【摘 要】
：
随着视频监控技术在道路安全应用的迅猛发展,为实现高速公路智能化管理,提出一套面向高速公路的车辆视频监控分析系统.通过对监控视频流中的车辆进行检测和跟踪,进一步实现了高速公路相关车辆监测的应用.提出了基于双向金字塔多尺度融合的轻量级车辆检测跟踪算法,基于YOLOv3在主干网络上使用轻量级网络EfficientNet,并且利用双向特征金字塔网络进行多尺度特征融合,使得算法在保证检测实时性的同时提升检测的准确度.通过采集高速公路监测视频,构建了一个多场景高速公路车辆目标数据集.在此数据集上的实验结果表明,所提出
【机 构】
：
西北工业大学无人系统技术研究院,陕西西安710072;西北工业大学无人系统技术研究院,陕西西安710072;陕西交通控股集团有限公司,陕西西安710065
【出 处】
：
西安电子科技大学学报（自然科学版）
论文部分内容阅读
随着视频监控技术在道路安全应用的迅猛发展,为实现高速公路智能化管理,提出一套面向高速公路的车辆视频监控分析系统.通过对监控视频流中的车辆进行检测和跟踪,进一步实现了高速公路相关车辆监测的应用.提出了基于双向金字塔多尺度融合的轻量级车辆检测跟踪算法,基于YOLOv3在主干网络上使用轻量级网络EfficientNet,并且利用双向特征金字塔网络进行多尺度特征融合,使得算法在保证检测实时性的同时提升检测的准确度.通过采集高速公路监测视频,构建了一个多场景高速公路车辆目标数据集.在此数据集上的实验结果表明,所提出的算法检测精度达97.11％,高于原始YOLOv3检测算法16.5％,并且结合DeepSORT模型在车辆跟踪上以31帧每秒的帧速度实时运行.同时,该车辆监测系统可在车流量统计、交通异常事件检测领域进行多路实时监测,具有实际应用价值.
其他文献
火焰检测与火势发展分析对火情的控制十分重要。提出一种改进DeeplabV3+的火焰分割与火情分析方法:首先在DeeplabV3+的解码器部分增加低层特征来源,将其与高层特征融合后采用2倍上采样逐步恢复图像尺寸,保留更多的细节信息,实现更加准确的火焰分割;然后将火焰视频每帧分割得到的像素数组成火势发展序列,基于关键点对序列进行分段和线性拟合,获取火势发展的关键趋势。实验结果表明,所提方法可以在对火焰
由于传统的深度卷积神经网络分割高分辨率遥感影像需人工设计网络架构,过度依赖专家经验,耗时费力,且网络泛化能力较差,因此,提出一种资源平衡型部分通道采样的神经网络架构搜索方法。首先,在网络架构参数中添加资源平衡项,提升搜索算法稳定性,同时减小剪枝过程中产生的更新不平衡和离散化误差;其次,选择部分通道进行搜索空间的混合操作,以节省计算资源,提升搜索效率,缓解网络过拟合;最后,根据高分辨率遥感影像地物复
弹道目标识别在现在的军事反导系统中具有重要作用.不同的弹道目标由于其运动特征的不同会呈现出不同的微动特征,因此在弹道目标的识别中,微动特征被广泛应用.在弹道目标的微动特征分类中,卷积神经网络因为其优异的分类能力而被广泛应用.在卷积神经网络框架中,神经网络相关的超参数和结构通常与被处理的任务性质相关,不同的任务需要设置不同的超参数和不同的网络架构使卷积神经网络的识别效果达到最优.人工选择适合弹道目标微动分类的网络超参数和结构需要足够的人力经验和大量的计算时间,而且并不总能得到最优的参数.针对这个问题,提出用
针对不同教学场景图像的数据分布差异较大造成的跨域偏移问题,提出了一种采用元学习的多场景学生姿态检测方法。该方法设计了姿态检测元模型和一种参数可学习的域适应优化器。通过离线学习和在线学习相结合的方式,实现特定教学场景姿态检测模型的快速域适应。离线学习阶段,该方法通过双层训练模拟姿态检测模型在各类教学场景上域适应的过程,对姿态检测元模型以及域适应优化器参数进行训练;在线学习阶段,只需特定教学场景下少量
学习高质量的视频表征有助于机器更准确地理解视频内容。基于监督学习的视频表征需要标注海量的视频数据,而视频标注极其费时费力,因而不需要标注数据的自监督视频表征方法成为研究的热点。自监督视频表征学习利用海量的未标注数据,将视频自身的时空连续性等作为监督信息来设计辅助任务进行表征学习,并将学习到的视频表征应用于下游任务。鉴于缺少对自监督视频表征学习新进展的综述,首先根据辅助任务采用的信息不同,从时序信息
为了提高利用四轴飞行器单目摄像头传回的图片帧执行目标跟踪任务时的实时性和稳定性,提出一种基于注意力模型的图片帧预处理和基于反馈控制的四轴飞行器姿态调整的算法。首先,通过注意力模型对四轴飞行器采集到的视频图像进行预处理,选出对跟踪结果贡献度较大的部分帧;其次,将图像预处理阶段选出的图片帧进一步处理,得到选框像素点的位置偏差和面积偏差,记作反馈控制的误差;最后,通过反馈控制,将该误差与四轴飞行器的电机
因为红外图像数据可以有效地弥补单一可见光数据在低照度条件下的不足,因此研究跨模态可见光—红外行人重识别将为构建一个全天候、全场景智能视频监控系统提供强有力的技术支撑。跨模态行人重识别的核心问题是构建多模态数据之间的统一共享特征表达,关键在于有效区分跨模态数据中模态共享/特有的特征信息。基于此,提出了一种基于混合双通路神经网络的跨模态行人重识别方法。该方法深入地分析了混合双通路神经网络中模态共享参数
人脸识别系统会受到照片视频的虚假人脸攻击,但手持照片、视频攻击存在抖动现象,以光流表征运动信息,提出一种利用背景光流特征的假人脸检测方法。该方法聚焦真实人脸背景与虚假人脸背景之间的运动差异性,分析人脸外区域的光流角度分布,背景对比区的运动状况,通过评估对比区的运动一致性虚假人脸。新方法在公开数据集ReplayAttack和CASIA-FASD中的测试准确率分别为97.87%和90.95%,可有效甄
在工业视频监控场景中,由于复杂背景、人体多姿态和人体遮挡等因素的影响,现有人体检测算法存在着准确率不高、模型泛化能力不强等显著问题。针对以上问题,基于特征图像金字塔和多尺度感受野理论,设计了一种检测网络的特征融合方式和特征图的生成策略,依靠轻量级的特征图像金字塔技术,并结合数据增强、锚点框匹配策略和遮挡损失函数等优化方法,进而提出了一种基于深度神经网络的人体检测算法EFIPNet。同时,为了充分验
判别式相关滤波器采用循环移位产生负样本的方式不可避免带来了边界效应。基于背景感知的相关滤波跟踪算法试图利用裁剪矩阵获取更多真实的负样本,既有效缓解了边界效应的影响,又增强了对背景信息的学习。然而,裁剪矩阵的使用缺乏对空间不同位置可靠性的学习,可能会导致背景信息对滤波器的学习占据主导地位。为解决该问题,将空间可靠性的学习引入相关滤波算法中,通过交替方向法与滤波器进行联合迭代求解,加强了滤波器对空间可