基于深度学习的不同视频源的单一车辆跟踪算法研究
发布时间：2022-12-05 03:13
基于视频数据的智能跟踪与目标行为分析等技术目前已经成为了智能交通系统中的新兴研究方向,借助计算机对监控网络下的视频序列进行信息学习与组合,可以有效判断目标车辆的行驶轨迹、行为类别或潜在风险,并加以有效处理。但是监控网络中摄像机的切换也会带来视角、光照或其他变化因素导致目标在多摄像位点下的跟踪精度低。而对于庞大的视频数据量进行处理也会造成跟踪过程冗长缓慢。所以本文的研究思路在于首先利用专业的检测模型将视频图像进行检测,筛选候选车辆集合。再利用车辆重识别及检索的思路,通过多特征融合形成车辆描述子。通过车辆描述子的联合距离度量并排序,从而选定候选车辆集中的最优解判定为目标车辆进行跨摄像头之间的车辆跟踪。为了验证课题选定的研究路线的有效性,进而构建出精度高、鲁棒性强的单一车辆跨摄像头跟踪系统,论文进行了多方面、多角度的研究工作。（1）选用SSD模型作为基础架构进行车辆检测模块部分的构建。在对原网络存在的不足之处进行深入的理解与剖析之后,结合最新的技术路线（例如密集模块、融合多尺度特征、归一化损失函数等）建立了Inception-dense-SSD网络结构,并利用专业数据集进行有效地训练。通过在...
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 车辆检测现状
1.2.1.1 传统车辆检测
1.2.1.2 深度学习车辆检测
1.2.2 单摄像头车辆跟踪现状
1.2.3 跨摄像头车辆重识别跟踪现状
1.3 研究内容与目标
1.4 论文结构
第2章 相关理论与技术
2.1 卷积神经网络
2.2 车辆检测
2.2.1 传统车辆检测算法
2.2.2 机器学习车辆检测算法
2.3 车辆跟踪
2.3.1 基于核相关滤波的跟踪算法
2.3.2 基于特征匹配的跟踪算法
2.3.3 全卷积孪生神经网络跟踪算法
2.4 特征算子提取
2.4.1 全局特征
2.4.2 局部特征
2.4.3 深度学习特征
2.4.4 特征总结
2.5 本章小结
第3章 基于密集模块的改进SSD车辆检测算法
3.1 引言
3.2 SSD检测模型及改进策略
3.2.1 SSD模型
3.2.2 inception网络与密集网络
3.2.3 改进策略
3.2.3.1 多尺度融合与网络设计
3.2.3.2 加入inception与密集模块
3.2.3.3 增加不同尺度的特征图输出
3.2.3.4 默认映射框设置
3.2.3.4 损失函数改进
3.3 实验结果与分析
3.3.1 实验数据集
3.3.2 评价指标
3.3.3 训练过程
3.3.4 性能对比与分析
3.3.5 其他汽车数据集下的测试效果
3.4 本章小结
第4章 基于多任务学习框架的车辆细粒度特征提取研究
4.1 辨识模型与验证模型
4.2 度量学习方法
4.2.1 度量约束
4.2.2 距离度量
4.3 多任务协同度量学习策略
4.3.1 多任务模型结构设计
4.3.2 损失函数
4.4 数据集设置及实验分析
4.4.1 数据集
4.4.2 相似度计算
4.4.3 模型训练设置
4.4.4 评价指标及实验结果分析
4.5 本章小结
第5章 基于多特征重识别策略的跨摄像头车辆跟踪
5.1 单目标车辆跨摄像头跟踪算法总述
5.2 车辆重识别特征选取
5.2.1 基于外观模型的车辆粗粒度特征
5.2.1.1 基于HSV空间的颜色特征
5.2.1.2 SURF特征
5.2.2 基于多任务联合网络的车辆细粒度特征
5.3 实验结果及分析
5.4 本章小结
第6章 结论与展望
6.1 结论及创新点
6.2 展望
参考文献
攻读硕士学位期间取得的成果
致谢
本文编号：3709555
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 车辆检测现状
1.2.1.1 传统车辆检测
1.2.1.2 深度学习车辆检测
1.2.2 单摄像头车辆跟踪现状
1.2.3 跨摄像头车辆重识别跟踪现状
1.3 研究内容与目标
1.4 论文结构
第2章 相关理论与技术
2.1 卷积神经网络
2.2 车辆检测
2.2.1 传统车辆检测算法
2.2.2 机器学习车辆检测算法
2.3 车辆跟踪
2.3.1 基于核相关滤波的跟踪算法
2.3.2 基于特征匹配的跟踪算法
2.3.3 全卷积孪生神经网络跟踪算法
2.4 特征算子提取
2.4.1 全局特征
2.4.2 局部特征
2.4.3 深度学习特征
2.4.4 特征总结
2.5 本章小结
第3章 基于密集模块的改进SSD车辆检测算法
3.1 引言
3.2 SSD检测模型及改进策略
3.2.1 SSD模型
3.2.2 inception网络与密集网络
3.2.3 改进策略
3.2.3.1 多尺度融合与网络设计
3.2.3.2 加入inception与密集模块
3.2.3.3 增加不同尺度的特征图输出
3.2.3.4 默认映射框设置
3.2.3.4 损失函数改进
3.3 实验结果与分析
3.3.1 实验数据集
3.3.2 评价指标
3.3.3 训练过程
3.3.4 性能对比与分析
3.3.5 其他汽车数据集下的测试效果
3.4 本章小结
第4章 基于多任务学习框架的车辆细粒度特征提取研究
4.1 辨识模型与验证模型
4.2 度量学习方法
4.2.1 度量约束
4.2.2 距离度量
4.3 多任务协同度量学习策略
4.3.1 多任务模型结构设计
4.3.2 损失函数
4.4 数据集设置及实验分析
4.4.1 数据集
4.4.2 相似度计算
4.4.3 模型训练设置
4.4.4 评价指标及实验结果分析
4.5 本章小结
第5章 基于多特征重识别策略的跨摄像头车辆跟踪
5.1 单目标车辆跨摄像头跟踪算法总述
5.2 车辆重识别特征选取
5.2.1 基于外观模型的车辆粗粒度特征
5.2.1.1 基于HSV空间的颜色特征
5.2.1.2 SURF特征
5.2.2 基于多任务联合网络的车辆细粒度特征
5.3 实验结果及分析
5.4 本章小结
第6章 结论与展望
6.1 结论及创新点
6.2 展望
参考文献
攻读硕士学位期间取得的成果
致谢
本文编号：3709555
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3709555.html