论文部分内容阅读
部署于各路口的监控设备获取到了海量交通视频数据,应用图像处理技术从这些视频中计算全路网、全天候的道路交通参数,为交通科学决策奠定基础。但是,交叉路口车辆遮挡、粘连情况严重,影响了车辆检测和跟踪的精度;交叉路口车道线缺失造成了各细分车道流量数据难以获取,为解决上述问题,本文开展如下关键研究:(1)提出了基于深度学习的车辆检测和车辆属性识别的联合训练方法。利用卷积神经网络生成车辆图像的多尺度特征图,在特征图上的每一个点,采用3*3的卷积核预测车辆前景和背景的类别信息,同时利用全连接层预测车辆的类型、颜色和姿态属性。误差函数中通过融合车辆前景与背景的类别误差、车辆的位置误差和车辆的属性误差,增加车辆前景和背景的差别。车辆检测模型提高了真实交通场景下的车辆检测精度,为复杂场景下的车辆检测和车辆细粒度属性预测提供了保障。(2)提出了利用三元组误差函数训练车辆运动不变特征提取模型的方法,解决了检测失败后的车辆重新关联问题。利用边缘特征匹配和数据联想方法跟踪车辆,构造跟踪过程中的车辆数据集。该数据集包括车辆在行驶过程中连续多个角度的图像,满足了车辆的角度变化和复杂的光照变化条件。训练的深度模型将车辆图像降低到低维空间,在该低维空间中,完成三元误差计算。得到模型抽取车辆特征用于跟踪丢失后的再识别,减少不连续轨迹形成。(3)提出了交叉路口细分车道估计算法。基于车辆跟踪轨迹可以检测路口的行车道,并计算出路口每个车道的车流量变化曲线和路口红绿灯的相位切换时间点,进而计算出每辆车的延误时间,并识别车辆转弯类型(左转、右转、直行)等。本文的车道估计算法是以车辆的行驶轨迹为基础,能适应不同时间、不同路口的复杂情况。(4)改进了基于静态图像的车辆密度估计算法。首先在人工标注的车辆分布图片上,采用自适应车道方向的高斯分布代表每个标注车辆的位置,然后叠加所有的标注车辆形成车辆密度图。利用卷积神经网络将原始图像和车辆密度图进行对应,形成学习样本。该算法适用于图像分辨率低、车流量密度大、车辆遮挡严重等不理想场景的车辆计数。