī)中的權(quán)值是通過(guò)訓(xùn)練得到的，因此可以像邏輯回歸模型??一樣做一些線性分類的任務(wù)。??２．１．３前饋神經(jīng)網(wǎng)絡(luò)??前饋神經(jīng)網(wǎng)絡(luò)（Ｆｅｅｄｆｏｒｗａｒｄ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?ＦＮＮ）又名多層感知機(jī)，其包含多層??結(jié)構(gòu)，在每一層結(jié)構(gòu)里都含有數(shù)量不等的神經(jīng)元，每一個(gè)神經(jīng)元通過(guò)接收前一層神經(jīng)元??的信息，并將該信息單向傳播到下一層。與感知機(jī)相比，它除了包含一個(gè)輸人層和一個(gè)??輸出層之外，還增加了中間層，也稱為隱藏層。隱藏層可以是一層，也可以是多層。??圖２．３為一個(gè)簡(jiǎn)化版的多層感知機(jī)結(jié)構(gòu)．其中，Ｘｌ，?ｘ２，＼３表示這個(gè)前饋神經(jīng)網(wǎng)絡(luò)??的輸人“＋１”代表偏置節(jié)點(diǎn)，即截距Ｌ為簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，只列舉了三個(gè)輸人、三個(gè)隱??藏和一個(gè)輸出節(jié)點(diǎn)。但在實(shí)際應(yīng)用中，神經(jīng)網(wǎng)絡(luò)在輸出層不止一個(gè)輸出，會(huì)有多個(gè)輸出。??圖２．３前饋神經(jīng)網(wǎng)絡(luò)??Ｆｉｇ．?２．３?Ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??－１０－??
【參考文獻(xiàn)】：
期刊論文
[1]數(shù)據(jù)標(biāo)注研究綜述[J]. 蔡莉,王淑婷,劉俊暉,朱揚(yáng)勇. 軟件學(xué)報(bào). 2020(02)
[2]計(jì)算機(jī)視覺(jué)下的車輛目標(biāo)檢測(cè)算法綜述[J]. 李明熹,林正奎,曲毅. 計(jì)算機(jī)工程與應(yīng)用. 2019(24)
[3]基于改進(jìn)Mask RCNN和Kinect的服務(wù)機(jī)器人物品識(shí)別系統(tǒng)[J]. 石杰,周亞麗,張奇志. 儀器儀表學(xué)報(bào). 2019(04)
[4]基于Mask R-CNN的物體識(shí)別和定位[J]. 彭秋辰,宋亦旭. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[5]車輛識(shí)別技術(shù)綜述[J]. 張強(qiáng),李嘉鋒,卓力. 北京工業(yè)大學(xué)學(xué)報(bào). 2018(03)
[6]圖像語(yǔ)義標(biāo)注研究綜述[J]. 陳金菊. 圖書館學(xué)研究. 2017(18)
[7]基于雙線性插值法的圖像縮放算法的設(shè)計(jì)與實(shí)現(xiàn)[J]. 張洋. 電子設(shè)計(jì)工程. 2016(03)
[8]AdaBoost算法研究進(jìn)展與展望[J]. 曹瑩,苗啟廣,劉家辰,高琳. 自動(dòng)化學(xué)報(bào). 2013(06)
[9]最小二乘法分段直線擬合[J]. 田垅,劉宗田. 計(jì)算機(jī)科學(xué). 2012(S1)
博士論文
[1]基于遷移學(xué)習(xí)與深度卷積特征的圖像標(biāo)注方法研究[D]. 宋光慧.浙江大學(xué) 2017
碩士論文
[1]基于深度學(xué)習(xí)的海上紅外小目標(biāo)檢測(cè)方法研究[D]. 蔣志新.大連海事大學(xué) 2019
[2]基于車載圖像的車輛壓線檢測(cè)方法研究[D]. 邱康.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[3]基于深度學(xué)習(xí)的車道線檢測(cè)算法研究[D]. 張道芳.貴州民族大學(xué) 2019
[4]基于深度學(xué)習(xí)的車道線檢測(cè)技術(shù)研究[D]. 高軼康.北京郵電大學(xué) 2019
[5]基于深度學(xué)習(xí)的車道線和車輛檢測(cè)[D]. 羅森.電子科技大學(xué) 2018
[6]基于機(jī)器視覺(jué)的車輛和車道線檢測(cè)研究[D]. 董瑩瑩.湖南大學(xué) 2018
[7]基于CUDA加速的目標(biāo)檢測(cè)算法研究[D]. 王潤(rùn)強(qiáng).電子科技大學(xué) 2018
[8]基于車載視頻的前方車輛越線違章行為監(jiān)測(cè)技術(shù)研究[D]. 唐靜.大連海事大學(xué) 2018
[9]基于機(jī)器視覺(jué)和混雜系統(tǒng)理論的車道偏離輔助控制研究[D]. 蔣玉亭.合肥工業(yè)大學(xué) 2017
[10]基于空間線模型的紅外與可見(jiàn)光聯(lián)合道路識(shí)別方法研究[D]. 曹婷.南京理工大學(xué) 2017
本文編號(hào)：2968592
本文鏈接：http://sikaile.net/shoufeilunwen/boshibiyelunwen/2968592.html
最近更新
教材專著
