基于YOLOv3的车辆计数系统的设计与实现

发布时间：2024-04-06 17:44

　　视频监控已成为公共安全领域中的一道至关重要的屏障,尤其在交通场景的应用中更加普遍,随着汽车数量的不断增多,交通场景中的相关问题也得到了越来越多的重视。交通拥堵不仅严重降低了出行效率还增加了引发交通事故的可能性,准确地掌握城市路段的车流量有利于缓解城市拥堵状况,方便交通管理部门为市民规划出行路线。由于交通场景具有很高的复杂性,不同时间段的光照强度差别较大,同时对算法处理的速度要求较高,因此给目标检测任务带来了巨大的挑战。传统的目标检测算法基于滑动窗口的区域选择方式缺乏一定的针对性,存在大量的冗余窗口,使得算法的复杂性程度较高,运行时间较长,不利于对视频流数据的快速处理。此外,由于特征依赖于手工设计,使得其在面对复杂的交通情景时不具备良好的鲁棒性。伴随着人工智能时代的到来,诸如自动驾驶、人脸识别、智慧医疗等越来越多的相关领域开启了AI化的研究进程,深度学习技术得到了迅猛的发展,基于该技术的目标检测算法也为解决复杂的交通场景问题提供了更多的选择。在交通场景的车辆检测任务中,以RCNN为代表的两阶段目标检测算法和以YOLO为代表的单阶段目标检测算法都为车辆检测任务提供了新的解决思路,有利于我们...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 论文组织结构
第二章 神经网络理论基础
    2.1 神经网络基本原理
    2.2 卷积神经网络的原理
    2.3 经典网络模型
    2.4 本章小结
第三章 目标检测算法原理
    3.1 传统目标检测算法
    3.2 非极大值抑制算法
    3.3 RCNN系列目标检测算法
    3.4 YOLO系列目标检测算法
    3.5 本章小结
第四章 交通场景下的车辆计数
    4.1 改进的YOLOv3 目标检测算法
    4.2 邻帧中心匹配的车辆计数算法
    4.3 数据采集与网络训练
    4.4 计数系统功能实现
    4.5 实验结果分析
    4.6 本章小结
第五章 总结与展望
    5.1 研究工作总结
    5.2 未来工作展望
参考文献
致谢
个人简介



本文编号：3946967