论文部分内容阅读
随着世界经济的飞速发展和生活质量的大幅度提升,人们普遍使用机动车出行去参与每天的社会活动。随之带来的是环境污染、道路拥挤和交通事故频发等社会不良现象。为缓解和解决上述相关问题,各国学者都致力于智能交通系统的研究。同时由于计算机硬件计算能力的大幅度提升,从而使得许多复杂算法的实时计算不再成为研究的障碍。作为无人驾驶辅助系统重要组成部分的车辆及行人检测技术的研究已经有了巨大的实际应用意义。对于车辆及行人检测技术中,由于车辆和行人目标的特征千差万别,很难通过某一种单一的特征提取分类方法将两类目标检测出来。而基于深度学习的目标检测方案通过复杂的神经网络计算出对于多类目标都能有效检测分类的特征集合,从而受到各国学者的青睐。在本文中,为了满足基于车载视频的道路车辆及行人检测的实时性等要求,提出利用深度学习回归网络YOLO对车辆及行人目标进行检测,并设计相应的数据集对模型进行训练测试。之后加入以Deep-SORT算法为核心的多目标实时跟踪方法,对检测到的目标进行一段时间的跟踪,从而克服YOLO在目标检测时忽略视频上下帧之间的关联信息的缺点。由于跟踪算法的引入,极大地缓解了YOLO在基于车载视频的目标检测中出现目标“掉帧”的现象,同时对目标遮挡也有一定的抑制作用。由于使用了目标检测和跟踪两种方法,所以对于同一目标可能会出现目标检测与跟踪都标记出来的情况,从而导致目标重复检测,使得最终的检测性能降低。为抑制以上情况的发生,在Deep-SORT中使用了匈牙利算法对检测框与跟踪框进行数据关联,去除重复标记的目标区域。而对于数据关联矩阵元素的设计中,本文选择将基于马氏距离的运动匹配和基于特征向量最小余弦距离的表观匹配进行加权融合的方案,从而得到相应的数值信息,用于匈牙利匹配。本文通过图像处理的相关技术对车辆前方的车道线进行检测。算法主要由图像预处理、高斯滤波去噪、Canny边缘检测、Hough变换检测直线以及基于K均值聚类算法的车道线检测方法构成。同时配合车辆及行人目标检测输出作为最终检测结果。由实验结果表明,本文采用的算法是可行且有效的。相比于基于YOLO的目标检测算法,本文算法在保证实时性基础上提高了对车辆及行人目标的检测识别率。