论文部分内容阅读
当今社会,日益完善的交通监控系统为打击交通肇事逃逸、维护社会稳定带来了极大的便捷。目前对交通监控视频的处理主要还是依靠人为的干预,通过人工观看的方式跟踪交通监控中的目标,然而,随着监控数据的不断增多,人工的方式逐渐变得不可取,社会需要更加智能的交通管理系统处理海量的交通监控视频数据。经过多年的发展,国内外的研究者提出了许多有效的算法应用于智能交通系统。
本文在对深度学习模型的探索和研究的基础上,提出了深度学习与重叠率相结合的货车车辆目标跟踪方法,并将其应用于多摄像头场景,提出了多摄像头联动和深度学习相结合的货车车辆目标跨摄像头跟踪的方法,并在实际交通场景中进行了实验验证。本文的主要贡献包括:
(1)提出了基于深度学习与目标重叠率相结合的货车车辆跟踪方法,该方法包括视频预处理、卷积神经网络、目标检测和重叠率计算等部分。这个方法将传统的跟踪方法与深度学习结合起来,在货车的跟踪过程中,能够有效应对外在环境的各种干扰,有较好的跟踪效果。
(2)提出了一个深度学习模型在货车车辆跨摄像头跟踪中应用的框架,该框架包括货车车辆目标出现位置和时间预测、货车车辆目标检测、颜色特征提取和目标匹配几个部分。通过时间和位置信息,结合货车车辆目标本身的特征,在摄像头分布合理的路段上能够有效地对货车车辆进行跟踪。同时基于深度学习的货车检测和特征提取,能够应对跟踪过程中环境对目标造成的干扰。
基于研究内容,本文主要在以下几点做出了创新:
(1)提出的基于深度学习与目标重叠率相结合的货车车辆跟踪方法,在目标检测的基础上,可以有效降低复杂路况的系统计算量,保证了实时性。
(2)提出了多摄像头联动和基于深度学习分类的货车车辆目标跨摄像头跟踪的方法,结合摄像头分布、时间、距离等外部信息,创新性地将深度学习应用于跨摄像头场景,有效地跟踪了目标在不同摄像头间的行驶轨迹。
(3)采用了一种动态队列和静止队列组合的方式,考虑到真实应用场景中存在的静止车辆对移动目标带来的干扰,在跟踪到静止的目标后,将其移入静止队列,停止对其的跟踪,解决了静止目标带来的干扰。
本文在对深度学习模型的探索和研究的基础上,提出了深度学习与重叠率相结合的货车车辆目标跟踪方法,并将其应用于多摄像头场景,提出了多摄像头联动和深度学习相结合的货车车辆目标跨摄像头跟踪的方法,并在实际交通场景中进行了实验验证。本文的主要贡献包括:
(1)提出了基于深度学习与目标重叠率相结合的货车车辆跟踪方法,该方法包括视频预处理、卷积神经网络、目标检测和重叠率计算等部分。这个方法将传统的跟踪方法与深度学习结合起来,在货车的跟踪过程中,能够有效应对外在环境的各种干扰,有较好的跟踪效果。
(2)提出了一个深度学习模型在货车车辆跨摄像头跟踪中应用的框架,该框架包括货车车辆目标出现位置和时间预测、货车车辆目标检测、颜色特征提取和目标匹配几个部分。通过时间和位置信息,结合货车车辆目标本身的特征,在摄像头分布合理的路段上能够有效地对货车车辆进行跟踪。同时基于深度学习的货车检测和特征提取,能够应对跟踪过程中环境对目标造成的干扰。
基于研究内容,本文主要在以下几点做出了创新:
(1)提出的基于深度学习与目标重叠率相结合的货车车辆跟踪方法,在目标检测的基础上,可以有效降低复杂路况的系统计算量,保证了实时性。
(2)提出了多摄像头联动和基于深度学习分类的货车车辆目标跨摄像头跟踪的方法,结合摄像头分布、时间、距离等外部信息,创新性地将深度学习应用于跨摄像头场景,有效地跟踪了目标在不同摄像头间的行驶轨迹。
(3)采用了一种动态队列和静止队列组合的方式,考虑到真实应用场景中存在的静止车辆对移动目标带来的干扰,在跟踪到静止的目标后,将其移入静止队列,停止对其的跟踪,解决了静止目标带来的干扰。