论文部分内容阅读
随着城市社会的发展,机动车数量日趋增加,城市道路堵塞情况日益严重,智能交通系统的应用日益受到大家的广泛关注,车辆的检测与跟踪是其重要的组成部分。在实际应用中,车辆检测算法需要实时检测图像或者视频序列帧中出现的车辆,获得目标参数,并将检测的车辆信息传递给车辆跟踪算法,由它对车辆进行跟踪,从而确定车辆的位置,有效地对车辆进行实时跟踪。传统的车辆检测方法如光流法、帧间差分法等,检测结果差强人意,很难满足实际场景的需求。目前,深度学习技术已经成为机器学习方向的前沿技术,在许多的研究领域取得了惊人的效果。本论文首先对传统的车辆检测算法进行了分析,针对其不足之处,利用深度学习技术设计了基于多尺度特征图预测SSD的车辆检测器,然后将基于多尺度特征图预测SSD的车辆检测器与Camshift跟踪和Kalman滤波算法相结合,构建了车辆检测跟踪系统。论文的具体工作如下:1.针对传统车辆检测算法中存在的问题,本文设计了一种基于不同卷积层上的特征进行多尺度预测SSD车辆检测器,其基本思想是:使用前向传播CNN网络,产生一系列固定大小的边界框集合以及框中目标类别的得分,然后通过非最大值抑制算法得到最终检测。论文中把车辆检测问题作为一个回归问题,模型训练过程中,通过对整张图像进行训练,然后优化检测结果。实验结果表明,基于SSD的车辆检测器无论在识别性能还是在时间效率方面都有着较好的检测效果。2.利用多尺度特征图预测SSD车辆检测器与Camshift跟踪和Kalman滤波算法相结合,设计并开发了车辆检测与跟踪系统。此系统主要包括了运动检测模块、车辆检测模块和车辆跟踪模块。车辆检测跟踪系统首先对视频进行前后背景分离,把视频中的运动区域提取出来,然后采用基于SSD车辆检测器对提取的运动区域进行车辆检测,最后使用Camshift跟踪和Kalman滤波算法相结合实现对车辆的实时跟踪。测试结果表明,本文所设计的车辆检测跟踪系统能够满足实际应用中功能和性能方面的需求。