论文部分内容阅读
随着国民经济水平的逐步提升,私有车数量的增长为人们带来了极大便利,同时也出现了交通拥堵等社会问题,拥堵现象加剧使基于图像处理的车辆排队长度检测成为智能交通领域的重要研究内容,它能够实时、准确地获取道路上的排队信息,对于缓解交通拥堵问题具有重要意义。本文针对车辆排队长度检测问题,采用传统图像处理方法和基于深度学习的图像处理方法,分别利用视频和图片,对车辆排队长度检测进行了研究。(1)构建了一种基于特征点跟踪的车辆排队长度检测方法。首先通过自动检测车道线分离单个机动车道作为兴趣区,之后在兴趣区中对车辆特征点进行轨迹跟踪,利用轨迹信息判断排队队列。最后经过一种相机标定算法,将队列像素距离映射为实际空间距离,得到真实的排队长度。经过实验,该方法检测精确率F1值为91.96%,150米内平均误差为5.17%。(2)构建了一种基于深度学习目标检测的排队长度检测方法。通过分析第一种方法中特征点检测不准确及跟踪不稳定的问题,结合检测性能更好的深度学习算法,以VGG16网络模型为基础,在SSD框架上进行了训练及测试,接着使用KCF算法对车辆目标进行跟踪从而得到其运动状态。最后根据目标检测的位置,在检测框中进行特征点检测,从而得到车辆排队长度,其中对队尾为大型车辆的队列长度进行了距离补偿。对比实验证明,基于深度学习的方法与传统方法相比F1值提高了3.76%,150米内平均误差减少了1.33%,且能够得到队列中的车辆个数。(3)构建了一种基于深度学习图像分割的排队长度检测方法。对于车辆目标检测方法中存在的目标遮挡导致精度下降的问题,选择了基于深度学习的图像分割算法,通过对数据集的严格标注,使用基于VGG16修改得到的全卷积网络进行车辆排队队列的分割。之后计算模型检测结果中被标记为队列的像素长度,再根据相机标定得到实际排队长度。实验结果表明,其对队列检测的F1值为97.53%,150米内的平均误差为3.06%。相比于前两种基于视频的方法,图像分割算法基于单张图片进行检测,对硬件及内存的要求更小,应用价值更大。