论文部分内容阅读
道路车辆检测跟踪与车牌识别技术已成为智能交通监控系统的重要组成部分,车辆视频检测技术能够获得监控道路的全方面信息,然而在光照变化、目标遮挡、天气恶化等情况下,单一的视频检测无法满足实际的需求,从而多传感器融合的道路车辆监控技术应运而生,这也成为智能交通监控系统的研究热点与难点。本文主要研究道路监控场景下,雷达检测与视频检测融合的多目标车辆检测算法、特征融合的多目标跟踪算法、远距离车牌定位与识别算法等几个关键问题。主要研究内容如下:针对道路监控场景中单个传感器漏检的问题,提出了一种基于深度学习的多源协同车辆检测算法。首先,对毫米波雷达数据进行预处理,进而获得雷达检测结果,同时采用基于卷积神经网络的视频目标检测算法进行车辆检测与识别。针对两类检测结果,本文提出了一种基于质心匹配的多目标融合算法,对检测目标进行筛选与定位修正。实验结果表明,提出的算法能够大大减小单个传感器检测的漏检数、误检数以及多检数,并提高目标检测的定位精度。针对道路监控场景中出现的目标车辆虚假检测以及编号跳变问题,提出了一种基于异源特征融合的多目标跟踪算法。该算法引入了多种类相似性度量与多参加权的特征融合计算方程,同时设计了各特征权值的设定方程。通过对外界环境的简单预判,设置环境状态参数,根据参数的不同设置特征加权值的大小。实验结果表明,提出的算法能够改善单个传感器视频目标跟踪的虚假检测与标号跳变等问题,提高多目标车辆的跟踪精度。针对道路监控场景中目标车辆距离远导致车牌定位与识别困难的问题,提出了一种基于分步提取的远距离车牌定位与识别算法。首先采用浅层卷积神经网络对目标车辆图块进行车牌的粗略定位,然后采用分步边界定位方法进行精确定位。最后,采用端到端的卷积神经网络进行车牌字符的识别。实验结果表明,提出的算法能够准确定位远距离目标车牌并进行字符识别。最后,基于上述提出的车辆检测、车辆跟踪以及车牌识别算法,设计一套完整的道路车辆检测跟踪与车牌识别的软件系统。该软件采用多线程、模块化设计思想,不同模块可以单独运行,便于各个模块算法的验证以及后续的软件升级。该软件系统主要包括车辆检测模块、数据融合模块、车辆跟踪模块、车牌检测模块以及数据库存储模块。同时,该软件设计了简洁易操作的人机交互界面。此外,该软件预留了部分接口,便于软件二次开发,整套软件系统的设计为后续智能交通监控系统的搭建打下了坚实的基石。