论文部分内容阅读
实时、准确地检测高速公路隧道内发生的停车事件对减免交通事故、减少人员伤亡和减轻经济损失具有重要意义。高速公路隧道内的空间狭小密闭、车流量大、车速快,当车辆突然停车时,很容易引起交通事故。尤其是当载有易燃易爆物品的车辆行驶在隧道内时,后果将更为严重。而及时有效的停车检测不仅可以为事故导致的受伤人员提供更多救援时间,还可以通知该路段上后方的其他驾驶人员提高警惕,减少二次事故的发生。
在目前的停车检测工作安排中,人工观察监视的方法仍然是主要方法。这样的方式不仅消耗了大量的人力资源,而且管理效率低下,已然不能满足当今交通监管中对智能化和高效化的需求。因此,本文针对高速公路隧道,研究基于视频图像的车辆识别及停车检测算法。通过研究分析不同的运动目标检测算法,设计了一种基于混合高斯背景建模的停车检测方法。但是该方法存在大量误检,因此,在运动目标检测方法的基础上融合卷积神经网络(Convolutional Neural Network,CNN)分类模型提升停车检测的准确率。此外,为进一步提升准确率,对目标检测的本质进行研究,不采用传统的运动目标检测,转而基于深度学习目标检测算法进行车辆识别,进而完成停车检测。
在高速公路隧道的场景下,对本文设计的算法进行了测试。测试视频是从高速公路隧道监控服务器的视频历史存储文件中截取的片段,在片段中包含停车事件的过程。实验中,对运动目标检测是否融合卷积神经网络分类模型进行对比,结果表明融合方法的正检率为84%,误检率为5%,漏检率为11%;而在没有卷积神经网络分类模型的情况下,正检率仅为21%,误检率高达79%,漏检率为11%。融合方法的正检率提高了63%,误检率降低了74%。在基于深度学习的车辆识别中,从数据集的制作、先验框的聚类以及网络结构的优化方面改进了YOLOv3。相比于原始YOLOv3在VOC数据集中car、bus、train上84.5%的mAP,新设计的模型获得86.5%的mAP,提高了2%。另外,在自制的隧道车辆数据集上获得98.19%的mAP,在此基础上,结合Deep SORT跟踪算法,实现停车检测,正检率为95%,误检率为5%,漏检率为0%。
在目前的停车检测工作安排中,人工观察监视的方法仍然是主要方法。这样的方式不仅消耗了大量的人力资源,而且管理效率低下,已然不能满足当今交通监管中对智能化和高效化的需求。因此,本文针对高速公路隧道,研究基于视频图像的车辆识别及停车检测算法。通过研究分析不同的运动目标检测算法,设计了一种基于混合高斯背景建模的停车检测方法。但是该方法存在大量误检,因此,在运动目标检测方法的基础上融合卷积神经网络(Convolutional Neural Network,CNN)分类模型提升停车检测的准确率。此外,为进一步提升准确率,对目标检测的本质进行研究,不采用传统的运动目标检测,转而基于深度学习目标检测算法进行车辆识别,进而完成停车检测。
在高速公路隧道的场景下,对本文设计的算法进行了测试。测试视频是从高速公路隧道监控服务器的视频历史存储文件中截取的片段,在片段中包含停车事件的过程。实验中,对运动目标检测是否融合卷积神经网络分类模型进行对比,结果表明融合方法的正检率为84%,误检率为5%,漏检率为11%;而在没有卷积神经网络分类模型的情况下,正检率仅为21%,误检率高达79%,漏检率为11%。融合方法的正检率提高了63%,误检率降低了74%。在基于深度学习的车辆识别中,从数据集的制作、先验框的聚类以及网络结构的优化方面改进了YOLOv3。相比于原始YOLOv3在VOC数据集中car、bus、train上84.5%的mAP,新设计的模型获得86.5%的mAP,提高了2%。另外,在自制的隧道车辆数据集上获得98.19%的mAP,在此基础上,结合Deep SORT跟踪算法,实现停车检测,正检率为95%,误检率为5%,漏检率为0%。